一种基于多特征融合的车牌汉字识别方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，具体是一种基于多特征融合的车牌汉字识别方 法。
【背景技术】
[0002] 车牌字符识别是车牌识别系统的最后一步，也是至关重要的一步，它直接影响着 整个系统的识别准确率和效率。对于车牌字母数字部分的识别，国内外已有很多成熟的方 法，可以达到很高的准确率。而对于车牌的汉字部分，由于实际环境中采集的车牌图像，汉 字部分往往具有结构复杂、笔划繁多、分辨率较低、笔划断裂、部分变浅或缺失、边缘模糊、 字符倾斜等特点，使得汉字识别变得很困难，基于现有的字母数字识别方法，无法达到满意 的准确率。因此，准确识别车牌汉字字符，成为国内车牌识别系统的难点。
[0003] 车牌汉字识别通常采用三种识别方法，分别是基于模板匹配的方法、基于神经网 络的方法、基于支持向量机（SVM)的方法。依据模式识别理论可知，影响识别准确率的最大 因素，不是选择的哪种分类方法，而是选择的目标特征，只要汉字字符特征选择的合适，上 述三种方法均能达到不错的分类效果。因此，如何选择汉字字符特征，成为决定车牌汉字识 别成败的关键。
[0004] 目前，常用的车牌汉字特征主要有以下几类：
[0005] (1)全局特征，该类特征采用全局变换来获取字符的整体特征，使用有序的整体特 征或者子集特征来构成特征向量，常见的特征有GABOR变换特征、矩特征、投影特征、笔划 密度特征、HARR特征、HOG特征等。这些特征的优点是对局部变化不敏感，抗干扰能力强； 其缺点是容易忽略某些重要的局部特征，无法区分相似的字符。
[0006] (2)局部特征，该类特征采用在字符的多个局部区域内，计算相应的特征，使用串 联的有序局部特征构成最终的特征向量，主要包括局部灰度特征、LBP特征、穿线特征、SIFT 特征等。该类特征的优点是区分字符的能力强；其缺点是抗干扰能力弱，运算相对较慢。
【发明内容】
[0007] 本发明的目的在于针对使用全局特征或局部特征识别汉字的缺点，提供一种基于 多特征融合的车牌汉字识别方法，通过融合多种特征，可以更加精确地识别汉字，同时对于 字符的图像质量要求更低。
[0008] 本发明的技术方案为：
[0009] 一种基于多特征融合的车牌汉字识别方法，包括以下步骤：
[0010] (1)对收集的若干训练图像进行预处理，得到若干训练样本；
[0011] ⑵分别获取训练样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向 量；
[0012] (3)串联训练样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量， 形成训练样本的汉字融合特征向量；
[0013] (4)将所有训练样本的汉字融合特征向量输入SVM分类器，完成对SVM分类器的训 练；
[0014] (5)对待测车牌汉字图像进行预处理，得到测试样本；
[0015] (6)分别获取测试样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向 量；
[0016] (7)串联测试样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量， 形成测试样本的汉字融合特征向量；
[0017] (8)将测试样本的汉字融合特征向量输入训练完成的SVM分类器，识别得到待测 车牌汉字图像中的汉字。
[0018] 所述的基于多特征融合的车牌汉字识别方法，步骤（2)中，获取训练样本的汉字 边缘特征向量，具体包括以下步骤：
[0019] (21)利用以下公式，计算训练样本全图每一个像素的梯度幅值和方向角度：
【主权项】
1. 一种基于多特征融合的车牌汉字识别方法，其特征在于，包括以下步骤： (1) 对收集的若干训练图像进行预处理，得到若干训练样本； (2) 分别获取训练样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量； (3) 串联训练样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量，形成 训练样本的汉字融合特征向量； (4) 将所有训练样本的汉字融合特征向量输入SVM分类器，完成对SVM分类器的训练； (5) 对待测车牌汉字图像进行预处理，得到测试样本； (6) 分别获取测试样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量； (7) 串联测试样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量，形成 测试样本的汉字融合特征向量； (8) 将测试样本的汉字融合特征向量输入训练完成的SVM分类器，识别得到待测车牌 汉字图像中的汉字。
2. 根据权利要求1所述的基于多特征融合的车牌汉字识别方法，其特征在于，步骤（2) 中，获取训练样本的汉字边缘特征向量，具体包括以下步骤： (21) 利用以下公式，计算训练样本全图每一个像素的梯度幅值和方向角度：
其中，M(x，y)表示像素（x，y)的梯度幅值，a(x，y)表示像素（x，y)的方向角度，g(x，y)表示像素（x，y)的灰度值； (22) 利用以下公式，对步骤（21)计算出的方向角度进行校正：
其中，a' (x，y)表示校正后的方向角度； (23) 基于像素的方向角度，统计每个晶胞的4维梯度方向直方图，每个晶胞由若干像 素构成； (24) 将4个晶胞的梯度方向直方图串联起来，构成一个区块的梯度方向直方图； (25) 将所有区块的梯度方向直方图归一化后串联起来，形成训练样本的汉字边缘特征 向量。
3. 根据权利要求1所述的基于多特征融合的车牌汉字识别方法，其特征在于，步骤（2) 中，获取训练样本的汉字灰度特征向量，具体包括以下步骤： (31)借助HARR特征模板，分别将训练样本按照五种方式进行划分，即分别将训练样 本划分为左右两个局部区域、上下两个局部区域、左中右三个局部区域、上中下三个局部区 域、左上、左下、右上、右下四个局部区域，得到14个局部区域子图； (32) 利用最大类间距算法，获取训练样本的二值图像； (33) 基于训练样本的二值图像，统计得到全图前景目标点所占的比例； (34) 基于训练样本的二值图像，分别统计得到14个局部区域子图前景目标点所占的 比例； (35) 将得到的各个比例值串联起来，形成训练样本的汉字灰度特征向量。
4.根据权利要求1所述的基于多特征融合的车牌汉字识别方法，其特征在于，步骤（2) 中，获取训练样本的汉字纹理特征向量，具体包括以下步骤： (41) 借助HARR特征模板，分别将训练样本按照五种方式进行划分，即分别将训练样 本划分为左右两个局部区域、上下两个局部区域、左中右三个局部区域、上中下三个局部区 域、左上、左下、右上、右下四个局部区域，得到14个局部区域子图； (42) 利用以下公式，对训练样本进行LBP特征变换，得到训练样本的LBP特征图：
其中，LBPp,,(x。，y。）表示当前像素（x。，y。）的LBP变换特征，g(x。，y。）表示当前像素 (x。，y。）的灰度值，g(xn，yn)表示邻域像素（xn，yn)的灰度值，p表示邻域像素的数目，r表 示邻域半径； (43) 基于训练样本的LBP特征图，统计得到全图的9维灰度直方图； (44) 基于训练样本的LBP特征图，分别统计得到14个局部区域子图的9维灰度直方 图； (45) 将得到的各个9维灰度直方图串联起来，形成训练样本的汉字纹理特征向量。
【专利摘要】本发明提供一种基于多特征融合的车牌汉字识别方法，包括以下步骤：待测图像归一化；改进HOG特征，获取待测图像的汉字边缘特征；获取待测图像的汉字灰度特征；基于LBP特征理论，获取待测图像的汉字纹理特征；融合待测图像的汉字边缘特征、灰度特征、纹理特征，获取待测图像的融合特征向量；基于SVM分类器，预测分类结果。本发明综合利用了汉字的全局特征和局部特征，识别更加准确，对于低质量图像和强干扰图像，具有较强的鲁棒性。
【IPC分类】G06K9-62, G08G1-017
【公开号】CN104573707
【申请号】CN201410788657
【发明人】张卡, 何佳, 聂勇, 郑浩
【申请人】安徽清新互联信息科技有限公司
【公开日】2015年4月29日
【申请日】2014年12月17日