一种基于自适应特征的车牌字符识别方法
【技术领域】
[0001] 本发明设及图像处理技术领域，具体是一种基于自适应特征的车牌字符识别方 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。对于理想车牌字符的识别，国内外已有很多成熟的方法，可 W达到很高的准确率。而在实际环境中采集的车牌图像，字符往往存在分辨率较低、部分变 浅或缺失、边缘模糊、字符倾斜等特点，使得准确识别字符变得很困难，基于现有的字符识 别方法，无法达到满意的准确率。因此，准确识别车牌字符，成为国内外车牌识别系统的难 点。
[0003] 车牌字符识别通常采用Ξ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，只要字符特征选择的合适，上述Ξ 种方法均能达到不错的分类效果。因此，如何选择字符特征，成为决定车牌字符识别成败的 关键。
[0004] 目前，常用的车牌字符特征主要有W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。运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，该类特征是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，主要特征包括局部灰度直方图特征、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;其缺点是过分关注字符的局部特 征，往往会错误区分具有噪声干扰的字符。
【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车牌字符的缺点，提供一种 基于自适应特征的车牌字符识别方法，通过关注不同尺度空间下的字符卷积图像，自适应 地获取字符的最优特征，提高字符识别的准确率。
[000引本发明的技术方案为：
[0009] -种基于自适应特征的车牌字符识别方法，包括W下步骤：
[0010] (1)构建多尺度空间卷积模板；
[0011] (2)将待识别车牌字符图像尺寸归一化；
[0012] (3)利用构建的多尺度空间卷积模板对归一化后的待识别车牌字符图像进行卷积 运算，获取不同尺度空间下车牌字符卷积图像的组合特征集，串联所有尺度空间下车牌字 符卷积图像的组合特征集，得到多尺度空间车牌字符特征集；
[0013] (4)对得到的多尺度空间车牌字符特征集进行提取处理，获取自适应车牌字符特 征向量；
[0014] (5)将获取的自适应车牌字符特征向量输入贝叶斯分类器，计算输入的车牌字符 特征向量属于某一类别的概率，选择最大概率值对应的类别作为待识别车牌字符图像中的 字符类别。
[0015] 所述的基于自适应特征的车牌字符识别方法，步骤(2)中，所述将待识别车牌字符 图像尺寸归一化，通过W下双线性插值公式实现：
[0016]
[0017] 其中，（x，y)表示待求灰度值f (x，y)的像素坐标，（xi，yi)、（X2，yi)、（xi，y2)、（X2，y2) 分别表示距离像素坐标(x，y)最近的四个已知灰度值f (xi，yi)、f (X2，yi)、f (xi，y2)、f (X2，y2) 的像素坐标。
[0018] 所述的基于自适应特征的车牌字符识别方法，步骤(3)中，所述获取不同尺度空间 下车牌字符卷积图像的组合特征集，具体包括W下步骤：
[0019] (31)选取某个尺度空间作为当前尺度空间；
[0020] (32)采用W下公式，获取当前尺度空间下选定卷积模板尺寸的车牌字符卷积图 像：
[0023] 其中，m表示卷积模板的宽度，η表示卷积模板的高度，〇表示高斯分布标准差，G (xi，yj)表示卷积模板上(xi，yj)处像素对应的权重值，dx、dy表示卷积模板的中屯、在归一化 后的待识别车牌字符图像上的位置(x，y)相对于图像左上角的偏移量，f(xi+dx，y押dy)表示 归一化后的待识别车牌字符图像上(xi+dx，y片dy)处像素的灰度值，g(x，y)表示车牌字符卷 积图像上(x，y)处像素的灰度值；
[0024] (33)将获取的选定卷积模板尺寸的车牌字符卷积图像划分为一系列相互重叠的 子区域块；
[0025] (34)获取每个子区域块的特征集；
[0026] (35)串联所有子区域块的特征集，得到选定卷积模板尺寸的车牌字符卷积图像的 特征集；
[0027] (36)变换卷积模板尺寸，重复步骤(32)~（35)，直至得到当前尺度空间下所有卷 积模板尺寸的车牌字符卷积图像的特征集；
[0028] (37)串联当前尺度空间下所有卷积模板尺寸的车牌字符卷积图像的特征集，得到 当前尺度空间下车牌字符卷积图像的组合特征集；
[0029] (38)变换尺度空间，重复步骤(31)~（37)，直至获取不同尺度空间下车牌字符卷 积图像的组合特征集。
[0030] 所述的基于自适应特征的车牌字符识别方法，步骤(4)中，所述对得到的多尺度空 间车牌字符特征集进行提取处理，具体是采用经典的线性鉴别分析法，降低所述多尺度空 间车牌字符特征集的维数。
[0031] 所述的基于自适应特征的车牌字符识别方法，步骤(5)中，所述计算输入的车牌字 符特征向量属于某一类别的概率，通过W下公式实现：
[0032]
[0033] 其中，X表示输入的车牌字符特征向量，m表示第i类车牌字符的训练样本数目，N 表示所有训练样本的数目，U表示某一类车牌字符特征向量的各维元素的对应均值，Cov表 示某一类车牌字符特征向量的各维元素的协方差矩阵。
[0034] 所述的基于自适应特征的车牌字符识别方法，步骤(33)中，所述将获取的选定卷 积模板尺寸的车牌字符卷积图像划分为一系列相互重叠的子区域块，具体包括W下步骤：
[0035] (331)选定正方形区域的边长尺寸，按照步长为一半边长尺寸在所述车牌字符卷 积图像上滑动，获取该边长尺寸对应的子区域块；
[0036] (332)调整正方形区域的边长尺寸，重复步骤(331)。
[0037] 所述的基于自适应特征的车牌字符识别方法，步骤(34)中，所述获取每个子区域 块的特征集，具体包括W下步骤：
[0038] (341)采用W下公式，获取子区域块的灰度直方图：
[0039]
[0040] 其中，Mst(i)表示子区域块的第i维灰度直方图，i为整数且1<1<26，邑(义，7)表 示子区域块中（x，y)处像素的灰度值。
[0041] (342)采用W下公式，将获取的子区域块的灰度直方图归一化：
[0042]
[0043] 其中，N表示子区域块灰度直方图的维数，hist/(i)表示归一化后的子区域块的灰 度直方图；
[0044] (343)将归一化后的灰度直方图作为子区域块的特征集。
[0045] 本发明的有益效果为：
[0046] 由上述技术方案可知，本发明基于人类视觉识别字符的原理，通过分析不同尺度 空间、不同卷积模板尺寸的卷积图像，自适应地获取字符的最优特征，该最优特征包含了全 局特征和局部特征，可W更加精确地识别车牌字符，鲁棒性更高，同时对于字符图像的质量 要求更低。
【附图说明】
[0047] 图1是本发明的方法流程图；
[0048] 图2是获取单尺度空间下的字符特征集的流程图；
[0049] 图3是高斯分布标准差为1.2、模板尺寸为財5时的卷积模板权重值分布图；
[0050] 图4是高斯分布标准差为1.2、模板尺寸为5巧时的字符卷积图像，图4(a)为原图， 图4(b)为卷积后图像；
[0化1]图5是划分字符卷积图像子区域块示意图，其中，60、61、62、63、64、(3〇、(31、〇2分别 表示一个子区域块。
【具体实施方式】
[0052] 下面结合附图和具体实施例进一步说明本发明。
[0053] 如图1所示，一种基于自适应特征的车牌字符识别方法，包括W下步骤：
[0054] S1、构建多尺度空间卷积模板，高斯卷积模板运算是实现多尺度空间变换的有效 方法，二维高斯卷积模板函数如公式（1)所示，采用不同的高斯分布标准差，可W获取不同 尺度空间的卷积模板。
[0化5]
[0056] 其中，（x，y)表示卷积模板上某个像素的坐标，G(x，y)表示(x，y)处像素对应的权 重值，m表示卷积模板的宽度，η表示卷积模板的高度，0表示高斯分布标准差，〇取值越大，获 得的图像空间尺度越大。
[0057] 高斯分布标准差为1.2、卷积模板尺寸为时5时的卷积模板权重值分布效果如图3 所示。
[005引S2、字符图像尺寸归一化，主要是按照双线性插值理论公式（2)，把不同尺寸的字 符图像，变换到相同的尺寸，消除尺寸不同带来的影响。
[0化9]
[0060] 其中，（x，y)表示待求灰度值f (x，y)的像素坐标，（xi，yi)、（X2，yi)、（xi，y2)、（X2，y2) 分别表示距离像素坐标(x，y)最近的四个已知灰度值f (xi，yi)、f (X2，yi)、f (xi，y2)、f (X2，y) 的像素坐标。
[0061] S3、获取多尺度空间字符特征集，主要是获取在不同尺度空间下，字符卷