[发明专利]基于复杂网络理论的强干扰环境下的车牌识别方法

权利要求书

1.一种基于复杂网络理论的强干扰环境下的车牌识别方法，该方法在采用数字图像处理技术提取字符特征的基础上，建立字符特征的复杂网络模型，利用复杂网络特性分析和刻画字符特征，进而采用特征模板匹配方法进行字符识别，最后将识别好的字符组合得到车牌号码，其特征在于，具体包括下列步骤：

第一步：对车牌图像进行二值化处理

采用基于分块和特征线的自适应多阈值快速二值化方法，将车牌图像分割成前景和背景两部分；

第二步：对车牌字符进行定位与分割

通过区域标记及字符间距先验知识，获得每个字符所在位置，实现字符准确定位，然后根据标准规定的车牌字符尺寸比例参数，计算得到字符区域，对字符进行分割；

第三步：提取字符骨架，并建立字符骨架的复杂网络模型

采用细线化方法提取每个字符图像的骨架，然后以字符图像骨架像素点为网络节点，以像素点间相对位置关系为网络连边，构建字符骨架特征的复杂网络模型；

第四步：基于复杂网络特征对字符进行识别

用动态演化的复杂网络度特征来描述字符骨架，并计算每个字符对应的动态演化复杂网络度特征向量，然后在标准模板字符对应的复杂网络度特征向量库中进行特征匹配，所得最佳匹配所对应的字符即为识别结果，最后将识别出的字符组合得到车牌号码。

2.按照权利要求1所述的车牌识别方法，其特征在于，针对基于骨架特征容易误识别的字符，在提取骨架特征的基础上，再增加外轮廓特征作为辅助特征进行识别，进一步提高识别率。

3.按照权利要求1所述的车牌识别方法，其特征在于，所述第一步对车牌图像进行二值化处理，是将车牌图像分成三个尺寸相等的子图块，每个子块分别根据各自的灰度分布自适应计算阈值，采用不同的阈值进行二值化；另外，根据车牌图像水平灰度分布相似的特点，在计算二值化阈值时，采用抽样的方法，抽取每个子图块水平方向若干条灰度特征线，只计算这些特征线的灰度阈值，以这些特征线阈值的均值作为该子图块的最终二值化阈值，设原始图像大小为M行N列，具体实现步骤是：

1.1)将原图划分成左中右三个尺寸相等的子图块；

1.2)从每个子图块中抽取三条水平特征线，其位置分别为：L为特征线间隔；

1.3)采用自适应迭代阈值法求取各子块中每条特征线的阈值th_ij，其中th_ij表示第i个子块中第j条特征线的阈值，i，j＝1，2，3；

1.4)计算各子图块的阈值：Th_i＝(th_i1+th_i2+th_i3)/3，Th_i表示第i个子块的二值化阈值；

1.5)各子图块分别采用各自的阈值进行二值化，最终得到整幅图像的二值化结果。

4.按照权利要求1所述的车牌识别方法，其特征在于，所述第二步对车牌字符进行定位与分割，具体步骤为：

2.1)首先对步骤1.5)得到的二值化后的车牌图像贴标签，标记出所有连通区域，并获得连通区域的长宽及面积信息，根据上述国家标准中规定的字符长宽比例和相对面积大小，找出最可能是字符的两个连通区域，计算出这两个连通区域中心位置点坐标，以此两个坐标点确定出穿过所有字符中心点的穿越线；

2.2)然后根据穿越线的斜率及字符相对高度确定出字符所在区域，接着在字符区域内，根据穿越线及规定的字符间隔尺寸比例，计算出所有字符所在的区域，实现字符定位；

2.3)最后再根据字符相对长宽比例参数，分割得到单个字符图像，实现对字符的分割。