[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

说明书

技术领域

本发明属于图像处理技术领域，涉及一种基于复杂网络理论的强干扰环境下的车牌识别方法。

背景技术

基于光学字符识别(OCR)技术对车牌进行识别来辨识车辆身份，是智能交通系统(ITS)的关键技术之一。在公共安全、交通管理及军事部门有着极其重要的应用价值。车牌识别的研究，最早始于20世纪80年代，可以粗略地计算出车辆的速度、车流量、道路负载等数据，识别过程需要人工干预。随着计算机技术的进一步发展，国内外对汽车牌照识别系统的研究工作已经有了很大进展。目前，车牌识别的方法有很多种，常用的有基于支持向量机的识别方法、基于神经网络的识别方法以及模板匹配法三大类。支持向量机可以自动寻找对分类有较好区分能力的支持向量，由此构成的分类器可以最大化类间间隔，达到正确区分类别的目的，在解决有限样本、非线性及高维模式识别问题中表现出了许多特有的优越性能，且具有适应性强和效率高的特点；基于神经网络的字符识别，具有良好的容错能力、分类能力、并行能力及自学习能力，可处理环境信息复杂，背景知识不清楚，推理规则不明确情况下的问题；模板匹配法因为其算法相对简单，速度较快，在车牌识别领域也得到了广泛的应用。

目前很多车牌识别方法已取得了较好的识别效果，例如，文献[1]和[2]分别采用支持向量机和神经网络的方法，对实际拍摄的车牌图像进行字符识别，获得了较高的字符识别率和较快的识别速度；文献[3]采用图像处理结合模板匹配的方法对强噪声干扰下的字符识别进行了研究，有效地提高了受随机噪声点干扰的图像的字符识别效果；文献[4]和[5]针对复杂背景下的车牌定位与识别问题，分别采用了卷积神经网络和形态学特征配合传统模式匹配技术进行了研究，也取得了较好的识别效果。

但是这些方法均存在一些不足：支持向量机方法对于大规模训练样本难以实施，而且解决多分类问题存在困难；神经网络方法样本训练速度慢，尤其是某些强噪声甚至会破坏算法的收敛性，误差准则固定，不能随着环境的变化而进行相应的调整或改变；模板匹配方法对于字符有断裂和粘连等情况容易造成误识别。尤其是当车牌图像不可避免的受到天气、光照、噪声、复杂背景等多种干扰的影响时，这些方法的识别效果明显变差。存在强干扰环境下识别率低是车牌识别系统面临的主要问题[6]。

复杂网络理论作为一个新的研究领域，它的基本理论正渗透到从数理科学到生命科学、工程科学甚至社会科学等众多不同的领域中去，已经成为了近年来全世界在不同学科领域的科学家们的研究热点[7-9]。现实世界中，有很多问题都可以用描述个体以及个体之间关系的复杂网络来刻画。用复杂网络理论特性分析和理解图像，开拓基于复杂网络理论处理和识别图像的新方法，可以更好地解决图像处理中的难题。

以下是申请人给出的参考文献：

[1]吴进军，杜树新.SVM在车牌字符识别中的应用[J].电路与系统学报，2008.2，13(1)：84-87；

[2]李孟歆，吴成东.基于分级网络的车牌字符识别算法[J].计算机应用研究，2009.5，26(5)：1703-1705；

[3]王永茂，刘贺平.强噪声车牌图像中的字符识别[J].计算机仿真，2006.12，23(12)：244-246；

[4]王练术，辛永红，冶建科.基于复杂背景的车牌字符快速识别方法[J].微计算机信息，2009，25(8-1)：184-186；

[5]白洪亮，娄正良，邹明福，刘昌平.复杂背景下基于形态学的车牌识别系统[J].公路交通科技，2004.10，21(10)：117-120；

[6]李连昌，兰志强，丛奎荣，亓学鹏.车牌自动识别技术研究进展[J]；

[7]汪小帆，李翔，陈关荣.复杂网络理论及其应用[M].北京：清华大学出版社，2006；

[8]陈关荣.复杂网络及其新近研究进展简介[J].力学进展，2008，38(6)：653-662；

[9]Dr.Bruce Alberts et al.Complex Systems and Networks[J].Science，2009.7，325(5939)：357-504；

[10]中华人民共和国公共安全行业标准GA36-2007.中华人民共和国机的车号牌[S].3-4；

[11]A.R.Backes et al.A complex network-based approach for boundaryshape analysis[J].Pattern Recognition，2009，42：54-67。

发明内容