[发明专利]车牌字符识别方法

说明书

技术领域

本发明属于交通管理和图像识别技术领域，尤其涉及一种车牌字符识别方法。

背景技术

车牌号码跟身份证号码一样是对车辆进行标识的标记。随着现代交通管理系统智能化的快速发展，车牌识别系统在交通管理系统的各个领域都有广泛的应用。车牌识别系统的处理流程通常包括图像采集、图像预处理、车牌图像定位、车牌字符图像分割和车牌字符识别这五个部分；其中，图像采集，是利用交通摄像头等图像采集设备采集含有汽车车牌的图像信息；图像预处理部分可以在车牌图像定位、车牌图像分割两个部分的之前、之间或之后进行，主要是对图像进行去噪滤波、灰度化、二值化等预处理，用以增强车牌图像的可识别性能；车牌图像定位，是从采集的含有汽车车牌的图像信息中定位到车牌图像，并将车牌图像抽离出来，以便针对性的进行识别处理；车牌字符图像分割，是将车牌图像中含有的多个字符一一分割开，得到仅含有单个字符的车牌字符图像，便于后期仅对车牌字符图像进行识别而避免了考虑车牌图像中多个字符之间的排列组合可能性，有助于大幅度降低车牌识别系统数据库的数据冗余度；车牌字符识别，是通过数学建模，采用识别算法对分割得到的车牌字符图像进行字符识别，从而获得车牌字符识别结果。图像采集、图像预处理、车牌图像定位、车牌字符图像分割这几个部分的技术处理相对比较简单，现有技术中的相关处理技术已经能够较好的满足其要求。车牌字符识别部分技术难度较高，也是车牌识别系统中最重要、最关键的一个部分，由于图像采集设备安放位置和拍摄角度等原因，采集到的汽车车牌图像中字符的主方向(字符的主方向，是指图像中字符自身的竖直方向)很可能是倾斜一定角度的，增加了车牌字符识别的难度，因此车牌字符识别过程中，需要先建立适宜的描述器对车牌字符图像加以数学描述，以修正车牌字符图像中字符的主方向，同时要保证对车牌字符图像描述的鲁棒性，以营造良好的字符识别基础，再选择适宜的分类识别算法对字符进行基于数据库的分类识别。由此可见，描述器处理质量的优劣将直接影响最终的字符识别率，因此，如何利用鲁棒特征描述方法建立良好的描述器，成为整个车牌识别系统的技术核心。

目前，已经提出的描述器设计算法有很多，Mikolajczyk等人在文献“A performance evaluation of local descriptors.IEEE Transactions on Pattern Analysis and Machine Intelligence”(Oct，2005)中详细的分析对比了各种描述器的性能。其中，差分不变描述器(可参考文献“Koenderink J，van Doorn A J.Representation of local ge-ometry in the visual system.Biological Cybernetics，1987，55(6)：367-375”)的总体性能较差；可调滤波器(可参考文献“Freeman W T，Adelson EH.The design and use of steerable IEEE Transactions on Pattern Analysis and Machine Intelligence，1991，13(9)：891-906”)和梯度矩(可参考文献“van Gool LJ，Moons T，Ungureanu D.Affne/photometric invariants for planar intensity patterns.In：Proceedings of the 4th European Conference on Computer Vision.Cam-bridge，England：Springer，1996.642-651”)虽然设计简单，匹配速度快，但是鲁棒性差；形状上下文(可参考文献“Belongie S，Malik J，Puzicha J.Shape matching and ob-ject recognition using shape contexts.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(4)：509-522”)、复系数滤波器(可参考文献“Schaffalitzky F，Zisserman A.Multi-view matching for un-ordered image sets，or ‘How do I organize my holiday snaps？’.In：Processing of the 7th European Conference on Computer Vision.Copenhagen，Denmark：Springer，2002.414-431”)等描述器对图像的变换不具有较好的鲁棒性；相对而言，SIFT描述器(Scale-invariant feature transform，尺度不变特征转换，简称SIFT；可参考文献“Lowe D G.Distinctive image features from scale-invariant keypoints.International Journal of Computer Vision，2004，60(2)：91-110”)可以说是目前最具鲁棒性的描述器，但由于其尺度不变特征点的提取算法的计算复杂性很高，对计算机处理效率带来了很大的负面影响，另一方面，SIFT描述器中128维的向量维数较高，导致匹配运算速度较慢，也进一步恶化了计算机处理效率，这两方面的原因都使得SIFT描述器难以满足车牌字符识别系统的实时性要求。