[发明专利]一种用于智能交通系统的车牌识别方法

说明书

技术领域

本发明属于智能交通领域，具体涉及一种于智能交通系统中的车牌识别方法。

背景技术

机器学习算法是一种自适应学习算法，它能够根据不同类别的输入训练样本特征值自动拟合出相应的分类面，从而为后续的识别与检测工作提供可靠的先验知识。这种方法的优点是，在样本特征表征全面且样本量充足的条件下能够进行很好的分类工作，同时对于不良数据的容忍力较强，可以适应多种不同的数据环境。因此机器学习算法广泛应用于图像分类、图像物体定位、图像检索、图像物体识别、视频对象跟踪等多个图像处理领域。近年来伴随机器学习算法，特别是级联分类器(Adaboost)技术的不断发展，该技术的应用极大的推动了计算机视觉技术的发展，并对人们的现实生活产生了深远的影响。

车牌识别是智能交通系统中的一项重要组成部分。一方面车牌识别可以为交通事件检测提供可靠的证据；另一方面通过车牌识别也可以减少公安系统人力的投入，从而避免一些不必要的资源浪费。

目前有很多有关车牌识别方面的研究，也出现了很多相应的方法，车牌定位部分大致可以分为两大类：基于边缘信息的车牌定位和基于机器学习结合车牌先验知识的车牌定位。

在不同的场景下拍摄的车牌图像往往包含较多的阴影、光照、移动背景等无关信息，这会给后续的一些边缘检测、图像二值化等操作带来很多意想不到的误差，从而直接导致车牌定位不准确，因此基于边缘信息类方法的识别率是较低的。相对来讲基于机器学习的方法准确率较高，分类器能够在训练样本足够大的情况下找到车牌和非车牌之间的分界线，此外，该类方法对于无关数据的干扰有较强的容忍度，能够适应较多的识别场景。

对于识别车牌字符的方法来讲，大致也可以分为两类：基于模型匹配的字符识别和基于神经网络的字符识别。

神经网络模型建模相对复杂且模型不能有效地满足各类识别情况等影响，使得该类方法的识别率较低，并且适应的环境也相对单一且不具有有效地抗干扰性。与神经网络类字符识别方法相比，模板匹配的识别效率更高，在普通的环境下能够很好的识别字符，而且不用进行复杂的参数设置，具有比较好的实用性。

伴随我国交通事业的不断发展，智能交通系统的功能会越来越完善，一方面对于车牌识别的要求越来越高，另一方面车牌识别的环境却越来越复杂。因此如何制定出一种可靠、鲁棒的车牌检测和识别算法是十分有必要的。

发明内容

本发明针对现有技术的不足，提出了一种用于智能交通系统的车牌识别方法。该方法以描述车牌的LBP特征为基础，融入了机器学习和模板匹配，充分提高了车牌检测和识别的效率，可以有效地对一定大小的车牌进行识别，对于完善智能交通系统是有积极意义的。

为了实现上述目的，本发明采用如下技术解决方案：

一种用于智能交通系统的车牌识别方法，包括以下步骤：

a在车牌学习训练阶段，首先对相应的样本车辆图像进行分辨率归一化操作，再提取描述图像整体纹理的LBP特征，然后利用得到的LBP特征通过基于级联分类器的学习算法对车牌进行归类学习训练，得到分类器识别模型；

b在车牌区域检测阶段，首先对获取的图像进行光照归一化处理，以降低光照对车牌检测的影响，再通过步骤a得到的识别模型进行类别判定获得车牌候选区域，然后对车牌候选区域进行颜色空间变换，判断车牌候选区域可能出现车牌的概率，根据车牌颜色占候选区域的比例去除伪车牌区域，得到最终检测出的车牌区域；

c在得到车牌区域之后对车牌进行校正，首先根据车牌先验知识寻找车牌区域最长的线段，根据这个线段校正车牌角度，然后根据区域联通算法结合车牌先验知识精确的分割出每一个字符区域；

d在获得的每个字符区域上进行二值化操作，并对得到的二值图像使用模板匹配算法进行字符识别，从而得出车牌号。

上述步骤a中，样本车牌图像在进行LBP特征提取时分辨率归一化为60*17。

上述步骤a中，对样本车牌图像进行LBP特征的提取，具体提取过程如下：首先将样本车牌图像的检测窗口划分为16×16的子区域，对于每个子区域中的一个像素，将其环形邻域内的8个点进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，这样每个点都会获得一个8位二进制数；计算每个子区域的直方图，即每个数字出现的频率，然后对该直方图进行归一化处理；最后将得到的每个子区域的统计直方图进行级联，就得到了样本车牌图像的LBP特征。

上述步骤a中，样本车牌图像在进行LBP特征提取之前，首先采用灰度拉伸进行图像增强。