[发明专利]一种基于概率极值搜索的车牌字符识别方法

说明书

技术领域

本发明属于计算机视觉技术领域，涉及字符识别技术。

背景技术

近年来，随着我国机动车保有量的大幅增长，智能交通系统受到了社会的广泛关注。智能交通系统综合运用电子信息，通信以及计算机技术，实现机动车的违章自动记录，高速公路与城市交通的车流的智能疏导与调度等功能。相比传统交通管理方式，智能交通系统提高了运输效率，增进了行车安全，节约了人力成本，具有极大的经济价值。详见文献：Badawy W.Automatic License Plate Recognition(ALPR):A State of the Art Review[J].Circuits and Systems for Video Technology,IEEE Transactions on,IEEE.2013,2(23):311-325.

机动车车牌识别是智能交通系统中的重要组成部分，主要包含以下三个步骤：图像中车牌区域的定位；车牌倾斜校正；车牌字符识别。其中，车牌字符识别算法是机动车车牌识别子系统的核心环节，常见的车牌字符识别算法有以下三种：

1.基于模板匹配的车牌字符识别算法；保存一组包含汉字，数字和英文字母的标准车牌字符的模板图片，并计算每个输入字符图片与模板图片的相关性，最后将相关性最大的那一类模板图片的字符类别作为最后的识别结果。该方法实现简单，在图像清晰度高的条件下表现较好，但其性能受天气和光照影响较大。详见文献：魏武,张起森,王明俊.一种基于模板匹配的车牌识别方法[J].中国公路学报,2001,14(1):104-106.

2.基于人工神经网络的车牌字符识别算法；将包含各类车牌字符的输入图片转换为特征向量，采用反向传播算法，产生出一组包含大量互联的非线性激励函数的网络结构，即人工神经网络。通过这种非线性函数的互联，人工神经网络模拟了生物神经网络的部分功能，能对输入的车牌字符图片进行精确的分类。该方法的识别精度较高且具有自我学习能力，但模型的参数较多，训练过程繁琐。详见文献：F,F.A New License Plate Recognition System Based on Probabilistic Neural Networks[J].Procedia Technology,2012,1:124-128.

3.基于支撑向量机的车牌字符识别算法。支撑向量机模型通过最大化高维空间中数据点与类别分界面的距离，实现对车牌字符的分类。该算法的运算效率高，识别精度较好，是当前字符识别的主流算法，但对恶劣天气和光照变化适应性差。详见文献：Parasuraman K,Subin P S.SVM Based License Plate Recognition System[C]//2010IEEE International Conference on Computational Intelligence and Computing Research.2010:28-29.

已有字符识别算法主要存在以下三个方面的问题：

1.对各种天气及光照环境的适应性不高；例如模板匹配算法，由于其采用了固定的标准模板图片，一旦图片质量下降，算法中相关性匹配的结果将大受影响。支持向量机算法中常采用线性模型，对于亮度和光照方向变化过大的字符数据，线性模型的性能将明显下降。

2.对字符分割算法依赖性强；当前的车牌识别算法往往通过字符分割算法将每个字符的图片提取出来，再分别对这些字符图片进行识别。一旦字符分割出现错误，识别算法的准确性将受到严重影响。

3.对车牌污渍及遮挡的处理能力弱。污渍及遮挡会让车牌字符变得难以识别，甚至令一类字符变得更像另一类字符。例如字符“0”的中部的污渍往往令基于模板匹配的算法将其识别为“8”或“B”。

发明内容

本发明所要解决的技术问题是，提供一种不依赖字符分割结果的车牌字符识别方法。

本发明为解决上述技术问题所采样的技术方案是，一种基于概率极值搜索的车牌字符识别方法，包括以下步骤：

步骤1)构造样本字典：将所有车牌字符样本图片进行尺寸统一缩放，并将车牌字符样本图片像素向量化后再进行归一化处理，最后按照字符类别顺序将归一化后的向量保存在样本字典D中，