[发明专利]一种基于隐马尔可夫模型的车牌识别方法

说明书

技术领域

本发明涉及车牌识别技术，尤其是一种车牌识别方法。

背景技术

车牌识别技术(Vehicle License Plate Recognition，VLPR)是计算机视频图像识别技术在车辆牌照识别中的一种应用。

车牌识别技术要求能够将运动中的汽车牌照从复杂背景中提取并识别出来，通过车牌提取、图像预处理、特征提取、车牌字符识别等技术，识别车辆牌号。可以实现停车场收费管理、交通流量控制指标测量、车辆定位、汽车防盗、高速公路超速自动化监管、闯红灯电子警察、公路收费站等功能。对于维护交通安全和城市治安，防止交通堵塞，实现智能交通管理有着现实的意义。现有的车牌识别技术，对英文字符和数字能够进行较为准确的识别，但是，对于汉字的识别存在准确率较差的技术缺陷。

发明内容

为了克服已有车牌识别方式的智能化程度较低、汉字识别准确率较低的不足,本发明提供了一种智能化程度较高、有效提升汉字识别准确率的基于隐马尔可夫模型的车牌识别方法。

本发明解决其技术问题所采用的技术方案是：

一种基于隐马尔可夫模型的车牌识别方法，所述车牌识别方法包括如下步骤：

步骤一、车牌定位：对监控设备的视频数据进行解码，并分离数据帧，形成每帧视频的图像数据；

先将图像进行灰度化处理，根据亮度方程将图像转换为灰度图，通过对预处理后的图像投影处理，分别统计图像在水平、垂直方向上边缘点的数目；在垂直和水平两方向上扫描，记录满足预设阈值的位置，通过比对即得到车牌的区域；

步骤二、字符分割：对图片进行二值化处理，根据中国车牌的字符的高宽比来确定字符的位置；

步骤三、字符识别，包括以下过程：

3.1)处理中文字符时，对该集合中的每一个中文字符应用分解规则以生成包括作为节点的偏旁的渐进拆分图，使用最大似然和最小描述长度来公式化找出表示中文字符集的最优偏旁集的优化问题，解该优化问题以得到最优偏旁集，以及在基于隐马尔可夫模型的字符识别算法中使用该最优偏旁集；

3.2)处理英文和数字字符时，通过对字符四个侧面扫描提取字符骨骼累积特征，包括笔画斜率累积特征，拐点幅度累积特征，轮廓深度累积特征。

进一步，所述步骤3.1)中，基于隐马尔可夫模型的字符识别算法的过程如下：利用HMM模型对每个字符进行建模，将字符特征作为HMM模型的观测值序列，用Viterbi算法找出状态序列；HMM的训练可采用BW算法，得到HMM模型λ＝(A,B,π)来表示，A为状态转移概率分布，B为观测值概率分布，π为初始状态分布，最终得到的参数是该隐马尔可夫模型的极大似然估计，调用HMM模型λ＝(A,B,π)，采用前向算法，计算出待检测字符在每个HMM下的条件概率P(O|λ_i)，条件概率P(O|λ_i)值最大的即为最佳匹配，则认定待检测字符即为该HMM模型所对应的字符。

更进一步，所述步骤二中，中国车牌的字符的高宽比定义如下：

L≈4.5H

H≈1.9W_c

W_n≈0.3W_c

D_n≈0.5W_c

其中，L为车牌的字符串长度，H为字符串的高度，W_c为常规字符的宽度，常规字符不包含‘1’，W_n为字符‘1’的宽度，D_n为字符‘1’的两侧的字符间隙。

本发明的有益效果主要表现在：以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析，识别汽车的车牌号码，极大地提高了交通智能化管理。同时利用隐马尔可夫模型检测识别机动车的车牌，尤其是汉字字符，具有较高的准确率。

附图说明

图1是待检测车牌的机动车照片的示意图。

图2是二值化处理后的车牌图片的示意图。

图3是分割字符后的车牌图片的示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种基于隐马尔可夫模型的车牌识别方法，通过检测到受监控路面的车辆并自动提取车辆牌照信息，并进行处理，所述车牌识别方法包括如下步骤：

步骤一、车牌定位。对监控设备的视频数据进行解码，并分离数据帧，形成每帧视频的图像数据，从而便于后续对单幅图像进行车辆信息的识别。