[发明专利]一种车牌识别方法及装置

说明书

本发明实施例提供了一种车牌识别方法，该方法包括：获取待识别车牌图片的图片特征信息；对获取的图片特征信息进行归一化；将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。本发明实施例提供的车牌识别方法，不仅能够识别出出牌颜色还能够识别出车牌类型，能够更有助于对车牌的快速、精准判别。

技术领域

本发明涉及图像处理技术领域，具体涉及一种车牌识别方法及装置。

背景技术

智能交通是智慧城市的核心关键技术。目前，车牌识别广泛应用于高速路卡口抓拍系统、智能停车场系统以及社区车辆管理系统中。车牌识别是这些系统的核心技术。

由于不同类型车辆的车牌具有不同的特征，因此，对车牌的识别有助于快速定位车辆类型。现有的车牌识别方法大多是对车牌颜色进行识别，从而判别车辆类型，但是，现有车牌不仅仅有颜色上的不同，很多颜色相同的车牌在字符个数、字符排列方式等等上不尽相同，因此，通过这种方式所实现的车牌识别较为粗略，无法对车牌进行精准识别。

发明内容

为了解决现有技术中存在的问题，本发明实施例期望提供一种车牌识别方法及装置。

本发明实施例提供了一种车牌识别方法，包括：

获取待识别车牌图片的图片特征信息；

对获取的图片特征信息进行归一化；

将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。

上述方案中，所述将归一化后的图片特征信息输入识别模型中进行识别之前，所述方法还包括：通过以下方法生成识别模型：

提取多个车牌图片样本；

按照颜色和车牌类型将车牌图片分为多个样本集；

获取各个样本集中的每个车牌图片的图片特征信息；

对各个样本集中的每个车牌图片的图片特征信息进行归一化；

分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型，所述学习模型为支持向量机SVM模型或BP神经网络模型。

上述方案中，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。

上述方案中，所述图片的方差特征X1通过下式确定：

其中，I(x,y)为当前像素灰度值；u为待识别车牌图片的灰度值的均值；w为图片的宽度值；h为图片的高度值。

上述方案中，所述图片的重心比率特征通过下式确定：

其中，X2为宽度方向上的重心比率特征；X3为高度方向上的重心比率特征；w为图片的宽度值；h为图片的高度值。

上述方案中，所述图片的连通区域特征通过以下方法确定：

对图片进行二值化处理；

统计出满足预设条件的字符区域的个数X4；

所述预设条件包括：

w/4<CW<w/7；

CH>h/2；

其中，CW为字符区域宽度；CH为字符区域高度。

上述方案中，所述对图片特征信息进行归一化包括：