[发明专利]一种鲁棒的车牌识别方法及其系统

说明书

本发明公开了一种鲁棒的车牌识别方法及其系统，该方法包括：兴趣区域搜索步骤，对待识别图像进行检测，找出图像中的非平坦区作为可能存在车牌的兴趣区域；候选区域检测步骤，对兴趣区域进行字符检测，将兴趣区域中存在多个相邻字符的区域作为候选区域；候选区域识别步骤，对候选区域中的字符进行识别，其中首先识别已检出的字符，建立包括已检出的字符的字符样本以及通过缩放和/或倾斜字符样本而获得的扩展样本的样本空间，然后基于样本空间来识别未检出的字符。本发明提高了车牌识别率，增强了鲁棒性，提高了对不同类型车牌的适应性，扩大了本发明的应用范围。

技术领域

本发明涉及智能交通管理技术领域，尤其涉及一种鲁棒的车牌识别方法及其系统。

背景技术

车牌识别是智能交通管理中的重点，多年来已形成了基本的技术架构，但是随着应用场景的增加，也面临着越来越多的挑战。

该技术主要有三大指标：识别率、实时性、鲁棒性。识别率指标要求卡口图像识别率不低于98％，电子警察图像不低于93％。实时性指标要求图像中的车牌能够实时识别，具体识别时间随着应用场景的不同需在数十毫秒至1秒之间变动。鲁棒性指标则要求在光照变化、雨雾天气、车牌倾斜、污损、车牌图像尺寸较小等各种情况下，识别率均能保持稳定。

针对这三个目标，现有技术中已经开发了多种车牌识别算法。虽然算法繁多，但是通常都由以下步骤组成，即：车牌定位、车牌倾斜校正、字符分割、字符识别。

车牌定位常见的有基于颜色、边缘、样本训练的三类方法。基于颜色的方法寻找与车牌颜色相近的区域。基于边缘的方法则根据车牌字符多，边缘丰富的特点，寻找竖向边缘密集的区域。基于训练的方法则采集车牌特征做训练，得到一个专用分类器，再使用该分类器定位车牌。其中，常见的方式为类Haar特征+Adaboost分类器方式。

车牌定位后，需要对车牌做倾斜校正。如不做校正，会造成字符切割不准确并进一步影响字符识别。常见的方式是利用Hough变换，计算出车牌的倾斜角度，然后再反向旋转同样的倾斜角度，从而达到校正的目的。

车牌校正后，需要对车牌做字符分割，常用的方法有连通域法和投影法。连通域法做连通域搜索找到字符，投影法则先对车牌做投影，再通过分析投影找出字符的位置。

上述现有技术的基本架构都是通过逐级排除，缩小搜索空间，最终找到并识别车牌字符。

目前，有关车牌识别的文献非常多，但是基本上都是基于上述框架，主要的改进点都集中在车牌定位、倾斜校正、字符分割、字符识别的这几个步骤的具体实现上，而忽略了以下算法框架自身的缺陷。

1)单向流程，识别率难以提高：

基于单向流程来完成识别，一旦某步骤失败，则识别失败。假定车牌定位、倾斜校正、字符分割(考虑7个字符)、字符识别的正确率分别为99.5％，则相当于1+1+7+7＝16个环节串行，总体的识别率就已经降到了99.5％^16＝92.3％。而且，99.5％的单步骤正确率实际上是很难达到的。由此可见，对于单向、纯串行结构的系统框架而言，识别率很难进一步提高。

2)每个模块内部处理方式单一，鲁棒性差：

以字符分割为例，通常会固定使用投影法或者连通域法。当车牌定位的范围过大，将车牌周边过多的图像也划进来后，就容易导致投影法失败。光照不均，则容易导致连通域法失败。而一旦失败，并没有任何的补救措施，这也是鲁棒性差的重要原因。

3)“车牌”的概念，限制了处理的灵活性：