[发明专利]基于支持向量机和卷积神经网络的车牌定位识别方法

权利要求书

1.一种基于支持向量机和卷积神经网络的车牌定位识别方法，其特征在于，包括以下步骤：

1)、获取原始彩色车牌图像，并采用包括灰度化处理、直方图均衡化在内的预处理步骤对原始彩色车牌图像进行预处理；

2)、使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测，得到边缘图像；改进的Isotropic Sobel边缘检测算子改进主要体现在：Isotropic Sobel边缘检测算子只对图像的水平和垂直两个方向的边缘敏感，改进之后，使其对车牌图像的水平、垂直和对角线四个方向的边缘敏感，更好的检测到图像边缘；使用自适应阈值算法对边缘图像进行二值化，得到二值化后的车牌图像；使用形态学运算操作对二值化后的车牌图像进行处理，得到车牌候选区域图像；

3)、使用SVM判别模型对车牌候选区域进行分类，得到车牌精确定位图像；

4)、使用垂直和水平投影相结合的方法对车牌精确定位图像进行图像分割，得到单个字符图像；使用归一化函数将每个车牌字符归一化处理；

5)、使用卷积神经网络的LeNet-5车牌字符识别模型进行识别，将识别结果输出显示。

2.根据权利要求1所述的一种基于支持向量机和卷积神经网络的车牌定位识别方法，其特征在于，所述步骤1)采用包括灰度化处理、直方图均衡化、边缘检测在内的预处理步骤对原始彩色车牌图像进行预处理具体为：

使用加权灰度化算法对原始彩色车牌图像进行灰度化处理，得到灰度图像；使用直方图均衡化对灰度图像进行处理，得到均衡后灰度图。

3.根据权利要求1所述的一种基于支持向量机和卷积神经网络的车牌定位识别方法，其特征在于，所述步骤2)采用包括边缘检测、形态学滤波、自适应阈值二值化在内的处理步骤对车牌粗定位具体为：

使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测，得到边缘图像；使用自适应阈值算法对边缘图像进行二值化，得到二值化后的车牌图像；使用形态学运算操作对二值化后的车牌图像进行处理，得到车牌候选区域图像。

4.根据权利要求1所述的一种基于支持向量机和卷积神经网络的车牌定位识别方法，其特征在于，所述步骤3)的SVM判别模型包括：

对所获得的车牌候选区域图像进行人工分类，分为车牌区域图像和非车牌区域图像；

将分类后的两种车牌图像聚集到设定的数量后，放入SVM模型进行训练，得到所述SVM车牌判别模型；

用所获得的SVM车牌判别模型对车牌候选区域进行判别，实现车牌精确定位图像，排除伪车牌区域。

5.根据权利要求4所述的一种基于支持向量机和卷积神经网络的车牌定位识别方法，其特征在于，所述步骤4)使用垂直和水平投影相结合的方法对车牌精确定位图像进行图像分割，得到单个字符图像；使用归一化函数将每个车牌字符归一化处理，具体包括：

对所获得车牌精确定位图像进行垂直投影，计算字符宽度，确定字符中间位置，并计算相邻两个字符间距，取其最大值定为第二个字符和第三个字符之间的距离，以此为分界线，分别向前、后两个方向进行切分，从而定位出每个字符的左右边界；

对切分后的字符进行水平投影，确定字符具体的上下边界；

对确定上下左右边界的车牌字符进行归一化处理，得到像素大小为20×32大小的字符。

6.根据权利要求5所述的一种基于支持向量机和卷积神经网络的车牌定位识别方法，其特征在于，所述步骤5)卷积神经网络识别模型结构包括：

2层卷积层、2层池化层、全连接层、Dropout层、softmax层，卷积层和池化层之间采用ReLU激活函数；

所述卷积层用于特征提取，所述池化层用于降纬和特征整合，所述激活函数用于增加网络泛化能力和收敛速度，所述全连接层用于线性变换，所述Dropout层用于缩减网络臃肿结构，提高收敛速度，所述softmax层用于分类。