[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

说明书

本发明公开了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，包括以下步骤：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、直方图均衡化得到均衡后灰度图；对均衡后灰度图进行边缘检测，得到边缘图像；对边缘图像进行二值化；使用形态学运算操作车牌图像进行处理，得到车牌候选区域图像；使用SVM判别模型进行分类，得到车牌精确定位图像；使用垂直和水平投影相结合的方法进行图像分割，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；使用卷积神经网络模型车牌字符识别模型进行识别，将识别结果输出显示。本发明有效提高了车牌字符识别算法的鲁棒性，具备很高的识别率，适用于复杂背景下的车牌定位和识别。

技术领域

本发明属于图像处理和机器学习领域，尤其涉及一种复杂环境下基于支持向量机和卷积神经网络的车牌定位识别方法。

背景技术

国家工业化以及汽车的普及极大的方便了人们的日常生活，但交通问题也日益严峻，智能交通应运而生。车牌识别技术是智能交通系统中一项重要研究课题，决定着智能交通系统的发展速度和技术水平，在车辆监控、违章收费等领域都得到了广泛应用。

近年来，车牌定位识别算法得到了研究者的广泛关注，马爽等人提出了边缘检测和BP神经网络相结合的车牌识别算法，但是BP神经网络的容易陷入局部最优，导致系统识别率低。董峻妃等人提出了基于卷积神经网络的车牌字符识别算法，很大程度上抑制了过拟合问题，提高了识别率。但是该算法只针对车牌字符识别部分，并未考虑到车牌定位对于整个识别系统的影响，在系统的完备性方面有所欠缺。

现有车牌识别系统在良好的拍摄情况下，定位和识别率较高。但现实条件下，车牌图像的质量往往容易受到光照条件、多车牌、角度倾斜和车牌污损等情形的干扰，无法精确定位，从而影响了车牌识别的准确率。因此复杂环境下的车牌精确定位和识别成为车牌识别系统的发展瓶颈。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种能有效排除复杂背景的干扰，精确实现车牌定位，排除伪车牌区域的干扰，运用卷积神经网络有效提高了车牌识别系统的准确率和鲁棒性，而且该算法复杂度不高，适用于实时识别的基于支持向量机和卷积神经网络的车牌定位识别方法。本发明的技术方案如下：

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。

进一步的，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。

进一步的，所述步骤3)的SVM判别模型包括：