一種用于智能交通系統(tǒng)的車牌識(shí)別方法
【專利摘要】本發(fā)明公開了一種用于智能交通系統(tǒng)的車牌識(shí)別方法。該方法是在車牌圖像提取的基礎(chǔ)上，結(jié)合機(jī)器學(xué)習(xí)與模板匹配的思想：在車牌學(xué)習(xí)訓(xùn)練階段，首先對(duì)車牌圖像歸一化操作、再進(jìn)行LBP特征提取以及基于級(jí)聯(lián)分類器的機(jī)器學(xué)習(xí)與訓(xùn)練，得到車牌圖像的分類器識(shí)別模型；在車牌區(qū)域檢測階段對(duì)得到的車牌區(qū)域進(jìn)行車牌校正、連通區(qū)域分割得到精確的車牌字符區(qū)域；最后在獲得的每個(gè)字符區(qū)域上使用模板匹配算法進(jìn)行字符識(shí)別，從而得出車牌號(hào)。本發(fā)明在圖像特征提取的基礎(chǔ)上，把圖像處理領(lǐng)域中應(yīng)用廣泛的LBP特征和級(jí)聯(lián)分類器有效地結(jié)合在一起。本發(fā)明在保障完成基本識(shí)別功能的前提下，具有結(jié)構(gòu)簡單、復(fù)雜度低、算法效率高的優(yōu)點(diǎn)，尤其適合在智能交通系統(tǒng)中應(yīng)用。
【專利說明】—種用于智能交通系統(tǒng)的車牌識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于智能交通領(lǐng)域，具體涉及一種于智能交通系統(tǒng)中的車牌識(shí)別方法。
【背景技術(shù)】
[0002]機(jī)器學(xué)習(xí)算法是一種自適應(yīng)學(xué)習(xí)算法，它能夠根據(jù)不同類別的輸入訓(xùn)練樣本特征值自動(dòng)擬合出相應(yīng)的分類面，從而為后續(xù)的識(shí)別與檢測工作提供可靠的先驗(yàn)知識(shí)。這種方法的優(yōu)點(diǎn)是，在樣本特征表征全面且樣本量充足的條件下能夠進(jìn)行很好的分類工作，同時(shí)對(duì)于不良數(shù)據(jù)的容忍力較強(qiáng)，可以適應(yīng)多種不同的數(shù)據(jù)環(huán)境。因此機(jī)器學(xué)習(xí)算法廣泛應(yīng)用于圖像分類、圖像物體定位、圖像檢索、圖像物體識(shí)別、視頻對(duì)象跟蹤等多個(gè)圖像處理領(lǐng)域。近年來伴隨機(jī)器學(xué)習(xí)算法，特別是級(jí)聯(lián)分類器(Adaboost)技術(shù)的不斷發(fā)展，該技術(shù)的應(yīng)用極大的推動(dòng)了計(jì)算機(jī)視覺技術(shù)的發(fā)展，并對(duì)人們的現(xiàn)實(shí)生活產(chǎn)生了深遠(yuǎn)的影響。
[0003]車牌識(shí)別是智能交通系統(tǒng)中的一項(xiàng)重要組成部分。一方面車牌識(shí)別可以為交通事件檢測提供可靠的證據(jù)；另一方面通過車牌識(shí)別也可以減少公安系統(tǒng)人力的投入，從而避免一些不必要的資源浪費(fèi)。
[0004]目前有很多有關(guān)車牌識(shí)別方面的研究，也出現(xiàn)了很多相應(yīng)的方法，車牌定位部分大致可以分為兩大類:基于邊緣信息的車牌定位和基于機(jī)器學(xué)習(xí)結(jié)合車牌先驗(yàn)知識(shí)的車牌定位。
[0005]在不同的場景下拍攝的車牌圖像往往包含較多的陰影、光照、移動(dòng)背景等無關(guān)信息，這會(huì)給后續(xù)的一些邊緣檢測、圖像二值化等操作帶來很多意想不到的誤差，從而直接導(dǎo)致車牌定位不準(zhǔn)確，因此基于邊緣信息類方法的識(shí)別率是較低的。相對(duì)來講基于機(jī)器學(xué)習(xí)的方法準(zhǔn)確率較高，分類器能夠在訓(xùn)練樣本足夠大的情況下找到車牌和非車牌之間的分界線，此外，該類方法對(duì)于無關(guān)數(shù)據(jù)的干擾有較強(qiáng)的容忍度，能夠適應(yīng)較多的識(shí)別場景。
[0006]對(duì)于識(shí)別車牌字符的方法來講，大致也可以分為兩類:基于模型匹配的字符識(shí)別和基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別。
[0007]神經(jīng)網(wǎng)絡(luò)模型建模相對(duì)復(fù)雜且模型不能有效地滿足各類識(shí)別情況等影響，使得該類方法的識(shí)別率較低，并且適應(yīng)的環(huán)境也相對(duì)單一且不具有有效地抗干擾性。與神經(jīng)網(wǎng)絡(luò)類字符識(shí)別方法相比，模板匹配的識(shí)別效率更高，在普通的環(huán)境下能夠很好的識(shí)別字符，而且不用進(jìn)行復(fù)雜的參數(shù)設(shè)置，具有比較好的實(shí)用性。
[0008]伴隨我國交通事業(yè)的不斷發(fā)展，智能交通系統(tǒng)的功能會(huì)越來越完善，一方面對(duì)于車牌識(shí)別的要求越來越高，另一方面車牌識(shí)別的環(huán)境卻越來越復(fù)雜。因此如何制定出一種可靠、魯棒的車牌檢測和識(shí)別算法是十分有必要的。

【發(fā)明內(nèi)容】

[0009]本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提出了一種用于智能交通系統(tǒng)的車牌識(shí)別方法。該方法以描述車牌的LBP特征為基礎(chǔ)，融入了機(jī)器學(xué)習(xí)和模板匹配，充分提高了車牌檢測和識(shí)別的效率，可以有效地對(duì)一定大小的車牌進(jìn)行識(shí)別，對(duì)于完善智能交通系統(tǒng)是有積極意義的。
[0010]為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)解決方案:
[0011]一種用于智能交通系統(tǒng)的車牌識(shí)別方法，包括以下步驟:
[0012]a在車牌學(xué)習(xí)訓(xùn)練階段，首先對(duì)相應(yīng)的樣本車輛圖像進(jìn)行分辨率歸一化操作，再提取描述圖像整體紋理的LBP特征，然后利用得到的LBP特征通過基于級(jí)聯(lián)分類器的學(xué)習(xí)算法對(duì)車牌進(jìn)行歸類學(xué)習(xí)訓(xùn)練，得到分類器識(shí)別模型；
[0013]b在車牌區(qū)域檢測階段，首先對(duì)獲取的圖像進(jìn)行光照歸一化處理，以降低光照對(duì)車牌檢測的影響，再通過步驟a得到的識(shí)別模型進(jìn)行類別判定獲得車牌候選區(qū)域，然后對(duì)車牌候選區(qū)域進(jìn)行顏色空間變換，判斷候車牌選區(qū)域可能出現(xiàn)車牌的概率，根據(jù)車牌顏色占候選區(qū)域的比例去除偽車牌區(qū)域，得到最終檢測出的車牌區(qū)域；
[0014]c在得到車牌區(qū)域之后對(duì)車牌進(jìn)行校正，首先根據(jù)車牌先驗(yàn)知識(shí)尋找車牌區(qū)域最長的線段，根據(jù)這個(gè)線段校正車牌角度，然后根據(jù)區(qū)域聯(lián)通算法結(jié)合車牌先驗(yàn)知識(shí)精確的分割出每一個(gè)字符區(qū)域；
[0015]d在獲得的每個(gè)字符區(qū)域上進(jìn)行二值化操作，并對(duì)得到的二值圖像使用模板匹配算法進(jìn)行字符識(shí)別，從而得出車牌號(hào)。
[0016]上述步驟a中，樣本車牌圖像在進(jìn)行LBP特征提取時(shí)分辨率歸一化為60*17。
[0017]上述步驟a中，對(duì)樣本車牌圖像進(jìn)行LBP特征的提取，具體提取過程如下:首先將樣本車牌圖像的檢測窗口劃分為16X16的子區(qū)域，對(duì)于每個(gè)子區(qū)域中的一個(gè)像素，將其環(huán)形鄰域內(nèi)的8個(gè)點(diǎn)進(jìn)行順時(shí)針或逆時(shí)針的比較，如果中心像素值比該鄰點(diǎn)大，則將鄰點(diǎn)賦值為1，否則賦值為0，這樣每個(gè)點(diǎn)都會(huì)獲得一個(gè)8位二進(jìn)制數(shù)；計(jì)算每個(gè)子區(qū)域的直方圖，即每個(gè)數(shù)字出現(xiàn)的頻率，然后對(duì)該直方圖進(jìn)行歸一化處理；最后將得到的每個(gè)子區(qū)域的統(tǒng)計(jì)直方圖進(jìn)行級(jí)聯(lián)，就得到了樣本車牌圖像的LBP特征。
[0018]上述步驟a中，樣本車牌圖像在進(jìn)行LBP特征提取之前，首先采用灰度拉伸進(jìn)行圖像增強(qiáng)。
[0019]上述步驟b中，進(jìn)行車牌區(qū)域檢測之前，首先采用灰度拉伸進(jìn)行圖像增強(qiáng)。
[0020]其中，圖像增強(qiáng)的具體做法如下:
[0021]首先獲取圖像的最大灰度值和最小灰度值，用最大灰度減去最小灰度值獲得灰度差，用255除以灰度差獲取變換因子，用每個(gè)點(diǎn)的灰度值減去最小灰度值，然后再乘以變換因子得到新的灰度值，經(jīng)過上述運(yùn)算，圖像的對(duì)比度得到明顯增強(qiáng)。
[0022]上述步驟b中，在得到車牌候選區(qū)域之后，將每個(gè)區(qū)域由RGB顏色空間變換到HSI顏色空間，遍歷每一點(diǎn)的H值，若某個(gè)點(diǎn)的H值在238和242之間，將這個(gè)位置變?yōu)?，否則變?yōu)?，最后統(tǒng)計(jì)為I的像素所占的面積，若面積大于0.7，則判定該區(qū)域?yàn)檐嚺茀^(qū)域。
[0023]上述述步驟c中，首先使用區(qū)域聯(lián)通算法生成連通區(qū)域，然后車牌字符分布先驗(yàn)知識(shí)指導(dǎo)連通區(qū)域進(jìn)行合并，最終產(chǎn)生分隔好的單個(gè)字符區(qū)域。
[0024]本發(fā)明具有如下優(yōu)點(diǎn):
[0025]本發(fā)明針對(duì)智能交通系統(tǒng)中車牌識(shí)別的實(shí)際情況，將整個(gè)識(shí)別工作分為三個(gè)部分。在車牌學(xué)習(xí)訓(xùn)練階段，首先對(duì)車牌圖像歸一化操作、再進(jìn)行LBP特征提取以及基于級(jí)聯(lián)分類器的機(jī)器學(xué)習(xí)與訓(xùn)練，得到車牌圖像的分類器識(shí)別模型；在車牌區(qū)域檢測階段對(duì)得到的車牌區(qū)域進(jìn)行車牌校正、連通區(qū)域分割得到精確的車牌字符區(qū)域；最后在獲得的每個(gè)字符區(qū)域上使用模板匹配算法進(jìn)行字符識(shí)別，從而得出車牌號(hào)，以上方法可以適應(yīng)多種識(shí)別場景，并在相當(dāng)?shù)某潭壬咸岣吡俗R(shí)別精度。本發(fā)明中，圖像的特征描述子能夠全面的描述圖像的梯度、紋理和邊緣信息，分類器級(jí)聯(lián)算法能夠?qū)o關(guān)數(shù)據(jù)的干擾有較強(qiáng)的容忍度，并且能夠適應(yīng)多種識(shí)別場景。在獲得初始結(jié)果后進(jìn)行了車牌候選區(qū)域的篩選，有效提高了車牌識(shí)別準(zhǔn)確率。本發(fā)明在圖像特征提取的基礎(chǔ)上，把圖像處理領(lǐng)域中應(yīng)用非常廣泛的LBP特征和級(jí)聯(lián)分類器有效地結(jié)合在一起。本發(fā)明在保障完成基本識(shí)別功能的前提下，具有結(jié)構(gòu)簡單、復(fù)雜度低、算法效率高的優(yōu)點(diǎn)，尤其適合在智能交通系統(tǒng)中應(yīng)用。
【專利附圖】

【附圖說明】
[0026]圖1為本發(fā)明中一種用于智能交通系統(tǒng)的車牌識(shí)別方法的流程框圖:
[0027]圖2為對(duì)車牌圖像進(jìn)行LBP特征提取的流程框圖。
【具體實(shí)施方式】
[0028]下面結(jié)合附圖以及【具體實(shí)施方式】對(duì)本發(fā)明作進(jìn)一步詳細(xì)說明:
[0029]結(jié)合圖1所示，一種用于智能交通系統(tǒng)的車牌識(shí)別方法，包括以下步驟:
[0030]a在車牌學(xué)習(xí)訓(xùn)練階段，首先對(duì)相應(yīng)的樣本車牌圖像進(jìn)行分辨率歸一化操作，以降低光照對(duì)車牌檢測的影響，再提取描述圖像整體紋理的LBP特征，然后利用得到的LBP特征通過基于級(jí)聯(lián)分類器的學(xué)習(xí)算法對(duì)車牌進(jìn)行歸類學(xué)習(xí)訓(xùn)練，得到分類器識(shí)別模型；其中，樣本車牌圖像由正樣本和負(fù)樣本組成，正樣本中包含車牌圖像，負(fù)樣本中不包含車牌圖像，上述分辨率歸一化操作只針對(duì)正樣本進(jìn)行；
[0031]b在車牌區(qū)域檢測階段，首先對(duì)獲取的圖像進(jìn)行光照歸一化處理，以降低光照對(duì)車牌檢測的影響，然后通過步驟a得到的識(shí)別模型進(jìn)行類別判定獲得車牌候選區(qū)域，即將獲取的圖像縮放到5個(gè)尺度，在每個(gè)尺度的圖像上均使用LBP提取特征，進(jìn)行滑窗匹配，如果在圖像的同一個(gè)區(qū)域的三個(gè)尺度上都能檢測到車牌，就認(rèn)為這個(gè)區(qū)域就是車牌候選區(qū)域，然后對(duì)車牌候選區(qū)域進(jìn)行顏色空間變換，判斷候車牌選區(qū)域可能出現(xiàn)車牌的概率，根據(jù)車牌顏色占候選區(qū)域的比例去除偽車牌區(qū)域，得到最終檢測出的車牌區(qū)域；
[0032]c在得到車牌區(qū)域之后對(duì)車牌進(jìn)行校正，首先根據(jù)車牌先驗(yàn)知識(shí)尋找車牌區(qū)域最長的線段，根據(jù)這個(gè)線段校正車牌角度，然后根據(jù)區(qū)域聯(lián)通算法結(jié)合車牌先驗(yàn)知識(shí)精確的分割出每一個(gè)字符區(qū)域；
[0033]d在獲得的每個(gè)字符區(qū)域上進(jìn)行二值化操作，并對(duì)得到的二值圖像使用模板匹配算法進(jìn)行字符識(shí)別，從而得出車牌號(hào)。
[0034]其中，步驟a中，樣本車牌圖像在進(jìn)行LBP特征提取時(shí)分辨率歸一化為60*17。
[0035]步驟a中，對(duì)樣本車牌圖像進(jìn)行LBP特征的提取，具體提取過程如下:首先將樣本車牌圖像的檢測窗口劃分為16X16的子區(qū)域，對(duì)于每個(gè)子區(qū)域中的一個(gè)像素，將其環(huán)形鄰域內(nèi)的8個(gè)點(diǎn)進(jìn)行順時(shí)針或逆時(shí)針的比較，如果中心像素值比該鄰點(diǎn)大，則將鄰點(diǎn)賦值為1，否則賦值為0，這樣每個(gè)點(diǎn)都會(huì)獲得一個(gè)8位二進(jìn)制數(shù)，接著再轉(zhuǎn)換為十進(jìn)制數(shù)；然后計(jì)算每個(gè)子區(qū)域的直方圖，即每個(gè)數(shù)字出現(xiàn)的頻率，然后對(duì)該直方圖進(jìn)行歸一化處理；最后將得到的每個(gè)子區(qū)域的統(tǒng)計(jì)直方圖進(jìn)行級(jí)聯(lián)，就得到了樣本車牌圖像的LBP特征，如圖2所
/Jn ο[0036]優(yōu)選地，步驟a中，樣本車牌圖像在進(jìn)行LBP特征提取之前，首先采用灰度拉伸進(jìn)行圖像增強(qiáng)，以提高圖像的對(duì)比度，減少光照影響。
[0037]優(yōu)選地，步驟b中，進(jìn)行車牌區(qū)域檢測之前，首先采用灰度拉伸進(jìn)行圖像增強(qiáng)，以提高圖像的對(duì)比度，減少光照影響。
[0038]其中，圖像增強(qiáng)的具體做法如下:
[0039]首先獲取圖像的最大灰度值和最小灰度值，用最大灰度減去最小灰度值獲得灰度差，用255除以灰度差獲取變換因子，用每個(gè)點(diǎn)的灰度值減去最小灰度值，然后再乘以變換因子得到新的灰度值，經(jīng)過上述運(yùn)算，圖像的對(duì)比度得到明顯增強(qiáng)。
[0040]步驟b中，在得到車牌候選區(qū)域之后，將每個(gè)區(qū)域由RGB顏色空間變換到HSI顏色空間，利用車牌在HSI顏色空間與周圍物體有顯著差異的特點(diǎn)去除偽車牌，在去噪部分取得滿意的結(jié)果，其具體做法如下:遍歷每一點(diǎn)的H值，若某個(gè)點(diǎn)的H值在238和242之間，將這個(gè)位置變?yōu)?，否則變?yōu)?，最后統(tǒng)計(jì)為I的像素所占的面積，若面積大于0.7，則判定該區(qū)域?yàn)檐嚺茀^(qū)域。
[0041]上述述步驟c中，首先使用區(qū)域聯(lián)通算法生成連通區(qū)域，然后車牌字符分布先驗(yàn)知識(shí)指導(dǎo)連通區(qū)域進(jìn)行合并，最終產(chǎn)生分隔好的單個(gè)字符區(qū)域。
[0042]當(dāng)然，以上說明僅僅為本發(fā)明的較佳實(shí)施例，本發(fā)明并不限于列舉上述實(shí)施例，應(yīng)當(dāng)說明的是，任何熟悉本領(lǐng)域的技術(shù)人員在本說明書的教導(dǎo)下，所做出的所有等同替代、或明顯變形形式均落在本說明書的實(shí)質(zhì)范圍之內(nèi)，理應(yīng)收到本發(fā)明的保護(hù)。
【權(quán)利要求】
1.一種用于智能交通系統(tǒng)的車牌識(shí)別方法，其特征在于，包括以下步驟: a在車牌學(xué)習(xí)訓(xùn)練階段，首先對(duì)相應(yīng)的樣本車輛圖像進(jìn)行分辨率歸一化操作，再提取描述圖像整體紋理的LBP特征，然后利用得到的LBP特征通過基于級(jí)聯(lián)分類器的學(xué)習(xí)算法對(duì)車牌進(jìn)行歸類學(xué)習(xí)訓(xùn)練，得到分類器識(shí)別模型； b在車牌區(qū)域檢測階段，首先對(duì)獲取的圖像進(jìn)行光照歸一化處理，再通過步驟a得到的識(shí)別模型進(jìn)行類別判定獲得車牌候選區(qū)域，然后對(duì)車牌候選區(qū)域進(jìn)行顏色空間變換，判斷候車牌選區(qū)域可能出現(xiàn)車牌的概率，根據(jù)車牌顏色占候選區(qū)域的比例去除偽車牌區(qū)域，得到最終檢測出的車牌區(qū)域； c在得到車牌區(qū)域之后對(duì)車牌進(jìn)行校正，首先根據(jù)車牌先驗(yàn)知識(shí)尋找車牌區(qū)域最長的線段，根據(jù)這個(gè)線段校正車牌角度，然后根據(jù)區(qū)域聯(lián)通算法結(jié)合車牌先驗(yàn)知識(shí)精確的分割出每一個(gè)字符區(qū)域； d在獲得的每個(gè)字符區(qū)域上進(jìn)行二值化操作，并對(duì)得到的二值圖像使用模板匹配算法進(jìn)行字符識(shí)別，從而得出車牌號(hào)。
2.根據(jù)權(quán)利要求1所述的一種用于智能交通系統(tǒng)的車牌識(shí)別方法，其特征在于，所述步驟a中，樣本車牌圖像在進(jìn)行LBP特征提取時(shí)分辨率歸一化為60*17。
3.根據(jù)權(quán)利要求1所述的一種用于智能交通系統(tǒng)的車牌識(shí)別方法，其特征在于，所述步驟a中，對(duì)樣本車牌圖像進(jìn)行LBP特征提取的具體過程如下: 首先將樣本車牌圖像的檢測窗口劃分為16X16的子區(qū)域，對(duì)于每個(gè)子區(qū)域中的一個(gè)像素，將其環(huán)形鄰域內(nèi)的8個(gè)點(diǎn)進(jìn)行順時(shí)針或逆時(shí)針的比較，如果中心像素值比該鄰點(diǎn)大，則將鄰點(diǎn)賦值為1，否則賦值為0，這樣每個(gè)點(diǎn)都會(huì)獲得一個(gè)8位二進(jìn)制數(shù)；計(jì)算每個(gè)子區(qū)域的直方圖，即每個(gè)數(shù)字出現(xiàn)的頻率，然后對(duì)該直方圖進(jìn)行歸一化處理；最后將得到的每個(gè)子區(qū)域的統(tǒng)計(jì)直方圖進(jìn)行級(jí)聯(lián)，就得到了樣本車牌圖像的LBP特征。
4.根據(jù)權(quán)利要求1所述的一種用于智能交通系統(tǒng)的車牌識(shí)別方法，其特征在于，所述步驟a中，樣本車牌圖像在進(jìn)行LBP特征提取之前，首先采用灰度拉伸進(jìn)行圖像增強(qiáng)。
5.根據(jù)權(quán)利要求1所述的一種用于智能交通系統(tǒng)的車牌識(shí)別方法，其特征在于，所述步驟b中，進(jìn)行車牌區(qū)域檢測之前，首先采用灰度拉伸進(jìn)行圖像增強(qiáng)。
6.根據(jù)權(quán)利要求1所述的一種用于智能交通系統(tǒng)的車牌識(shí)別方法，其特征在于，所述步驟b中，在得到車牌候選區(qū)域之后，將每個(gè)區(qū)域由RGB顏色空間變換到HSI顏色空間，遍歷每一點(diǎn)的H值，若某個(gè)點(diǎn)的H值在238和242之間，將這個(gè)位置變?yōu)?，否則變?yōu)?，最后統(tǒng)計(jì)為I的像素所占的面積，若面積大于0.7，則判定該區(qū)域?yàn)檐嚺茀^(qū)域。
7.根據(jù)權(quán)利要求1所述的一種用于智能交通系統(tǒng)的車牌識(shí)別方法，其特征在于，所述步驟c中，首先使用區(qū)域聯(lián)通算法生成連通區(qū)域，然后車牌字符分布先驗(yàn)知識(shí)指導(dǎo)連通區(qū)域進(jìn)行合并，最終產(chǎn)生分隔好的單個(gè)字符區(qū)域。
8.根據(jù)權(quán)利要求4或5所述的一種用于智能交通系統(tǒng)的車牌識(shí)別方法，其特征在于，所述圖像增強(qiáng)的具體做法如下: 首先獲取圖像的最大灰度值和最小灰度值，用最大灰度減去最小灰度值獲得灰度差，用255除以灰度差獲取變換因子，用每個(gè)點(diǎn)的灰度值減去最小灰度值，然后再乘以變換因子得到新的灰度值。
【文檔編號(hào)】G06K9/66GK103824091SQ201410069100
【公開日】2014年5月28日 申請日期:2014年2月27日 優(yōu)先權(quán)日:2014年2月27日
【發(fā)明者】劉玉杰, 谷勝, 陳曉明, 李宗民 申請人:中國石油大學(xué)(華東)