本發(fā)明涉及智能交通領(lǐng)域，更具體的說(shuō)，涉及一種車(chē)牌的識(shí)別方法和裝置。

背景技術(shù)：

車(chē)牌號(hào)碼作為車(chē)輛的身份信息，是智能交通系統(tǒng)對(duì)車(chē)輛進(jìn)行登記、處罰、收費(fèi)和管理的重要憑證。因此，對(duì)車(chē)牌的成像中字符的準(zhǔn)確識(shí)別是智能交通系統(tǒng)的關(guān)鍵環(huán)節(jié)。其中，車(chē)牌的成像中的字符分為漢字字符、英文字符和數(shù)字字符。

但是，目前還沒(méi)有能夠識(shí)別車(chē)牌的成像中的字符的方法。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明提供一種車(chē)牌的識(shí)別方法和裝置，以解決還沒(méi)有能夠識(shí)別車(chē)牌的成像中的字符的方法的問(wèn)題。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用了如下技術(shù)方案：

一種車(chē)牌的識(shí)別方法，包括：

獲取包含有完整的車(chē)牌的成像的視頻幀；

從所述視頻幀中選取出七個(gè)字符圖像；

對(duì)每個(gè)所述字符圖像進(jìn)行預(yù)處理，得到七個(gè)預(yù)處理后的字符圖像；其中，所述預(yù)處理包括圖像灰度化處理和歸一化處理；

識(shí)別每個(gè)所述預(yù)處理后的字符圖像中的字符。

優(yōu)選地，從所述視頻幀中選取出七個(gè)字符圖像，包括：

采用車(chē)牌定位方法，檢測(cè)所述車(chē)牌的成像在所述視頻幀中的區(qū)域位置信息；

根據(jù)所述區(qū)域位置信息、所述車(chē)牌的屬性、所述視頻幀的邊緣信息和角點(diǎn)信息，將所述視頻幀中的所述車(chē)牌的成像進(jìn)行分割，得到七個(gè)所述字符圖像。

優(yōu)選地，所述識(shí)別每個(gè)所述預(yù)處理后的字符圖像中的字符，包括：

對(duì)每個(gè)所述預(yù)處理后的字符圖像執(zhí)行圖像金字塔操作，得到每個(gè)所述預(yù)處理后的字符圖像的金字塔圖像；

計(jì)算每個(gè)所述金字塔圖像中的每層圖像的方向梯度直方圖hog特征向量、以及計(jì)算每個(gè)所述金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量；

根據(jù)每個(gè)所述金字塔圖像中的每層圖像的hog特征向量、以及每個(gè)所述金字塔圖像中的每層圖像中的每個(gè)所述局部圖像的hog特征向量，得到與每個(gè)所述金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符；

根據(jù)與每個(gè)所述金字塔圖像中的每層圖像中的字符相匹配的所述預(yù)設(shè)字符，得到每個(gè)所述金字塔圖像的字符識(shí)別結(jié)果。

優(yōu)選地，根據(jù)每個(gè)所述金字塔圖像中的每層圖像的hog特征向量、以及每個(gè)所述金字塔圖像中的每層圖像中的每個(gè)所述局部圖像的hog特征向量，得到與每個(gè)所述金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符，包括：

將每個(gè)所述金字塔圖像中的每層圖像的hog特征向量與預(yù)先保存的每個(gè)預(yù)設(shè)字符圖像的hog特征向量做對(duì)比，計(jì)算得到每個(gè)所述金字塔圖像中的每層圖像的hog特征向量與每個(gè)所述預(yù)設(shè)字符圖像的hog特征向量相同的概率；

將每個(gè)所述金字塔圖像中的每層圖像中的每個(gè)所述局部圖像的hog特征向量與每個(gè)所述預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量做對(duì)比，計(jì)算得到每個(gè)所述金字塔圖像中的每層圖像中的每個(gè)所述局部圖像的hog特征向量與每個(gè)所述預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量相同的概率；

根據(jù)每個(gè)所述金字塔圖像中的每層圖像的hog特征向量與每個(gè)所述預(yù)設(shè)字符圖像的hog特征向量相同的概率、每個(gè)所述金字塔圖像中的每層圖像中的每個(gè)所述局部圖像的hog特征向量與每個(gè)所述預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量相同的概率，得到每個(gè)所述金字塔圖像中的每層圖像中的字符與每個(gè)所述預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度；

從每個(gè)所述金字塔圖像中的每層圖像中的字符與每個(gè)所述預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度中選取出數(shù)值最大的相似度；

將每個(gè)所述金字塔圖像中的每層圖像對(duì)應(yīng)的數(shù)值最大的相似度對(duì)應(yīng)的預(yù)設(shè)字符作為每個(gè)所述金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符。

優(yōu)選地，根據(jù)與每個(gè)所述金字塔圖像中的每層圖像中的字符相匹配的所述預(yù)設(shè)字符，得到每個(gè)所述金字塔圖像的字符識(shí)別結(jié)果，包括：

從每個(gè)所述金字塔圖像中的每層圖像中的字符與相應(yīng)的相匹配的預(yù)設(shè)字符的相似度中選取出數(shù)值最大的相似度；

將每個(gè)所述金字塔圖像對(duì)應(yīng)的數(shù)值最大的相似度對(duì)應(yīng)的相匹配的預(yù)設(shè)字符作為每個(gè)所述金字塔圖像的字符識(shí)別結(jié)果。

一種車(chē)牌的識(shí)別裝置，包括：

獲取單元，用于獲取包含有完整的車(chē)牌的成像的視頻幀；

選取單元，用于從所述視頻幀中選取出七個(gè)字符圖像；

預(yù)處理單元，用于對(duì)每個(gè)所述字符圖像進(jìn)行預(yù)處理，得到七個(gè)預(yù)處理后的字符圖像；其中，所述預(yù)處理包括圖像灰度化處理和歸一化處理；

識(shí)別單元，用于識(shí)別每個(gè)所述預(yù)處理后的字符圖像中的字符。

優(yōu)選地，所述選取單元包括：

檢測(cè)單元，用于采用車(chē)牌定位方法，檢測(cè)所述車(chē)牌的成像在所述視頻幀中的區(qū)域位置信息；

分割單元，用于根據(jù)所述區(qū)域位置信息、所述車(chē)牌的屬性、所述視頻幀的邊緣信息和角點(diǎn)信息，將所述視頻幀中的所述車(chē)牌的成像進(jìn)行分割，得到七個(gè)所述字符圖像。

優(yōu)選地，所述識(shí)別單元包括：

金字塔處理單元，用于對(duì)每個(gè)所述預(yù)處理后的字符圖像執(zhí)行圖像金字塔操作，得到每個(gè)所述預(yù)處理后的字符圖像的金字塔圖像；

計(jì)算單元，用于計(jì)算每個(gè)所述金字塔圖像中的每層圖像的方向梯度直方圖hog特征向量、以及計(jì)算每個(gè)所述金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量；

匹配單元，用于根據(jù)每個(gè)所述金字塔圖像中的每層圖像的hog特征向量、以及每個(gè)所述金字塔圖像中的每層圖像中的每個(gè)所述局部圖像的hog特征向量，得到與每個(gè)所述金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符；

字符識(shí)別單元，用于根據(jù)與每個(gè)所述金字塔圖像中的每層圖像中的字符相匹配的所述預(yù)設(shè)字符，得到每個(gè)所述金字塔圖像的字符識(shí)別結(jié)果。

優(yōu)選地，所述匹配單元包括：

第一對(duì)比單元，用于將每個(gè)所述金字塔圖像中的每層圖像的hog特征向量與預(yù)先保存的每個(gè)預(yù)設(shè)字符圖像的hog特征向量做對(duì)比，計(jì)算得到每個(gè)所述金字塔圖像中的每層圖像的hog特征向量與每個(gè)所述預(yù)設(shè)字符圖像的hog特征向量相同的概率；

第二對(duì)比單元，用于將每個(gè)所述金字塔圖像中的每層圖像中的每個(gè)所述局部圖像的hog特征向量與每個(gè)所述預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量做對(duì)比，計(jì)算得到每個(gè)所述金字塔圖像中的每層圖像中的每個(gè)所述局部圖像的hog特征向量與每個(gè)所述預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量相同的概率；

相似度計(jì)算單元，用于根據(jù)每個(gè)所述金字塔圖像中的每層圖像的hog特征向量與每個(gè)所述預(yù)設(shè)字符圖像的hog特征向量相同的概率、每個(gè)所述金字塔圖像中的每層圖像中的每個(gè)所述局部圖像的hog特征向量與每個(gè)所述預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量相同的概率，得到每個(gè)所述金字塔圖像中的每層圖像中的字符與每個(gè)所述預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度；

第一相似度選取單元，用于從每個(gè)所述金字塔圖像中的每層圖像中的字符與每個(gè)所述預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度中選取出數(shù)值最大的相似度；

第一確定單元，用于將每個(gè)所述金字塔圖像中的每層圖像對(duì)應(yīng)的數(shù)值最大的相似度對(duì)應(yīng)的預(yù)設(shè)字符作為每個(gè)所述金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符。

優(yōu)選地，所述字符識(shí)別單元包括：

第二相似度選取單元，用于從每個(gè)所述金字塔圖像中的每層圖像中的字符與相應(yīng)的相匹配的預(yù)設(shè)字符的相似度中選取出數(shù)值最大的相似度；

第二確定單元，用于將每個(gè)所述金字塔圖像對(duì)應(yīng)的數(shù)值最大的相似度對(duì)應(yīng)的相匹配的預(yù)設(shè)字符作為每個(gè)所述金字塔圖像的字符識(shí)別結(jié)果。

相較于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：

本發(fā)明提供了一種車(chē)牌的識(shí)別方法和裝置，獲取包含有完整的車(chē)牌的成像的視頻幀，從所述視頻幀中選取出七個(gè)字符圖像，對(duì)每個(gè)所述字符圖像進(jìn)行預(yù)處理，得到七個(gè)預(yù)處理后的字符圖像，識(shí)別每個(gè)所述預(yù)處理后的字符圖像中的字符，本發(fā)明能夠識(shí)別車(chē)牌的成像中的字符，解決了還沒(méi)有能夠識(shí)別車(chē)牌的成像中的字符的方法的問(wèn)題。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明提供的一種車(chē)牌的識(shí)別方法的方法流程圖；

圖2為本發(fā)明提供的另一種車(chē)牌的識(shí)別方法的方法流程圖；

圖3為本發(fā)明提供的又一種車(chē)牌的識(shí)別方法的方法流程圖；

圖4為本發(fā)明提供的一種車(chē)牌的識(shí)別裝置的結(jié)構(gòu)示意圖；

圖5為本發(fā)明提供的另一種車(chē)牌的識(shí)別裝置的結(jié)構(gòu)示意圖；

圖6為本發(fā)明提供的又一種車(chē)牌的識(shí)別裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明實(shí)施例提供了一種車(chē)牌的識(shí)別方法，參照?qǐng)D1，包括：

s101、獲取包含有完整的車(chē)牌的成像的視頻幀；

其中，視頻幀預(yù)先獲取。視頻幀是從攝像機(jī)中獲取的，獲取的視頻幀一般是監(jiān)控場(chǎng)景中包含車(chē)輛的車(chē)牌的圖像。其中，攝像機(jī)可以是球型攝像機(jī)。其中，球型攝像機(jī)可以獲取得到多張包含有完整的車(chē)牌的成像的視頻幀，需要依次識(shí)別每張包含有完整的車(chē)牌的成像的視頻幀。

s102、從視頻幀中選取出七個(gè)字符圖像；

其中，車(chē)牌的成像中包含有七個(gè)字符圖像，七個(gè)字符圖像包含漢字字符圖像、英文字符圖像和數(shù)字字符圖像。

可選的，本發(fā)明的另一實(shí)施例中，從視頻幀中選取出七個(gè)字符圖像，包括：

采用車(chē)牌定位方法，檢測(cè)車(chē)牌的成像在視頻幀中的區(qū)域位置信息，根據(jù)區(qū)域位置信息、車(chē)牌的屬性、視頻幀的邊緣信息和角點(diǎn)信息，將視頻幀中的車(chē)牌的成像進(jìn)行分割，得到七個(gè)字符圖像。

其中，車(chē)牌定位方法可以是投影法，具體的投影法包括hsv(色調(diào)(h)，飽和度(s)，明度(v))顏色轉(zhuǎn)換、hsv顏色過(guò)濾、噪聲處理邊緣檢測(cè)、確定車(chē)牌的成像的位置步驟。

車(chē)牌的成像在視頻幀中的區(qū)域位置信息是指車(chē)牌的成像在整個(gè)視頻幀中的位置。

車(chē)牌的屬性是指車(chē)牌的長(zhǎng)寬比、字符間距和顏色等信息。

視頻幀的邊緣信息可以采用邊緣檢測(cè)算法，檢測(cè)得到視頻幀的各邊緣線。

其中，邊緣檢測(cè)算法可以是索貝爾算子sobel邊緣檢測(cè)算法，(x,y)像素點(diǎn)的梯度大小一般可以采用公式|g|＝|gx|+|gy|計(jì)算，梯度方向計(jì)算公式為

其中g(shù)x和gy分別為如下公式所示：

gx＝{f[x+1,y-1]+2*f[x+1,y]+f[x+1,y+1]}

-{f[x-1,y-1]+2*f[x-1,y]+f[x-1,y+1]}

gy＝{f[x-1,y+1]+2*f[x,y+1]+f[x+1,y+1]}

-{f[x-1,y-1]+2*f[x,y-1]+f[x+1,y-1]}

計(jì)算得到每個(gè)像素點(diǎn)的梯度后，就能夠得到視頻幀中的各邊緣線。

視頻幀的角點(diǎn)信息可以采用角點(diǎn)檢測(cè)算法得到，其中，角點(diǎn)檢測(cè)算法可以是harris角點(diǎn)檢測(cè)算法，harris角點(diǎn)檢測(cè)算法的計(jì)算公式如下所示：

其中，e為角點(diǎn)響應(yīng)強(qiáng)度，i(x,y)為車(chē)牌的成像中(x,y)像素點(diǎn)的像素灰度值，(u,v)為車(chē)牌的成像中(x,y)像素點(diǎn)的偏移向量，角點(diǎn)為車(chē)牌的成像的頂點(diǎn)或者車(chē)牌的成像中字符拐點(diǎn)等。

通過(guò)harris角點(diǎn)檢測(cè)算法，能夠檢測(cè)到多個(gè)角點(diǎn)，多個(gè)角點(diǎn)中包含車(chē)牌的成像的頂點(diǎn)。

s103、對(duì)每個(gè)字符圖像進(jìn)行預(yù)處理，得到七個(gè)預(yù)處理后的字符圖像。

其中，預(yù)處理包括圖像灰度化處理和歸一化處理。

其中，灰度化，在rgb模型中，如果r＝g＝b時(shí)，則彩色表示一種灰度顏色，其中r＝g＝b的值叫灰度值，因此，灰度圖像每個(gè)像素只需一個(gè)字節(jié)存放灰度值(又稱(chēng)強(qiáng)度值、亮度值)，灰度范圍為0-255。一般有以下四種方法對(duì)彩色圖像進(jìn)行灰度化。

圖像灰度化處理包括分量法、最大值法、平均值法和加權(quán)平均法。

歸一化是一種簡(jiǎn)化計(jì)算的方式，即將有量綱的表達(dá)式，經(jīng)過(guò)變換，化為無(wú)量綱的表達(dá)式，成為標(biāo)量。

對(duì)每個(gè)字符圖像進(jìn)行預(yù)處理，得到的七個(gè)預(yù)處理后的字符圖像都具有統(tǒng)一的標(biāo)準(zhǔn)。

s104、識(shí)別每個(gè)預(yù)處理后的字符圖像中的字符。

本實(shí)施例提供了一種車(chē)牌的識(shí)別方法，獲取包含有完整的車(chē)牌的成像的視頻幀，從視頻幀中選取出七個(gè)字符圖像，對(duì)每個(gè)字符圖像進(jìn)行預(yù)處理，得到七個(gè)預(yù)處理后的字符圖像，識(shí)別每個(gè)預(yù)處理后的字符圖像中的字符，本發(fā)明能夠識(shí)別車(chē)牌的成像中的字符，解決了還沒(méi)有能夠識(shí)別車(chē)牌的成像中的字符的方法的問(wèn)題。

可選的，本發(fā)明的另一實(shí)施例中，參照?qǐng)D2，步驟s104包括：

s201、對(duì)每個(gè)預(yù)處理后的字符圖像執(zhí)行圖像金字塔操作，得到每個(gè)預(yù)處理后的字符圖像的金字塔圖像；

圖像金字塔是圖像多尺度表達(dá)的一種，是一種以多分辨率來(lái)解釋圖像的有效但概念簡(jiǎn)單的結(jié)構(gòu)。一幅圖像的金字塔是一系列以金字塔形狀排列的分辨率逐步降低，且來(lái)源于同一張?jiān)紙D的圖像集合。其通過(guò)梯次向下采樣獲得，直到達(dá)到某個(gè)終止條件才停止采樣。我們將一層一層的圖像比喻成金字塔，層級(jí)越高，則圖像越小，分辨率越低。

其中，執(zhí)行圖像金字塔操作，是指對(duì)預(yù)處理后的字符圖像進(jìn)行放大或者縮小操作，以得到不同尺寸的預(yù)處理后的字符圖像，進(jìn)而能夠防止尺寸因素對(duì)識(shí)別結(jié)果的影響。具體的，獲取到的視頻幀會(huì)受到車(chē)牌和攝像機(jī)之間的距離的影響，當(dāng)車(chē)牌和攝像機(jī)之間的距離較小的時(shí)候，視頻幀中車(chē)牌的成像較小，當(dāng)車(chē)牌和攝像機(jī)之間的距離較大的時(shí)候，視頻幀中車(chē)牌的成像較大。為了減少車(chē)牌和攝像機(jī)之間的距離長(zhǎng)短的影響，才執(zhí)行圖像金字塔操作。

s202、計(jì)算每個(gè)金字塔圖像中的每層圖像的hog特征向量、以及計(jì)算每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量；

具體的，hog特征向量是通過(guò)hog特征檢測(cè)算法得到。

hog(histogramoforientedgridients的簡(jiǎn)寫(xiě))特征檢測(cè)算法，是一種用于表征圖像局部梯度方向和梯度強(qiáng)度分布特性的描述符。hog特征檢測(cè)算法的幾個(gè)步驟：顏色空間歸一化—>梯度計(jì)算—>梯度方向直方圖—>重疊塊直方圖歸一化—>hog特征。

由于一個(gè)金字塔圖像包含有多層圖像，需要計(jì)算得到每層圖像的hog特征向量，以及每層圖像中的每個(gè)局部圖像的hog特征向量。

其中，局部圖像是根據(jù)邊緣檢測(cè)算法選取得到，局部圖像可以是每層圖像中包含左上角的一個(gè)小圖像、包含右上角的一個(gè)小圖像、包含左下角的一個(gè)小圖像或者包含右下角的一個(gè)小圖像，也可以是每隔指定像素值選取的一個(gè)圖像。

s203、根據(jù)每個(gè)金字塔圖像中的每層圖像的hog特征向量、以及每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量，得到與每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符；

其中，預(yù)設(shè)字符存儲(chǔ)在數(shù)據(jù)庫(kù)中，數(shù)據(jù)庫(kù)中存在有多個(gè)字符，多個(gè)字符包括數(shù)字字符、漢字字符和英文字符。

s204、根據(jù)與每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符，得到每個(gè)金字塔圖像的字符識(shí)別結(jié)果。

本實(shí)施例中，根據(jù)每個(gè)金字塔圖像中的每層圖像的hog特征向量、以及每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量，得到與每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符，進(jìn)而能夠根據(jù)與每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符，得到每個(gè)金字塔圖像的字符識(shí)別結(jié)果。

可選的，本發(fā)明的另一實(shí)施例中，參照?qǐng)D3，步驟s203包括：

s301、將每個(gè)金字塔圖像中的每層圖像的hog特征向量與預(yù)先保存的每個(gè)預(yù)設(shè)字符圖像的hog特征向量做對(duì)比，計(jì)算得到每個(gè)金字塔圖像中的每層圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像的hog特征向量相同的概率；

以一個(gè)金字塔圖像為例，將該金字塔圖像中的每層圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像的hog特征向量做對(duì)比，即比較兩個(gè)hog特征向量是否相同，計(jì)算得到兩個(gè)特征向量為相同的特征向量的概率。

其中，兩個(gè)特征向量為相同的特征向量的概率越大，說(shuō)明金字塔圖像中的一層圖像中的字符與一個(gè)預(yù)設(shè)字符圖像中的預(yù)設(shè)字符為相同字符的概率越大。

s302、將每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量做對(duì)比，計(jì)算得到每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量相同的概率；

具體的，以一個(gè)金字塔圖像為例，取該金字塔圖像中的一層圖像，將該層圖像中的每個(gè)局部圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量作對(duì)比。舉例來(lái)說(shuō)，假設(shè)該層圖像中包含四個(gè)局部圖像，此外，拿該層圖像與一個(gè)預(yù)設(shè)字符圖像對(duì)比，首先從預(yù)設(shè)字符圖像中選取出與該層圖像中的每個(gè)局部圖像對(duì)應(yīng)的子圖像，然后將每個(gè)局部圖像的hog特征向量與相應(yīng)的子圖像的hog特征向量作對(duì)比，得到每個(gè)局部圖像的hog特征向量與相應(yīng)的子圖像的hog特征向量相同的概率。

將每個(gè)金字塔圖像均按照上述的方法操作，即能夠得到每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量相同的概率。

s303、根據(jù)每個(gè)金字塔圖像中的每層圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像的hog特征向量相同的概率、每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量相同的概率，得到每個(gè)金字塔圖像中的每層圖像中的字符與每個(gè)預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度；

以一個(gè)金字塔圖像和一個(gè)預(yù)設(shè)字符圖像為例，來(lái)介紹計(jì)算得到該金字塔圖像中的每層圖像與該預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度。其中，該金字塔圖像包含兩個(gè)局部圖像。

取該金字塔圖像中的一層圖像，獲得該層圖像的hog特征向量與該預(yù)設(shè)字符圖像的hog特征向量相同的概率p1、每個(gè)局部圖像的hog特征向量與相應(yīng)的子圖像的hog特征向量相同的概率p2和p3，則該金字塔圖像中的該層圖像與該預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度為p1+p2+p3。

然后計(jì)算該金字塔圖像中的其他層圖像與該預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度。

最后，將每個(gè)金字塔圖像按照上述方法進(jìn)行計(jì)算，得到每個(gè)金字塔圖像中的每層圖像中的字符與每個(gè)預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度。

s304、從每個(gè)金字塔圖像中的每層圖像中的字符與每個(gè)預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度中選取出數(shù)值最大的相似度；

s305、將每個(gè)金字塔圖像中的每層圖像對(duì)應(yīng)的數(shù)值最大的相似度對(duì)應(yīng)的預(yù)設(shè)字符作為每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符。

舉例來(lái)說(shuō)，取一個(gè)金字塔圖像的一層圖像，從該層圖像與每個(gè)預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度中選取出數(shù)值最大的相似度。

將數(shù)值最大的相似度對(duì)應(yīng)的預(yù)設(shè)字符作為該層圖像中的字符相匹配的預(yù)設(shè)字符。

需要說(shuō)明的是，得到數(shù)值最大的相似度后，可以判斷數(shù)值最大的相似度是否大于預(yù)設(shè)數(shù)值，若大于預(yù)設(shè)數(shù)值，則將數(shù)值最大的相似度對(duì)應(yīng)的預(yù)設(shè)字符作為該層圖像中的字符相匹配的預(yù)設(shè)字符。

若不大于預(yù)設(shè)數(shù)值，則不存在與該層圖像中的字符相匹配的預(yù)設(shè)字符。

本實(shí)施例中，通過(guò)確定出每個(gè)金字塔圖像中的每層圖像中的字符與每個(gè)預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度，進(jìn)而能夠根據(jù)相似度確定出與每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符。

可選的，本發(fā)明的另一實(shí)施例中，步驟s204包括：

從每個(gè)金字塔圖像中的每層圖像中的字符與相應(yīng)的相匹配的預(yù)設(shè)字符的相似度中選取出數(shù)值最大的相似度，將每個(gè)金字塔圖像對(duì)應(yīng)的數(shù)值最大的相似度對(duì)應(yīng)的相匹配的預(yù)設(shè)字符作為每個(gè)金字塔圖像的字符識(shí)別結(jié)果。

以一個(gè)金字塔圖像為例，一個(gè)金字塔圖像包括多層圖像，每層圖像的字符與相匹配的預(yù)設(shè)字符有一個(gè)相似度。從這些相似度中選取出數(shù)值最大的一個(gè)相似度，將數(shù)值最大的相似度對(duì)應(yīng)的預(yù)設(shè)字符作為該金字塔圖像的字符識(shí)別結(jié)果。其中，字符識(shí)別結(jié)果為一個(gè)字符。該字符可以是數(shù)字、英文或者漢字。

需要說(shuō)明的是，得到每個(gè)金字塔圖像的字符識(shí)別結(jié)果后，將每個(gè)字符識(shí)別結(jié)果中的字符按照七個(gè)字符圖像在視頻幀中的位置進(jìn)行排列，得到最終的車(chē)牌號(hào)。

本實(shí)施例中，可以通過(guò)相似度確定出每個(gè)金字塔圖像的字符識(shí)別結(jié)果，進(jìn)而能夠使字符識(shí)別結(jié)果更準(zhǔn)確。

可選的，本發(fā)明的另一實(shí)施例中提供了一種車(chē)牌的識(shí)別裝置，參照?qǐng)D4，包括：

獲取單元101，用于獲取包含有完整的車(chē)牌的成像的視頻幀；

選取單元102，用于從視頻幀中選取出七個(gè)字符圖像；

預(yù)處理單元103，用于對(duì)每個(gè)字符圖像進(jìn)行預(yù)處理，得到七個(gè)預(yù)處理后的字符圖像；其中，預(yù)處理包括圖像灰度化處理和歸一化處理；

識(shí)別單元104，用于識(shí)別每個(gè)預(yù)處理后的字符圖像中的字符。

可選的，本發(fā)明的另一實(shí)施例中，選取單元102包括：

檢測(cè)單元，用于采用車(chē)牌定位方法，檢測(cè)車(chē)牌的成像在視頻幀中的區(qū)域位置信息；

分割單元，用于根據(jù)區(qū)域位置信息、車(chē)牌的屬性、視頻幀的邊緣信息和角點(diǎn)信息，將視頻幀中的所述車(chē)牌的成像進(jìn)行分割，得到七個(gè)字符圖像。

本實(shí)施例提供了一種車(chē)牌的識(shí)別裝置，獲取包含有完整的車(chē)牌的成像的視頻幀，從視頻幀中選取出七個(gè)字符圖像，對(duì)每個(gè)字符圖像進(jìn)行預(yù)處理，得到七個(gè)預(yù)處理后的字符圖像，識(shí)別每個(gè)預(yù)處理后的字符圖像中的字符，本發(fā)明能夠識(shí)別車(chē)牌的成像中的字符，解決了還沒(méi)有能夠識(shí)別車(chē)牌的成像中的字符的方法的問(wèn)題。

需要說(shuō)明的是，本實(shí)施中的各個(gè)單元的工作過(guò)程，請(qǐng)參照?qǐng)D1對(duì)應(yīng)的實(shí)施例中的說(shuō)明，在此不再贅述。

可選的，本發(fā)明的另一實(shí)施例中，參照?qǐng)D5，識(shí)別單元104包括：

金字塔處理單元1041，用于對(duì)每個(gè)預(yù)處理后的字符圖像執(zhí)行圖像金字塔操作，得到每個(gè)預(yù)處理后的字符圖像的金字塔圖像；

計(jì)算單元1042，用于計(jì)算每個(gè)金字塔圖像中的每層圖像的方向梯度直方圖hog特征向量、以及計(jì)算每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量；

匹配單元1043，用于根據(jù)每個(gè)金字塔圖像中的每層圖像的hog特征向量、以及每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量，得到與每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符；

字符識(shí)別單元1044，用于根據(jù)與每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符，得到每個(gè)金字塔圖像的字符識(shí)別結(jié)果。

本實(shí)施例中，根據(jù)每個(gè)金字塔圖像中的每層圖像的hog特征向量、以及每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量，得到與每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符，進(jìn)而能夠根據(jù)與每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符，得到每個(gè)金字塔圖像的字符識(shí)別結(jié)果。

需要說(shuō)明的是，本實(shí)施中的各個(gè)單元的工作過(guò)程，請(qǐng)參照?qǐng)D2對(duì)應(yīng)的實(shí)施例中的說(shuō)明，在此不再贅述。

可選的，本發(fā)明的另一實(shí)施例中，參照?qǐng)D6，匹配單元1043包括：

第一對(duì)比單元10431，用于將每個(gè)金字塔圖像中的每層圖像的hog特征向量與預(yù)先保存的每個(gè)預(yù)設(shè)字符圖像的hog特征向量做對(duì)比，計(jì)算得到每個(gè)金字塔圖像中的每層圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像的hog特征向量相同的概率；

第二對(duì)比單元10432，用于將每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量做對(duì)比，計(jì)算得到每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量相同的概率；

相似度計(jì)算單元10433，用于根據(jù)每個(gè)金字塔圖像中的每層圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像的hog特征向量相同的概率、每個(gè)金字塔圖像中的每層圖像中的每個(gè)局部圖像的hog特征向量與每個(gè)預(yù)設(shè)字符圖像中相應(yīng)的子圖像的hog特征向量相同的概率，得到每個(gè)金字塔圖像中的每層圖像中的字符與每個(gè)預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度；

第一相似度選取單元10434，用于從每個(gè)金字塔圖像中的每層圖像中的字符與每個(gè)預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度中選取出數(shù)值最大的相似度；

第一確定單元10435，用于將每個(gè)金字塔圖像中的每層圖像對(duì)應(yīng)的數(shù)值最大的相似度對(duì)應(yīng)的預(yù)設(shè)字符作為每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符。

本實(shí)施例中，通過(guò)確定出每個(gè)金字塔圖像中的每層圖像中的字符與每個(gè)預(yù)設(shè)字符圖像中的預(yù)設(shè)字符相匹配的相似度，進(jìn)而能夠根據(jù)相似度確定出與每個(gè)金字塔圖像中的每層圖像中的字符相匹配的預(yù)設(shè)字符。

需要說(shuō)明的是，本實(shí)施中的各個(gè)單元的工作過(guò)程，請(qǐng)參照?qǐng)D3對(duì)應(yīng)的實(shí)施例中的說(shuō)明，在此不再贅述。

可選的，本發(fā)明的另一實(shí)施例中，字符識(shí)別單元1044包括：

第二相似度選取單元，用于從每個(gè)金字塔圖像中的每層圖像中的字符與相應(yīng)的相匹配的預(yù)設(shè)字符的相似度中選取出數(shù)值最大的相似度；

第二確定單元，用于將每個(gè)金字塔圖像對(duì)應(yīng)的數(shù)值最大的相似度對(duì)應(yīng)的相匹配的預(yù)設(shè)字符作為每個(gè)金字塔圖像的字符識(shí)別結(jié)果。

本實(shí)施例中，可以通過(guò)相似度確定出每個(gè)金字塔圖像的字符識(shí)別結(jié)果，進(jìn)而能夠使字符識(shí)別結(jié)果更準(zhǔn)確。

需要說(shuō)明的是，本實(shí)施中的各個(gè)單元的工作過(guò)程，請(qǐng)參照上述實(shí)施例中的說(shuō)明，在此不再贅述。

對(duì)所公開(kāi)的實(shí)施例的上述說(shuō)明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專(zhuān)業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一致的最寬的范圍。