一種基于Hadoop的分布式車牌識別方法
【專利摘要】本發(fā)明涉及一種基于Hadoop的分布式車牌識別方法，屬于云計算、數(shù)字圖像處理、模式識別與計算機視覺技術領域，特別涉及到車牌定位、車牌傾斜校正、車牌字符分割和車牌字符識別等車牌識別關鍵技術。本發(fā)明的綜合面積、長寬比以及垂直投影特征值3個因素進行綜合評價分析來定位車牌區(qū)域，可以消除僅用某一個參數(shù)進行評價所帶來的誤差。本發(fā)明基于模板匹配和關鍵域的車牌字符分割方法能夠有效應對字符間粘滯的問題。本發(fā)明對不同的字符進行四個側(cè)面掃描提取出字符骨骼累積統(tǒng)計特征，有效的解決了相近字符難以區(qū)分問題。本發(fā)明系統(tǒng)基于Hadoop平臺開發(fā)，使用MapReduce編程模型，車牌識別系統(tǒng)的執(zhí)行效率獲得了大幅度提升。
【專利說明】
-種基于Hadoop的分布式車牌識別方法
技術領域
[0001] 本發(fā)明設及一種基于化doop的分布式車牌識別方法，屬于云計算、數(shù)字圖像處理、 模式識別與計算機視覺技術領域，特別設及到車牌定位、車牌傾斜校正、車牌字符分割和車 牌字符識別等車牌識別關鍵技術。
【背景技術】
[0002] 當前，隨著經(jīng)濟的發(fā)展，人們的生活水平不斷提高，各種機動車的數(shù)量快速增長， 機動車大規(guī)模普及已經(jīng)成為一種必然的趨勢。智能交通系統(tǒng)能夠更加安全、高效的管理車 輛信息，在各種小區(qū)，廠區(qū)出入口車輛管理系統(tǒng)，收費站系統(tǒng)，道路治安卡口系統(tǒng)，超速、違 停、闖紅燈電子警察系統(tǒng)中，展現(xiàn)出強大的作用。
[0003] 車牌識別是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，應用十分廣泛。它W數(shù)字 圖像處理、模式識別、計算機視覺等技術為基礎，對攝像機所拍攝的車輛圖像或者視頻序列 進行分析，得到每一輛汽車唯一的車牌號碼，從而完成識別過程。通過一些后續(xù)處理手段可 W實現(xiàn)停車場收費管理、交通流量控制指標測量、車輛定位、治安卡口、汽車防盜、高速公路 超速自動化監(jiān)管、闖紅燈電子警察、公路收費站等功能。對于維護交通安全和城市治安，防 止交通堵塞，實現(xiàn)交通自動化管理有著現(xiàn)實的意義。
[0004] 然而，隨著車牌識別技術的日益成熟，針對車牌識別的應用也越來越多，規(guī)模越 來越大，車牌識別要處理的數(shù)據(jù)及任務可能達到海量級別，傳統(tǒng)的單機存儲與計算的識別 方法已經(jīng)遠遠不能滿足我們的需求。傳統(tǒng)的各種車牌識別的研究都是基于小批量模型進行 識別研究，所產(chǎn)生的各種車牌識別系統(tǒng)針對一些特定應用場景的有限的識別任務進行開 發(fā)。而針對海量識別任務、大批量分類模式的識別，運些系統(tǒng)的識別效率就差強人意了。存 在的問題有：
[0005] (1)單節(jié)點的計算能力有限，不滿足海量數(shù)據(jù)下實時識別任務的需求；
[0006] (2)如果采用分布式實現(xiàn)，怎么樣才能充分的使整個車牌識別過程并行，從而能夠 快速的返回結(jié)果。
[0007] 化doop是目前應用最為廣泛的分布式計算平臺，利用它能夠高速的處理海量數(shù) 據(jù)。本發(fā)明提供了一種在化doop平臺下，結(jié)合HDFS與MapReduce編程模型的車牌識別方法， 能夠分布式的處理車牌識別任務，并有效地提升車牌識別系統(tǒng)的執(zhí)行效率。

【發(fā)明內(nèi)容】

[000引本發(fā)明為了克服上述缺陷，本發(fā)明的目的在于提供基于化doop的分布式車牌識別 方法，解決現(xiàn)有技術無法快速識別出車牌號碼并返回識別結(jié)果的問題。
[0009] 本發(fā)明為了實現(xiàn)上述目的，采用如下技術方案：
[0010] 一種基于化doop的分布式車牌識別方法，該方法的步驟：
[0011] 1)客戶端向網(wǎng)關發(fā)送車牌識別請求，請求中包含待識別的車牌圖像；
[0012] 2)網(wǎng)關收到請求后形成識別任務下發(fā)到主節(jié)點上；
[0013] 3)主節(jié)點收到識別任務后，根據(jù)當前作業(yè)節(jié)點的狀態(tài)將包含待識別車牌圖像的識 別子任務發(fā)送給作業(yè)節(jié)點;作業(yè)節(jié)點開始車牌識別任務，其主要步驟為：
[0014] ①車牌圖像預處理:對抓拍到的車牌圖像進行高斯濾波處理，減小噪聲的影響，然 后作灰度化處理得到灰度圖像；
[0015] ②車牌定位:首先利用Sobel算子對包含車牌的圖像進行邊緣檢測，然后進行二值 化處理，再對二值圖像進行形態(tài)學濾波，使車牌區(qū)域形成一個連通區(qū)域，然后根據(jù)車牌的先 驗知識:長寬比相對固定，在二值圖像上字符呈現(xiàn)明暗交替變化，分別采用面積、長寬比、一 級垂直投影特征進行加權綜合來對所得到的連通區(qū)域進行篩選，選定一個最佳的區(qū)域作為 牌照區(qū)域，并將其從圖像中分隔出來；
[0016] ③車牌校正：由于車牌的上下沿是兩條明顯的平行線，所W結(jié)合化U曲變換和特征 投影法來檢測車牌的傾斜角，然后對車牌圖像進行傾斜校正；
[0017] ④車牌字符分割:采用模板匹配，關鍵域和垂直投影法相結(jié)合的方式進行車牌字 符分割；充分利用車牌自身的特征并結(jié)合模板匹配法對車牌進行分割，該方法分割速度快 且能夠有效應對字符粘連、模糊等情況；
[0018] ⑤字符特征提取和歸一化:對不同的字符進行四個側(cè)面掃描提取出字符骨骼累積 統(tǒng)計特征，包括筆畫斜率累積特征、拐點幅度累積特征、輪廓深度累積特征;最后通過固定 粗網(wǎng)格提取字符內(nèi)部像素特征；
[0019] ⑥字符識別：字符識別的基本思想是匹配分類，首先對待識別字符樣本進行特征 提取，將運些特征和預先存儲在字符庫中的一支字符模式集合逐一進行比對，將最接近輸 入字符模式的已知字符作為識別結(jié)果，本方案采用概率神經(jīng)網(wǎng)絡的識別方法；
[0020] 作業(yè)節(jié)點完成任務后向主節(jié)點返回成功消息，消息中包含車牌字符串；
[0021] 4)主節(jié)點將識別出來的車牌字符串返回給客戶端。
[0022] 本發(fā)明的有益效果
[0023] a)本發(fā)明的綜合面積、長寬比W及垂直投影特征值3個因素進行綜合評價分析來 定位車牌區(qū)域，可W消除僅用某一個參數(shù)進行評價所帶來的誤差。
[0024] b)本發(fā)明基于模板匹配和關鍵域的車牌字符分割方法能夠有效應對字符間粘滯 的問題。
[0025] C)本發(fā)明對不同的字符進行四個側(cè)面掃描提取出字符骨骼累積統(tǒng)計特征，有效的 解決了相近字符難W區(qū)分問題。
[00%] d)本發(fā)明系統(tǒng)基于化doop平臺開發(fā)，使用MapReduce編程模型，車牌識別系統(tǒng)的執(zhí) 行效率獲得了大幅度提升。
【附圖說明】
[0027] 圖1為本發(fā)明的基于化doop的分布式車牌識別方法架構圖；
[0028] 圖2為本發(fā)明的車牌識別算法的主要流程；
[0029] 圖3為本發(fā)明的字符筆畫斜率統(tǒng)計點；
[0030] 圖4為本發(fā)明的字符拐點定義；
[0031] 圖5為本發(fā)明的字符輪廓深度特征提??；
[0032] 圖6為本發(fā)明的字符內(nèi)部像素特征提取。
【具體實施方式】
[0033] 下面通過附圖和具體實施方案對本發(fā)明作進一步的詳細說明：
[0034] 參見圖1，W下為具體步驟：
[0035] (1)客戶端向網(wǎng)關發(fā)送車牌識別請求(請求中包含待識別的車牌圖像）；
[0036] (2)網(wǎng)關收到請求后形成識別任務下發(fā)到主節(jié)點上；
[0037] (3)主節(jié)點收到識別任務后，根據(jù)當前作業(yè)節(jié)點的狀態(tài)將包含待識別車牌圖像的 識別子任務發(fā)送給作業(yè)節(jié)點；
[0038] (4)作業(yè)節(jié)點開始車牌識別任務，其主要步驟為：
[0039] ①車牌圖像預處理
[0040] 對抓拍到的車牌圖像利用高斯核進行高斯濾波處理，減小噪聲的影響，然后作灰 度化處理得到灰度圖像。
[0041 ]②車牌定位
[0042] 首先采用Sobel算子進行垂直邊緣的提取，然后利用0STU大律法對經(jīng)過Sobel算子 濾波后的圖像進行二值化處理，再對車牌二值圖像進行形態(tài)學濾波，具體步驟為：1)腐蝕， 選取小模板，濾除點噪聲；2)膨脹融合，通過膨脹使車牌融合會一個整體，使車牌區(qū)域形成 一個連通區(qū)域，再根據(jù)車牌的先驗知識(長寬比相對固定，在二值圖像上字符呈現(xiàn)明暗交替 變化），分別采用面積、長寬比、一級垂直投影特征進行加權綜合來對所得到的連通區(qū)域進 行篩選。給每個特征值乘W-個影響權值，進行加權得出總的置信度值。
[0043]
(1)
[0044] 式中:λι表示各自不同的權值，。表示幾種特征置信度，包括面積S、長寬比PW及垂 直投影特征值Η。
[0045] 面積S是指各矩形區(qū)域內(nèi)非0像素的數(shù)目，在二值圖像上面積越大，為車牌的可能 性越大，因此面積越大，賦予的特征置信度Cl就越大。
[0046] 長寬比P是車牌的一個明顯特征，雖然車牌反映在圖像中的大小不同，由于我國車 牌長寬比相對固定，一般在0.3~0.4之間，因此在圖像中車牌區(qū)域的長寬比也相對固定，所 W越接近真實車牌長寬比的區(qū)域的置信度Cl就越大。
[0047] 垂直投影特征值Η是根據(jù)在二值圖像上車牌字符呈明顯交替變化來確定的。特征 值的計算方法如下：
[004引 (2j
[0049]其中特征值越大就越接近真實車牌，因此賦予的置信度Cl就越大。式中，Lu為垂直 投影直方圖中所有從波谷到波峰的路徑總長度;Ld為直方圖中所有從波峰到波谷的路徑總 長度;bw為圖像的寬度，可消除圖像寬度不同對特征值的影響；1000為規(guī)范化因子。在實際 處理時，設定了一個闊值，用于區(qū)分波峰和波谷，過濾掉一些過低的波峰。
[(K)加]③車牌校正
[0051]由于車牌的上下沿是兩條明顯的平行線，所W結(jié)合化U曲變換和特征投影法來檢 測車牌的傾斜角，然后采用圖像旋轉(zhuǎn)來對車牌圖像進行水平校正，圖像旋轉(zhuǎn)所采用的空間 坐標變換表達式如式(3)所示，設水平傾斜角為α:
[00對
巧）
[0053] 其中，（a,b)為原圖像像素點在新圖像中的坐標。
[0054] ④車牌字符分割
[0055] 對內(nèi)地車牌本身的特征進行分析，可W發(fā)現(xiàn)車牌第二個字符與第Ξ個字符之間的 間距為34cm，而其他字符之間的間距為12cm，僅為前者的1/3。也就是說，第二個與第Ξ個字 符之間的間隔明顯大于其他間隔，所W可W對此間距加 W利用，本文將該間隔稱為關鍵域。 通過關鍵域來分割車牌字符可W分為3步：
[0056] 第一步:通過垂直投影法確定關鍵域所在位置。
[0057] 在垂直投影曲線圖上畫直線y = t虹(其中thr為闊值，按照車牌圖像高度的百分比 給出，本發(fā)明中設為10%)，直線與投影曲線相交，得到一組交點。對交點進行配對:若兩個 交點的相鄰，且兩個交點之間是"波谷"（Gap),則將運兩個交點分為一組，設配對結(jié)果為 [曰1，bl]，[a2，b2]，[曰3，b3]，···，[an，bn]，配對完成后刪除孤立的交點。比較bi-ai的大小， 在取最大值時記錄下標i的值k，運樣相應的分組為[ak，化]，從坐標ak，bk分別向右和向左 捜索％底"得到[Ak，Bk]即為關鍵域。最后，對其他Gap捜索％底"得到[A1，B1]，[A2， B2]，...，[Αη,Βη]。
[005引第二步:定位關鍵域之前兩個字符。
[0059]根據(jù)各Gap的值，先估算出字符的寬度W和Gap的寬度G。由于圖像已經(jīng)去除上下邊 框已經(jīng)馴釘，所WW，G可W根據(jù)圖像的高度Η來估算，估算表達式如式(4)、（5):
[0062] 其中，45為標準車牌中字符寬度，90為高度，12為字符間距(除關鍵域外）。
[0063] 關鍵域前面存在兩個字符即第一位的漢字字符和第二位的字母字符，理想情況下 兩個字符的位置容易確定，根據(jù)垂直投影的結(jié)果分別為[84-2,44-1]，[84-1，44]。如果碰到 漢字"川"或者字符相粘的情況那么上述的方法就行不通了。本發(fā)明在垂直投影法的基礎上 結(jié)合模板匹配，有效的解決了上述的問題。
[0064] 如果關鍵域在所有Gap中排在第一個，則采用模板匹配法對前兩個字符進行分割， 第二個字符(字母位)區(qū)間為[Ak-W，Ak]，第一個字符(漢字位)區(qū)間為[Ak-2 X W-G，Ak-W-G]。
[0065] 如果關鍵域之前僅存在一個字符，判斷該字符(即字母位)是否已通過垂直投影法 正確分割，如果字符寬度Wc滿足式(6)，則字母位分割正確區(qū)間為[Bk-l，Ak]。接著采用模板 匹配法分割漢字位，漢字位區(qū)間為[Bk-1-W-G，趾-1-G]。
[0066] 如果關鍵域存在多個(2個或2個W上）字符，僅有字母位字符滿足式(6)，則上述 相同的方法進行分割。
[0067] 如果關鍵域存在兩個字符，且兩個字符都滿足式(6)，則表示理想情況，采用垂直 投影法的分割結(jié)果。字符區(qū)間分別為[Bk-2，Ak-1 ]，[Bk-1，Ak]。
[0068] 如果上述情況均不符合則直接采用模板匹配法進行分割，兩個字符區(qū)間分別為 [Ak-2 X W-G，Ak-W-G]，[Ak-W，Ak]。
[0069] Wce[0.8XW，1.2XW] (6)
[0070] 第Ξ步:定位關鍵域之后的五個字符。
[0071] 因為需要設及到多個字符粘連的情況，后5個字符的分割相對復雜。運5個字符從 左至右考慮，先分割出第Ξ位、接著第四位，…，直到第屯位。先設定字符計數(shù)器c = 0,每分 割出一個C加1，直到c = 5停止分割。垂直投影法分割出的字符由于粘連可能會出現(xiàn)一個字 符中實際包含了兩個或多個字符。
[0072] 從左至右依次對通過垂直投影法分割出的字符依次考慮其寬度Wc
[007；3]
賄
[0074] 上式用來估計是否存在字符粘連的情況，其中η是通過Wc，W，G估計出的當前字符 中包含的字符的個數(shù)。如果η含2,則根據(jù)當前η的值基于模板匹配法可W對當前字符進行分 害d，原理同Step2,否則，采用垂直投影法的分割結(jié)果。本次分割完成，字符計數(shù)器c = c+n。直 至ljc = 5,整個分割過程結(jié)束。
[0075] 當分割完成字符計數(shù)器C的值仍小于5,說明最后5-C個字符還未分割出來。那么剩 下的5-C個字符采用模板匹配法進行分割，原理同St巧2。
[0076] ⑤字符特征提取和歸一化
[0077] 對不同的字符進行四個側(cè)面掃描提取出字符骨骼累積統(tǒng)計特征，包括筆畫斜率累 積特征、拐點幅度累積特征、輪廓深度累積特征;最后通過固定粗網(wǎng)格提取字符內(nèi)部像素特 征。
[0078] 筆畫斜率累積特征提取字符筆畫是字符的一個非常具有代表性的特征，不同字符 在筆畫數(shù)量，筆畫長短，筆畫形態(tài)是不同的。因此，我們對字符筆畫的斜率累積特征進行了 提取。首先，將筆畫斜率定義為正斜率kpDsitive，負斜率kpDsitive和零斜率kzer。，分別統(tǒng)計正斜 率和負斜率的斜率累積值和零斜率點的累積數(shù)量。運種方法的好處，可W較好地表征字符 的骨架筆畫形態(tài)和筆畫長短的特性。
[0079] 首先定義筆畫斜率特征統(tǒng)計點，當且僅當當前掃描點為像素點并且前一掃描行 檢測到像素點，則當前掃描點為斜率特征統(tǒng)計點，如圖3所示。假設當前掃描點Pi(xi，yi)為 斜率統(tǒng)計點，前一掃描行檢測到的像素點是Pi-l(Xi-l，yi-l)，那么點Pi的斜率k計算由式(8) 得到。正負斜率累積值或零斜率點累積數(shù)量滿足式(9)。
[0080] 分別提取了字符4個偵曬的筆畫斜率累積特征。運里共獲得了 12個特征向量，分別是筆 畫正斜率累積值增,,,,、、A說;。，筆畫負斜率累積值唉U.、增心、輝。<品， 和筆畫零斜率累積數(shù)量嫂1、K款'、構I、域Γ。
[0083] 拐點幅度累積特征提?。?br>[0084] 在字符識別中，字符拐點含義非常豐富的特征信息，在多數(shù)情況下拐點的數(shù)量和 位置直接關系到字符結(jié)構形狀。為了彌補上述筆畫斜率累積特征無法全面地表征字符骨骼 的結(jié)構信息，我們引入了拐點幅度累積特征提取。運里給出拐點的定義:假設當前斜率統(tǒng)計 點Pi(xi，yi)和前一斜率統(tǒng)計點Pi-1對應的斜率ki和ki-1數(shù)值符號不同時，則Pi為一個拐點，并 且該拐點的幅度ω 1，可由式(10)計算得到：
[0085] c〇i=|krki-i| (10)
[0086] 拐點幅度累積δ可由式（11)計算得到，其中T表示所檢測到的拐點的集合。運里共 獲得字符圖片4個側(cè)面的拐點幅度累積值，共4個特征向量，分別為Sieft，St°P，S"ght，sd?n。
[0087]
(山
[0088] 側(cè)面輪廓深度特征提取
[0089] 不同字符在其輪廓上存在明顯的差異，如字符"S"和"U"，字符"S"在左右側(cè)面具有 明顯的凹特征，頂部和底部都比較平緩;而字符"U"的頂部有明顯的凹特征，其它3個側(cè)面輪 廓均比較平緩，只從輪廓特征可W很容易地區(qū)分字符"S"和"U"。因此字符輪廓的凹凸信息 可W作為字符識別的一種有效信息。運里用側(cè)面輪廓深度累積值D表示字符輪廓凹凸程度 信息。W字符右側(cè)面為例，在第i行，從右邊界向左邊界掃描，當遇到第一個像素點時，計算 右邊界到像素點之間的空點數(shù)量di。通過對字符4個側(cè)面的掃描?？蒞提取字符4個側(cè)面的 輪廓深度累積值，共獲得4個特征向量，分別為Dlef t，護ight，，DbDttDn。
[0090] 字符內(nèi)部像素統(tǒng)計特征提取
[0091] 只對字符外圍和骨架或輪廓的特征掃描提取，往往無法很好地區(qū)分一些外圍特征 類似而內(nèi)部特征差異較大的字符。如字符"B"和"護，運兩個字符的外圍輪廓累積特征是非 常接近的，但是其字符內(nèi)部特征有明顯的差異。運里引入字符內(nèi)部像素統(tǒng)計特征提取。如圖 6所示，在字符圖片中劃分兩個粗網(wǎng)格;并計算兩個網(wǎng)格分別包含的像素數(shù)量，共獲得2個特 征向量，分別為Pl，P2。
[0092] ⑥字符識別
[0093] 首先對待識別字符樣本進行特征提取，將運些特征和預先存儲在字符庫中的一支 字符模式集合逐一進行比對，采用概率神經(jīng)網(wǎng)絡的方法將最接近輸入字符模式的已知字符 作為識別結(jié)果。
[0094] 概率神經(jīng)網(wǎng)絡是1990年由Specht提出的一種徑向基函數(shù)（RBF:Radial Basic 化nction)網(wǎng)絡的重要變形。它采用多變量化rzen窗估計不同類的概率密度函數(shù)，W貝葉斯 后驗概率作為輸出，與傳統(tǒng)多層前向網(wǎng)絡相比，無需用BP算法進行反向誤差計算，是完全前 向的計算過程。因此其訓練時間短、結(jié)構穩(wěn)定，具有強大的非線性識別能力，且不易收斂到 局部最小點，特別適合求解模式識別問題。
[00巧]P順的學習算法及步驟：
[0096] 1)確定隱含層神經(jīng)元徑向基函數(shù)中屯、
[0097] 不失一般性，設訓練集樣本輸入矩陣P和輸出矩陣T分別為：
[009引
(12)
[0099] 其中，Pi徒示第j個訓練樣本的第i個輸入變量;ti康示第j個訓練樣本的第i個輸 出變量;R為輸入變量的維數(shù);K為輸出變量的維數(shù)，對應K個類別;Q為訓練集樣本數(shù)。
[0100] 與GRr^N相同，隱含層的每個神經(jīng)元對應一個訓練樣本，即Q個隱含層神經(jīng)元對應的 徑向基函數(shù)中屯、為：
[0101] C = pT (13)
[0102] 2)確定隱含層神經(jīng)元闊值
[0103] 為了簡便起見，Q個隱含層神經(jīng)元對應的闊值為：
[0104] bi=[bii，bi2，...，biQ]T (14)
[0105] 其中，
spread為徑向基函數(shù)的擴展速度。
[0106] 3)確定隱含層與輸出層間的權值
[0107] 當隱含層神經(jīng)元的徑向基函數(shù)中屯、及闊值確定后，隱含層神經(jīng)元的輸出層便可由 下式計算：
[010引日1 = 6邱（-| |c-pi| |2bi),i = l,2,...,Q (15)
[0109]其中，口1=帕1瓜2，。'瓜[?]'''為第：[個訓練樣本向量。
[0110] 與RB巧申經(jīng)網(wǎng)絡不同的是，P順中隱含層與輸出層之間的連接權值W取為訓練集輸 出矩陣，即：
[0111] W=t (16)
[0112] 4)輸出層神經(jīng)元輸出計算
[0113] 當隱含層與輸出層神經(jīng)元間的連接權值確定后，根據(jù)P順的結(jié)構圖便可W計算出 輸出層神經(jīng)元的輸出，即：
[0114] = LW2,ia\ i = 1,2, ···,Q (17)
[011 引 yi = compet(ni),i = l,2,...,0 (18)
[0116] 作業(yè)節(jié)點完成任務后向主節(jié)點（名稱節(jié)點）返回成功消息（消息中包含車牌字符 串）；
[0117] (5)主節(jié)點將識別出來的車牌字符串返回給客戶端。
【主權項】
1. 一種基于Hadoop的分布式車牌識別方法，其特征在于該方法的步驟： 1) 客戶端向網(wǎng)關發(fā)送車牌識別請求，請求中包含待識別的車牌圖像； 2) 網(wǎng)關收到請求后形成識別任務下發(fā)到主節(jié)點上； 3) 主節(jié)點收到識別任務后，根據(jù)當前作業(yè)節(jié)點的狀態(tài)將包含待識別車牌圖像的識別子 任務發(fā)送給作業(yè)節(jié)點;作業(yè)節(jié)點開始車牌識別任務，其主要步驟為： ① 車牌圖像預處理:對抓拍到的車牌圖像進行高斯濾波處理，減小噪聲的影響，然后 作灰度化處理得到灰度圖像； ② 車牌定位:首先利用Sobel算子對包含車牌的圖像進行邊緣檢測，然后進行二值化 處理，再對二值圖像進行形態(tài)學濾波，使車牌區(qū)域形成一個連通區(qū)域，然后根據(jù)車牌的先驗 知識:長寬比相對固定，在二值圖像上字符呈現(xiàn)明暗交替變化，分別采用面積、長寬比、一級 垂直投影特征進行加權綜合來對所得到的連通區(qū)域進行篩選，選定一個最佳的區(qū)域作為牌 照區(qū)域，并將其從圖像中分隔出來； ③ 車牌校正：由于車牌的上下沿是兩條明顯的平行線，所以結(jié)合Hough變換和特征投 影法來檢測車牌的傾斜角，然后對車牌圖像進行傾斜校正； ④ 車牌字符分割:采用模板匹配，關鍵域和垂直投影法相結(jié)合的方式進行車牌字符分 害J;充分利用車牌自身的特征并結(jié)合模板匹配法對車牌進行分割，該方法分割速度快且能 夠有效應對字符粘連、模糊等情況； ⑤ 字符特征提取和歸一化:對不同的字符進行四個側(cè)面掃描提取出字符骨骼累積統(tǒng) 計特征，包括筆畫斜率累積特征、拐點幅度累積特征、輪廓深度累積特征;最后通過固定粗 網(wǎng)格提取字符內(nèi)部像素特征； ⑥ 字符識別：字符識別的基本思想是匹配分類，首先對待識別字符樣本進行特征提 取，將這些特征和預先存儲在字符庫中的一支字符模式集合逐一進行比對，將最接近輸入 字符模式的已知字符作為識別結(jié)果，本方案采用概率神經(jīng)網(wǎng)絡的識別方法； 作業(yè)節(jié)點完成任務后向主節(jié)點返回成功消息，消息中包含車牌字符串； 4 )主節(jié)點將識別出來的車牌字符串返回給客戶端。
【文檔編號】G06K9/34GK105825212SQ201610091465
【公開日】2016年8月3日
【申請日】2016年2月18日
【發(fā)明人】王麗峰, 贠周會, 王欣欣, 葉超, 王旭, 黃江林, 吳斌, 黃亮
【申請人】江西洪都航空工業(yè)集團有限責任公司