專利名稱：車牌字符識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于交通管理和圖像識別技術(shù)領(lǐng)域，尤其涉及一種車牌字符識別方法。
背景技術(shù)：
車牌號碼跟身份證號碼一樣是對車輛進行標識的標記。隨著現(xiàn)代交通管理系統(tǒng)智 能化的快速發(fā)展，車牌識別系統(tǒng)在交通管理系統(tǒng)的各個領(lǐng)域都有廣泛的應(yīng)用。車牌識別系 統(tǒng)的處理流程通常包括圖像采集、圖像預(yù)處理、車牌圖像定位、車牌字符圖像分割和車牌字 符識別這五個部分；其中，圖像采集，是利用交通攝像頭等圖像采集設(shè)備采集含有汽車車牌 的圖像信息；圖像預(yù)處理部分可以在車牌圖像定位、車牌圖像分割兩個部分的之前、之間或 之后進行，主要是對圖像進行去噪濾波、灰度化、二值化等預(yù)處理，用以增強車牌圖像的可 識別性能；車牌圖像定位，是從采集的含有汽車車牌的圖像信息中定位到車牌圖像，并將車 牌圖像抽離出來，以便針對性的進行識別處理；車牌字符圖像分割，是將車牌圖像中含有的 多個字符一一分割開，得到僅含有單個字符的車牌字符圖像，便于后期僅對車牌字符圖像 進行識別而避免了考慮車牌圖像中多個字符之間的排列組合可能性，有助于大幅度降低車 牌識別系統(tǒng)數(shù)據(jù)庫的數(shù)據(jù)冗余度；車牌字符識別，是通過數(shù)學(xué)建模，采用識別算法對分割得 到的車牌字符圖像進行字符識別，從而獲得車牌字符識別結(jié)果。圖像采集、圖像預(yù)處理、車 牌圖像定位、車牌字符圖像分割這幾個部分的技術(shù)處理相對比較簡單，現(xiàn)有技術(shù)中的相關(guān) 處理技術(shù)已經(jīng)能夠較好的滿足其要求。車牌字符識別部分技術(shù)難度較高，也是車牌識別系 統(tǒng)中最重要、最關(guān)鍵的一個部分，由于圖像采集設(shè)備安放位置和拍攝角度等原因，采集到的 汽車車牌圖像中字符的主方向(字符的主方向，是指圖像中字符自身的豎直方向)很可能 是傾斜一定角度的，增加了車牌字符識別的難度，因此車牌字符識別過程中，需要先建立適 宜的描述器對車牌字符圖像加以數(shù)學(xué)描述，以修正車牌字符圖像中字符的主方向，同時要 保證對車牌字符圖像描述的魯棒性，以營造良好的字符識別基礎(chǔ)，再選擇適宜的分類識別 算法對字符進行基于數(shù)據(jù)庫的分類識別。由此可見，描述器處理質(zhì)量的優(yōu)劣將直接影響最 終的字符識別率，因此，如何利用魯棒特征描述方法建立良好的描述器，成為整個車牌識別 系統(tǒng)的技術(shù)核心。目前，已經(jīng)提出的描述器設(shè)計算法有很多，Mikolajczyk等人在文獻“A performance evaluation of local descriptors.IEEE Transactions on Pattern Analysis and Machine Intelligence” (Oct，2005)中詳細的分析對比了各種描述器的性 能。其中，差分不變描述器(可參考文獻“Koenderink J, van Doorn A J. Representation of local ge-ometry in the visual system. Biological Cybernetics，1987，55 (6) 367-375”)的總體性能較差；可調(diào)濾波器(可參考文獻“Freeman W Τ, Adelson EH. The design and use of steerable filters. IEEE Transactions on Pattern Analysis and Machine Intelligence，1991，13 (9) :891_906，，)和梯度矩(可參考文獻 “van Gool LJ, Moons T，Ungureanu D. Affne/photometric invariants for planar intensity patterns. In-Proceedings of the 4th European Conference on Computer Vision.Cam-bridge, England =Springer, 1996. 642-651")雖然設(shè)計簡單，匹配速度快，但是魯 棒性差；形狀上下文(可參考文獻“Belongie S，Malik J, Puzicha J. Shape matching and ob-ject recognition using shape contexts. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24 (4) :509_522”)、復(fù)系數(shù)濾波器(可參考文 獻“Schaffalitzky F,Zisserman A. Multi-view matching for un-ordered image sets, or iHow do I organize my holiday snaps ？, ·In Processing of the 7th European Conference on Computer Vision.Copenhagen, Denmark :Springer,2002. 414-431")等 描述器對圖像的變換不具有較好的魯棒性；相對而言，SIFT描述器(Scale-invariant feature transform，尺度不變特征轉(zhuǎn)換，簡稱SIFT ；可參考文獻“Lowe D G. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 2004,60 (2) :91_110”)可以說是目前最具魯棒性的描述器，但由于其尺度不變特 征點的提取算法的計算復(fù)雜性很高，對計算機處理效率帶來了很大的負面影響，另一方面， SIFT描述器中128維的向量維數(shù)較高，導(dǎo)致匹配運算速度較慢，也進一步惡化了計算機處 理效率，這兩方面的原因都使得SIFT描述器難以滿足車牌字符識別系統(tǒng)的實時性要求。

發(fā)明內(nèi)容
針對現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明基于車牌字符圖像的特點而提供一種 簡化了 SIFT描述器運算步驟的車牌字符識別方法；本發(fā)明的車牌字符識別方法中所采用 的描述器是直接以字符圖像的幾何中心點作為特征點，通過PCA (Principal Component Analysis，主成分分析，簡稱PCA)算法尋找車牌字符圖像中字符的主方向，從而生成字符 特征點的描述子，簡化了圖像特征點的計算復(fù)雜性，有助于提高車牌字符識別的計算機運 算效率，以便更好的滿足實時性要求。為實現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)手段車牌字符識別方法，包括以下步驟A)修正車牌字符圖像中字符的主方向；該步驟具體包括al)預(yù)先將車牌字符圖像的分辨率處理為R行XC列，并設(shè)定灰度閾值Ptl，將車牌 字符圖像中灰度值大于灰度閾值Ptl的像素點判定為字符像素點；a2)以車牌字符圖像的幾何中心點作為原點建立直角坐標系，將車牌字符圖像中 的字符像素點映射到所述直角坐標系中，其坐標映射公式為
權(quán)利要求
1.車牌字符識別方法，其特征在于，包括以下步驟A)修正車牌字符圖像中字符的主方向；該步驟具體包括al)預(yù)先將車牌字符圖像的分辨率處理為R行XC列，并設(shè)定灰度閾值Ptl，將車牌字符 圖像中灰度值大于灰度閾值Ptl的像素點判定為字符像素點；a2)以車牌字符圖像的幾何中心點作為原點建立直角坐標系，將車牌字符圖像中的字 符像素點映射到所述直角坐標系中，其坐標映射公式為 I-CR-IxVa=—^ + c,yvr=—r ；(Xv。，yvr)即為位于車牌字符圖像中第r行第C列的字符像素點在直角坐標系中的坐 標，其中，r e {1，2，· · ·，R}，c e {1,2, ... , C}；a3)以車牌字符圖像中各個字符像素點的坐標構(gòu)建字符坐標矩陣V，用PCA算法計算出 字符坐標矩陣V的特征向量，以最大特征值所對應(yīng)特征向量的方向為車牌字符圖像中字符 的主方向，并求出字符主方向到直角坐標系縱坐標軸的傾斜角度3，取3 e [0,2π)；a4)根據(jù)傾斜角度5對車牌字符圖像進行字符旋轉(zhuǎn)，處理得到字符主方向與圖像豎直方 向相一致且分辨率為R行XC列的正向車牌字符圖像；B)生成描述器；該步驟具體包括bl)以正向車牌字符圖像的幾何中心點作為原點建立直角坐標系，將正向車牌字符圖 像中各個像素點映射到所述直角坐標系中，其坐標映射公式為I-CR-I+ c ,yr=—r ；(X。，yr)即為位于正向車牌字符圖像中第r行第C列的字符像素點在直角坐標系中的 坐標，其中，r e {1，2，· · ·，R}，c e {1，2，· · ·，C}；b2)計算正向車牌字符圖像中第r行第c列像素點的梯度值m(x。，yr)和梯度方向 θ (xc，yr)m(xc,yr) =水P(xc+1 ,λ)-，Λ))2 + ，Λ-))2 ；L 尸(υ)-尸(u)_其中，P 為灰度值符號，P(X。，Yr-!)、(P(x。，yr+1)>P(xc-i; yr)和 Ρ(χ。+1，yr)分別表示與第 r行第c列像素點相鄰的上一個像素點、下一個像素點、左一個像素點和右一個像素點的灰 度值；b3)將正向車牌字符圖像按橫4縱4等分為16個小區(qū)域，其中橫向第i縱向第j個小 區(qū)域的中心點在直角坐標系中的坐標為(x。j，yj，j e {1,2,3,4},i e {1，2，3，4}，橫向相 鄰兩個小區(qū)域的中心點的χ軸向間距為Sx,縱向相鄰兩個小區(qū)域的中心點的y軸向間距為 Sy ；由此計算正向車牌字符圖像中第r行第c列像素點在其所在的橫向第i縱向第j個小 區(qū)域中的位置權(quán)重PWijO^yJ PWij(XcYr) =DcjXDri5其中，A7 = 1 -，D"=1— IΛ C-yjOcj和Dri分別為第r行第C列像素點在其所 在的橫向第i縱向第j個小區(qū)域中的χ軸向位置權(quán)重和ι軸向位置權(quán)重；b4)計算正向車牌字符圖像中第r行第c列像素點的高斯權(quán)重
2.根據(jù)權(quán)利要求1所述的車牌字符識別識別方法，其特征在于，所述分辨率R行XC列 中，R的取值在16 64之間，C的取值在16 64之間。
3.根據(jù)權(quán)利要求1所述的車牌字符識別識別方法，其特征在于，所述灰度閾值Ptl的取 值在150 200之間。
4.根據(jù)權(quán)利要求1所述的車牌字符識別識別方法，其特征在于，所述σ的優(yōu)選取值為 σ = 2SX。
全文摘要
本發(fā)明提供了一種車牌字符識別方法，該方法中所采用的描述器是直接以字符圖像的幾何中心點作為特征點，通過PCA算法尋找車牌字符圖像中字符的主方向，從而生成字符特征點的描述子，相對于現(xiàn)有的SIFT描述器而言，車牌字符圖像中字符的主方向的運算量得以大幅簡化，提高了計算機運算效率，能夠更好的滿足車牌識別系統(tǒng)的實時性要求，并且生成的描述器同時保證了車牌字符圖像的旋轉(zhuǎn)不變性以及抗噪聲和光照影響的能力，具有良好的魯棒性；同時，采用SVM分類算法與本發(fā)明采用的NSIFT描述器相結(jié)合對車牌字符圖像進行字符識別，相對于采用KNN等其它分類算法而言，在不增加分類算法運算復(fù)雜度的前提下具備了更高的識別率。
文檔編號G06K9/54GK102147858SQ201110082300
公開日2011年8月10日 申請日期2011年3月31日 優(yōu)先權(quán)日2011年3月31日
發(fā)明者張小洪, 徐玲, 楊夢寧, 洪明堅 申請人:重慶大學(xué)