本發(fā)明涉及車(chē)輛技術(shù)領(lǐng)域，特別涉及一種車(chē)牌識(shí)別方法及系統(tǒng)。

背景技術(shù)：

目前，關(guān)于車(chē)輛的車(chē)牌識(shí)別，存在一種基于多特征融合的車(chē)牌字符識(shí)別方法，步驟為：對(duì)視頻中的車(chē)輛進(jìn)行檢測(cè)并對(duì)車(chē)輛中的車(chē)牌進(jìn)行定位與分割；對(duì)分割出的車(chē)牌進(jìn)行投影分析，分割并提取出車(chē)牌中7個(gè)有效字符；對(duì)分割出的字符圖片進(jìn)行形態(tài)學(xué)處理，并提取出車(chē)牌字符的三種特征進(jìn)行有效融合；利用支持向量機(jī)對(duì)融合特征進(jìn)行訓(xùn)練生成車(chē)牌字符分類(lèi)器，對(duì)實(shí)時(shí)視頻中的車(chē)輛車(chē)牌字符進(jìn)行有效識(shí)別。

然而，上述方法中的字符分割算法主要基于垂直投影分割算法，由于車(chē)牌區(qū)域的字符和底色有著強(qiáng)烈的對(duì)比度，以及字符之間有著明顯的間隙，所有車(chē)牌圖像的垂直投影呈現(xiàn)字符為波峰，字符間隙為波谷的現(xiàn)象，找到這些波谷即找到字符的分割點(diǎn)。但是，由于拍攝的圖像受到各種環(huán)境因素的影響，車(chē)牌圖像中會(huì)有較大的噪聲干擾，圖像二值化過(guò)程中會(huì)有部分信息丟失，常常引起字符粘連和字符斷裂，而垂直投影法通常只能分割理想環(huán)境中的車(chē)牌字符，無(wú)法準(zhǔn)確地分割字符粘連和字符斷裂的情況，對(duì)復(fù)雜環(huán)境的適應(yīng)性差，從而導(dǎo)致該方法提取的車(chē)牌字符特征的經(jīng)驗(yàn)性成分偏高，車(chē)牌識(shí)別效果不好。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問(wèn)題之一。為此，本發(fā)明的一個(gè)目的在于提出一種車(chē)牌識(shí)別方法，該方法能夠精確對(duì)車(chē)牌字符的定位和分割，提高車(chē)牌字符識(shí)別率。

本發(fā)明的另一個(gè)目的在于提出一種車(chē)牌識(shí)別系統(tǒng)。

為達(dá)到上述目的，本發(fā)明一方面實(shí)施例提出了一種車(chē)牌識(shí)別方法，包括以下步驟：S1：采集車(chē)輛圖像；S2：對(duì)所述車(chē)輛圖像進(jìn)行濾波，并通過(guò)Canny算子對(duì)所述車(chē)輛圖像進(jìn)行邊緣檢測(cè)以將所述車(chē)輛圖像轉(zhuǎn)換為邊緣二值圖像；S3：掃描所述邊緣二值圖像，以根據(jù)邊緣間距和邊緣跳變得到車(chē)牌候選區(qū)域；S4：根據(jù)車(chē)牌的垂直邊緣特征和形態(tài)學(xué)膨脹從所述車(chē)牌候選區(qū)域中定位車(chē)牌；S5：根據(jù)單個(gè)字符的輪廓特征從所述車(chē)牌中搜索多個(gè)字符，并根據(jù)車(chē)牌模板去除所述多個(gè)字符中的偽字符；S6：利用SVM分類(lèi)器對(duì)所述多個(gè)字符進(jìn)行識(shí) 別，并根據(jù)識(shí)別結(jié)果確定車(chē)輛的車(chē)牌號(hào)碼。

根據(jù)本發(fā)明實(shí)施例提出的車(chē)牌識(shí)別方法，對(duì)采集的車(chē)輛圖像進(jìn)行濾波及邊緣檢測(cè)后得到邊緣二值圖像，然后據(jù)此得到車(chē)牌候選區(qū)域，并在車(chē)牌候選區(qū)域中定位車(chē)牌，并對(duì)車(chē)牌字符進(jìn)行篩選，去除偽字符，最后利用SVM分類(lèi)器對(duì)剩余的字符進(jìn)行識(shí)別，最終確定車(chē)牌號(hào)碼。該方法能夠在復(fù)雜環(huán)境中精確地對(duì)車(chē)牌進(jìn)行定位和字符分割，提高車(chē)牌識(shí)別的識(shí)別率、識(shí)別速度、適應(yīng)性和穩(wěn)定性。

為達(dá)到上述目的，本發(fā)明另一方面實(shí)施例提出了一種車(chē)牌識(shí)別系統(tǒng)，包括：采集模塊，所述采集模塊用于采集車(chē)輛圖像；濾波模塊，所述濾波模塊用于對(duì)所述車(chē)輛圖像進(jìn)行濾波，并通過(guò)Canny算子對(duì)所述車(chē)輛圖像進(jìn)行邊緣檢測(cè)以將所述車(chē)輛圖像轉(zhuǎn)換為邊緣二值圖像；掃描模塊，所述掃描模塊用于掃描所述邊緣二值圖像，以根據(jù)邊緣間距和邊緣跳變得到車(chē)牌候選區(qū)域；定位模塊，所述定位模塊用于根據(jù)車(chē)牌的垂直邊緣特征和形態(tài)學(xué)膨脹從所述車(chē)牌候選區(qū)域中定位車(chē)牌；篩選模塊，所述篩選模塊用于根據(jù)單個(gè)字符的輪廓特征從所述車(chē)牌中搜索多個(gè)字符，并根據(jù)車(chē)牌模板去除所述多個(gè)字符中的偽字符；識(shí)別模塊，所述識(shí)別模塊用于利用SVM分類(lèi)器對(duì)所述多個(gè)字符進(jìn)行識(shí)別，并根據(jù)識(shí)別結(jié)果確定車(chē)輛的車(chē)牌號(hào)碼。

根據(jù)本發(fā)明實(shí)施例提出的車(chē)牌識(shí)別系統(tǒng)，對(duì)采集的車(chē)輛圖像進(jìn)行濾波及邊緣檢測(cè)后得到邊緣二值圖像，然后據(jù)此得到車(chē)牌候選區(qū)域，并在車(chē)牌候選區(qū)域中定位車(chē)牌，并對(duì)車(chē)牌字符進(jìn)行篩選，去除偽字符，最后利用SVM分類(lèi)器對(duì)剩余的字符進(jìn)行識(shí)別，最終確定車(chē)牌號(hào)碼。該系統(tǒng)能夠在復(fù)雜環(huán)境中精確地對(duì)車(chē)牌進(jìn)行定位和字符分割，提高車(chē)牌識(shí)別的識(shí)別率、識(shí)別速度、適應(yīng)性和穩(wěn)定性。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

附圖說(shuō)明

圖1是根據(jù)本發(fā)明一個(gè)實(shí)施例的車(chē)牌識(shí)別方法的流程圖；

圖2是根據(jù)本發(fā)明一個(gè)實(shí)施例的灰度拉伸前后的灰度圖；

圖3是根據(jù)本發(fā)明一個(gè)實(shí)施例的邊緣檢測(cè)和二值化后的圖像；

圖4是根據(jù)本發(fā)明一個(gè)實(shí)施例的字符分類(lèi)示意圖；

圖5是根據(jù)本發(fā)明一個(gè)具體實(shí)施例的適用于小型汽車(chē)、大型汽車(chē)前牌、領(lǐng)館汽車(chē)、軍用汽車(chē)、教練車(chē)港澳出入境車(chē)車(chē)牌示意圖；

圖6是根據(jù)本發(fā)明一個(gè)具體實(shí)施例的適用于大型汽車(chē)后牌、掛車(chē)車(chē)牌示意圖；

圖7是根據(jù)本發(fā)明一個(gè)具體實(shí)施例的適用于使館汽車(chē)車(chē)牌示意圖；

圖8是根據(jù)本發(fā)明一個(gè)具體實(shí)施例的適用于公安汽車(chē)車(chē)牌示意圖；

圖9是根據(jù)本發(fā)明一個(gè)實(shí)施例的字符訓(xùn)練與識(shí)別流程框圖；

圖10是根據(jù)本發(fā)明一個(gè)實(shí)施例的分類(lèi)器組合示意圖；以及

圖11是根據(jù)本發(fā)明一個(gè)實(shí)施例的車(chē)牌識(shí)別系統(tǒng)的結(jié)構(gòu)框圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類(lèi)似的標(biāo)號(hào)表示相同或類(lèi)似的元件或具有相同或類(lèi)似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

下面參考附圖來(lái)描述本發(fā)明實(shí)施例提出的車(chē)牌識(shí)別方法及系統(tǒng)。

圖1是根據(jù)本發(fā)明一個(gè)實(shí)施例的車(chē)牌識(shí)別方法的流程圖。如圖1所示，該剎車(chē)片磨損預(yù)警方法，包括以下步驟：

步驟S1：采集車(chē)輛圖像。在具體示例中，例如通過(guò)攝像頭拍攝得到車(chē)輛圖像。

步驟S2：對(duì)車(chē)輛圖像進(jìn)行濾波，并通過(guò)Canny算子對(duì)車(chē)輛圖像進(jìn)行邊緣檢測(cè)以將車(chē)輛圖像轉(zhuǎn)換為邊緣二值圖像。

步驟S3：掃描邊緣二值圖像，以根據(jù)邊緣間距和邊緣跳變得到車(chē)牌候選區(qū)域。

步驟S4：根據(jù)車(chē)牌的垂直邊緣特征和形態(tài)學(xué)膨脹從車(chē)牌候選區(qū)域中定位車(chē)牌。

步驟S5：根據(jù)單個(gè)字符的輪廓特征從車(chē)牌中搜索多個(gè)字符，并根據(jù)車(chē)牌模板去除多個(gè)字符中的偽字符。

步驟S6：利用SVM分類(lèi)器對(duì)多個(gè)字符進(jìn)行識(shí)別，并根據(jù)識(shí)別結(jié)果確定車(chē)輛的車(chē)牌號(hào)碼。

換言之，本發(fā)明實(shí)施例的車(chē)牌識(shí)別方法，即基于字符邊緣特征的車(chē)牌定位方法，采用粗細(xì)結(jié)合的定位方式，以快速簡(jiǎn)單方法確認(rèn)車(chē)牌候選區(qū)域，以復(fù)雜精確方法定位車(chē)牌區(qū)域，采用灰度圖像處理方式，與顏色無(wú)關(guān)，適用于多種顏色組合的車(chē)牌情況，可以快速有效地定位車(chē)牌，該方法主要包括：車(chē)牌粗定位和車(chē)牌精細(xì)定位兩部分。

1.對(duì)于車(chē)牌的粗定位，兼顧車(chē)牌定位的性能和運(yùn)算速度、車(chē)牌區(qū)域具有明顯的字符特征、車(chē)牌顏色容易受自然環(huán)境光變化影響等因素，因此，本發(fā)明的實(shí)施例采用簡(jiǎn)單的車(chē)牌粗定位方法獲取邊緣密集的車(chē)牌候選區(qū)域。

在本發(fā)明的一個(gè)實(shí)施例中，上述步驟S1進(jìn)一步包括：對(duì)車(chē)輛圖像進(jìn)行高斯濾波，得到車(chē)輛圖像的梯度幅值和梯度方向；對(duì)梯度幅值進(jìn)行非極大值抑制，以確定車(chē)輛圖像的邊緣；利用雙閾值檢測(cè)方法對(duì)車(chē)輛圖像進(jìn)行二值化邊緣提取，以得到第一邊緣圖像和第二邊緣圖像，并根據(jù)第一邊緣圖像和第二邊緣圖像進(jìn)行邊緣連接。作為具體的示例，更為詳細(xì)的描 述即對(duì)圖像進(jìn)行邊緣檢測(cè)，例如采用Canny算子邊緣檢測(cè)，可以檢測(cè)出豐富的邊緣細(xì)節(jié)，又可以有效地減速噪聲的干擾，基本原理如下：

首先，用高斯濾波器平滑圖像。因?yàn)槿魏芜吘墮z測(cè)算法都無(wú)法在未經(jīng)處理的原始圖像上得到比較理想的效果，所以第一步是對(duì)原始圖像做高斯濾波，高斯濾波函數(shù)如下：

G(x,y)＝f(x,y)*H(x,y) (2)

進(jìn)一步地，用一階差分來(lái)計(jì)算梯度的幅值和方向，一階差分卷積模板為選擇對(duì)噪聲有抑制作用的Sobel算子，如下：

則梯度的幅值為：

梯度的方向?yàn)椋?/p>

對(duì)梯度幅值進(jìn)行“非極大值抑制”。因?yàn)榧词沟玫降姆纫矡o(wú)法確定邊緣，邊緣是局部梯度極大值，因此需要對(duì)梯度的幅值進(jìn)行“非極大值抑制”，使檢測(cè)到的實(shí)際邊緣的中心，并且生成細(xì)化的邊緣。非極大值抑制是指在梯度方向上只保留梯度幅值為極大值的點(diǎn)，抑制所有非極大值的點(diǎn)。首先將梯度角的變化范圍縮小到只有四個(gè)方向，標(biāo)號(hào)0到3.對(duì)梯度圖像的每個(gè)像素點(diǎn)使用一個(gè)3x3的模板，將模板的中心像素X的梯度值與沿著梯度方向的兩個(gè)相鄰像素的梯度值比較，如果X的梯度值均小于沿梯度方向的兩個(gè)像素的梯度值，則將X處的灰度值置零。對(duì)梯度圖像進(jìn)行“非極大值抑制”處理后，檢測(cè)到的邊緣只有一個(gè)像素的寬度，提高算法的處理效率。

進(jìn)一步地，進(jìn)行雙閾值檢測(cè)和邊緣連接。具體地，非極大值抑制后，需要對(duì)梯度圖像進(jìn)行二值化邊緣提取。如果用單閾值來(lái)處理，選擇合適的閾值是很困難的，因此，本發(fā)明的實(shí)施例選擇比較有效的方法是選用兩個(gè)閾值，高閾值為T(mén)1，低閾值為T(mén)2。利用高閾值T1對(duì)梯度圖像進(jìn)行二值化，得到強(qiáng)邊緣圖像EdgeImg1(即第一邊緣圖像)；利用低閾值T2對(duì)梯度圖像進(jìn)行二值化，得到弱邊緣二值化圖像EdgeImg2(即第二邊緣圖像)。由于圖像EdgeImg1使用高閾值得到，所以它包含有較少的假邊緣，但是損失了一些有用的邊緣信息；而圖像EdgeImg2使用低閾值得到，保留了更多的邊緣信息，包括更多的假邊緣信息。因此，以邊緣圖像EdgeImg1為基礎(chǔ)，以邊緣圖像EdgeImg2為補(bǔ)充來(lái)連接邊緣。首先，在邊緣圖像EdgeImg1中掃描，當(dāng)遇到一個(gè)非零灰度的像素A時(shí)，跟蹤以A為開(kāi)始點(diǎn)的輪廓線，直 到改線的終點(diǎn)B，接著在邊緣圖像EdgeImg2中比較與邊緣圖像EdgeImg1中B點(diǎn)位置對(duì)應(yīng)的B’點(diǎn)，如果B’點(diǎn)的8鄰域區(qū)域有非零像素C’存在，則在圖像EdgeImg1中對(duì)應(yīng)的C點(diǎn)位置設(shè)為邊緣點(diǎn)。同理，繼續(xù)在邊緣圖像EdgeImg2中尋找并跟蹤以R為起點(diǎn)的邊緣線，如此循環(huán)直到在邊緣圖像EdgeImg1和邊緣圖像EdgeImg2中都沒(méi)有可以相互連接的邊緣點(diǎn)。這樣完成了包含A點(diǎn)的邊緣圖像的連接，并標(biāo)記為已訪問(wèn)過(guò)。然后依次重復(fù)尋找圖像EdgeImg1中的每一個(gè)邊緣線，并且直到在圖像EdgeImg2中再也找不到新的邊緣線為止。

在本發(fā)明的一個(gè)實(shí)施例中，上述步驟S3進(jìn)一步包括：根據(jù)車(chē)牌實(shí)際大小確定車(chē)牌寬度范圍；根據(jù)最小車(chē)牌寬度得到最小邊緣間距；對(duì)邊緣二值圖像進(jìn)行逐行掃描，將邊緣二值圖像中同時(shí)滿足最小邊緣間距和邊緣跳變達(dá)到預(yù)設(shè)次數(shù)的邊緣點(diǎn)進(jìn)行連接，以得到連通域；對(duì)連通域進(jìn)行分析以得到車(chē)牌候選區(qū)域。作為具體的示例，更為詳細(xì)的描述即記性水平跳變檢測(cè)邊緣密集區(qū)域。具體地，經(jīng)過(guò)上述的Canny邊緣檢測(cè)，已經(jīng)把采集到的圖像轉(zhuǎn)換為黑白的邊緣二值圖像，而且Canny算子檢測(cè)到的邊緣非常豐富。由于車(chē)牌區(qū)域含有多個(gè)字符，每個(gè)字符具有豐富的邊緣信息，字符與字符之間存在車(chē)牌底色背景，整體有著鮮明可見(jiàn)的字符區(qū)域和非字符區(qū)域的強(qiáng)烈對(duì)比度，因此對(duì)車(chē)牌邊緣圖像進(jìn)行逐行掃描時(shí)，會(huì)發(fā)現(xiàn)車(chē)牌區(qū)域的灰度值跳變非常劇烈，而且邊緣之間水平距離很小很密集。因此，本發(fā)明的實(shí)施例根據(jù)車(chē)牌實(shí)際大小設(shè)定車(chē)牌寬度范圍，記最小車(chē)牌寬度為minPlateWidth，最大車(chē)牌寬度為maxPlateWidth。由最小車(chē)牌寬度可以計(jì)算出最小字符間距，表示字符邊緣的最小距離要求。為了兼容處理單排車(chē)牌和雙排車(chē)牌，本發(fā)明的實(shí)施例至少要找到五個(gè)字符，因此一個(gè)車(chē)牌寬度內(nèi)至少有十次(即預(yù)設(shè)次數(shù))跳變。進(jìn)一步地，對(duì)二值邊緣圖的每一行進(jìn)行掃描，將同時(shí)滿足邊緣間距和邊緣跳變的邊緣點(diǎn)連接起來(lái)，得到連通域。這樣可以快速檢測(cè)出車(chē)牌可能存在的區(qū)域。

進(jìn)一步地，對(duì)連通域進(jìn)行分析以獲得車(chē)牌候選區(qū)域。其中，首先獲得連通域的最小外接矩形，由車(chē)牌的先驗(yàn)知識(shí)提取可能的車(chē)牌候選區(qū)域，本發(fā)明的實(shí)施例通過(guò)去除Blob內(nèi)部點(diǎn)的方式提取候選區(qū)域輪廓。Blob內(nèi)部點(diǎn)通常滿足3x3的鄰域內(nèi)都有白點(diǎn)。用車(chē)牌的幾何特征粗略篩選出候選區(qū)域，例如圖2所示。

其中，車(chē)牌候選區(qū)域?qū)?yīng)外接矩形的寬度例如為Width：inPlateWidth/2≤Width≤MaxPlateHeight*2；

車(chē)牌候選區(qū)域?qū)?yīng)外接矩形的高度例如為Height：MinPlateHeight/2≤Height≤MaxPlateheight*2；

車(chē)牌候選區(qū)域?qū)?yīng)外接矩形的寬高比例如為Ratio：Ratio>1。

2.對(duì)于車(chē)牌的精確定位。車(chē)牌精細(xì)定位采用相對(duì)復(fù)雜的圖像處理方法，主要利用車(chē)牌的垂直邊緣特征和形態(tài)學(xué)膨脹定位車(chē)牌。

在發(fā)明的一個(gè)實(shí)施例中，步驟S3進(jìn)一步包括：對(duì)車(chē)牌候選區(qū)域進(jìn)行自適應(yīng)灰度拉伸，以調(diào)整車(chē)牌候選區(qū)域的對(duì)比度；檢測(cè)車(chē)牌候選區(qū)域的車(chē)牌字符的垂直邊緣，以得到車(chē)牌的垂直邊緣特征。作為具體的示例，更為詳細(xì)的描述即本發(fā)明實(shí)施例通過(guò)自適應(yīng)灰度拉伸實(shí)現(xiàn)對(duì)圖像的增強(qiáng)，使車(chē)牌區(qū)域的對(duì)比度合適，避免在自然環(huán)境中有強(qiáng)弱不同的光照引起車(chē)牌字符和底色的對(duì)比度變差，難以提取車(chē)牌的紋理現(xiàn)象。需要說(shuō)明的是，如果圖像已經(jīng)有合適的對(duì)比度，則可進(jìn)一步增加其對(duì)比對(duì)；如果圖像的對(duì)比度非常差，則圖像的拉伸范圍不宜設(shè)置過(guò)大，以免造成拉伸過(guò)度。其中，灰度拉伸公式如下：

其中a，b的第一次取值如下：

這里的c(i)為圖像的積累直方圖。根據(jù)(b-a)的取值，設(shè)置拉伸區(qū)域范圍為：

p＝(b-a)/255

a＝a+(b-a)*q

b＝b-(b-a)*q

q根據(jù)動(dòng)態(tài)范圍p進(jìn)行自適應(yīng)設(shè)置：

進(jìn)一步地，使用垂直Sobel算子檢測(cè)車(chē)牌字符的垂直邊緣，得到車(chē)牌的垂直邊緣特征。

進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，步驟S5進(jìn)一步包括：通過(guò)最大類(lèi)間方差法對(duì)邊緣二值化圖像進(jìn)行自適應(yīng)二值化處理；對(duì)自適應(yīng)二值化處理的邊緣二值化圖像進(jìn)行三次掃描，并分別記錄邊緣二值化圖像的邊緣長(zhǎng)度，根據(jù)邊緣長(zhǎng)度去除圖像中的噪聲，其中，第一次掃描記錄從邊緣左上點(diǎn)開(kāi)始計(jì)數(shù)的邊緣長(zhǎng)度，第二次掃描記錄從邊緣右下點(diǎn)開(kāi)始計(jì)數(shù)的邊緣長(zhǎng)度，第三次掃描將第一次和第二次掃描的數(shù)據(jù)相加得到邊緣二值化圖像的邊緣長(zhǎng)度。作為具體的示例，更為詳細(xì)的描述即進(jìn)行圖像進(jìn)行自適應(yīng)二值化，其目的是通過(guò)一個(gè)合適的閾值把圖像分為前景和背景兩部分。具體地，本發(fā)明的實(shí)施例例如采用最大類(lèi)間方差法，其基本思想是：將圖像分為兩部分，一部分為像素灰度值大于等于閾值T的部分，另一部分為像素灰度值小于閾值T的部分，然后計(jì)算這兩部分的平均值方差σ²，也即類(lèi)間方差，通過(guò)迭代求出使類(lèi)間方差σ²最大的閾值T，該閾值即為二值化效果最好的閾值。具體過(guò)程例如為：假設(shè)圖像具有R級(jí)灰度，1,2,3，…，R，設(shè)二值化閾值為T(mén)，把灰度值小于 T的像素分為一類(lèi)C₁＝(0,1,2,…,T)，把灰度值大于T的像素分為另一類(lèi)C₂＝(T+1,T+2,…,R-1)。類(lèi)C₁中的像素總數(shù)占圖像的比例為W₁，平均灰度為M₁(T)；類(lèi)C₂中的像素圖像的比例為W₂，平均灰度為M₂(T)，所有圖像像素的平均灰度為M。

其中，類(lèi)間方差σ²的計(jì)算公式如下：

σ²＝W₁(M₁-M)²+W₂(M₂-M)²，

由于直接運(yùn)用以上公式求取最大類(lèi)間方差法的閾值的計(jì)算量龐大，因此本發(fā)明的實(shí)施例在實(shí)現(xiàn)時(shí)需要簡(jiǎn)化以上公式，得到其等價(jià)的公式：

σ²＝W₁W₂(M₁-M₂)²，

該算法具體步驟如下：

(a)令T＝0；

(b)求出大于T和小于T的這兩類(lèi)的像素總數(shù)占圖像的比例和平均灰度值；

(c)計(jì)算類(lèi)間方差σ²最大值對(duì)應(yīng)的T；

(d)T＝T+1，循環(huán)(a)到(d)；

(e)找到類(lèi)間方差σ²最大值對(duì)應(yīng)的T，即為二值化閾值。

進(jìn)一步地，去除噪聲。由于二值化圖像中含有噪聲，影響車(chē)牌的精確定位。因此，本發(fā)明的實(shí)施例采用的去噪方法需要對(duì)邊緣圖像掃描三次，第一次掃描記錄從邊緣左上點(diǎn)開(kāi)始計(jì)數(shù)的邊緣長(zhǎng)度，第二次掃描記錄從邊緣右下點(diǎn)開(kāi)始計(jì)數(shù)的邊緣長(zhǎng)度，第三次掃描將前兩次的數(shù)據(jù)相加得到邊緣圖像的真實(shí)長(zhǎng)度，然后根據(jù)邊緣長(zhǎng)度除去噪聲。

其中，需要說(shuō)明的是，本發(fā)明上述示例中描述的水平跳變檢測(cè)過(guò)程，不僅可以去除部分偽車(chē)牌，而且還可以估計(jì)車(chē)牌區(qū)域已經(jīng)車(chē)牌高度，為后續(xù)步驟做好準(zhǔn)備。

進(jìn)一步地，利用幾何特征對(duì)定位結(jié)果進(jìn)行篩選：

(1)車(chē)牌候選區(qū)域的Blob面積Area；

(2)車(chē)牌候選區(qū)域的Blob外接矩形的寬度Width；

(3)車(chē)牌候選區(qū)域的Blob外接矩形的高度Height；

(4)車(chē)牌候選區(qū)域的Blob外接矩形的寬高比Ratio；

對(duì)應(yīng)以上幾何特征，當(dāng)拍攝車(chē)牌的場(chǎng)景確定時(shí)，車(chē)牌的幾何特征值在一定范圍內(nèi)：

MinPlateArea≤Area≤MaxPlateArea；

MinPlateWidth≤Width≤MaxPlateWidth；

MinPlateHeight≤Height≤MaxPlateHeight；

MinPlateRatio≤Ratio≤MaxPlateRatio；

作為具體的示例，以下結(jié)合附圖對(duì)本發(fā)明上述實(shí)施例中的車(chē)牌精確定位過(guò)程進(jìn)行詳細(xì)描述。具體地說(shuō)，本發(fā)明的實(shí)施例例如采用基于字符輪廓和模板匹配的字符分割方法來(lái)對(duì) 字符進(jìn)行分割。該方法利用輪廓的空間擴(kuò)展性可以方便地提取各種粘連和斷裂的字符，然后在找到大部分字符的基礎(chǔ)上，利用字符寬度、字符高度和字符間距組成的模板進(jìn)行自適應(yīng)匹配，找到匹配度最佳的模板，利用模板補(bǔ)充缺失字符和去除偽字符，完成字符分割。該字符分割方法具體包括：

針對(duì)復(fù)雜環(huán)境中的車(chē)牌易出現(xiàn)粘連的字符、斷裂的字符和模糊的字符，本發(fā)明的實(shí)施例例如利用單個(gè)字符的輪廓特征來(lái)尋找和確認(rèn)字符，由于輪廓具有空間擴(kuò)展性，對(duì)輪廓的局部區(qū)域搜索，可以對(duì)各種類(lèi)型的粘連和斷裂進(jìn)行估計(jì)，以達(dá)到去除干擾部分，補(bǔ)充字符缺少部分；最后利用字符排列布局的整體特征，用自適應(yīng)模板去除偽字符，補(bǔ)充模糊字符。

其中，車(chē)牌字符特征例如包括輪廓特征和幾何特征。一般來(lái)說(shuō)輪廓特征中，漢字的筆畫(huà)繁多，結(jié)構(gòu)復(fù)雜，輪廓不連續(xù)，輪廓多而密，但也有個(gè)別漢字筆畫(huà)少，輪廓間距較大。對(duì)漢字進(jìn)行分割提取的時(shí)候，往往需要對(duì)漢字的輪廓進(jìn)行聚集，把漢字分散的筆畫(huà)集中起來(lái)，形成一個(gè)整體；英文字母和數(shù)字結(jié)構(gòu)簡(jiǎn)單，輪廓連續(xù)，根據(jù)輪廓的一些相似性，將其分為兩類(lèi)：普通字符和類(lèi)“1”字符。車(chē)牌字符的幾何特征是固定的，車(chē)牌字符有固定的寬高比，字符之間有固定的距離。我國(guó)車(chē)牌有單排號(hào)碼和雙排號(hào)碼兩種排列方式，每種排列方式有其自身的幾何特征：?jiǎn)闻盘?hào)碼含有七個(gè)字符，字符的寬高比為1:2，第二個(gè)字符和第三個(gè)字符間距為34mm，其余相鄰字符之間的間距為12mm；雙排號(hào)碼中，上層含有兩個(gè)字符，字符的寬高比為1.33:1，字符間距為60mm，下層含有五個(gè)字符，字符的寬高比為1:1.83，相鄰字符間距為15mm。

綜上，該基于字符輪廓和模板匹配的字符分割方法，綜合分析復(fù)雜的自然環(huán)境中車(chē)牌可能出現(xiàn)的各種情況，如背光的車(chē)牌對(duì)比度很差、強(qiáng)烈光照下的車(chē)牌有些過(guò)曝、部分污損車(chē)牌的字符斷裂或粘連、速度較快的車(chē)輛的車(chē)牌有些模糊、很多車(chē)牌含有金屬邊框易引起字符與金屬邊框粘連等，可以很好的處理以上常見(jiàn)的不利情況。

進(jìn)一步地，作為具體的例子，以下結(jié)合附圖對(duì)本發(fā)明各個(gè)處理過(guò)程得到的結(jié)果示意圖進(jìn)行展示。

例如，本發(fā)明實(shí)施例采用車(chē)牌精細(xì)定位中的自適應(yīng)灰度拉伸方法，自適應(yīng)灰度拉伸可以有效地增強(qiáng)車(chē)牌區(qū)域的對(duì)比度例如圖2所示，提高邊緣檢測(cè)的準(zhǔn)確率。

進(jìn)一步地，在一些示例中，需要估計(jì)車(chē)牌顏色。車(chē)牌顏色包括車(chē)牌字符顏色和車(chē)牌底色。我國(guó)的車(chē)牌顏色主要有：藍(lán)底白字、黃底黑字、白底黑字、白底紅字。不同顏色組合的車(chē)牌在二值化后，將會(huì)出現(xiàn)白色字符與黑色底色和黑色字符與白色底色兩種二值化結(jié)果，因此，必須首先估計(jì)出車(chē)牌的顏色，然后才能將車(chē)牌的二值化圖像統(tǒng)一為黑色底色與白色字符。本發(fā)明基于HSV顏色空間判斷車(chē)牌顏色。

基于HSV顏色空間的車(chē)牌顏色判斷的原理例如為：首先將RGB圖像轉(zhuǎn)換為HSV圖像， 然后對(duì)圖像上的每個(gè)像素的顏色進(jìn)行判斷，統(tǒng)計(jì)整個(gè)車(chē)牌圖像的顏色分布，然后估計(jì)出車(chē)牌顏色。在HSV空間中，利用V分量可以識(shí)別黑色，用V、S分量可以識(shí)別白色，利用H、S、V分量可以識(shí)別藍(lán)色、黃色和紅色，由于我國(guó)各個(gè)區(qū)域的車(chē)牌顏色深淺并不一致，況且同一個(gè)車(chē)牌在不同的光照條件下，會(huì)有不同的色度和飽和度，因此必須采集各種環(huán)境下的車(chē)牌樣本，對(duì)車(chē)牌顏色進(jìn)行采樣估計(jì)，以確定黑色、白色、藍(lán)色、紅色、黃色在HSV三分量的閾值，本發(fā)明的實(shí)施例通過(guò)采樣估計(jì)，獲取閾值表1所示。

表1

在本發(fā)明的實(shí)施例中，在完成車(chē)牌顏色判斷后，需要將黃底黑字、白底黑字、白底紅字的灰度車(chē)牌圖像進(jìn)行反色；對(duì)灰暗的車(chē)牌圖像附表1的閾值無(wú)法進(jìn)行正確的判斷，本發(fā)明的實(shí)施例同時(shí)對(duì)其進(jìn)行不反色和反色的處理，通過(guò)最后的字符分割結(jié)果來(lái)判斷。

在另一些示例中，例如還包括拉普拉斯邊緣檢測(cè)。由于拉普拉斯邊緣檢測(cè)方法是一個(gè)與邊緣方向無(wú)關(guān)的邊緣算子，本發(fā)明使用拉普拉斯邊緣檢測(cè)可以完整地檢測(cè)出字符邊緣，例如圖3所示。需要說(shuō)明的是，由于拉普拉斯邊緣檢測(cè)只能檢測(cè)黑底白字的灰度圖像的字符邊緣，所以在使用拉普拉斯邊緣檢測(cè)前必須警醒車(chē)牌顏色估計(jì)，這樣才能處理所有類(lèi)型的車(chē)牌。

在進(jìn)行二值化時(shí)，將邊緣圖像檢測(cè)后的車(chē)牌灰度圖進(jìn)行二值化，把邊緣處置為前景，飛邊緣處置為背景。本發(fā)明的實(shí)施例采用經(jīng)典的全局動(dòng)態(tài)二值化方法：OTSU(最大類(lèi)間方差法)算法，即使圖像對(duì)比度比較差，直方圖上的雙峰難以確定，OTSU二值化方法仍然可以取得好的效果，二值化后的車(chē)牌圖例如圖3所示。

在估計(jì)字符高度時(shí)，估計(jì)車(chē)牌字符的尺寸是精確提取字符的關(guān)鍵步驟，由于可以方便地利用車(chē)牌區(qū)域整體字符的橫向跳變特征估計(jì)出字符高度，進(jìn)而根據(jù)字符高寬比估計(jì)出字符的寬度。同時(shí)，此步驟還能去除車(chē)牌的部分上下邊框。

在提取字符時(shí)，在黑底白字的車(chē)牌邊緣圖像中，存在完整的獨(dú)立字符、粘連的字符和斷裂的字符，本發(fā)明實(shí)施例采用分布提取字符的方法，每一步提取后去除相應(yīng)的字符。其中，字符的輪廓蘊(yùn)藏很多信息，每個(gè)字符都有自己獨(dú)特的輪廓，從輪廓的最小外接矩形來(lái)看，字符的尺寸大體可以分為兩類(lèi)，普通字符和類(lèi)“1”字符。

在提取邊緣完整的獨(dú)立普通字符時(shí)，將高度接近估計(jì)的字符高度，并且高寬比接近標(biāo) 準(zhǔn)字符高寬比(2:1)的字符提取到普通字符類(lèi)別中，例如圖5所示。

在分離粘連的字符時(shí)，通常字符的粘連情況有：字符與字符的粘連，字符與上下邊框的粘連，字符與左右邊框的粘連。

對(duì)字符的最小外接矩形寬度是字符估計(jì)寬度的1.5倍以上的情況進(jìn)行處理。具體如下：

A.優(yōu)先處理字符與上下邊框的粘連：這種粘連可能是多個(gè)字符與邊框的粘連，而字符與字符之間存在明顯的間隙，字符的間隙在二值化圖像的垂直方向上為連續(xù)的黑色，其長(zhǎng)度接近或大于字符估計(jì)的高度，找到字符間隙即可分離出字符，例如圖5所示。

B.然后處理字符與字符的粘連，這種情況通常不存在字符之間的空隙，所以只能強(qiáng)行分割。

C.最后處理字符與左右邊框的粘連，左右邊框在二值化圖像的垂直方向上為連續(xù)的白色，去除一部分，降低其影響即可，避免傷及字體部分。

在提取斷裂的字符時(shí)，有些模糊的字符在邊緣檢測(cè)后，部分邊緣是斷裂的，需要對(duì)斷裂的邊緣之間進(jìn)行小范圍區(qū)域生長(zhǎng)，邊緣之間連接成功后，提取滿足普通字符尺寸的字符。

例如，提取“1”、“J”、“T”、“L”。首先提取“1”字符，但是字符“1”可能是字符“J”、“L”、“T”斷裂而產(chǎn)生，因此需要對(duì)“1”字符進(jìn)行空間擴(kuò)展，頂部和底部進(jìn)行區(qū)域生長(zhǎng)搜索，如果滿足“J”、“L”、“T”中的輪廓形狀，將其提取為普通字符；如果滿足“1”輪廓，將其提取為“1”字符，例如圖4所示。

在進(jìn)行二次確認(rèn)時(shí)，在車(chē)牌定位不精確的情況中，車(chē)牌左右的車(chē)體上也許會(huì)出現(xiàn)輪廓尺寸滿足普通字符尺寸的干擾區(qū)域，由于車(chē)牌字符筆畫(huà)較細(xì)，具有在邊緣檢測(cè)再二值化與直接局部二值化的效果相似的特征，這里先將“1”字符外接矩形擴(kuò)展到普通字符大小，對(duì)提取的字符在外接矩形框中做局部的OTSU二值化，并與邊緣二值化圖比較，若相似，則為字符。

由于字符具有鮮明的邊緣輪廓特征，輪廓周?chē)苡锌赡艽嬖谧址?，所以這個(gè)部分盡可能地從輪廓周?chē)鷮ふ液痛_認(rèn)字符，為后續(xù)模板匹配打好基礎(chǔ)。

在進(jìn)行模板匹配時(shí)，在提取字符的步驟中，可能存在部分模糊的字符沒(méi)有被提取出來(lái)，也可能存在提取的字符是偽字符，因此需要利用字符排列的整體特性，尋找沒(méi)有提取的字符以及去除偽字符。

作為具體的示例，以下介紹四種常見(jiàn)的車(chē)牌模板，模板主要由字符高度、字符寬度和字符間距組成，例如圖5、圖6、圖7和圖8所示。本發(fā)明的十四號(hào)里利用車(chē)牌的顏色判斷使用哪一種模板，本示例中，僅以第一種模板為例介紹模板匹配的過(guò)程。

在模板匹配中，首先要獲取車(chē)牌模板的大小，車(chē)牌模板有字符寬度、字符高度、字符間距組成，只需要知道其中一個(gè)值就能通過(guò)三者的比例求取其他兩個(gè)值，本發(fā)明采用由字 符寬度求取字符模板的方式。字符模板匹配僅對(duì)提取到5個(gè)以上字符的情況作處理。由提取到的字符的平均寬度作為基礎(chǔ)，在此基礎(chǔ)上減2，減1，加1，加2，用5個(gè)字符寬度可以得出5個(gè)不同大小的模板，用這5個(gè)不同大小的字符模板在提取到的字符上移動(dòng)作匹配，求出匹配度最大的模板。匹配度最大即為在多種匹配情況中，提取到的字符中心位置與所用模板中對(duì)應(yīng)字符的中心位置偏移總量最小。

最佳匹配度例如為：

σ＝MIN(∑_j≤7|C₁(i)-C₂(i)|)，

上述公式中C₁(i)為提取字符對(duì)應(yīng)的模板字符的中心X坐標(biāo)，C₂(i)為提取字符的中心X坐標(biāo)。

以下詳細(xì)描述本方面實(shí)施的基于SVM分類(lèi)器進(jìn)行字符識(shí)別的過(guò)程，包括SVM的原理、核函數(shù)及其參數(shù)的選擇方法、兩類(lèi)分類(lèi)推廣到多類(lèi)分類(lèi)的方法。選擇區(qū)分效果好的統(tǒng)計(jì)特征和結(jié)構(gòu)特征作為訓(xùn)練和識(shí)別的字符特征，對(duì)于相似字符容易識(shí)別錯(cuò)的問(wèn)題，利用特殊特征進(jìn)行二次識(shí)別，提高整個(gè)系統(tǒng)的字符識(shí)別率。

車(chē)牌識(shí)別的目的就是識(shí)別出車(chē)牌圖像中的字符，經(jīng)過(guò)上述車(chē)牌定位和字符分割后，可以提取車(chē)牌區(qū)域中每個(gè)字符的圖像，本發(fā)明的實(shí)施例基于SVM的字符識(shí)別的三個(gè)基本環(huán)節(jié)是字符預(yù)處理、特征提取、分類(lèi)匹配判決，車(chē)牌字符訓(xùn)練與識(shí)別的基本結(jié)構(gòu)例如如圖9所示。

在進(jìn)行字符歸一化與二值化時(shí)，由于圖像中定位的車(chē)牌大小不一，因此分割處理后的字符大小也不統(tǒng)一，為了便于提取特征，需要把車(chē)牌字符統(tǒng)一成一個(gè)模板大小，由于絕大多數(shù)車(chē)牌字符的高度比是1:2，因此設(shè)定的統(tǒng)一后的字符模板寬20像素，高40像素。通過(guò)對(duì)每個(gè)字符圖像進(jìn)行數(shù)值插值處理，得到歸一化的字符圖像后，本發(fā)明的實(shí)施例采用OTSU二值化方法對(duì)字符圖像進(jìn)行二值化。

在進(jìn)行特征提取時(shí)，字符的特征提取和SVM的模型訓(xùn)練是字符識(shí)別中最重要、最核心的兩個(gè)步驟。本發(fā)明的實(shí)施例提取的特征滿足三個(gè)條件：一是有很強(qiáng)的區(qū)分本類(lèi)別和其他類(lèi)別的能力，也就是要獲得盡量大的類(lèi)間間距；二是對(duì)同類(lèi)別有很好的穩(wěn)定性，也就是要獲得盡量小的類(lèi)內(nèi)距離；三是特征的維數(shù)要盡量小以及提取特征的算法要容易實(shí)現(xiàn)。本發(fā)明選用的特征有：投影特征、網(wǎng)格特征、內(nèi)外輪廓特征、拓?fù)涮卣?、幾何矩特征、占空比特征和跳變特征?/p>

在進(jìn)行分類(lèi)器組合時(shí)，在車(chē)牌字符的排列布局中，第一個(gè)字符一般為漢字，第二個(gè)字符一般為英文，其余五個(gè)字符為英文或數(shù)字。為了提高字符識(shí)別準(zhǔn)確率，本發(fā)明使用三種分類(lèi)器，分別為漢字分類(lèi)器，英文分類(lèi)器和英文和數(shù)字分類(lèi)器，例如圖10所示。

在選擇多分類(lèi)方法時(shí)，SVM本質(zhì)上只是一個(gè)兩分類(lèi)分類(lèi)器，而車(chē)牌字符有幾十個(gè)，車(chē) 牌的字符識(shí)別屬于一個(gè)多分類(lèi)的問(wèn)題，因此本發(fā)明的實(shí)施例把SVM兩分類(lèi)方法推廣到多分類(lèi)方法。本發(fā)明的實(shí)施例為每個(gè)可能的分類(lèi)組合構(gòu)造一個(gè)二值分類(lèi)器，使用一對(duì)多的方法通過(guò)組合多個(gè)二值分類(lèi)器來(lái)構(gòu)造多值分類(lèi)網(wǎng)絡(luò)。

例如，把K類(lèi)訓(xùn)練樣本構(gòu)造出K個(gè)兩類(lèi)分類(lèi)器，第i個(gè)SVM分類(lèi)器的正樣本為第i類(lèi)樣本，負(fù)樣本為其他所有的樣本，然后求得所有兩類(lèi)分類(lèi)器的判決函數(shù)。最終分類(lèi)結(jié)果為判決函數(shù)處處的最大的那個(gè)類(lèi)別。

本發(fā)明的實(shí)施例采用徑向基RBF核函數(shù)，RBF可以將樣本映射到一個(gè)更高維數(shù)的空間，與線性和函數(shù)不同，他可以處理類(lèi)別標(biāo)簽和特征之間的關(guān)系是非線性的樣本，并且線性核函數(shù)只是RBF的一個(gè)特例，Keerthi等證明一個(gè)具有懲罰參數(shù)C的線性核函數(shù)與參數(shù)(C,σ)的RBF具有相同的性能。RBF比多項(xiàng)式核函數(shù)需要更少的參數(shù)，減少模型的復(fù)雜度，另外，隨著多項(xiàng)式核函數(shù)的階數(shù)的增大，數(shù)值計(jì)算的復(fù)雜度遠(yuǎn)遠(yuǎn)大于RBF。

徑向基(RBF)核函數(shù)主要確定懲罰因子C和參數(shù)σ。其中C控制著使間隔margin最大且錯(cuò)誤率最小的折中，就是在確定的特征空間中調(diào)節(jié)學(xué)習(xí)機(jī)器的置信范圍和經(jīng)驗(yàn)風(fēng)險(xiǎn)的比例；而σ²是RBF核函數(shù)參數(shù)，主要影響樣本數(shù)據(jù)在高維特征空間中分布的復(fù)雜程度。因此分類(lèi)器的好壞取決于參數(shù)C、σ的確定。參數(shù)選擇的好壞直接影響到分類(lèi)器性能的好壞，但這方面目前缺乏理論指導(dǎo)，沒(méi)有合適的方法，傳統(tǒng)的參數(shù)選取都是通過(guò)反復(fù)的試驗(yàn)，人工選取令人滿意的解。這種方法需要技術(shù)人員的經(jīng)驗(yàn)指導(dǎo)，并且需要付出較高的時(shí)間代價(jià)。本發(fā)明的實(shí)施例通過(guò)網(wǎng)格法選擇參數(shù)，具體如下：

選取U個(gè)C和V個(gè)σ²，就會(huì)有UxV的組合狀態(tài)，每種組合狀態(tài)對(duì)應(yīng)一種SVM分類(lèi)器，通過(guò)測(cè)試對(duì)比，找出推廣識(shí)別率最高的C和σ²組合。一般選取U＝V＝15，C取值分別為[2^-2,2^-1,…,2¹¹,2¹²]，σ²取值分別為[2^-5,2^-4,…,2⁸,2⁹]，共255個(gè)C、σ²組合。

綜上，本發(fā)明的實(shí)施例通過(guò)基于字符輪廓和模板匹配的字符分割方法，利用輪廓的空間擴(kuò)展性可以方便的提取各種粘連和斷裂的字符，然后在找到大部分字符的基礎(chǔ)上，利用字符寬度、字符高度和字符間距組成的模板進(jìn)行自適應(yīng)匹配，找到匹配度最佳的模板，利用模板補(bǔ)充缺失字符和去除偽字符，更高效精確地完成字符分割；另外，采用SVM分類(lèi)器進(jìn)行字符識(shí)別，選取更合理的核函數(shù)和參數(shù)，將兩類(lèi)分類(lèi)推廣到多類(lèi)分類(lèi)。選擇區(qū)分效果好的統(tǒng)計(jì)特征和結(jié)構(gòu)特征作為訓(xùn)練和識(shí)別的字符特征，對(duì)于相似字符容易識(shí)別錯(cuò)的問(wèn)題，利用特殊特征進(jìn)行二次識(shí)別，提高整個(gè)系統(tǒng)的字符識(shí)別率。

根據(jù)本發(fā)明實(shí)施例提出的車(chē)牌識(shí)別方法，對(duì)采集的車(chē)輛圖像進(jìn)行濾波及邊緣檢測(cè)后得到邊緣二值圖像，然后據(jù)此得到車(chē)牌候選區(qū)域，并在車(chē)牌候選區(qū)域中定位車(chē)牌，并對(duì)車(chē)牌字符進(jìn)行篩選，去除偽字符，最后利用SVM分類(lèi)器對(duì)剩余的字符進(jìn)行識(shí)別，最終確定車(chē)牌 號(hào)碼。該方法能夠在復(fù)雜環(huán)境中精確地對(duì)車(chē)牌進(jìn)行定位和字符分割，提高車(chē)牌識(shí)別的識(shí)別率、識(shí)別速度、適應(yīng)性和穩(wěn)定性。

本發(fā)明的進(jìn)一步實(shí)施例還提供了一種車(chē)牌識(shí)別系統(tǒng)。

圖11是根據(jù)本發(fā)明一個(gè)實(shí)施例的車(chē)牌識(shí)別系統(tǒng)的結(jié)構(gòu)框圖。如圖11所示，該系統(tǒng)100包括：采集模塊110、濾波模塊120、掃描模塊130、定位模塊140、篩選模塊150和識(shí)別模塊160。

其中，采集模塊110用于采集車(chē)輛圖像。濾波模塊120用于對(duì)車(chē)輛圖像進(jìn)行濾波，并通過(guò)Canny算子對(duì)車(chē)輛圖像進(jìn)行邊緣檢測(cè)以將車(chē)輛圖像轉(zhuǎn)換為邊緣二值圖像。掃描模塊130用于掃描邊緣二值圖像，以根據(jù)邊緣間距和邊緣跳變得到車(chē)牌候選區(qū)域。定位模塊140用于根據(jù)車(chē)牌的垂直邊緣特征和形態(tài)學(xué)膨脹從車(chē)牌候選區(qū)域中定位車(chē)牌。篩選模塊150用于根據(jù)單個(gè)字符的輪廓特征從車(chē)牌中搜索多個(gè)字符，并根據(jù)車(chē)牌模板去除多個(gè)字符中的偽字符。識(shí)別模塊160用于利用SVM分類(lèi)器對(duì)多個(gè)字符進(jìn)行識(shí)別，并根據(jù)識(shí)別結(jié)果確定車(chē)輛的車(chē)牌號(hào)碼。因此，該系統(tǒng)100能夠精確對(duì)車(chē)牌進(jìn)行定位和字符分割，提高車(chē)牌字符識(shí)別率。

在本發(fā)明的一個(gè)實(shí)施例中，濾波模塊120例如用于對(duì)車(chē)輛圖像進(jìn)行高斯濾波，得到車(chē)輛圖像的梯度幅值和梯度方向，并對(duì)梯度幅值進(jìn)行非極大值抑制，以確定車(chē)輛圖像的邊緣，并利用雙閾值檢測(cè)方法對(duì)車(chē)輛圖像進(jìn)行二值化邊緣提取，以得到第一邊緣圖像和第二邊緣圖像，并根據(jù)第一邊緣圖像和第二邊緣圖像進(jìn)行邊緣連接。

在本發(fā)明的一個(gè)實(shí)施例中，掃描模塊130例如用于根據(jù)車(chē)牌實(shí)際大小確定車(chē)牌寬度范圍，并根據(jù)最小車(chē)牌寬度得到最小邊緣間距，并對(duì)邊緣二值圖像進(jìn)行逐行掃描，將邊緣二值圖像中同時(shí)滿足最小邊緣間距和邊緣跳變達(dá)到預(yù)設(shè)次數(shù)的邊緣點(diǎn)進(jìn)行連接，以得到連通域，并對(duì)連通域進(jìn)行分析以得到車(chē)牌候選區(qū)域。

在本發(fā)明的一個(gè)實(shí)施例中，定位模塊140例如用于對(duì)車(chē)牌候選區(qū)域進(jìn)行自適應(yīng)灰度拉伸，以調(diào)整車(chē)牌候選區(qū)域的對(duì)比度，并檢測(cè)車(chē)牌候選區(qū)域的車(chē)牌字符的垂直邊緣，以得到車(chē)牌的垂直邊緣特征。

在本發(fā)明的一個(gè)實(shí)施例中，篩選模塊150例如用于通過(guò)最大類(lèi)間方差法對(duì)邊緣二值化圖像進(jìn)行自適應(yīng)二值化處理，并對(duì)自適應(yīng)二值化處理的邊緣二值化圖像進(jìn)行三次掃描，并分別記錄邊緣二值化圖像的邊緣長(zhǎng)度，根據(jù)邊緣長(zhǎng)度去除圖像中的噪聲，其中，第一次掃描記錄從邊緣左上點(diǎn)開(kāi)始計(jì)數(shù)的邊緣長(zhǎng)度，第二次掃描記錄從邊緣右下點(diǎn)開(kāi)始計(jì)數(shù)的邊緣長(zhǎng)度，第三次掃描將第一次和第二次掃描的數(shù)據(jù)相加得到邊緣二值化圖像的邊緣長(zhǎng)度。

需要說(shuō)明的是，本發(fā)明實(shí)施例的車(chē)牌識(shí)別系統(tǒng)的具體實(shí)現(xiàn)方式與本發(fā)明實(shí)施例的車(chē)牌識(shí)別方法的具體實(shí)現(xiàn)方式類(lèi)似，具體請(qǐng)參見(jiàn)方法部分的描述，為了減少冗余，此處不做贅述。

綜上，根據(jù)本發(fā)明實(shí)施例提出的車(chē)牌識(shí)別系統(tǒng)，對(duì)采集的車(chē)輛圖像進(jìn)行濾波及邊緣檢測(cè)后得到邊緣二值圖像，然后據(jù)此得到車(chē)牌候選區(qū)域，并在車(chē)牌候選區(qū)域中定位車(chē)牌，并對(duì)車(chē)牌字符進(jìn)行篩選，去除偽字符，最后利用SVM分類(lèi)器對(duì)剩余的字符進(jìn)行識(shí)別，最終確定車(chē)牌號(hào)碼。該系統(tǒng)能夠在復(fù)雜環(huán)境中精確地對(duì)車(chē)牌進(jìn)行定位和字符分割，提高車(chē)牌識(shí)別的識(shí)別率、識(shí)別速度、適應(yīng)性和穩(wěn)定性。

在本發(fā)明的描述中，需要理解的是，術(shù)語(yǔ)“中心”、“縱向”、“橫向”、“長(zhǎng)度”、“寬度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內(nèi)”、“外”、“順時(shí)針”、“逆時(shí)針”、“軸向”、“徑向”、“周向”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡(jiǎn)化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明的限制。

此外，術(shù)語(yǔ)“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個(gè)該特征。在本發(fā)明的描述中，“多個(gè)”的含義是至少兩個(gè)，例如兩個(gè)，三個(gè)等，除非另有明確具體的限定。

在本發(fā)明中，除非另有明確的規(guī)定和限定，術(shù)語(yǔ)“安裝”、“相連”、“連接”、“固定”等術(shù)語(yǔ)應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或成一體；可以是機(jī)械連接，也可以是電連接；可以是直接相連，也可以通過(guò)中間媒介間接相連，可以是兩個(gè)元件內(nèi)部的連通或兩個(gè)元件的相互作用關(guān)系，除非另有明確的限定。對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語(yǔ)在本發(fā)明中的具體含義。

在本發(fā)明中，除非另有明確的規(guī)定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接觸，或第一和第二特征通過(guò)中間媒介間接接觸。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或僅僅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或僅僅表示第一特征水平高度小于第二特征。

在本說(shuō)明書(shū)的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不必須針對(duì)的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說(shuō)明書(shū)中描述的不同實(shí)施例或示例以及不同實(shí)施例或示例的特征進(jìn)行結(jié)合和組合。

盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對(duì)本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對(duì)上述實(shí)施例進(jìn)行變化、修改、替換和變型。