技術(shù)特征：

1.一種車牌識別方法，其特征在于，所述方法包括：

獲取待識別車牌圖片的圖片特征信息；

對獲取的圖片特征信息進行歸一化；

將歸一化后的圖片特征信息輸入識別模型中進行識別，得到識別結(jié)果，所述識別結(jié)果包括車牌顏色和車牌類型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將歸一化后的圖片特征信息輸入識別模型中進行識別之前，所述方法還包括：通過以下方法生成識別模型：

提取多個車牌圖片樣本；

按照顏色和車牌類型將車牌圖片分為多個樣本集；

獲取各個樣本集中的每個車牌圖片的圖片特征信息；

對各個樣本集中的每個車牌圖片的圖片特征信息進行歸一化；

分別利用每個樣本集中的圖片特征信息對學習模型進行訓練得到識別模型，所述學習模型為支持向量機SVM模型或BP神經(jīng)網(wǎng)絡模型。

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述圖片特征信息包括：圖片的方差特征、圖片的重心比率特征、車牌連通區(qū)域特征、圖片波峰波谷特征、車牌顏色特征。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述圖片的方差特征X1通過下式確定：

$X1=\frac{1}{w\×h}\underset{x=0,y=0}{\overset{w,h}{\Σ}}{\left(I\right(x,y)-u)}^2;$

其中，I(x,y)為當前像素灰度值；u為待識別車牌圖片的灰度值的均值；w為圖片的寬度值；h為圖片的高度值。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述圖片的重心比率特征通過下式確定：

$X2=\frac{\∫\∫x\×I(x,y)dxdy}{\∫\∫I(x,y)dxdy\×w};$

$X3=\frac{\∫\∫y\×I(x,y)dxdy}{\∫\∫I(x,y)dxdy\×h};$

其中，X2為寬度方向上的重心比率特征；X3為高度方向上的重心比率特征；w為圖片的寬度值；h為圖片的寬度值。

6.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述圖片的連通區(qū)域特征通過以下方法確定：

對圖片進行二值化處理；

統(tǒng)計出滿足預設條件的字符區(qū)域的個數(shù)X4；

所述預設條件包括：

w/4<CW<w/7；

CH>h/2；

其中，CW為字符區(qū)域?qū)挾龋籆H為字符區(qū)域高度；w為圖片的寬度值；h為圖片的高度值。

7.根據(jù)權(quán)利要求4至6其中任一項所述的方法，其特征在于，所述對圖片特征信息進行歸一化包括：

X[i]＝X[i]/(MAX-MIN)；

其中，i為整數(shù)，且i∈[1，6]；MAX為X[i]的最大值；MIN為X[i]的最小值。

8.一種車牌識別裝置，其特征在于，所述裝置包括：獲取模塊、歸一化模塊和輸入模塊；其中，

所述獲取模塊，用于獲取待識別車牌圖片的圖片特征信息；

所述歸一化模塊，用于對獲取的圖片特征信息進行歸一化；

所述輸入模塊，用于將歸一化后的圖片特征信息輸入識別模型中進行識別，得到識別結(jié)果，所述識別結(jié)果包括車牌顏色和車牌類型。

9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述裝置還包括：模型生成模塊，用于在輸入模塊將歸一化后的圖片特征信息輸入識別模型中進行識別之前，生成識別模型；

所述模型生成模塊，包括：

提取子模塊，用于提取多個車牌圖片樣本；

分類子模塊，用于按照顏色和車牌類型將車牌圖片分為多個樣本集；

獲取子模塊，用于獲取各個樣本集中的每個車牌圖片的圖片特征信息；

歸一化子模塊，用于對各個樣本集中的每個車牌圖片的圖片特征信息進行歸一化；

訓練子模塊，用于分別利用每個樣本集中的圖片特征信息對學習模型進行訓練得到識別模型，所述學習模型為支持向量機SVM模型或BP神經(jīng)網(wǎng)絡模型。

10.根據(jù)權(quán)利要求8或9所述的裝置，其特征在于，所述圖片特征信息包括：圖片的方差特征、圖片的重心比率特征、車牌連通區(qū)域特征、圖片波峰波谷特征、車牌顏色特征。