本發(fā)明涉及智能交通領(lǐng)域，具體涉及一種基于視頻的車牌識(shí)別方法。

背景技術(shù)：

智能交通得到越來越廣泛的應(yīng)用，已經(jīng)成為交通管理系統(tǒng)不可缺少的一部分，它是通過視頻監(jiān)控系統(tǒng)得到的道路監(jiān)控視頻利用計(jì)算機(jī)視覺技術(shù)對(duì)道路狀況進(jìn)行自動(dòng)分析。

車牌識(shí)別技術(shù)是智能交通里非常重要的一部分，應(yīng)用于交通管理系統(tǒng)、車輛出入管理系統(tǒng)等領(lǐng)域。

目前車牌識(shí)別的算法有很多，大致可以分為基于模板匹配、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)三類方法：基于模板匹配的方法計(jì)算速度快，但是對(duì)低分辨率圖像以及傾斜的車牌識(shí)別率較低；基于神經(jīng)網(wǎng)絡(luò)的方法在樣本量不充足的條件下容易造成局部假飽和的情況，字符識(shí)別率很難達(dá)到很高的程度；SVM基于統(tǒng)計(jì)學(xué)習(xí)，在有限樣本的情況下，訓(xùn)練得到最小的誤差，在高維空間建立一個(gè)最優(yōu)分類超平面，使正負(fù)樣本的特征向量與超平面的距離最大化，SVM在小樣本的限制下具有很好的適應(yīng)性，在處理高維模式識(shí)別時(shí)也具有很大的優(yōu)勢(shì)。

然而，目前并沒有基于視頻的適合處理多幀聯(lián)合圖像的車牌識(shí)別方法，限制了車牌識(shí)別的發(fā)展。

基于以上所述，提供一種能夠結(jié)合多幀聯(lián)合的直方圖特征和SVM分類器的車牌識(shí)別方法實(shí)屬必要。

技術(shù)實(shí)現(xiàn)要素：

鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種基于視頻的車牌識(shí)別方法，以實(shí)現(xiàn)一種能夠結(jié)合多幀聯(lián)合的直方圖特征和SVM分類器的車牌識(shí)別方法。

為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本發(fā)明提供一種基于視頻的車牌識(shí)別方法，包括步驟：1)在道路上設(shè)定一個(gè)檢測(cè)區(qū)域，在檢測(cè)區(qū)域中設(shè)置一道虛擬觸發(fā)線；2)當(dāng)虛擬觸發(fā)線觸發(fā)時(shí)，先對(duì)相應(yīng)區(qū)域進(jìn)行粗定位，然后基于方向梯度直方圖HOG特征和SVM分類器進(jìn)行車牌鑒定真?zhèn)危?)取連續(xù)多幀的車牌圖片利用投影法進(jìn)行字符分割，每個(gè)字符歸一化后提取HOG特征，獲取不同車牌圖片對(duì)應(yīng)字符特征間的L1-BRD距離；4)算出每個(gè)字符的權(quán)重，得出多幀加權(quán)的特征，將此作為字符識(shí)別的特征；5)結(jié)合多分類的SVM分類器對(duì)車牌字符進(jìn)行識(shí)別。

作為本發(fā)明的基于視頻的車牌識(shí)別方法的一種優(yōu)選方案，步驟2)中，判斷觸發(fā)線觸發(fā)包括步驟：于檢測(cè)區(qū)域前上方安裝攝像頭采集視頻，對(duì)每幀圖像進(jìn)行灰度化處理，取觸發(fā)線上相鄰兩幀圖像的灰度值，做差求絕對(duì)值的和，若大于預(yù)設(shè)閾值，則判定有物體經(jīng)過檢測(cè)區(qū)域。

作為本發(fā)明的基于視頻的車牌識(shí)別方法的一種優(yōu)選方案，步驟2)對(duì)車牌區(qū)域進(jìn)行粗定位包括步驟：第一步，在檢測(cè)區(qū)域內(nèi)提取出候選車牌區(qū)域，對(duì)圖像進(jìn)行高斯濾波，降低噪聲影響，然后進(jìn)行灰度化得到灰度圖像；第二步，對(duì)得到的灰度圖像進(jìn)行二值化得到二值圖像；第三步，對(duì)二值圖像進(jìn)行形態(tài)學(xué)的閉操作；第四步，對(duì)二值圖像進(jìn)行連通域標(biāo)記；第五步，對(duì)標(biāo)記的每個(gè)連通域取最小外接矩形，計(jì)算出矩形偏轉(zhuǎn)角度，并篩選出角度偏轉(zhuǎn)在預(yù)設(shè)角度內(nèi)的矩形區(qū)域；第六步，計(jì)算第五步所篩選出的矩形區(qū)域的寬高比，并篩選出高寬比在預(yù)設(shè)范圍內(nèi)的矩形區(qū)域；第七步，通過旋轉(zhuǎn)將第六步篩選出的矩形區(qū)域調(diào)整為水平，該矩形區(qū)域?qū)?yīng)原圖像即為車牌區(qū)域。

作為本發(fā)明的基于視頻的車牌識(shí)別方法的一種優(yōu)選方案，步驟2)中，基于HOG特征和SVM分類器對(duì)粗定位的車牌進(jìn)行鑒定真?zhèn)?，包括步驟：第一步，對(duì)車牌區(qū)域進(jìn)行尺寸歸一化處理；第二步，基于機(jī)器自學(xué)習(xí)的方法訓(xùn)練SVM分類器，使其能基于車牌區(qū)域的HOG特征識(shí)別車牌的真?zhèn)?；第三步，基于?xùn)練好的SVM分類器得對(duì)車牌鑒定鑒定真?zhèn)巍?/p>

作為本發(fā)明的基于視頻的車牌識(shí)別方法的一種優(yōu)選方案，步驟3)對(duì)定位到的車牌利用投影法進(jìn)行字符分割，包括步驟：第一步，對(duì)車牌區(qū)域進(jìn)行灰度化，獲得灰度圖像；第二步，對(duì)灰度圖像進(jìn)行二值化，獲得二值圖像；第三步，統(tǒng)計(jì)所述二值圖像中白像素點(diǎn)數(shù)Num1及黑像素點(diǎn)數(shù)Num2，若Num1>Num2，對(duì)二值圖像取反色；第四步，在垂直方向上向下投影，統(tǒng)計(jì)每列的白色像素點(diǎn)的數(shù)目，得到灰度統(tǒng)計(jì)直方圖，然后從左向右掃描，記錄白色像素點(diǎn)數(shù)大于閾值的橫坐標(biāo)值，得到m個(gè)連續(xù)的線段，然后對(duì)圖像進(jìn)行切割得到m個(gè)含有字符的圖像塊；第五步，對(duì)每一個(gè)字符的圖像塊，在水平方向進(jìn)行投影，統(tǒng)計(jì)每行的白色像素點(diǎn)數(shù)，得到每一行的灰度統(tǒng)計(jì)直方圖，從上至下掃描，記錄像素點(diǎn)數(shù)大于閾值的行，將小于閾值的行切割掉，得到分割好的m個(gè)字符，其中，m為自然數(shù)，且m＝3～10。

進(jìn)一步地，步驟3)中獲取不同車牌圖片對(duì)應(yīng)字符特征間的L1-BRD距離包括：記錄兩幀得到車牌的中心坐標(biāo)，若距離在一定閾值內(nèi)，則記錄為統(tǒng)一車牌bin-to-bin距離描述兩個(gè)直方圖相應(yīng)的bin之間的距離，設(shè)表示目前統(tǒng)計(jì)到的直方圖，共n個(gè)bin，h_i表示第i個(gè)bin的值，取得k幀車牌后，字符分割后，分別得到k組字符集合，每組含有m個(gè)字符，算出k組字符兩兩之間的L1-BRD距離d_i,j,i,j∈[1,k]；取可得到距離矩陣D，計(jì)算L1-BRD如式(1)：

進(jìn)一步地，步驟4)包括：

計(jì)算距離矩陣D如式(2)：

將每組對(duì)應(yīng)字符的特征與所有字符特征間距離的平方和與所有距離的平方和的比值作為該字符的權(quán)值，對(duì)應(yīng)位置的k個(gè)字符特征h_i,i∈[1,k]，可以得到k幀加權(quán)直方圖特征h，如式(3)、(4)、(5)：

作為本發(fā)明的基于視頻的車牌識(shí)別方法的一種優(yōu)選方案，步驟5)中，多分類的SVM分類器采用SVM分類器對(duì)第N類和其它N-1類樣本構(gòu)建超平面，通過一對(duì)一的方法來確定所有樣本的正負(fù)。

如上所述，本發(fā)明的基于視頻的車牌識(shí)別方法，具有以下有益效果：

本發(fā)明將基于多幀加權(quán)的直方圖特征和多分類SVM分類器進(jìn)行結(jié)合后對(duì)車牌字符進(jìn)行識(shí)別，本發(fā)明的方法可以有效消除單幀車牌字符在分割或噪聲造成的影響，提高車牌字符識(shí)別的準(zhǔn)確率。本發(fā)明步驟簡(jiǎn)單，效果顯著，在智能交通領(lǐng)域具有廣泛的應(yīng)用前景。

附圖說明

圖1顯示為本發(fā)明的基于視頻的車牌識(shí)別方法步驟1)所呈現(xiàn)的結(jié)構(gòu)示意圖。

圖2顯示為本發(fā)明的基于視頻的車牌識(shí)別方法的步驟流程示意圖。

元件標(biāo)號(hào)說明

S11～S15 步驟1)～步驟5)

具體實(shí)施方式

以下通過特定的具體實(shí)例說明本發(fā)明的實(shí)施方式，本領(lǐng)域技術(shù)人員可由本說明書所揭露的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)點(diǎn)與功效。本發(fā)明還可以通過另外不同的具體實(shí)施方式加以實(shí)施或應(yīng)用，本說明書中的各項(xiàng)細(xì)節(jié)也可以基于不同觀點(diǎn)與應(yīng)用，在沒有背離本發(fā)明的精神下進(jìn)行各種修飾或改變。

請(qǐng)參閱圖1～圖2。需要說明的是，本實(shí)施例中所提供的圖示僅以示意方式說明本發(fā)明的基本構(gòu)想，遂圖示中僅顯示與本發(fā)明中有關(guān)的組件而非按照實(shí)際實(shí)施時(shí)的組件數(shù)目、形狀及尺寸繪制，其實(shí)際實(shí)施時(shí)各組件的型態(tài)、數(shù)量及比例可為一種隨意的改變，且其組件布局型態(tài)也可能更為復(fù)雜。

如圖1～圖2所示，本實(shí)施例提供一種基于視頻的車牌識(shí)別方法，包括步驟：

如圖1～圖2所示，首先進(jìn)行步驟1)S11，在道路上設(shè)定一個(gè)檢測(cè)區(qū)域A，在檢測(cè)區(qū)域中設(shè)置一道虛擬觸發(fā)線L。

如圖1所示，然后進(jìn)行步驟2)S12，當(dāng)虛擬觸發(fā)線觸發(fā)時(shí)，先對(duì)相應(yīng)區(qū)域進(jìn)行粗定位，然后基于方向梯度直方圖HOG特征和SVM分類器進(jìn)行車牌鑒定真?zhèn)巍?/p>

作為示例，判斷觸發(fā)線觸發(fā)包括步驟：于檢測(cè)區(qū)域前上方安裝攝像頭采集視頻，對(duì)每幀圖像進(jìn)行灰度化處理，取觸發(fā)線上相鄰兩幀圖像的灰度值，做差求絕對(duì)值的和，若大于預(yù)設(shè)閾值，則判定有物體經(jīng)過檢測(cè)區(qū)域，即虛擬觸發(fā)線觸發(fā)。

作為示例，對(duì)車牌區(qū)域進(jìn)行粗定位包括步驟：第一步，在檢測(cè)區(qū)域內(nèi)提取出候選車牌區(qū)域，對(duì)圖像進(jìn)行高斯濾波，降低噪聲影響，然后進(jìn)行灰度化得到灰度圖像；第二步，對(duì)得到的灰度圖像進(jìn)行二值化得到二值圖像；第三步，對(duì)二值圖像進(jìn)行形態(tài)學(xué)的閉操作；第四步，對(duì)二值圖像進(jìn)行連通域標(biāo)記；第五步，對(duì)標(biāo)記的每個(gè)連通域取最小外接矩形，計(jì)算出矩形偏轉(zhuǎn)角度，并篩選出角度偏轉(zhuǎn)在預(yù)設(shè)角度內(nèi)的矩形區(qū)域；第六步，計(jì)算第五步所篩選出的矩形區(qū)域的寬高比，并篩選出高寬比在預(yù)設(shè)范圍內(nèi)的矩形區(qū)域；第七步，通過旋轉(zhuǎn)將第六步篩選出的矩形區(qū)域調(diào)整為水平，該矩形區(qū)域?qū)?yīng)原圖像即為車牌區(qū)域。

具體地，包括：

步驟2-1)，已知車牌有大量邊緣信息，而車輛又具有很多水平的邊緣，為提取出車牌區(qū)域，避免車體的其他區(qū)域干擾，使用sobel邊緣檢測(cè)算子，對(duì)圖像水平方向求導(dǎo)，可得垂直方向邊緣。

步驟2-2)，對(duì)步驟2-1)得到灰度圖像用OSTU法進(jìn)行二值化。

步驟2-3)，得到二值圖像后，為了后續(xù)用連通域獲得車牌區(qū)域，需要讓邊緣區(qū)域連通起來，所以對(duì)二值圖像進(jìn)行形態(tài)學(xué)的閉操作。

步驟2-4)，對(duì)步驟2-3)到的二值圖像，進(jìn)行連通域標(biāo)記，通過對(duì)車牌大小的先驗(yàn)認(rèn)識(shí)，設(shè)置閾值排除面積大于500*150和小于50*15的區(qū)域。

步驟2-5)，對(duì)每個(gè)連通域取最小外接矩形，能夠得到外接矩形的頂點(diǎn)坐標(biāo)，通過頂點(diǎn)坐標(biāo)可以計(jì)算出矩形偏轉(zhuǎn)角度θ，篩選出角度偏轉(zhuǎn)在正負(fù)15度內(nèi)的區(qū)域。

步驟2-6)，中國(guó)車牌的一般大小是440mm*140mm，面積為440*140，寬高比為3.14，對(duì)7)得到的矩形區(qū)域，計(jì)算出寬高比bi，篩選出3<bi<4的區(qū)域。

步驟2-7)，對(duì)步驟2-6)得到的矩形區(qū)域，通過旋轉(zhuǎn)將偏斜的區(qū)域調(diào)整為水平。該矩形區(qū)域?qū)?yīng)原圖像即為車牌的候選區(qū)域。

作為示例，基于HOG特征和SVM分類器對(duì)粗定位的車牌進(jìn)行鑒定真?zhèn)?，包括步驟：第一步，對(duì)車牌區(qū)域進(jìn)行尺寸歸一化處理；第二步，基于機(jī)器自學(xué)習(xí)的方法訓(xùn)練SVM分類器，使其能基于車牌區(qū)域的HOG特征識(shí)別車牌的真?zhèn)?；第三步，基于?xùn)練好的SVM分類器得對(duì)車牌鑒定鑒定真?zhèn)巍?/p>

在本實(shí)施例中，通過大量的測(cè)試視頻能提取出大量的車牌候選區(qū)域，即為粗定位出的車牌，手動(dòng)對(duì)粗定位的車牌進(jìn)行標(biāo)定，把真車牌標(biāo)記為正樣本，把非車牌樣本標(biāo)記為負(fù)樣本，提取HOG特征后放入到SVM分類器中進(jìn)行訓(xùn)練，然后利用訓(xùn)練好的SVM分類器對(duì)粗定到的車牌進(jìn)行鑒定。

具體地，包括以下步驟：

步驟2-a)，實(shí)際應(yīng)用中，車輛的縱向柵格、車燈、車輛的圖案和復(fù)雜背景都會(huì)影響定位的結(jié)果，使得粗定位到的車牌候選區(qū)域含有一些非車牌區(qū)域。對(duì)已經(jīng)得到的車牌候選區(qū)域，歸一到128*32大小。

步驟2-b)，首先要訓(xùn)練SVM分類器，訓(xùn)練的第一步，獲得樣本數(shù)據(jù)。利用大量測(cè)試視頻，對(duì)其進(jìn)行步驟1)～步驟2)操作，得到大量車牌候選區(qū)域，里面分為兩類圖片，真正的車牌圖片和不是車牌的圖片，利用這些圖片作為樣本數(shù)據(jù)。

步驟2-c)，訓(xùn)練的第二步，圖片貼上標(biāo)簽，成為學(xué)習(xí)數(shù)據(jù)，手工對(duì)圖片進(jìn)行分類，將真的車牌圖片標(biāo)為正樣本，非車牌圖片標(biāo)為負(fù)樣本。

步驟2-d)，對(duì)正負(fù)樣本分別提取HOG特征，取4*4像素/cell，2*2cells/block。

步驟2-e)，由于樣本數(shù)量較大，而樣本維數(shù)較低，SVM的核函數(shù)選擇rbf核。用之前標(biāo)記好的樣本訓(xùn)練SVM分類器。

步驟2-f)，對(duì)于得到的車牌候選區(qū)域使用訓(xùn)練得到的SVM分類器進(jìn)行車牌鑒定。

如圖1所示，接著進(jìn)行步驟3)S13，取連續(xù)多幀的車牌圖片利用投影法進(jìn)行字符分割，每個(gè)字符歸一化后提取HOG特征，獲取不同車牌圖片對(duì)應(yīng)字符特征間的L1-BRD距離。

作為示例，步驟3)對(duì)定位到的車牌利用投影法進(jìn)行字符分割，包括步驟：

第一步，對(duì)車牌區(qū)域進(jìn)行灰度化，獲得灰度圖像。

第二步，對(duì)灰度圖像進(jìn)行二值化，獲得二值圖像；本實(shí)施例采用OSTU法對(duì)得到的灰度圖像進(jìn)行二值化。

第三步，統(tǒng)計(jì)所述二值圖像中白像素點(diǎn)數(shù)Num1及黑像素點(diǎn)數(shù)Num2，若Num1>Num2，對(duì)二值圖像取反色。

第四步，在垂直方向上向下投影，統(tǒng)計(jì)每列的白色像素點(diǎn)的數(shù)目，得到灰度統(tǒng)計(jì)直方圖，然后從左向右掃描，記錄白色像素點(diǎn)數(shù)大于閾值的橫坐標(biāo)值，得到m個(gè)連續(xù)的線段，然后對(duì)圖像進(jìn)行切割得到m個(gè)含有字符的圖像塊。

第五步，對(duì)每一個(gè)字符的圖像塊，在水平方向進(jìn)行投影，統(tǒng)計(jì)每行的白色像素點(diǎn)數(shù)，得到每一行的灰度統(tǒng)計(jì)直方圖，從上至下掃描，記錄像素點(diǎn)數(shù)大于閾值的行，將小于閾值的行切割掉，得到分割好的m個(gè)字符，其中，m為自然數(shù)，且m＝3～10。由于中國(guó)車牌號(hào)為7位，因此，在本實(shí)施例中，取m＝7。

作為示例，獲取不同車牌圖片對(duì)應(yīng)字符特征間的L1-BRD距離包括：記錄兩幀得到車牌的中心坐標(biāo)，若距離在一定閾值內(nèi)，則記錄為統(tǒng)一車牌bin-to-bin距離描述兩個(gè)直方圖相應(yīng)的bin之間的距離，設(shè)表示目前統(tǒng)計(jì)到的直方圖，共n個(gè)bin，h_i表示第i個(gè)bin的值，取得k幀車牌后，字符分割后，分別得到k組字符集合，每組含有m個(gè)字符，算出k組字符兩兩之間的L1-BRD距離d_i,j,i,j∈[1,k]；為使其差異更大化，取可得到距離矩陣D，計(jì)算L1-BRD如式(1)：

在本實(shí)施例中，優(yōu)選地，取k＝5。

BRD可以更準(zhǔn)確的度量特征向量間的距離，但是對(duì)噪聲比較敏感，而L1距離受噪聲的影響很小，所以采用結(jié)合L1距離和BRD距離的方法，L1-BRD即兩者的乘積。

具體地，本發(fā)明用bin-ratio-based直方圖距離，Bin ratio被定義為直方圖bin之間的比值。我們定義一個(gè)比率矩陣H＝(h_i/h_j)∈Rⁿ，它包含了直方圖所有bin之間的比值。給2個(gè)直方圖，我們定義它們的bin ratio-based距離是它們比值矩陣平方歸一化后每個(gè)元素間的差求和。

BRD(Bin Ratio-Based Histogram Distance)是intra-cross-bin距離，與先前的bin-to-bin距離相對(duì)。BRD對(duì)局部匹配和直方圖歸一化具有魯棒性，并且具有線性的計(jì)算復(fù)雜度。

L2歸一化含有n個(gè)bins的直方圖是一個(gè)列向量h∈Rⁿ，如式(1.1)：

現(xiàn)有兩個(gè)L2歸一化后的含有n個(gè)bins的直方圖特征p和q，求其平方距離。可得到特征間的距離BRD(Bin Ratio-Based Histogram Distance)，得到式(1.2)：

其中P和Q是p和q比值矩陣。

式(1.2)表示的距離并不穩(wěn)定，當(dāng)pi和qi很小時(shí)，很小的變化都會(huì)造成所得距離差異很大，為了避免這種情況，在(1.2)中加入項(xiàng)1/q_i+1/p_i做除數(shù)，得到式(1.4)：

對(duì)比L1距離和L2距離這些針對(duì)n維向量的距離，BRD距離是n×n個(gè)比值的向量，所以它包含了比L1距離和L2距離更多的信息量。d_BRD(p,q)的具體推導(dǎo)過程在上述已給出，該距離只有O(n²)的時(shí)間復(fù)雜度。

BRD可以更準(zhǔn)確的度量特征向量間的距離，但是對(duì)噪聲比較敏感，而L1距離受噪聲的影響很小，所以采用結(jié)合L1距離和BRD距離的方法，即兩者的乘積，結(jié)果如式(1.5)，可以有效地消除噪聲干擾及數(shù)值很小時(shí)的影響。

如圖1所示，然后進(jìn)行步驟4)S14，算出每個(gè)字符的權(quán)重，得出多幀加權(quán)的特征，將此作為字符識(shí)別的特征；

作為示例，步驟4)包括：

計(jì)算距離矩陣D如式(2)：

將每組對(duì)應(yīng)字符的特征與所有字符特征間距離的平方和與所有距離的平方和的比值作為該字符的權(quán)值，對(duì)應(yīng)位置的k個(gè)字符特征h_i,i∈[1,k]，可以得到k幀加權(quán)直方圖特征h，如式(3)、(4)、(5)：

如圖1所示，最后進(jìn)行步驟5)S15，結(jié)合多分類的SVM分類器對(duì)車牌字符進(jìn)行識(shí)別。

作為本發(fā)明的基于視頻的車牌識(shí)別方法的一種優(yōu)選方案，步驟5)中，多分類的SVM分類器采用SVM分類器對(duì)第N類和其它N-1類樣本構(gòu)建超平面，通過一對(duì)一的方法來確定所有樣本的正負(fù)。

識(shí)別車牌字符的分類器采用SVM分類器，SVM主要解決兩類分類問題，當(dāng)處理多分類時(shí)需要構(gòu)造合適的SVM多分類器。本文采用一對(duì)多組合的方法，就是把某一類別當(dāng)成一類，剩余其它類別的樣本當(dāng)成另一類，這樣就把問題轉(zhuǎn)化為二分類問題。我們對(duì)第N類和其它N-1類樣本構(gòu)建超平面，通過一對(duì)一的方法來確定所有樣本的正負(fù)。在分類過程中需要構(gòu)造N個(gè)分類器。

中國(guó)的車牌號(hào)碼一共有7位，第一位為各省份的簡(jiǎn)稱，第二位為字母，后5位含有10個(gè)數(shù)字和除“I”“O”以外的24個(gè)大寫字母。所以本發(fā)明需要構(gòu)造3種類型的SVM分類器。

將大量車牌字符樣本分為34類，然后利用上述方法的SVM分類器進(jìn)行訓(xùn)練，將訓(xùn)練得到的SVM分類器對(duì)上述5幀加權(quán)直方圖特征進(jìn)行分類，識(shí)別出車牌字符。

如上所述，本發(fā)明的基于視頻的車牌識(shí)別方法，具有以下有益效果：

本發(fā)明將基于多幀加權(quán)的直方圖特征和多分類SVM分類器進(jìn)行結(jié)合后對(duì)車牌字符進(jìn)行識(shí)別，本發(fā)明的方法可以有效消除單幀車牌字符在分割或噪聲造成的影響，提高車牌字符識(shí)別的準(zhǔn)確率。本發(fā)明步驟簡(jiǎn)單，效果顯著，在智能交通領(lǐng)域具有廣泛的應(yīng)用前景。

所以，本發(fā)明有效克服了現(xiàn)有技術(shù)中的種種缺點(diǎn)而具高度產(chǎn)業(yè)利用價(jià)值。

上述實(shí)施例僅例示性說明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何熟悉此技術(shù)的人士皆可在不違背本發(fā)明的精神及范疇下，對(duì)上述實(shí)施例進(jìn)行修飾或改變。因此，舉凡所屬技術(shù)領(lǐng)域中具有通常知識(shí)者在未脫離本發(fā)明所揭示的精神與技術(shù)思想下所完成的一切等效修飾或改變，仍應(yīng)由本發(fā)明的權(quán)利要求所涵蓋。