技術(shù)特征：

1.一種基于視頻的車牌識(shí)別方法，其特征在于，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?/p>

3)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。

2.根據(jù)權(quán)利要求1所述的基于視頻的車牌識(shí)別方法，其特征在于：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。

3.根據(jù)權(quán)利要求1所述的基于視頻的車牌識(shí)別方法，其特征在于：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。

4.根據(jù)權(quán)利要求1所述的基于視頻的車牌識(shí)別方法，其特征在于：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)危ú襟E：

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)危?/p>

第三步，基于訓(xùn)練好的SVM分類器得對(duì)車牌鑒定鑒定真?zhèn)巍?/p>

5.根據(jù)權(quán)利要求1所述的基于視頻的車牌識(shí)別方法，其特征在于：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。

6.根據(jù)權(quán)利要求5所述的基于視頻的車牌識(shí)別方法，其特征在于：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)：

。

7.根據(jù)權(quán)利要求6所述的基于視頻的車牌識(shí)別方法，其特征在于：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)：

8.根據(jù)權(quán)利要求1所述的基于視頻的車牌識(shí)別方法，其特征在于：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)。