本發(fā)明屬于智能交通領(lǐng)域，特別是涉及一種基于圖像識別的車牌檢測識別方法。
背景技術(shù)：
社會經(jīng)濟的發(fā)展促使道路交通迅速發(fā)展，機動車數(shù)量不斷增加。為了解決地面交通迅速發(fā)展所引發(fā)的各種問題，智能交通系統(tǒng)(intelligenttransportsystem)被提到了重要位置。智能交通系統(tǒng)是為了從根本上解決日益膨脹的地面交通的諸多困難而出現(xiàn)的一個新的技術(shù)領(lǐng)域，它是以信息技術(shù)為代表的高新技術(shù)在道路交通運輸中的集成應(yīng)用，是先進的信息技術(shù)、數(shù)據(jù)傳輸技術(shù)、控制技術(shù)及計算機處理技術(shù)等技術(shù)結(jié)合應(yīng)用的綜合管理系統(tǒng)，使人、車、路與環(huán)境和諧結(jié)合，受到世界各國高度重視，發(fā)展極為迅速。
計算機視覺作為智能交通系統(tǒng)中的一項重要技術(shù)，受到越來越多的重視。計算機視覺即是用各種成像系統(tǒng)代替視覺感官作為視覺信息輸入手段，由計算機來代替大腦完成處理與解釋。計算機視覺不僅能使機器感知環(huán)境中的幾何信息，包括位置、大小、形狀、運動等，還能對它們進行描述、解釋和理解。計算機視覺為交通系統(tǒng)提供了直觀方便的分析手段，交通環(huán)境中的大量信息如車輛、交通標志和路面標識等都來源于視覺。用計算機視覺來處理和理解這些信息是一種必然的選擇。
作為智能交通系統(tǒng)的重要組成部分，車牌識別系統(tǒng)常用來監(jiān)視交通狀況、監(jiān)督車輛行為，還可以用于停車場出入管理。雖然過去十年車牌識別技術(shù)取得很大的成就，并在很多實際場合中得以應(yīng)用，但從復(fù)雜場景的圖像中識別車牌仍然是一個艱巨的任務(wù)?，F(xiàn)實中的交通攝像頭是在動態(tài)變化的復(fù)雜環(huán)境中工作的，主要體現(xiàn)在天氣環(huán)境變化的影響。不同的天氣環(huán)境，甚至在一天中不同的時刻，攝像頭錄制的交通視頻的效果都有差異，不同的天氣環(huán)境對于視頻質(zhì)量造成的影響也不同。如果不能夠根據(jù)天氣情況自動調(diào)整車輛識別算法的相關(guān)參數(shù)或者閾值，就會造成車輛識別結(jié)果誤差的增大，繼而影響智能交通系統(tǒng)中其他功能的實現(xiàn)，或者導(dǎo)致其他功能準確率的降低。因此，只有能夠自動適應(yīng)多種氣候環(huán)境的視頻車輛識別方法在智能交通系統(tǒng)中才具有實用價值。
技術(shù)實現(xiàn)要素：
針對目前車牌識別算法中存在的模型訓(xùn)練慢、字符識別準確率低等問題，本發(fā)明提出一種基于圖像識別的車輛檢測識別方法，其完整的車輛識別流程包含運動車輛檢測、圖像預(yù)處理、車牌定位、字符切分、字符識別等部分。本發(fā)明通過具有訓(xùn)練速度快、字符識別率高等優(yōu)點，可以廣泛應(yīng)用于復(fù)雜的交通場景。
為達到上述目的，本發(fā)明提供如下技術(shù)方案：
一種基于圖像識別的車牌檢測識別方法，具體包括以下步驟：
1)運動車輛檢測
將車輛從視頻中檢測出來，將視頻圖像分為背景和運動目標，準確獲取車輛圖像；
2)圖像二值化預(yù)處理
對車輛圖像進行圖像二值化預(yù)處理，突出車牌位置，區(qū)分車牌的字符和背景；
3)車牌定位
基于邊緣檢測和灰度跳變相結(jié)合的方法實現(xiàn)對車牌位置進行二次定位；
4)字符切分
在準確定位車牌的基礎(chǔ)上，把采集的傾斜矯正后的車牌圖像的字符切分為單個字符；
5)字符識別
利用模板匹配法和神經(jīng)網(wǎng)絡(luò)法將圖像信息轉(zhuǎn)化為字符信息，進行字符識別，把車輛和號牌對應(yīng)起來，從而實現(xiàn)車牌檢測識別。
作為優(yōu)選，進一步，在步驟1)運動車輛檢測中，采用背景差分法進行提取，背景差分法采用混合高斯背景模型進行背景更新。
作為優(yōu)選，進一步，在步驟2)圖像二值化預(yù)處理過程中，采用基于邊緣檢測二值化法進行預(yù)處理。
作為優(yōu)選，進一步，在步驟3)車牌定位過程中，采用基于邊緣檢測和先驗知識的車牌定位方法對車牌進行定位，對預(yù)處理的車輛圖像檢測邊緣信息，并連通邊緣，設(shè)定閾值去除偽車牌區(qū)域，記錄待選車牌坐標。再利用灰度跳變法記錄車牌坐標，兩個坐標相互融合，獲得準確車牌位置。
作為優(yōu)選，進一步，在步驟4)字符切分過程中，通過車牌圖像預(yù)處理、邊框去除、字符切分和字符歸一化將車牌圖像的字符切分為單個字符。
作為優(yōu)選，進一步，在步驟5)字符識別過程中，采用bp神經(jīng)網(wǎng)絡(luò)字符識別方法來完成所有車牌字符的識別。
有益效果
與傳統(tǒng)的車牌識別系統(tǒng)相比，本發(fā)明的技術(shù)方案具有以下優(yōu)點，具體表現(xiàn)在：
1.運動車輛檢測：將車輛從視頻中檢測出來，視頻分為背景和運動目標，準確獲取車輛圖像。傳統(tǒng)的混合高斯背景建模存在計算量大、處理速度慢、檢測出的目標噪聲較多等缺點，經(jīng)過研究改進了混合高斯背景建模法，優(yōu)化了參數(shù)，減少了計算量，加快了檢測速度，減少了檢測目標的噪聲，提高了檢測目標的準確性。
2.圖像二值化：在車牌定位和字符切分前需要預(yù)處理圖像，二值化是圖像預(yù)處理的重要部分。在車牌定位中，二值化的主要作用是突出車牌的位置信息，提出了基于邊緣檢測的二值化方法，二值化后圖像較好的突出了車牌位置；在字符切分中，二值化的作用是準確區(qū)分車牌的字符和背景，改進了二值化方法，提出了多個閾值相結(jié)合的方法，融合不同閾值的圖像，準確的區(qū)分了車牌字符和背景。
3.車牌定位：一般的方法定位車牌不準確，有時會出現(xiàn)定位為偽車牌的情況，直接影響后續(xù)處理，因此提出基于邊緣檢測和灰度跳變相結(jié)合的方法定位車牌，對車牌位置進行二次定位，確保定位的準確。
4.字符識別：車牌上的字符是根據(jù)規(guī)范制作印刷的，結(jié)構(gòu)固定筆畫規(guī)范。但是由于獲取車牌的環(huán)境因素和車輛使用的因素，車牌字符也會模糊不清，有缺失、粘連等，同時漢字的筆畫較復(fù)雜，更加大了識別的難度。傳統(tǒng)的模板匹配法和神經(jīng)網(wǎng)絡(luò)法識別結(jié)果準確率不高，容易誤判，改進了神經(jīng)網(wǎng)絡(luò)法和模板匹配法，對容易混淆字符進行二次區(qū)分，提高了識別率，同時改進了的bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練方法，提高了網(wǎng)絡(luò)的訓(xùn)練速度，提高了識別速度。
附圖說明
圖1為本發(fā)明的流程圖；
具體實施方式
下面將結(jié)合本發(fā)明實施例和附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
一種基于圖像識別的車牌檢測識別方法，具體包括以下步驟：
1)運動車輛檢測
將車輛從視頻中檢測出來，將視頻圖像分為背景和運動目標，準確獲取車輛圖像，此時采用背景差分法進行提取，并利用改進的混合高斯建模方法實現(xiàn)背景分離。
背景差分法是將輸入圖像與背景圖像相減，除去當(dāng)前幀中背景部分，提取前景，獲取運動目標，假設(shè)it(x,y)為t時刻當(dāng)前幀圖像灰度值，bt(x,y)為t時刻背景圖像灰度值，根據(jù)以下判斷點(x,y)是否為目標：
其中，t為閾值，ot(x,y)＝1時，(x,y)為t時刻目標點。
在此過程中，首先需要首先確定二值化閾值t，然后不斷獲取和更新背景圖像bt(x,y)。背景模型更新在本質(zhì)上是數(shù)學(xué)統(tǒng)計學(xué)和概率論統(tǒng)計的共同結(jié)果，就是統(tǒng)計圖像中各個像素概率值，概率最大的像素，也就是出現(xiàn)可能性最大的值就是背景像素。據(jù)此建立背景更新的數(shù)學(xué)模型，假設(shè)t時刻的背景圖像為：
bt(x,y)＝u(it,it-1,…,it-(n-1))(2)
其中，u為更新函數(shù)，it為t時刻的圖像，n為背景圖像序列長度。
其中，u為更新函數(shù)，不同的更新函數(shù)對應(yīng)不同的更新算法，本申請中采用混合高斯建模法，混合高斯模型對一個像素點使用多個模型建模，這樣可以避免某個像素點出現(xiàn)類似光線變化或是噪聲干擾，就完全改變之前建立的模型的情況。在混合模型中引進了新的模型且新模型權(quán)重較小，這個新的模型不會占據(jù)主導(dǎo)地位，繼續(xù)保留權(quán)重較大的原模型，只有這個新的權(quán)重較小的模型在此后幀中不斷地被匹配，權(quán)重不斷增大，才會取代之前權(quán)重較大的模型，成為主導(dǎo)。混合高斯模型不僅采用方差和期望判斷背景模型的適應(yīng)度，而且加入了權(quán)重作為依據(jù)來判斷背景模型的適應(yīng)度，從而提高模型算法的魯棒性。
混合模型針對每幀圖像上的像素點{x1，x2，…xt}，建立k個單高斯模型組成的混合高斯模型，其概率模型為：
k為混合高斯模型的階，就是混合高斯模型中單高斯模型的數(shù)量，ωi,t是t時刻第i個單高斯模型的權(quán)重，有：
μi,t，σi,t和η分別為t時刻第i個單高斯模型的期望、協(xié)方差矩陣和高斯概率密度函數(shù)，可表為
xi的維數(shù)為n，為了減少計算量，處理彩色圖像時，假定圖像中各像素r、g、b三顏色通道相互獨立，具有相同的方差，且協(xié)方差矩陣滿足：
處理灰度圖像進行混合高斯模型建模時，簡單取n＝1，混合模型階數(shù)k的大小決定了系統(tǒng)對復(fù)雜背景適應(yīng)的性能，隨著k值得增大，處理能力增強，魯棒性也增強，計算量也增大，處理時間也相應(yīng)增長，本發(fā)明中取k≥3。
混合高斯模型法背景建模流程具體包括：
(1)參數(shù)初始化
與單高斯模型一樣，混合高斯模型初始化，首先選取一段無運動目標的視頻，在背景無運動目標時，連續(xù)采樣n幀背景圖像，由公式(7)計算取樣時間內(nèi)視頻幀中每個像素的平均灰度值
fk表示第k幀圖像上的像素值，背景模型初始化后，對于以后的每一幀圖像，可以利用式(8)更新單高斯模型的期望和方差。
α是學(xué)習(xí)速率，模型的更新速度的快慢也就是背景模型適應(yīng)變化的快慢，它的速率由的大小決定。背景模型更新后，將當(dāng)前幀圖像的像素點和對應(yīng)的高斯模型匹配，若像素點|fk-μk|＜t，則匹配成功，這個像素點為背景像素，反之則是判斷這個像素為前景。
在本發(fā)明中，獲取只包含背景的視頻是比較困難的，因此，對混合模型參數(shù)初始化速度一般要求不是很高，可以簡單讓一個模型的權(quán)重值ωi,t初始值為1，根據(jù)圖像中背景占大多數(shù)的實際情況，選取視頻第一幀圖像作為初始背景，像素值直接作為該模型的期望μ1,0。其余的k-1個模型令期望和權(quán)值全為0；最終令k個混合高斯分布模型的方差
(2)匹配模型
根據(jù)模型的兩個特點：第一，場景中背景的像素點比運動的點的方差更?。坏诙?，運動目標所導(dǎo)致的模型更新會使該模型的權(quán)重變??；因此將k個高斯模型根據(jù)大小排序，以后每獲得一幀新圖像，將當(dāng)前幀的像素值和混合模型中k個高斯分布按照ω/σ大小順序進行匹配，如果新獲取的像素值與其任一高斯分布滿足式(9)，即可匹配。
|it-μi,t-1|≤2.5σi,t-1(9)
其中，it為當(dāng)前幀中某一個像素的像素值，μi,t-1，σi,t-1分別為第i個高斯模型在上一時刻的均值和標準差。
(3)更新模型參數(shù)
背景模型參數(shù)更新算法的優(yōu)劣直接決定背景模型適應(yīng)環(huán)境的能力和模型的魯棒性，實際中要求模型更新算法要對環(huán)境變化更快的響應(yīng)，同時對運動檢測目標有較好的魯棒性，因此背景模型參數(shù)的更新是混合高斯背景建模中的關(guān)鍵環(huán)節(jié)。在此，采用近似法對模型實時更新。
依據(jù)之前匹配結(jié)果，首先更新所有高斯模型的權(quán)重，假設(shè)模型已經(jīng)訓(xùn)練了前面t-1幀，則當(dāng)t幀時，第i個高斯模型權(quán)重更新公式為：
ωi,t＝αωi,t+(1-α)mi,j(10)
α為學(xué)習(xí)率，決定了更新的快慢，mi,ji是當(dāng)前像素在t時刻第i個高斯模型的匹配程度，1表示匹配，0表示不匹配。α決定了模型權(quán)重更新的速度，α越大，背景模型越穩(wěn)定。高斯模型權(quán)重更新后，下一步對高斯模型自身的均值和方差更新。若當(dāng)前像素與第i個模型不匹配，則模型參數(shù)不變，否則根據(jù)下式更新均值和方差。
其中ρ為學(xué)習(xí)因子，根據(jù)以下定義：
ρ＝αη(xt|μi,σi)(12)
如果任何模型也不匹配，就將模型表中最底部模型用新模型替換，新的模型的期望定義為當(dāng)前像素點的像素值，方差定義為比較大的初始值，權(quán)重定義為比較小的初始值。這種更新模型的算法優(yōu)點是，當(dāng)像素背景、前景互相轉(zhuǎn)化時，之前訓(xùn)練過的模型位于列表較前端，不會丟失，新的初始化模型只是替代了列表中最底部的模型，根據(jù)列表規(guī)則，底部的模型成為背景模型的概率是最低的。新的模型只有進行了若干幀訓(xùn)練，達到了足夠的訓(xùn)練，其權(quán)值才會隨之慢慢增大，最終替代列表頂端概率較大的背景模型，這就可以減少外界干擾帶來的差錯，增強魯棒性，這也是混合高斯模型優(yōu)于單高斯模型的改進。
雖然混合高斯模型獲取的背景效果較好，計算也比較簡單，但是經(jīng)典算法中定義it(x,y)點像素r、g、b分量的方差一致，即
這樣就更加準確的描述背景的變化，建模獲得的背景更加接近真實情況。在傳統(tǒng)的算法中，更新方差的函數(shù)是一個收斂于0的下降函數(shù)，這表示只有經(jīng)過較長時間的積累，建立的背景才趨向于穩(wěn)定，在一定條件下，可以認為方差為0。在現(xiàn)實中，由于噪聲、光線變化、攝像機晃動以及傳感器內(nèi)部的漂移等，在檢測同一位置時這種穩(wěn)定對檢測結(jié)果是不準確的，容易誤判，使真實背景消失。因此對方差更新函數(shù)σ2進行適當(dāng)改進，設(shè)定一個方差的下限，使模型對以上所述的微弱干擾噪聲魯棒性增強，本發(fā)明方差下限設(shè)定在初始值的20％。
對已經(jīng)建立的混合高斯模型，需要區(qū)分模型中的背景和前景。根據(jù)以上所述，對于k個模型，按照ω/σ從大到小依次排列，因為圖像中像素點背景狀態(tài)的概率要遠遠大于前景的概率，依據(jù)高斯模型的更新算法，背景狀態(tài)擁有較小的方差和較大的權(quán)重。所以位于k個模型列表的前端，成為背景概率較大，列表底部則對應(yīng)著前景。我們將當(dāng)前幀的每個像素點與列表頂端的模型進行匹配，匹配依據(jù)式(9)進行，即2.5倍方差認為匹配，否則不匹配，得到背景圖像模板bm，，匹配點是背景bm(x,y)＝0，否則為前景bm(x,y)＝1。根據(jù)背景模板bm、背景b和原始幀i通過式(14)可以得到背景的更新圖像b。
b＝bm×b+(1-bm)×i(14)
背景點從原始幀中取，前景點從背景圖像中獲取。得到背景圖像后用圖像差分法式(1)來得到前景圖像二值模板。
2)圖像二值化預(yù)處理
在車牌定位以前需要對車輛圖像進行預(yù)處理，減少圖像的噪聲的影響，增強原始圖像的車牌信息，使得車牌統(tǒng)計特征更加突出，車牌位置更加明顯，減少車牌定位和提取的復(fù)雜度，其具體包括：
(1)擇加權(quán)平均值法處理圖像，進行圖像灰度處理：
賦予r、g、b不同的權(quán)值，灰度化的圖像的r、g、b值取加權(quán)平均值，即：
r＝g＝b＝(ωrr+ωgg+ωbb)/3(15)
其中ωr、ωg、ωb分別為r、g、b的加權(quán)值，本發(fā)明中ωr＝0.301、ωg＝0.589、ωb＝0.112。
(2)為了增強車牌部分和非車牌部分的對比度，使其對比度加大，提高識別率，需要對灰度化后的車輛圖像進行灰度對比拉伸：
根據(jù)圖像灰度直方圖分布根據(jù)需要選擇特定的灰度區(qū)間進行分段拉伸從而增加對比度的操作,它將圖像中某點(x，y)的灰度f(x,y)通過映射函數(shù)g，映射為輸出圖像灰度g(x,y):
g(x,y)＝g(f(x,y))(16)
如果一幅整體圖像偏暗，圖像的灰度一定集中在較暗的區(qū)域，可以用灰度拉伸功能來拉伸(斜率>1)物體灰度區(qū)間，將灰度從較暗得區(qū)域拉伸至較亮的區(qū)域改善圖像整體亮度；同樣如果圖像偏亮，可以通過壓縮(斜率<1)物將灰度集中在較亮的區(qū)域拉伸至較暗區(qū)域，改善圖像質(zhì)量,原來圖像f(x,y)的灰度范圍為(s1,s2),變換后的圖像f(x,y)的灰度范圍變?yōu)?r1,r2)，可采用如下線性變換來實現(xiàn)：
g(x,y)＝[(r1-r2)/(s1-s2)]f(x,y)+r1(17)
(3)由于環(huán)境光線等影響，車牌圖像中不可避免會出現(xiàn)一些噪點，在車牌識別前，如果不能除去或者抑制這些噪點，將影響車牌的定位，去除噪點常用的方法為圖像平滑濾波。
(4)圖像二值化
圖像經(jīng)過灰度處理以后每個像素只有一個像素值，像素值的大小決定了像素的明暗程度，圖像二值化就是對原來的灰度圖像的像素值進行閾值分割，將原來0-255的灰度值變換為兩個值，一般為0(表示純黑)和1(表示純白)，從而區(qū)分圖像中的目標和背景。
基于邊緣檢測和灰度跳變相結(jié)合的方法實現(xiàn)對車牌位置進行二次定位，在此提出了基于邊緣檢測二值化方法，最大突出車牌的位置信息。具體如下：
(1)車輛圖像灰度化；
(2)使用sobel邊緣算子檢測灰度圖像的邊緣，并用形態(tài)處理連通邊緣，只保留10％最強的邊緣，記錄邊緣位置信息；
(3)將整個圖像劃分為沒有重疊的子窗口(w*w)，本發(fā)明中w＝40；
(4)從上到下從左至右依次選中每一個子窗口，判斷是否有(2)中邊緣信息：如果有轉(zhuǎn)入(5)，如果沒有轉(zhuǎn)入(6)；
(5)將這個區(qū)域內(nèi)的閾值設(shè)置為原始圖像在邊緣位置的平均灰度值，二值化當(dāng)前子窗口；
(6)將這個子窗口的像素值設(shè)定為與其相鄰子窗口的像素值。
這種方法兼具了全局閾值和局部閾值的優(yōu)點，不僅計算速度快，閾值的選取也考慮了像素鄰域的影響，二值化后突出了車牌的位置信息，有利于定位車牌。
3)車牌定位
基于邊緣檢測和先驗知識的車牌定位方法利用車牌區(qū)域豐富的紋理和車牌形狀大小等信息完成車牌定位。在該方法中對預(yù)處理的車輛圖像檢測邊緣信息，并連通邊緣，設(shè)定閾值去除偽車牌區(qū)域，記錄待選車牌坐標。再利用灰度跳變法記錄車牌坐標，兩個坐標相互融合，獲得準確車牌位置。
(1)利用sobel算子進行邊緣檢測，分別檢測圖像水平和垂直邊緣信息；
(2)根據(jù)仿真對邊緣檢測過的圖像進行兩次閉運算，有效消除了檢測的車牌的小間斷；
(3)輛圖像經(jīng)過形態(tài)學(xué)操作后，得到包含偽值的候選區(qū)域，每個區(qū)域的形狀也是不規(guī)則的，因此要對這些不規(guī)則區(qū)域進行操作，使這些區(qū)域變?yōu)榻埔?guī)則的區(qū)域。對這些候選區(qū)域采取“關(guān)”操作處理，即采用了三次膨脹操作和一次腐蝕操作，使得每個區(qū)域變?yōu)槁?lián)通區(qū)域，區(qū)域形狀也近似規(guī)則。
4)字符切分
在準確定位車牌的基礎(chǔ)上，把采集的傾斜矯正后的車牌圖像的字符切分為單個字符；保證字符切分準確，將字符切分分為車牌圖像預(yù)處理，邊框去除、字符切分和字符歸一化四個部分，圖像預(yù)處理主要有圖像二值化、圖像銳化和傾斜校正。
圖像二值化的具體步驟為：
(1)使用同態(tài)濾波去掉車牌圖像的復(fù)雜光照的影響；
(2)用循環(huán)閾值法求得第一閾值，二值化圖像；
(3)用bernsen算法二值化圖像；
(4)比對兩幅二值化圖像中相同點的像素值；
(5)根據(jù)灰度最小，融合兩幅圖像，即只有兩個閾值同時判斷為字符時，才二值化為字符，否則判斷為背景，得到最終二值化圖像；
(6)為了車牌字符符合看圖習(xí)慣，突出字符，將二值化取反，即背景為白色，前景字符為黑色。
圖像銳化增強采用微分濾波法進行圖像增強，經(jīng)過梯度銳化，原來圖像邊緣模糊的地方現(xiàn)在已經(jīng)變得清晰可見，圖像中細小的噪聲已經(jīng)被減弱甚至消除。
傾斜校正
車牌下底邊兩個端點的坐標分別為(x1,y1)，(x2,y2)，則車牌中任一像素(x,y)校正后的坐標可以表示為
去除車牌邊框
根據(jù)《中華人民共和國機動車號牌》標準ga36-2007：車牌總長440mm，車牌中有7個字符和一個分割點，有字符區(qū)域的實際總長為409mm，寬140mm；其中每個字符45mm寬，90mm高，字符間距為10mm，其中第二、三個字符的間距(包含分割點)較為特殊，為34mm，最后一個字符與第一個字符距車牌邊界25mm。這樣，車牌中每個字符平均寬度為：h/7(h為車牌圖像的寬度)。由于第2、3個字符之間存在分割點，牌照左右兩邊與邊框也都有一定的寬度，實際每個字符的寬度比h/7小。最小寬度為h/9。因此，字符的寬度在h/9到h/7之間。
去除車牌上下空白
假設(shè)車牌圖像寬度為w，高度為h；設(shè)定閾值t＝w/8，對圖像進行逐行掃描，判斷每一行中像素值連續(xù)1或者0的像素的長度，如果一行中連續(xù)像素長度大于閾值t則被判斷為邊框，否則為字符區(qū)。分別掃描車牌圖像上下h/3。具體如下：
(1)自上向下逐行掃描至h/3，記錄連續(xù)像素的長度；
(2)對每一行的最長像素長度進行判斷，若長度大于閾值t，則該行為邊框，繼續(xù)判斷下一行的最長像素線段長度；直至找不出大于閾值t的行，用x1記錄該行的行號，x1-1就是圖像的字符上邊界；
(3)自下向上逐行掃描至h/3，記下首次出現(xiàn)最長像素線段長度小于t的行號，用x2標記，x2+1就是圖像的字符下邊界；
(4)原車牌圖像x1-1到x2+1行，即為去除了上下邊框的車牌圖像。
去除左右邊框
標準車牌中字符與邊界的距離大于除了2、3字符間隔以外的其他字符間隔，可以用閾值t2來判斷間隔的類型，進而除去邊框。
字符切分采用基于先驗知識和垂直投影相結(jié)合的字符切分法，具體步驟為：
根據(jù)車牌標準，車牌字符間隔中只有第三個字符與其相鄰第二和第四個字符的間隔比較特殊，故需要特殊算法提取第三個字符，其他字符提取方法相同，算法如下
(1)垂直投影車牌圖像，根據(jù)波谷位置確定第一個字符，波谷開始位置為x1，波谷結(jié)束位置x2，計算字符寬度，判斷x2-x1-h/9＞0是否成立，如果成立，則位置x2就是第一個字符的邊界，否則合并第二個波峰，繼續(xù)判斷x2-x1-h/9＞0是否成立，直至切分出第一個字符，字符邊界x2；
(2)用同樣的方法提取出第二個字符，字符邊界為x3；
(3)提取第三個字符，由于第三位字符是分割符，不需要判斷字符的寬度，直接根據(jù)波峰波谷位置確定，確定字符邊界為x4；
(4)依照步驟1方法依次找出后五個字符的邊界x5，x6，x7，x8，x9，依照邊界切分出7個字符和一個分割點；
(5)對切分得到的第三個字符進行垂直投影，若投影圖中出現(xiàn)一個波谷且波谷長度小于h/36,則可判斷這個就是分割符，按照邊界除去分割點。
字符歸一化
字符切分后，為了方便后續(xù)的識別，需要將字符圖像歸一化,將圖像線性放大(縮小)到指定大小。假定原圖大小為x×y，歸一化后大小為m×n,(x,y)為原圖坐標，(m，n)為歸一化后坐標，則某像素歸一化前后的坐標關(guān)系為：
5)字符識別
利用模板匹配法和神經(jīng)網(wǎng)絡(luò)法將圖像信息轉(zhuǎn)化為字符信息，進行字符識別，把車輛和號牌對應(yīng)起來，從而實現(xiàn)車牌檢測識別。使用神經(jīng)網(wǎng)絡(luò)識別字符主要在于選取學(xué)習(xí)算法和使用大量的訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，算法的選取要滿足穩(wěn)定、快速收斂。
與傳統(tǒng)的車牌識別系統(tǒng)相比，本發(fā)明的技術(shù)方案具有以下優(yōu)點，具體表現(xiàn)在：1.運動車輛檢測：將車輛從視頻中檢測出來，視頻分為背景和運動目標，準確獲取車輛圖像。傳統(tǒng)的混合高斯背景建模存在計算量大、處理速度慢、檢測出的目標噪聲較多等缺點，經(jīng)過研究改進了混合高斯背景建模法，優(yōu)化了參數(shù)，減少了計算量，加快了檢測速度，減少了檢測目標的噪聲，提高了檢測目標的準確性。2.圖像二值化：在車牌定位和字符切分前需要預(yù)處理圖像，二值化是圖像預(yù)處理的重要部分。在車牌定位中，二值化的主要作用是突出車牌的位置信息，提出了基于邊緣檢測的二值化方法，二值化后圖像較好的突出了車牌位置；在字符切分中，二值化的作用是準確區(qū)分車牌的字符和背景，改進了二值化方法，提出了多個閾值相結(jié)合的方法，融合不同閾值的圖像，準確的區(qū)分了車牌字符和背景。3.車牌定位：一般的方法定位車牌不準確，有時會出現(xiàn)定位為偽車牌的情況，直接影響后續(xù)處理，因此提出基于邊緣檢測和灰度跳變相結(jié)合的方法定位車牌，對車牌位置進行二次定位，確保定位的準確。4.字符識別：車牌上的字符是根據(jù)規(guī)范制作印刷的，結(jié)構(gòu)固定筆畫規(guī)范。但是由于獲取車牌的環(huán)境因素和車輛使用的因素，車牌字符也會模糊不清，有缺失、粘連等，同時漢字的筆畫較復(fù)雜，更加大了識別的難度。傳統(tǒng)的模板匹配法和神經(jīng)網(wǎng)絡(luò)法識別結(jié)果準確率不高，容易誤判，改進了神經(jīng)網(wǎng)絡(luò)法和模板匹配法，對容易混淆字符進行二次區(qū)分，提高了識別率，同時改進了的bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練方法，提高了網(wǎng)絡(luò)的訓(xùn)練速度，提高了識別速度。
最終，以上實施例和附圖僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管通過上述實施例已經(jīng)對本發(fā)明進行了詳細的描述，但本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，可以在形式上和細節(jié)上對其作出各種各樣的改變，而不偏離本發(fā)明權(quán)利要求書所限定的范圍。