[發(fā)明專利]基于形狀輪廓特征的稀疏編碼車牌字符識別方法

有效

• 申請?zhí)枺?/td>: 201410024942.3
• 申請日: 2014-01-20
• 公開（公告）號: CN103761531A
• 公開（公告）日: 2014-04-30
• 發(fā)明（設(shè)計(jì)）人: 趙凡;廖開陽;曲方瑩;張二虎
• 申請（專利權(quán)）人: 西安理工大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 李娜

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理和智能交通技術(shù)領(lǐng)域，具體涉及一種基于形狀輪廓特征的稀疏編碼車牌字符識別方法。

背景技術(shù)

車牌識別是智能交通系統(tǒng)(Intelligent?Transportation?System,ITS)中的一個重要環(huán)節(jié),可以廣泛應(yīng)用于交叉路口監(jiān)控、停車場監(jiān)控與管理、高速公路收費(fèi)等場合。車牌識別由車牌定位、車牌傾斜校正、字符分割和字符識別幾部分組成。車牌字符識別是在前幾部分完成的基礎(chǔ)上影響系統(tǒng)識別率的一個重要因素。

由于車牌中的字符點(diǎn)陣分辨率低，低的分辨率會導(dǎo)致字符特征信息丟失，并造成筆劃的粘連。另外，牌照的清晰度、清潔度、新舊底色及光照背景等因素，可能會使采集到的圖像存在嚴(yán)重干擾，如字符模糊、畸變甚至斷線等，給車牌字符識別帶來困難。對要求更高的車牌識別需求，如何利用字符的特征進(jìn)行實(shí)時精確的車牌識別就給研究人員帶來了機(jī)遇和挑戰(zhàn)。

目前車牌字符識別的算法主要有基于模板匹配、基于神經(jīng)網(wǎng)絡(luò)和基于支持向量機(jī)的方法，例如：專利公開號為：CN101604381，公開日為：2009-12-16，發(fā)明名稱為：基于多分類支持向量機(jī)的車牌字符識別方法；專利公開號為：102346847A，公開日為：2012-02-08，發(fā)明名稱為：一種支持向量機(jī)的車牌字符識別方法；專利公開號為：CN102163287A，公開日為:2012-02-08，發(fā)明名稱為：一種基于類Haar特征和支持向量機(jī)的車牌字符識別方法。模板匹配方法是利用字符的輪廓、網(wǎng)格和投影等特征與標(biāo)準(zhǔn)車牌進(jìn)行比對的識別方法，這種方法存在抗干擾性差、對相似字符識別能力弱等缺點(diǎn)。神經(jīng)網(wǎng)絡(luò)方法是利用多層神經(jīng)網(wǎng)絡(luò)構(gòu)成的分類器進(jìn)行字符識別的方法，這種方法存在大量樣本訓(xùn)練、樣本數(shù)據(jù)選擇和網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)等問題。目前用的最多的是基于支持向量機(jī)的車牌字符識別方法，也取得了比較好的結(jié)果，但該類方法通常情況下只考慮了字符的單一特征。基于輪廓的特征描述能對圖像中的物體形狀進(jìn)行簡潔的描述；基于區(qū)域的特征描述則沒有考慮形狀的空間分布特性，如何結(jié)合二者的信息進(jìn)行高效的車牌字符識別是現(xiàn)有技術(shù)需要解決的問題。

近年來，學(xué)者們開始應(yīng)用稀疏編碼理論解決計(jì)算機(jī)視覺問題，稀疏表示的分類算法(Sparse?Representation?Classification,SRC)被成功地應(yīng)用在人臉識別、光譜圖像分類和目標(biāo)識別等方面。例如：《Efficient?Sparse?Codig?Algorithms.In?Proc.of?Advances?in?Neural?Information?Processing?Systems(NIPS)》（Honglak?Lee,Alexis?Battle?and?Rajat?Raina,etc.,pp.1137-1144,2007）；《Robust?Face?Recognition?via?Sparse?Representation》（John?Wright,Allen?Y.Yang?and?Arvind?Ganesh?etc.IEEE?Transaction?on?Pattern?Analysis?and?Machine?Intelligence；31(2):200-227,2009）；《A?Framework?for?Dictionary?Learning?Based?Hyperspectral?Pixel?Classification》（Andrew?Pound,Jacob?Gunther?andTodd?Moon?etc.In?Proc.Of?Forty?Sixth?Asilomar?Conference?on?Signals,Systems?and?Computers(ASILOMAR),pp.382-385,2012）。SRC算法的思想是：將測試樣本表示為訓(xùn)練樣本的加權(quán)線性組合，通過L1范數(shù)優(yōu)化求取稀疏解，使得除測試樣本所屬類別外的其他訓(xùn)練樣本的系數(shù)均接近零，進(jìn)而利用系數(shù)中所包含的判別信息，實(shí)現(xiàn)對測試圖像的分類。但是，傳統(tǒng)的SRC算法中的質(zhì)量評價模型僅僅考慮了圖像逐像素點(diǎn)之間的不同，并未考慮到圖像的形狀邊界輪廓信息。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于形狀輪廓特征的稀疏編碼車牌字符識別方法，解決了現(xiàn)有技術(shù)中存在的字符識別準(zhǔn)確率不高的問題。

本發(fā)明所采用的技術(shù)方案是：基于形狀輪廓特征的稀疏編碼車牌字符識別方法，具體按照以下步驟實(shí)施：

步驟1、對樣本車牌圖像進(jìn)行基于稀疏編碼的字典學(xué)習(xí)，得到稀疏字典分類器；具體按照以下步驟實(shí)施：

步驟1.1、對訓(xùn)練樣本車牌圖像進(jìn)行預(yù)處理得到訓(xùn)練字符圖像集；