[發明專利]一種用于智能交通系統的車牌識別方法

有效

• 申請號: 201410069100.X
• 申請日: 2014-02-27
• 公開（公告）號: CN103824091B
• 公開（公告）日: 2017-11-03
• 發明（設計）人: 劉玉杰;谷勝;陳曉明;李宗民
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 濟南舜源專利事務所有限公司37205
• 代理人: 王連君

技術領域

本發明屬于智能交通領域，具體涉及一種于智能交通系統中的車牌識別方法。

背景技術

機器學習算法是一種自適應學習算法，它能夠根據不同類別的輸入訓練樣本特征值自動擬合出相應的分類面，從而為后續的識別與檢測工作提供可靠的先驗知識。這種方法的優點是，在樣本特征表征全面且樣本量充足的條件下能夠進行很好的分類工作，同時對于不良數據的容忍力較強，可以適應多種不同的數據環境。因此機器學習算法廣泛應用于圖像分類、圖像物體定位、圖像檢索、圖像物體識別、視頻對象跟蹤等多個圖像處理領域。近年來伴隨機器學習算法，特別是級聯分類器(Adaboost)技術的不斷發展，該技術的應用極大的推動了計算機視覺技術的發展，并對人們的現實生活產生了深遠的影響。

車牌識別是智能交通系統中的一項重要組成部分。一方面車牌識別可以為交通事件檢測提供可靠的證據；另一方面通過車牌識別也可以減少公安系統人力的投入，從而避免一些不必要的資源浪費。

目前有很多有關車牌識別方面的研究，也出現了很多相應的方法，車牌定位部分大致可以分為兩大類：基于邊緣信息的車牌定位和基于機器學習結合車牌先驗知識的車牌定位。

在不同的場景下拍攝的車牌圖像往往包含較多的陰影、光照、移動背景等無關信息，這會給后續的一些邊緣檢測、圖像二值化等操作帶來很多意想不到的誤差，從而直接導致車牌定位不準確，因此基于邊緣信息類方法的識別率是較低的。相對來講基于機器學習的方法準確率較高，分類器能夠在訓練樣本足夠大的情況下找到車牌和非車牌之間的分界線，此外，該類方法對于無關數據的干擾有較強的容忍度，能夠適應較多的識別場景。

對于識別車牌字符的方法來講，大致也可以分為兩類：基于模型匹配的字符識別和基于神經網絡的字符識別。

神經網絡模型建模相對復雜且模型不能有效地滿足各類識別情況等影響，使得該類方法的識別率較低，并且適應的環境也相對單一且不具有有效地抗干擾性。與神經網絡類字符識別方法相比，模板匹配的識別效率更高，在普通的環境下能夠很好的識別字符，而且不用進行復雜的參數設置，具有比較好的實用性。

伴隨我國交通事業的不斷發展，智能交通系統的功能會越來越完善，一方面對于車牌識別的要求越來越高，另一方面車牌識別的環境卻越來越復雜。因此如何制定出一種可靠、魯棒的車牌檢測和識別算法是十分有必要的。

發明內容

本發明針對現有技術的不足，提出了一種用于智能交通系統的車牌識別方法。該方法以描述車牌的LBP特征為基礎，融入了機器學習和模板匹配，充分提高了車牌檢測和識別的效率，可以有效地對一定大小的車牌進行識別，對于完善智能交通系統是有積極意義的。

為了實現上述目的，本發明采用如下技術解決方案：

一種用于智能交通系統的車牌識別方法，包括以下步驟：

a在車牌學習訓練階段，首先對相應的樣本車輛圖像進行分辨率歸一化操作，再提取描述圖像整體紋理的LBP特征，然后利用得到的LBP特征通過基于級聯分類器的學習算法對車牌進行歸類學習訓練，得到分類器識別模型；

b在車牌區域檢測階段，首先對獲取的圖像進行光照歸一化處理，以降低光照對車牌檢測的影響，再通過步驟a得到的識別模型進行類別判定獲得車牌候選區域，然后對車牌候選區域進行顏色空間變換，判斷車牌候選區域可能出現車牌的概率，根據車牌顏色占候選區域的比例去除偽車牌區域，得到最終檢測出的車牌區域；

c在得到車牌區域之后對車牌進行校正，首先根據車牌先驗知識尋找車牌區域最長的線段，根據這個線段校正車牌角度，然后根據區域聯通算法結合車牌先驗知識精確的分割出每一個字符區域；

d在獲得的每個字符區域上進行二值化操作，并對得到的二值圖像使用模板匹配算法進行字符識別，從而得出車牌號。

上述步驟a中，樣本車牌圖像在進行LBP特征提取時分辨率歸一化為60*17。

上述步驟a中，對樣本車牌圖像進行LBP特征的提取，具體提取過程如下：首先將樣本車牌圖像的檢測窗口劃分為16×16的子區域，對于每個子區域中的一個像素，將其環形鄰域內的8個點進行順時針或逆時針的比較，如果中心像素值比該鄰點大，則將鄰點賦值為1，否則賦值為0，這樣每個點都會獲得一個8位二進制數；計算每個子區域的直方圖，即每個數字出現的頻率，然后對該直方圖進行歸一化處理；最后將得到的每個子區域的統計直方圖進行級聯，就得到了樣本車牌圖像的LBP特征。

上述步驟a中，樣本車牌圖像在進行LBP特征提取之前，首先采用灰度拉伸進行圖像增強。