[發(fā)明專利]一種基于決策樹和SVM的車牌相似字符識別方法

在審

• 申請?zhí)枺?/td>: 201410366528.0
• 申請日: 2014-07-26
• 公開（公告）號: CN104156701A
• 公開（公告）日: 2014-11-19
• 發(fā)明（設(shè)計）人: 吳志偉;馮琰一;張少文
• 申請（專利權(quán)）人: 佳都新太科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46
• 代理公司: 無
• 代理人: 無

技術(shù)領(lǐng)域

本發(fā)明屬于計算機(jī)視覺領(lǐng)域，特別涉及一種基于決策樹和SVM的車牌相似字符識別方法，及該方法在車牌識別系統(tǒng)中的應(yīng)用。

技術(shù)背景

隨著基于計算機(jī)視覺技術(shù)的車牌識別算法的日益成熟，車牌識別的應(yīng)用場景也越來越廣泛，包括各種停車場、卡口、電子警察、甚至街道小區(qū)的監(jiān)控設(shè)備，如果對這些場景進(jìn)行布控，那么公安便能更好地掌握肇事車輛的軌跡，為破案提供了極大的便利。當(dāng)然，這對車牌識別的準(zhǔn)確率和魯棒性也提出了極高的要求，要求車牌識別技術(shù)能在不同的場景下保持高的準(zhǔn)確率。

傳統(tǒng)的字符識別方法采用模板匹配結(jié)合相似字符局部特征，用相似字符之間的細(xì)微差異來區(qū)分相似字符，如0、D之間僅左上角、左下角部分特征不同，8和B之間僅左半部分特征不同，這種方法很直觀，容易理解，但在實際應(yīng)用中這種方法效果并不理想，因為現(xiàn)實場景中，由于拍攝角度、光照、牌照印刷質(zhì)量、字符切分等原因，導(dǎo)致這種細(xì)微差別變得非常不明顯。

針對傳統(tǒng)車牌識別技術(shù)中字符識別模塊在拍攝角度較大、光照較差、牌照不清晰等情況下，對相似字符識別率不高，本發(fā)明設(shè)計了一種基于決策樹和SVM的車牌相似字符識別方法，該方法能極大地提高相似字符識別的精度，從而保證整個車牌識別系統(tǒng)的準(zhǔn)確率。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決傳統(tǒng)車牌識別技術(shù)中字符識別模塊在拍攝角度較大、光照較差、牌照不清楚、圖像分辨率較低等情況下，相似字符識別容易出錯的缺陷。本發(fā)明內(nèi)容如下：

基于決策樹和SVM的車牌相似字符識別方法，技術(shù)特征如下：

(1)、按照車牌位置分為三組，第一個字符中文(粵、湘、贛等)、第二個字符字母(A～Z)、第三到七個字符字母和數(shù)字的組合(0～9、A～Z)，構(gòu)建第一層決策樹。

(2)、按照字符相似程度分為八類，即0DQ、2Z、4A、5S、7T、8B、CG、EF，構(gòu)建第二層決策樹。

(3)、將0DQ分為二類，即0D、Q，構(gòu)建第三層決策樹，以進(jìn)一步提高0DQ的識別率。

(4)、對于第一層決策樹，采用HOG特征結(jié)合線性SVM訓(xùn)練三個決策模型，即漢字模型、字母模型和字母數(shù)字模型。對于第二層決策樹，0DQ、4A采用Gabor特征并用PCA降維，2Z、5S、7T取圖像上半部分，提取分塊梯度方向特征，8B取圖像左半部分，提取分塊灰度統(tǒng)計特征，CG取圖像下半部分，提取分塊灰度統(tǒng)計特征，EF提取圖像下1/3部分，提取灰度特征，全部采用線性SVM訓(xùn)練八個決策模型。對于第三層決策樹，0D取左上1/3和左下1/3圖像提取分塊灰度統(tǒng)計與梯度加權(quán)特征，并采用線性SVM訓(xùn)練1個決策模型。

(5)、分塊梯度特征：首先將字符圖像歸一化到40×20(寬40、高20)大小，然后按5×5的大小分塊，即共分成8×4＝32塊，用sobel算子對每個小塊分別計算水平梯度和垂直梯度，并統(tǒng)計8個方向的梯度個數(shù)，即組成32×8＝256維向量，作為該字符的特征。

(6)、分塊灰度統(tǒng)計特征：首先將字符圖像歸一化到40×20(寬40、高20)大小，然后按5×5的大小分塊，即共分成8×4＝32塊，計算每個子塊的灰度直方圖(8個bin)，即組成32×8＝256維向量，作為該字符的特征。

附圖說明

圖1是本發(fā)明的基本流程圖；

圖2是本發(fā)明的分塊梯度特征提取流程圖；

圖3是本發(fā)明的分塊灰度統(tǒng)計特征提取流程圖；

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)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。基于本發(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(hù)的范圍。

基于決策樹和SVM的車牌字符識別具體實施方式如下：

相似字符建模過程：

1、第一層決策樹：按照車牌字符位置，設(shè)置三個節(jié)點(diǎn)。第一個節(jié)點(diǎn)為中文字符(粵、湘、贛等)，用于構(gòu)建漢字字符模型；第二個節(jié)點(diǎn)為字母(A～Z)，用于構(gòu)建字母模型；第三個節(jié)點(diǎn)為字母與數(shù)字的組合(0～9、A～Z)，用于構(gòu)建數(shù)字字母模型；本發(fā)明采用HOG特征結(jié)合線性SVM作為各個節(jié)點(diǎn)的分類器。HOG特征的方向梯度信息能夠非常好地區(qū)分不同的字符，并且該特征具有較高的維數(shù)，對于類別數(shù)量較多的情況，該特征具有較好地表達(dá)能力。線性支持向量機(jī)具有非常好地泛化能力，本發(fā)明采用一對一投票方式，進(jìn)行多類別的識別，并采用交叉驗證技術(shù)獲取最好的參數(shù)(懲罰因子)，有效地保證了第一層各節(jié)點(diǎn)的識別精度。