[發(fā)明專利]一種基于極值區(qū)域和極限學(xué)習(xí)機(jī)的車牌識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410374155.1
• 申請(qǐng)日: 2014-07-31
• 公開（公告）號(hào): CN104134079A
• 公開（公告）日: 2014-11-05
• 發(fā)明（設(shè)計(jì)）人: 王坤峰;茍超;王飛躍
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院自動(dòng)化研究所
• 主分類號(hào): G06K9/66
• 分類號(hào): G06K9/66
• 代理公司: 中科專利商標(biāo)代理有限責(zé)任公司 11021
• 代理人: 宋焰琴

1.一種基于極值區(qū)域和極限學(xué)習(xí)機(jī)的車牌識(shí)別方法，其特征在于，該方法包括以下步驟：

步驟S1，對(duì)彩色待處理圖像進(jìn)行預(yù)處理，并對(duì)預(yù)處理后得到的圖像中的車牌區(qū)域進(jìn)行粗定位，得到一系列車牌候選區(qū)域；

步驟S2，基于所述車牌候選區(qū)域，在所述彩色待處理圖像中提取得到RGB三個(gè)顏色通道的極值區(qū)域，并通過(guò)分類器從中選擇符合車牌字符區(qū)域幾何屬性的極值區(qū)域，完成車牌字符分割并實(shí)現(xiàn)車牌區(qū)域的準(zhǔn)確定位；

步驟S3，通過(guò)監(jiān)督學(xué)習(xí)建立基于極限學(xué)習(xí)機(jī)的單隱層前饋神經(jīng)網(wǎng)絡(luò)，提取所述車牌區(qū)域中字符區(qū)域的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，基于極限學(xué)習(xí)機(jī)的單隱層前饋神經(jīng)網(wǎng)絡(luò)對(duì)車牌字符進(jìn)行自動(dòng)識(shí)別。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S1進(jìn)一步包括以下步驟：

步驟S11，將彩色待處理圖像轉(zhuǎn)換為灰度圖像，并提取所述灰度圖像的邊緣信息，得到邊緣圖像；

步驟S12，對(duì)所述邊緣圖像進(jìn)行二值化，得到二值化圖像；

步驟S13，對(duì)所述二值化圖像進(jìn)行形態(tài)學(xué)閉運(yùn)算，得到一系列閉合區(qū)域的外接矩形框；

步驟S14，濾除不符合車牌區(qū)域要求的外接矩形框，得到一系列車牌候選區(qū)域。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟S11在提取所述灰度圖像的邊緣信息之前還包括對(duì)所述灰度圖像進(jìn)行噪聲濾除的步驟。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S2進(jìn)一步包括以下步驟：

步驟S21，通過(guò)監(jiān)督學(xué)習(xí)方法建立車牌字符的極值區(qū)域分類器；

步驟S22，基于所述車牌候選區(qū)域，利用所述極值區(qū)域分類器得到字符候選區(qū)域；

步驟S23，基于所述字符候選區(qū)域，得到每個(gè)字符候選區(qū)域的外接矩形框，濾除不符合車牌字符區(qū)域要求的外接矩形框，得到一系列車牌字符候選區(qū)域；

步驟S24，利用在一個(gè)車牌候選區(qū)域中檢測(cè)到的車牌字符候選區(qū)域的數(shù)量，判斷該車牌候選區(qū)域是否為準(zhǔn)確的車牌區(qū)域；

步驟S25，通過(guò)車牌的幾何分布推理得到?jīng)]有檢測(cè)到的字符并刪除檢測(cè)到的非字符區(qū)域，從而實(shí)現(xiàn)字符分割，同時(shí)也實(shí)現(xiàn)了車牌區(qū)域由粗到細(xì)的準(zhǔn)確定位。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述步驟S22進(jìn)一步包括以下步驟：

步驟S221，將所述車牌候選區(qū)域?qū)?yīng)的RGB三個(gè)顏色通道值范圍映射到區(qū)間[0,255]；

步驟S222，對(duì)于每個(gè)顏色通道，從0遞增到255，利用Logistic回歸方法計(jì)算所述極值區(qū)域分類器輸出為字符的條件概率，找到條件概率最大并且大于一預(yù)定閾值所對(duì)應(yīng)的極值區(qū)域；

步驟S223，將三個(gè)顏色通道的極值區(qū)域進(jìn)行合并得到字符候選區(qū)域。

6.根據(jù)權(quán)利要求2或4所述的方法，其特征在于，所述車牌區(qū)域要求是：

2≤Width/Height≤8、1000≤Area≤12000，

其中，Width/Height為外接矩形框的寬高比，Area表示外接矩形框的面積；

所述車牌字符區(qū)域要求是：

20≤height≤40、4≤width≤25、1≤height/width≤10、80≤area≤800，

其中，height為外接矩形框的高，width為外接矩形框的寬，height/width為外接矩形框的高寬比，area為外接矩形框的面積。

7.根據(jù)權(quán)利要求2或4所述的方法，其特征在于，所述步驟S14或步驟S23中，通過(guò)設(shè)置濾波器來(lái)濾除不符合車牌區(qū)域要求或車牌字符區(qū)域要求的外接矩形框。

8.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述步驟S24中，對(duì)于一個(gè)車牌候選區(qū)域，若檢測(cè)到的車牌字符候選區(qū)域數(shù)量為5～10個(gè)，則認(rèn)為該車牌候選區(qū)域?yàn)闇?zhǔn)確的車牌區(qū)域。

9.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3進(jìn)一步包括以下步驟：

步驟S31，人工獲取并標(biāo)記字符訓(xùn)練樣本；

步驟S32，提取所述字符訓(xùn)練樣本的特征向量，作為所述字符訓(xùn)練樣本的字符特征描述子；

步驟S33，利用所述字符訓(xùn)練樣本及其字符特征描述子，離線訓(xùn)練得到基于極限學(xué)習(xí)機(jī)的神經(jīng)網(wǎng)絡(luò)；

步驟S34，提取所述車牌區(qū)域中字符區(qū)域的特征向量，作為所述基于極限學(xué)習(xí)機(jī)的神經(jīng)網(wǎng)絡(luò)的輸入，識(shí)別所述字符區(qū)域中的各個(gè)字符類型，從而實(shí)現(xiàn)車牌字符識(shí)別。

10.根據(jù)權(quán)利要求9所述的方法，其特征在于，所述字符訓(xùn)練樣本的特征向量與所述車牌區(qū)域中字符區(qū)域的特征向量均為方向梯度直方圖。