[發(fā)明專利]一種魯棒的車牌、車標識別方法

有效

• 申請?zhí)枺?/td>: 201611206923.8
• 申請日: 2016-12-23
• 公開（公告）號: CN106650731B
• 公開（公告）日: 2020-02-21
• 發(fā)明（設計）人: 鄭慧誠;袁帥;何娜;陳至宇
• 申請（專利權）人: 中山大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06K9/62
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發(fā)明公開一種魯棒的車牌、車標識別方法。采用基于Adaboost檢測、SVM篩選以及紋理分析去邊的方法進行車牌精確檢測，以有效應對不同場景、光照、視角、分辨率等，檢測出的車牌區(qū)域只包含較少的背景。以最大穩(wěn)定極值區(qū)域檢測為主、滑動窗檢測為輔，配合能量優(yōu)化進行車牌識別，不僅能夠有效地檢測出傳統(tǒng)的基于字符分割方法難以處理的車牌污損、分辨率不足等情況下的字符，而且使得字符檢測與識別同步進行，打破傳統(tǒng)的“先分割再識別”的模式。采用基于置信度加權的特征編碼表達車標樣本，利用基于組稀疏的判別性字典對模型識別編碼的車標特征，對包含復雜背景的車標樣本具有較強的魯棒性。

技術領域

本發(fā)明涉及智能交通領域，具體地，涉及一種魯棒的車牌、車標識別方法。

背景技術

近年來，隨著人們生活品質(zhì)的逐步提升，汽車的需求量也日益增大。為了提高道路交通管理效率，有效應對盜車、違規(guī)駕駛等交通問題，智能交通系統(tǒng)應運而生，其關鍵技術包括車牌和車標識別。車牌是車輛的唯一標識，自動并正確地識別車牌有利于提高交通與車輛管理效率。然而，僅僅依靠車牌識別技術并不足以解決日趨復雜的交通問題。車標作為區(qū)分不同汽車廠商最顯著的標識，可以有效彌補車牌識別技術存在的不足，大大提升系統(tǒng)的可靠性。

車牌識別方法通常包括車牌檢測、字符分割、字符識別等步驟。Thanongsak等提出一種基于車牌模式和監(jiān)督學習的4層反向傳播神經(jīng)網(wǎng)絡，識別率達96％。Menotti等的卷積神經(jīng)網(wǎng)絡與SVM相結合的方法，精度達96％以上。Sharma等利用小波變換獲取特征，結合多類徑向基的神經(jīng)網(wǎng)絡的方法，定位精度為97.6％，識別率達98.8％。王毅等人提出一種基于HVS色彩模型結合Adaboost的車牌檢測方法，定位成功率達98.1％。但是由于拍攝視角、光照、分辨率、場景等因素的影響，在現(xiàn)有方法中。字符分割往往是整個方法的關鍵，常用的方法有垂直投影法，連通域分析法等，其效果直接決定著后續(xù)的識別。然而，車牌污損、不清晰等因素使得傳統(tǒng)的過于依賴字符分割的方法性能大大降低。

在車標識別方面，現(xiàn)有的一些方法有：Sam等的徑向切比雪夫的方法，識別率達92％，但其測試樣本較少，代表性不強；Zhang等的模板匹配的方法，識別率達95％；Llorca等的HOG+SVM的方法，識別率達92.6％；Psyllos等的基于Merge-SIFT特征的方法，識別率達94.6％，但對低分辨率的情況效果不好；Yu等的基于Bag-of-Words的方法，識別率達97.3％，其樣本為分割較好、僅包含車標的圖像，對于實際中粗略分割的樣本魯棒性差。Huang等的基于預訓練的卷積神經(jīng)網(wǎng)絡的方法，識別率達99.07％。雖然，上述方法取得了不錯的效果，但大多是基于已經(jīng)定位分割得比較理想的車標樣本，而目前現(xiàn)有方法在車標定位上的準確率往往還不能令人滿意，從而使這些依賴于準確定位分割的方法難以有效處理實際應用中包含復雜背景的車標圖片。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有技術的不足，本發(fā)明首先提出一種魯棒的車牌識別方法。該方法具有魯棒性強、避免過于依賴字符分割的優(yōu)點。

本發(fā)明還提出一種魯棒的車標識別方法，該方法對于不精確的車標定位具有較好的魯棒性。

為了實現(xiàn)上述目的，本發(fā)明的技術方案為：

一種魯棒的車牌識別方法，包括車牌檢測階段和車牌識別階段，在車牌檢測階段實現(xiàn)車牌區(qū)域的定位，基于定位后的車牌圖像再進行車牌識別，其中車牌識別階段具體實現(xiàn)過程為：

11)對定位后車牌區(qū)域進行灰度化；

12)利用最大穩(wěn)定極值區(qū)域MSER檢測方法在灰度化的車牌區(qū)域中尋找最大穩(wěn)定極值區(qū)域，并對其檢測結果進行候選字符窗口的排序，具體是根據(jù)每個候選字符窗口左上角起點的橫坐標進行排序；

13)對MSER的檢測結果進行非字符窗口的初步濾除；

14)記錄并保存初步過濾后的每個候選字符窗口的置信度、中心點坐標以及寬和高，進而得到車牌的字符寬、高均值；