[發(fā)明專利]一種基于車牌識(shí)別與車輛特征匹配的套牌檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710544552.2
• 申請(qǐng)日: 2017-07-06
• 公開（公告）號(hào): CN107545239B
• 公開（公告）日: 2021-01-12
• 發(fā)明（設(shè)計(jì)）人: 曹從詠;董浩;朱瑩瑩;沈瑜嘉;談俊希
• 申請(qǐng)（專利權(quán)）人: 南京理工大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/34;G06K9/62;G06N3/08;G06T5/00;G06T7/11;G06T7/155;G08G1/017
• 代理公司: 南京蘇創(chuàng)專利代理事務(wù)所(普通合伙) 32273
• 代理人: 張學(xué)彪

本發(fā)明公布了一種基于車牌識(shí)別與車輛特征匹配的套牌檢測(cè)方法，包括以下步驟：提取監(jiān)控設(shè)備幀圖，將源圖灰度化；采用Sobel邊緣檢測(cè)對(duì)車牌進(jìn)行定位；運(yùn)用形態(tài)學(xué)處理圖像使得區(qū)域連通便于車牌輪廓提取；設(shè)置寬高比、面積精確提取；通過(guò)hough變化和垂直投影進(jìn)行車牌矯正與字符分割；使用神經(jīng)網(wǎng)絡(luò)識(shí)別分割字符獲取車牌信息；遷移AlexNet神經(jīng)網(wǎng)絡(luò)框架，通過(guò)識(shí)別顏色的深度特征進(jìn)行分類；運(yùn)用KNN算法結(jié)合數(shù)據(jù)庫(kù)系統(tǒng)信息檢測(cè)套牌情況。本發(fā)明保證了車輛識(shí)別的精度；直接遷移高精度的卷積神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)框架，代價(jià)小花費(fèi)小；能快速在計(jì)算機(jī)平臺(tái)上實(shí)現(xiàn)，所以車牌識(shí)別及車輛識(shí)別系統(tǒng)進(jìn)行大范圍布置代價(jià)小，可行性高。

技術(shù)領(lǐng)域

本發(fā)明涉及基于車牌識(shí)別與車輛特征匹配的套牌檢測(cè)方法，在車牌識(shí)別的基礎(chǔ)上結(jié)合遷移學(xué)習(xí)共同作用更有效的識(shí)別車輛信息，結(jié)合數(shù)據(jù)庫(kù)完成異常套牌檢測(cè)。

背景技術(shù)

車牌識(shí)別與車輛識(shí)別是智能交通領(lǐng)域運(yùn)用極為廣泛的一部分，如收費(fèi)站、停車場(chǎng)管理、違章車輛查處等。國(guó)內(nèi)車牌由漢字、字母、數(shù)字組成，由于漢字的復(fù)雜性，其識(shí)別難度遠(yuǎn)大于字母和數(shù)字。車牌顏色種類、格式、懸掛方式的多樣化的自身特性，光照的強(qiáng)弱、車牌的反光程度、背景中出現(xiàn)與車牌類似的長(zhǎng)方形區(qū)域等外部因素和拍攝的角度也導(dǎo)致車牌識(shí)別難度增大。目前車牌識(shí)別的主要方式有紋理特征和顏色匹配，其增強(qiáng)了系統(tǒng)的可靠性，但算法較為復(fù)雜。神經(jīng)網(wǎng)絡(luò)等在車牌與車身顏色相近；車牌有污漬時(shí)，車牌域句法特征改變，要精確定位車牌存在困難，魯棒性不強(qiáng)。傳統(tǒng)邊緣檢測(cè)由于引入微分運(yùn)算，致使對(duì)噪聲敏感，抗噪性能差。直接利用高斯函數(shù)對(duì)原始圖像進(jìn)行處理計(jì)算量很大。而車輛的識(shí)別主要采用SIFT特征向量采集的方式，該方法實(shí)時(shí)性不高、有時(shí)特征點(diǎn)較少、對(duì)邊緣光滑的目標(biāo)無(wú)法準(zhǔn)確提取特征點(diǎn)。

發(fā)明內(nèi)容

本發(fā)明目的在于提供一種基于車牌識(shí)別與車輛特征匹配的套牌檢測(cè)方法，可實(shí)現(xiàn)對(duì)車輛更有效的監(jiān)管，能快速發(fā)現(xiàn)套牌等違章情況。

為達(dá)成上述目的，本發(fā)明所采用的技術(shù)方案如下：一種基于車牌識(shí)別與車輛特征匹配的套牌檢測(cè)方法，包括以下步驟：步驟一、車牌識(shí)別；步驟二、車輛特征匹配；步驟三、綜合所述步驟一和步驟二進(jìn)行套牌檢測(cè)；所述步驟一的車牌識(shí)別包括以下步驟：

步驟1、視頻監(jiān)控設(shè)備識(shí)別到車輛在監(jiān)控內(nèi)時(shí)，提取視頻中的某一幀圖像作為源圖。

步驟2、對(duì)步驟1獲得的源圖進(jìn)行歸一化和灰度化，為了反映圖像的形態(tài)特征將圖像灰度化，而圖像歸一化使得圖像可以抵抗幾何變換的攻擊，它能夠找出圖像中的那些不變量，從而得知這些圖像原本就是一樣的或者一個(gè)系列的。

步驟3、對(duì)灰度圖進(jìn)行直方圖均衡化處理使得圖片的對(duì)比度增大，使圖像細(xì)節(jié)清晰，以達(dá)到增強(qiáng)的目的。通過(guò)高斯平滑分配權(quán)重，客觀上減輕了與周圍像素的差異。在現(xiàn)實(shí)生活中，車輛往往因環(huán)境因素導(dǎo)致車身布滿灰塵、車牌字符不是特別清晰，圖像會(huì)帶有噪聲，采用中值濾波用鄰域中值代替該點(diǎn)像素值，由于提取車牌位置在圖像中心，形成的邊緣模糊不會(huì)影響結(jié)果。

步驟4、車身的紋理為水平邊緣，車牌字符的紋理為垂直邊緣。依據(jù)此特性采用sobel算法實(shí)現(xiàn)邊緣垂直檢測(cè)可以對(duì)車牌進(jìn)行定位sobel算法是一離散型差分算子，用以運(yùn)算圖像高亮函數(shù)的灰度近似值,為便于后續(xù)形態(tài)學(xué)處理，基于邊緣檢測(cè)圖像的梯度值進(jìn)行二值化處理。

步驟5、上述圖像預(yù)處理后，由于車牌字符的存在會(huì)形成眾多孔洞，可以通過(guò)數(shù)學(xué)形態(tài)學(xué)的方法來(lái)去除噪聲和填補(bǔ)孔洞。數(shù)學(xué)形態(tài)學(xué)主要包括二值腐蝕與膨脹、二值開閉運(yùn)算等，形態(tài)學(xué)操作是基于形狀的一系列圖像操作。膨脹和腐蝕均作用于高亮部分，膨脹是指與矩形核進(jìn)行卷積，并將最大值賦予給指定的像素，使得圖像高亮區(qū)域增長(zhǎng)，可以獲得比原圖更大的白色區(qū)域，腐蝕取最小值得到更小的白色區(qū)域。開運(yùn)算為先腐蝕后膨脹過(guò)程，用以消去較小區(qū)域。閉運(yùn)算為先膨脹后腐蝕的過(guò)程，用于區(qū)域連通便于輪廓的提取。本發(fā)明采用閉運(yùn)算。