[發明專利]一種車牌字符分割與識別方法

在審

• 申請號: 202010828399.8
• 申請日: 2020-08-17
• 公開（公告）號: CN112101343A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 高天;張波;林志潔
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 張生梅

本發明公開了一種車牌字符分割與識別方法，包括以下步驟：S1.對車牌圖像進行預處理；S2.去除間隔符、去除上下邊框、定位出第二個字符右端的坐標；S3.分割字符，并將字符歸一化；S4.將采集的數據集分為訓練集和測試集；S5.構建一個適用于車牌字符圖像識別的卷積神經網絡；S6.選擇訓練參數，并使用訓練集對設定好的網絡進行訓練；S7.使用測試集對訓練好的網絡進行測試，得到車牌識別網絡的準確率。本發明能避免因字符斷裂而導致的字符分割失敗問題，解決訓練樣本較少導致的過擬合問題，進一步提高收斂速度和模型的泛化能力。

技術領域

本發明涉及車牌識別的技術領域，尤其涉及到一種車牌字符分割與識別方法。

背景技術

車牌號是車輛的一個重要標識，因此車牌識別技術對交通的管控有重要的意義，車牌識別系統是建設智能交通系統的重要環節。

傳統的字符分割有連通域法和垂直投影法，對字符分割有較好的效果，但當車牌中出現“川”、“浙”等字符斷裂的情況時，連通域法和投影法就會錯誤地將“川”字分為3個“1”。

傳統的模板匹配車牌識別方法依賴于模板字符與待測字符的匹配程度，對原圖像清晰度有嚴格的要求，該方法的識別效果并不好。在機器學習中,基于支持向量機的識別算法是一種比較經典的算法。此方法有很強的魯棒性，但它過分強調字符特征的選取。

目前，車牌識別算法大多是在卷積神經網絡的基礎上，做不斷地改進和優化。現有技術通過提高模型復雜度，如增加了特征圖數量，降低了訓練誤差。但在訓練樣本較少的情況下仍然使用復雜模型，就容易出現過擬合問題。

發明內容

本發明的目的在于克服現有技術的不足，提供一種能避免因字符斷裂而導致的字符分割失敗問題、解決訓練樣本較少導致的過擬合問題、進一步提高收斂速度和模型的泛化能力的車牌字符分割與識別方法。

為實現上述目的，本發明所提供的技術方案為：

一種車牌字符分割與識別方法，包括以下步驟：

S1.對車牌圖像進行預處理；

S2.去除間隔符、去除上下邊框、定位出第二個字符右端的坐標；

S3.分割字符，并將字符歸一化；

S4.將采集的數據集分為訓練集和測試集；

S5.構建一個適用于車牌字符圖像識別的卷積神經網絡；

S6.選擇訓練參數，并使用訓練集對設定好的網絡進行訓練；

S7.使用測試集對訓練好的網絡進行測試，得到車牌識別網絡的準確率。

進一步地，所述步驟S1具體包括：

S11.對彩色車牌圖像進行灰度化操作；

S12.使用大津法對灰度圖進行二值化操作。

進一步地，所述步驟S2具體包括：

S21.使用開運算去掉面積小于20的區域；

S22.統計每一行像素由1變為0或是由0變為1的跳變次數，得到跳變次數統計圖；從總行數的1/3處向上檢索，得到跳變次數小于或等于13的行坐標x1；從總行數的2/3處向下檢索，得到跳變次數小于或等于13的行坐標x2，去除區間[x1,x2]以外的區域；又得字符高度x＝(x2-x1)，單個字符寬度為a＝x*(45/90)，字符間距b＝x*(12/90)，第二個和第三個字符間距c＝x*(34/90)；

S23.利用第二個字符與第三個字符間距最大的特點，用垂直投影法定位出第二個字符右端的坐標z1。

進一步地，所述步驟S3具體包括：