一種基于概率極值搜索的車牌字符識別方法
【專利摘要】本發(fā)明提供一種基于概率極值搜索的車牌字符識別方法，首先利用字符樣本圖片構造一個樣本字典；對車牌圖片進行橫向掃描，在每個掃描窗口位置計算子圖塊在樣本字典上的稀疏編碼；再將稀疏編碼在各個字符類別的系數(shù)之和轉(zhuǎn)換為概率；最后將概率極值與字符空間信息相結(jié)合，找到最有可能的車牌字符組合。其中，采用稀疏表達提取出樣本字典中最能代表輸入圖片的基本向量，利用稀疏表達對噪聲的魯棒性，提高算法在雨雪天氣或車牌污損的情況下對車牌字符的識別能力；本發(fā)明將稀疏編碼轉(zhuǎn)換為概率值所采樣的算法，在各種光照條件下都有較高的準確率。
【專利說明】一種基于概率極值搜索的車牌字符識別方法

【技術領域】
[0001] 本發(fā)明屬于計算機視覺【技術領域】，涉及字符識別技術。

【背景技術】
[0002] 近年來，隨著我國機動車保有量的大幅增長，智能交通系統(tǒng)受到了社會的廣泛 關注。智能交通系統(tǒng)綜合運用電子信息，通信以及計算機技術，實現(xiàn)機動車的違章自動 記錄，高速公路與城市交通的車流的智能疏導與調(diào)度等功能。相比傳統(tǒng)交通管理方式， 智能交通系統(tǒng)提高了運輸效率，增進了行車安全，節(jié)約了人力成本，具有極大的經(jīng)濟價 值。詳見文獻：Badawy W. Automatic License Plate Recognition(ALPR) :A State of the Art Review[J]. Circuits and Systems for Video Technology, IEEE Transactions on, IEEE. 2013, 2(23) :311-325.
[0003] 機動車車牌識別是智能交通系統(tǒng)中的重要組成部分，主要包含以下三個步驟：圖 像中車牌區(qū)域的定位；車牌傾斜校正；車牌字符識別。其中，車牌字符識別算法是機動車車 牌識別子系統(tǒng)的核心環(huán)節(jié)，常見的車牌字符識別算法有以下三種：
[0004] 1.基于模板匹配的車牌字符識別算法；保存一組包含漢字，數(shù)字和英文字母的標 準車牌字符的模板圖片，并計算每個輸入字符圖片與模板圖片的相關性，最后將相關性最 大的那一類模板圖片的字符類別作為最后的識別結(jié)果。該方法實現(xiàn)簡單，在圖像清晰度 高的條件下表現(xiàn)較好，但其性能受天氣和光照影響較大。詳見文獻：魏武，張起森，王明 俊.一種基于模板匹配的車牌識別方法[J].中國公路學報，2001，14(1) :104-106.
[0005] 2.基于人工神經(jīng)網(wǎng)絡的車牌字符識別算法；將包含各類車牌字符的輸入圖片轉(zhuǎn) 換為特征向量，采用反向傳播算法，產(chǎn)生出一組包含大量互聯(lián)的非線性激勵函數(shù)的網(wǎng)絡結(jié) 構，即人工神經(jīng)網(wǎng)絡。通過這種非線性函數(shù)的互聯(lián)，人工神經(jīng)網(wǎng)絡模擬了生物神經(jīng)網(wǎng)絡的 部分功能，能對輸入的車牌字符圖片進行精確的分類。該方法的識別精度較高且具有自我 學習能力，但模型的參數(shù)較多，訓練過程繁瑣。詳見文獻：Ctetikk F5Cteen F. A New License Plate Recognition System Based on Probabilistic Neural Networks[J]. Procedia Technology,2012, 1:124-128.
[0006] 3.基于支撐向量機的車牌字符識別算法。支撐向量機模型通過最大化高維空 間中數(shù)據(jù)點與類別分界面的距離，實現(xiàn)對車牌字符的分類。該算法的運算效率高，識別 精度較好，是當前字符識別的主流算法，但對惡劣天氣和光照變化適應性差。詳見文獻： Parasuraman K, Subin P S. SVM Based License Plate Recognition System[C]//2010 IEEE International Conference on ComputationalIntelligence and Computing Research. 2010:28-29.
[0007] 已有字符識別算法主要存在以下三個方面的問題：
[0008] 1.對各種天氣及光照環(huán)境的適應性不高；例如模板匹配算法，由于其采用了固定 的標準模板圖片，一旦圖片質(zhì)量下降，算法中相關性匹配的結(jié)果將大受影響。支持向量機 算法中常采用線性模型，對于亮度和光照方向變化過大的字符數(shù)據(jù)，線性模型的性能將明 顯下降。
[0009] 2.對字符分割算法依賴性強；當前的車牌識別算法往往通過字符分割算法將每 個字符的圖片提取出來，再分別對這些字符圖片進行識別。一旦字符分割出現(xiàn)錯誤，識別算 法的準確性將受到嚴重影響。
[0010] 3.對車牌污漬及遮擋的處理能力弱。污漬及遮擋會讓車牌字符變得難以識別，甚 至令一類字符變得更像另一類字符。例如字符"〇"的中部的污漬往往令基于模板匹配的算 法將其識別為"8"或"B"。


【發(fā)明內(nèi)容】

[0011] 本發(fā)明所要解決的技術問題是，提供一種不依賴字符分割結(jié)果的車牌字符識別方 法。
[0012] 本發(fā)明為解決上述技術問題所采樣的技術方案是，一種基于概率極值搜索的車牌 字符識別方法，包括以下步驟：
[0013] 步驟1)構造樣本字典：將所有車牌字符樣本圖片進行尺寸統(tǒng)一縮放，并將車牌字 符樣本圖片像素向量化后再進行歸一化處理，最后按照字符類別順序?qū)w一化后的向量保 存在樣本字典D中，

【權利要求】
1. 一種基于概率極值搜索的車牌字符識別方法，其特征在于，包括以下步驟： 步驟1)構造樣本字典：將所有車牌字符樣本圖片進行尺寸統(tǒng)一縮放，并將車牌字符樣 本圖片像素向量化后再進行歸一化處理，最后按照字符類別順序?qū)w一化后的向量保存在 樣本字典D中，〇 =[IV12 …^ …VviνΛ,2 …v.VA,3f]w/j; Vij(i= 1，2. ..M，j= 1，2,...Ni)，Vij表示第i類字符的第j個樣本圖片向量化并歸一 化后的結(jié)果，M為字符類別總數(shù)，N表示所有車牌字符樣本圖片總數(shù)，.V=f；%，樣本字典D 的行數(shù)為WXΗ，列數(shù)為N，W、H分別為尺寸統(tǒng)一縮放后圖片的寬度、高度； 步驟2)對輸入的車牌圖片進行橫向掃描，計算掃描窗口中子圖塊的類別概率值： 2-1)將輸入車牌圖片的高度統(tǒng)一為Η，輸入車牌圖片的寬高比不變； 2-2)設置一個高度為H寬度為W2的掃描窗口，掃描窗口初值位置置于輸入車牌圖片的 最左邊，W2為先驗的字符寬度； 2-3)將當前掃描窗口中的子圖塊進行向量化得到向量Ux，再使用正交匹配追蹤算法對 向量Ux在樣本字典D上的稀疏表達進行近似得到稀疏編碼αχ;Χ為掃描窗口左上角坐標， 初始值為〇 ; 2-4)將稀疏編碼Cix中的系數(shù)值按照各自類別累加，?得到累加系數(shù)hx:hx I~1 =[hxlhx2 . . .hxM] ;axik是稀疏編碼αχ中對應第i類中第k個字符樣本的系數(shù)值； 2-5)將累力卩系數(shù)hx轉(zhuǎn)換為類別概率Px :PX = [PxlPx2…PxJ， p_ (i_ I m\. * χ?一 , -h Α,?,1￥￡ β t \ ￡m4k^\ 2-6)取類別概率匕中的最大元素值ft 作為位置χ處的掃描窗口中子圖塊的 類別概率值，并提取最大元素值Px所對應的字符類別編號作為當前掃描窗口的字符類別編 號cx,I<cx <M; 2-7)判斷是否完成整個輸入車牌圖片的掃描，如是，進入步驟3)，否則，令χ=x+1，向 右移動1像素掃描窗口，返回步驟2-3); 步驟3)找出整個輸入車牌圖片中所有滿足極大值判定條件的類別概率值px，并記錄該 類別概率值Px對應的掃描窗口位置為極大值點的位置，所述極大值判定條件為：位置χ處 的掃描窗口中子圖塊的類別概率值大于等于其左移1像素后以及右移1像素后的掃描窗口 中子圖塊的類別概率值； 步驟4)搜索出類別概率值總和最大的K個極大值點的位置，K個字符相互之間的距離 至少為W2 ;K為已知的輸入車牌圖片中字符個數(shù)； 步驟5)依據(jù)K個極大值點各自對應的字符類別Cx輸出車牌字符識別結(jié)果。
2. 如權利要求1所述一種基于概率極值搜索的車牌字符識別方法，其特征在于，步驟 2-1)之前還對車牌的字符排列類型進行判斷： 當車牌為單行車牌則直接將車牌圖片作為輸入車牌圖片，進入步驟2-1); 當車牌為雙行車牌，則將車牌圖片向水平方向投影，將車牌圖片切分為雙行車牌上層 圖片與雙行車牌下層圖片來作為輸入車牌圖片，進入步驟2-1); 當輸入車牌圖片為單行車牌圖片，則極大值點的個數(shù)K= 7 ;當輸入車牌圖片為雙行車 牌上層圖片，則極大值點的個數(shù)K= 2 ;當輸入車牌圖片為雙行車牌下層圖片，則極大值點 的個數(shù)K= 5。
3.如權利要求1所述一種基于概率極值搜索的車牌字符識別方法，其特征在于，用softmax函數(shù)將將累加系數(shù)hx轉(zhuǎn)換為類別概率Px。
【文檔編號】G06K9/64GK104239878SQ201410439250
【公開日】2014年12月24日 申請日期:2014年8月30日 優(yōu)先權日:2014年8月30日
【發(fā)明者】解梅, 何磊, 卜英家, 張碧武 申請人:電子科技大學