車牌識別方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種車牌識別方法包括：獲取不同的圖像采集設(shè)備分別采集的圖像；提取所述各圖像的特征點(diǎn)；對所述圖像的第一圖像的特征點(diǎn)與所述圖像的其他圖像的特征點(diǎn)進(jìn)行匹配得到特征點(diǎn)匹配結(jié)果；當(dāng)所述特征點(diǎn)匹配滿足預(yù)定條件時，將所述第一圖像與其他圖像合成為一幀新的圖像；對所述新的圖像進(jìn)行車牌識別；該方法能夠?qū)崿F(xiàn)圖像拼接，完成車牌識別。
【專利說明】車牌識別方法及裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理領(lǐng)域，特別是涉及一種車牌識別方法及裝置。

【背景技術(shù)】
[0002] 隨著車輛的增多，車輛識別設(shè)備已經(jīng)被廣泛的使用在停車場出入口，商廈出入口 等地方；其中，一般的車牌識別設(shè)備都采用一個攝像機(jī)或圖像采集設(shè)備進(jìn)行車輛視頻采集。 對于一般的場景，一個攝像機(jī)可以滿足車牌識別的需求。然而在某些應(yīng)用場景，一個攝像機(jī) 采集回來的視頻車牌識別效果不理想。
[0003] 在某些應(yīng)用場景，一個攝像機(jī)采集回來的視頻圖像可能由于圖像的畸變；車牌角 度太大等問題導(dǎo)致車牌識別率下降，甚至是不能夠進(jìn)行檢測。因此在這些應(yīng)用場景下例如 寬出路口、T型路口、Y型路口等可以使用兩個攝像機(jī)或圖像采集設(shè)備進(jìn)行車輛視頻采集。 這樣會在同一時間產(chǎn)生兩個車輛圖像。
[0004] 因此，如何實現(xiàn)圖像拼接，完成車牌識別，是本領(lǐng)域技術(shù)人員需要解決的技術(shù)問 題。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種車牌識別方法，該方法能夠?qū)崿F(xiàn)對圖像的拼接，并對拼 接圖像進(jìn)行車牌識別；本發(fā)明的另一目的是提供一種車牌識別裝置。
[0006] 為解決上述技術(shù)問題，本發(fā)明提供一種車牌識別方法包括：
[0007] 獲取不同的圖像采集設(shè)備分別采集的圖像；
[0008] 提取所述各圖像的特征點(diǎn)；
[0009] 對所述圖像的第一圖像的特征點(diǎn)與所述圖像的其他圖像的特征點(diǎn)進(jìn)行匹配得到 特征點(diǎn)匹配結(jié)果；
[0010]當(dāng)所述特征點(diǎn)匹配滿足預(yù)定條件時，將所述第一圖像與其他圖像合成為一幀新的 圖像；
[0011] 對所述新的圖像進(jìn)行車牌識別。
[0012] 其中，所述獲取不同的圖像采集設(shè)備分別采集的圖像包括：獲取不同的圖像采集 設(shè)備分別同時采集的圖像。
[0013] 其中，所述提取所述各圖像的特征點(diǎn)包括：利用尺度不變特征轉(zhuǎn)換SIFT提取圖像 的特征點(diǎn)。
[0014] 所述利用尺度不變特征轉(zhuǎn)換SIFT提取圖像的特征點(diǎn)包括：
[0015] 創(chuàng)建金字塔多尺度空間；
[0016] 檢測所述金字塔多尺度空間的極值點(diǎn)；
[0017] 對所述極值點(diǎn)進(jìn)行過濾，精確確定極值點(diǎn)的位置，并給所述極值點(diǎn)指定方向參 數(shù)；
[0018] 利用所述精確確定極值點(diǎn)在預(yù)定區(qū)域的方向梯度，形成特征點(diǎn)。
[0019] 其中，所述對所述圖像的第一圖像的特征點(diǎn)與所述圖像的其他圖像的特征點(diǎn)進(jìn)行 匹配得到特征點(diǎn)匹配結(jié)果包括：
[0020] 搜索所述圖像的第一圖像中每個特征點(diǎn)在所述圖像的其他圖像中的最鄰近特征 點(diǎn)和次鄰近特征點(diǎn)；
[0021] 計算特征點(diǎn)與最鄰近特征點(diǎn)的第一歐式距離和特征點(diǎn)與次鄰近特征點(diǎn)的第二歐 式距離；
[0022] 計算第一歐式距離與第二歐式距離的比率；
[0023] 當(dāng)所述比率小于閾值時，該特征點(diǎn)匹配成功。
[0024] 其中，所述搜索每個特征點(diǎn)的最鄰近特征點(diǎn)和次鄰近特征點(diǎn)包括：
[0025] 利用最優(yōu)節(jié)點(diǎn)優(yōu)先BBF算法搜索第一圖像中每個特征點(diǎn)在其他圖像中的最鄰近 特征點(diǎn)和次鄰近特征點(diǎn)。
[0026] 其中，所述當(dāng)所述特征點(diǎn)匹配結(jié)果滿足預(yù)定條件包括：
[0027] 當(dāng)所述圖像的第一圖像中特征點(diǎn)匹配成功的個數(shù)大于預(yù)定數(shù)量。
[0028] 本發(fā)明所提供的一種車牌識別裝置包括：
[0029] 采集模塊，用于獲取不同的圖像采集設(shè)備分別采集的圖像；
[0030] 提取模塊，用于提取所述各圖像的特征點(diǎn)；
[0031] 匹配模塊，用于對所述圖像的第一圖像的特征點(diǎn)與所述圖像的其他圖像的特征點(diǎn) 進(jìn)行匹配得到特征點(diǎn)匹配結(jié)果；
[0032] 合成模塊，用于當(dāng)所述特征點(diǎn)匹配滿足預(yù)定條件時，將所述第一圖像與其他圖像 合成為一幀新的圖像；
[0033] 車牌識別模塊，用于對所述新的圖像進(jìn)行車牌識別。
[0034] 其中，所述提取模塊包括：倉Il建單元，檢測單元，過濾單元，確定單元，其中，
[0035] 創(chuàng)建單元，用于創(chuàng)建金字塔多尺度空間；
[0036] 檢測單元，用于檢測所述金字塔多尺度空間的極值點(diǎn)為特征點(diǎn)；
[0037] 過濾單元，用于對所述特征點(diǎn)進(jìn)行過濾，精確確定特征點(diǎn)的位置，并給所述特征點(diǎn) 指定方向參數(shù)；
[0038] 確定單元，用于利用所述精確確定特征點(diǎn)在預(yù)定區(qū)域的方向梯度，形成最終特征 點(diǎn)。
[0039] 其中，所述匹配模塊包括：搜索單元，第一計算單元，第二計算單元，判斷單元，其 中，
[0040] 搜索單元，用于搜索所述車輛圖像的第一圖像中每個特征點(diǎn)在所述車輛圖像的其 他圖像中的最鄰近特征點(diǎn)和次鄰近特征點(diǎn)；
[0041] 第一計算單元，用于計算特征點(diǎn)與最鄰近特征點(diǎn)的第一歐式距離和特征點(diǎn)與次鄰 近特征點(diǎn)的第二歐式距離；
[0042] 第二計算單元，用于計算第一歐式距離與第二歐式距離的比率；
[0043] 判斷單元，用于當(dāng)所述比率小于閾值時，該特征點(diǎn)匹配成功。
[0044] 基于上述技術(shù)方案，本發(fā)明所提供的車牌識別方法包括，獲取不同的圖像采集設(shè) 備分別采集的圖像；提取所述各圖像的特征點(diǎn)；對所述圖像的第一圖像的特征點(diǎn)與所述圖 像的其他圖像的特征點(diǎn)進(jìn)行匹配得到特征點(diǎn)匹配結(jié)果；當(dāng)所述特征點(diǎn)匹配滿足預(yù)定條件 時，將所述第一圖像與其他圖像合成為一幀新的圖像；對所述新的圖像進(jìn)行車牌識別；通 過不同的圖像采集設(shè)備可以得到不同角度的拍攝圖像，對各個圖像采集設(shè)備采集到的圖像 利用提取特征點(diǎn)的辦法進(jìn)行圖像合成也即融合成一幀新的圖像，相當(dāng)于擴(kuò)大了利用一個圖 像采集設(shè)備所得到的圖像的范圍，這樣可以極大限度的包含完整的車牌圖像，使得后續(xù)的 車牌識別能夠順利進(jìn)行，解決在一些特殊場景下不能進(jìn)行車牌識別的問題；該方法能夠?qū)?現(xiàn)圖像拼接，完成車牌識別。

【專利附圖】

【附圖說明】
[0045] 為了更清楚的說明本發(fā)明實施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對實施例或現(xiàn)有 技術(shù)描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā) 明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根 據(jù)這些附圖獲得其他的附圖。
[0046] 圖1為本發(fā)明實施例提供的車牌識別方法的流程圖；
[0047] 圖2為本發(fā)明實施例提供的利用尺度不變特征轉(zhuǎn)換SIFT提取圖像的特征點(diǎn)的流 程圖；
[0048] 圖3為本發(fā)明實施例提供的對第一圖像的特征點(diǎn)與所述圖像的其他圖像的特征 點(diǎn)進(jìn)行匹配得到特征點(diǎn)匹配結(jié)果的流程圖；
[0049] 圖4為本發(fā)明實施例提供的車牌識別裝置的結(jié)構(gòu)框圖；
[0050] 圖5為本發(fā)明實施例提供的提取模塊的結(jié)構(gòu)框圖；
[0051] 圖6為本發(fā)明實施例提供的匹配模塊的結(jié)構(gòu)框圖；
[0052] 圖7為本發(fā)明實施例提供的在寬路口下的具體應(yīng)用的示意圖；
[0053] 圖8為本發(fā)明實施例提供的在T型口下的具體應(yīng)用的示意圖；
[0054] 圖9為本發(fā)明實施例提供的在Y型口下的具體應(yīng)用的示意圖。

【具體實施方式】
[0055] 本發(fā)明的目的是提供一種車牌識別方法，該方法能夠?qū)崿F(xiàn)對圖像的拼接，并對拼 接圖像進(jìn)行車牌識別；本發(fā)明的另一目的是提供一種車牌識別裝置。
[0056] 為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實施例 中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是 本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員 在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。
[0057] 在一些具體場景下，例如寬路口，一般車牌識別設(shè)備的理想應(yīng)用范圍是不超過4 米，有些出入口較寬，例如寬度達(dá)到4-6米，當(dāng)車輛靠邊行駛，在監(jiān)控范圍的某些地方，車牌 可能不能被檢測，導(dǎo)致識別率下降。另外圖像采集設(shè)備例如攝像機(jī)由于本身的設(shè)計缺陷，當(dāng) 監(jiān)控角度大，或者目標(biāo)靠近監(jiān)控畫面邊緣的時候圖像會存在一些畸變。如果車牌處于這些 區(qū)域，也會由于形變或角度大等原因?qū)е聼o法檢測或識別錯誤。又如T型口，車輛拐彎時由 于車牌角度大，車牌定位往往會失敗。如果后續(xù)沒有足夠長的直線距離讓車牌識別器重新 定位車牌，也會導(dǎo)致車牌識別率下降。還有Y型口，有一些小區(qū)的停車場有地面和地下，在 出口處地面和地下停車場出口交匯，形成Y型口，如果只用一個攝像機(jī)，只能保證一個方向 來車，另外一個方向來車會由于車牌角度大的原因?qū)е伦R別率下降。
[0058] 請參考圖1，圖1為本發(fā)明實施例提供的車牌識別方法的流程圖，通過該方法可以 有效的解決寬處路口等上述場景中車牌識別率低的問題，該方法可以包括：
[0059] 步驟SlOO、獲取不同的圖像采集設(shè)備分別采集的圖像；
[0060] 其中，在特定場景下按照實際情況預(yù)先安裝若干圖像采集設(shè)備，圖像采集設(shè)備的 安裝個數(shù)以及數(shù)量都以實際情況為準(zhǔn)，例如能夠得到完整、有效的車牌圖像，或者能夠得到 可以準(zhǔn)確進(jìn)行車牌識別的車牌圖像為準(zhǔn)。
[0061] 其中，通過安裝好的圖像采集設(shè)備進(jìn)行圖像采集，例如利用攝像頭可以24小時一 直進(jìn)行圖像采集。也可以設(shè)置地感傳感器，當(dāng)檢測到有車輛的時候在進(jìn)行圖像采集。前者 可以采集到更多幀的圖像能夠可以提高車牌檢測的成功率，后者可以減少設(shè)備進(jìn)行圖像合 成以及檢測的次數(shù)。
[0062] 步驟sllO、提取所述各圖像的特征點(diǎn)；
[0063] 其中，對獲取的各個圖像進(jìn)行特征點(diǎn)處理，提取到各個圖像的特征點(diǎn)，例如可以使 用利用尺度不變特征轉(zhuǎn)換SIFT提取圖像的特征點(diǎn)或哈里斯Harris提取圖像的特征點(diǎn)，其 他方法可以提取到各個圖像特征點(diǎn)也可以。
[0064] 步驟S120、對所述圖像的第一圖像的特征點(diǎn)與所述圖像的其他圖像的特征點(diǎn)進(jìn)行 匹配得到特征點(diǎn)匹配結(jié)果；
[0065] 其中，以獲取的圖像中的一個作為第一圖像，第一圖像可以預(yù)先設(shè)定好，將所述第 一圖像的特征點(diǎn)與其他圖像的特征點(diǎn)進(jìn)行匹配，得到匹配結(jié)果。這里可以是對各個圖像采 集設(shè)備同時獲取的圖像中，一副作為第一圖像，其他的作為其他圖像，在進(jìn)行上述特征點(diǎn)匹 配處理，并得到匹配結(jié)果。
[0066] 步驟S130、當(dāng)所述特征點(diǎn)匹配滿足預(yù)定條件時，將所述第一圖像與其他圖像合成 為一幀新的圖像；
[0067] 其中，特征點(diǎn)匹配滿足預(yù)定條件時，即各個圖像采集設(shè)備所采集到的圖像可以進(jìn) 行融合處理，即滿足融合條件時，將所述第一圖像與其他圖像合成為一幀新的圖像。新的圖 像就是一副視野范圍更大的圖像。
[0068] 步驟S140、對所述新的圖像進(jìn)行車牌識別。
[0069] 其中，對得到的視野范圍更大的圖像進(jìn)行車牌識別，可以提高車牌識別的效率，因 為該新的圖像能夠包含清晰、完整的車牌的可能性很大。在比較好的圖像的前提下在進(jìn)行 車牌識別，可以提高車牌識別的效率。
[0070] 基于上述技術(shù)方案，本發(fā)明實施例所提供的車牌識別方法，通過不同的圖像采集 設(shè)備可以得到不同角度的拍攝圖像，對各個圖像采集設(shè)備采集到的圖像利用提取特征點(diǎn)的 辦法進(jìn)行圖像合成也即融合成一幀新的圖像，相當(dāng)于擴(kuò)大了利用一個圖像采集設(shè)備所得到 的圖像的范圍，這樣可以極大限度的包含完整的車牌圖像，使得后續(xù)的車牌識別能夠順利 進(jìn)行，解決在一些特殊場景下不能進(jìn)行車牌識別的問題；該方法能夠?qū)崿F(xiàn)圖像拼接，完成車 牌識別，并提高車牌識別效率。
[0071] 可選的，所述獲取不同的圖像采集設(shè)備分別采集的圖像包括：獲取不同的圖像采 集設(shè)備分別同時采集的圖像。
[0072] 其中，對同時獲取的圖像進(jìn)行特征點(diǎn)匹配以及進(jìn)行融合可以更好的進(jìn)行，效率更 商。
[0073] 可選的，所述提取所述各圖像的特征點(diǎn)包括：利用尺度不變特征轉(zhuǎn)換SIFT提取圖 像的特征點(diǎn)或哈里斯Harris提取圖像的特征點(diǎn)。
[0074] 其中，SIFT (Scale Invariant Feature transform)特征匹配算法的匹配能力較 強(qiáng)，可以處理兩幅圖像之間發(fā)生平移、旋轉(zhuǎn)、仿射變換情況下的匹配問題，甚至在某種程度 上對任意角度拍攝的圖像也具備較為穩(wěn)定的特征匹配能力。
[0075] 可選的，請參照圖2,圖2為本發(fā)明實施例提供的利用尺度不變特征轉(zhuǎn)換SIFT提取 圖像的特征點(diǎn)的流程圖；該方法可以包括：
[0076] 步驟s200、創(chuàng)建金字塔多尺度空間；
[0077] 其中，可以選用DOG(Difference of Gaussian)金字塔多尺度空間創(chuàng)建。
[0078] 步驟s210、檢測所述金字塔多尺度空間的極值點(diǎn)；
[0079] 其中，在DOG空間中，中心的檢測點(diǎn)和它同尺度的8個相鄰點(diǎn)和上下相鄰尺度對應(yīng) 的9X2個點(diǎn)共26個點(diǎn)比較，以確保在尺度空間和二維圖像空間都檢測到極值點(diǎn)。
[0080] 步驟S220、對所述極值點(diǎn)進(jìn)行過濾，精確確定極值點(diǎn)的位置，并給所述極值點(diǎn)指定 方向參數(shù)；
[0081] 其中，對所述極值點(diǎn)進(jìn)行過濾,過濾部分位于邊緣的特征點(diǎn)，并給所述極值點(diǎn)指定 方向參數(shù)。其中，給所述極值點(diǎn)指定方向參數(shù)可以包括，為每個極值點(diǎn)指定方向參數(shù)，梯度 直方圖的范圍是0?360°，取每10° -個柱，總共分36個柱進(jìn)行方向直方圖的統(tǒng)計計算， 為極值點(diǎn)賦予方向參數(shù)。
[0082] 步驟s230、利用所述精確確定極值點(diǎn)在預(yù)定區(qū)域的方向梯度，形成特征點(diǎn)。
[0083] 其中，利用所述精確確定極值點(diǎn)在預(yù)定區(qū)域的方向梯度，形成特征點(diǎn)包括，過程具 體可以為：首先將坐標(biāo)軸旋轉(zhuǎn)為極值點(diǎn)的方向，對任意一個極值點(diǎn)，在其所在的尺度空間取 以特征點(diǎn)為中心的16X16大小的鄰域，再將此鄰域均勻地分為4X4個子區(qū)域，對每個子區(qū) 域計算梯度方向直方圖（8個方向）。對4X4個子區(qū)域的8方向梯度直方圖根據(jù)位置依次 排序，這樣就構(gòu)成了一個4X4X8 = 128維的向量。最后將特征向量長度歸一化，該向量就 是SIFT特征點(diǎn)向量，既可以得到向量特征點(diǎn)。
[0084] 可選的，請參考圖3,圖3為本發(fā)明實施例提供的對第一圖像的特征點(diǎn)與所述圖像 的其他圖像的特征點(diǎn)進(jìn)行匹配得到特征點(diǎn)匹配結(jié)果的流程圖；該方法可以包括：
[0085] 步驟s300、搜索所述圖像的第一圖像中每個特征點(diǎn)在所述圖像的其他圖像中的最 鄰近特征點(diǎn)和次鄰近特征點(diǎn)；
[0086] 步驟S310、計算特征點(diǎn)與最鄰近特征點(diǎn)的第一歐式距離和特征點(diǎn)與次鄰近特征點(diǎn) 的第二歐式距離；
[0087] 步驟s320、計算第一歐式距離與第二歐式距離的比率；
[0088] 步驟s330、當(dāng)所述比率小于閾值時，該特征點(diǎn)匹配成功。
[0089] 可選的，所述搜索每個特征點(diǎn)的最鄰近特征點(diǎn)和次鄰近特征點(diǎn)包括：
[0090] 利用最優(yōu)節(jié)點(diǎn)優(yōu)先BBF算法搜索第一圖像中每個特征點(diǎn)在其他圖像中的最鄰近 特征點(diǎn)和次鄰近特征點(diǎn)。
[0091] 其中，以兩幅圖像為例子進(jìn)行說明，進(jìn)行兩幀圖像的特征點(diǎn)匹配。在提取出兩幅圖 中的特征點(diǎn)之后，通過雙向查找特征描述子之間的最小歐式距離進(jìn)行匹配。采用最優(yōu)節(jié)點(diǎn) 優(yōu)先（Best Bin First, BBF)算法檢索每個特征點(diǎn)的最近鄰和次近鄰特征點(diǎn)。假設(shè)與特征 點(diǎn)的歐氏距離最近和次近的特征分別為E和E'，計算特征點(diǎn)與E和E'歐式距離的比率。 如果值小于某一閾值，則認(rèn)為匹配成功。本實施例中使用的閾值為〇. 6。
[0092] 其中，最優(yōu)節(jié)點(diǎn)優(yōu)先（Best Bin First, BBF)是一種改進(jìn)的k-d樹最近鄰查詢算 法。BBF的查詢思路就是將"查詢路徑"上的節(jié)點(diǎn)進(jìn)行排序，如按各自分割超平面（稱為 Bin)與查詢點(diǎn)的距離排序。回溯檢查總是從優(yōu)先級最高的（Best Bin)的樹節(jié)點(diǎn)開始。另 外BBF還設(shè)置了一個運(yùn)行超時限制，當(dāng)優(yōu)先級隊列中的所有節(jié)點(diǎn)都經(jīng)過檢查或者超出時間 限制時，算法返回當(dāng)前找到的最好結(jié)果作為近似的最近鄰。采用了 best-bin-first search 方法就可以將k-d樹擴(kuò)展到高維數(shù)據(jù)集上。
[0093] 可選的，哈里斯Harris提取圖像的特征點(diǎn)的方法，該方法可以包括：這里以兩幅 圖的哈里斯Harris提取圖像的特征點(diǎn)為例子進(jìn)行說明，對于多幅圖的情況也適用。
[0094] 1、提取第一圖像與第二圖像的Harris角點(diǎn)，分別得到第一圖像的特征點(diǎn)集合 PtsO和第二圖像的特征點(diǎn)集合ptsl。為了加速即加快處理速度，可以由用戶首先確定會出 現(xiàn)重合的區(qū)域，僅對重合區(qū)域進(jìn)行Harris角點(diǎn)提取操作。
[0095] 其中，Harris算子用高斯函數(shù)代替二值窗口函數(shù)，對離中心點(diǎn)越近的像素賦于越 大的權(quán)重，以減少噪聲影響，窗口函數(shù)可以表示為：;其中，〇為 Ino' 函數(shù)的寬度參數(shù)，控制了函數(shù)的徑向作用范圍。
[0096] 2、依次從ptsO取出一個特征點(diǎn)，分別與ptsl中所有的特征點(diǎn)進(jìn)行歸一化互相關(guān) 計算（Normalized Cross Correlation，NCC)，得到所有點(diǎn)的匹配度，保留最大的匹配度，如 果該匹配度超過了閾值，就認(rèn)為PtsO中這個點(diǎn)與ptsl中的某個點(diǎn)粗匹配成功。
[0097] 其中，在預(yù)定的區(qū)域?qū)⒔屈c(diǎn)ptsO與pts2每一對像素點(diǎn)進(jìn)行歸一化互相關(guān)計算。假 設(shè)從PtsO中提取一個特征點(diǎn)A，從ptsl中提取一個特征點(diǎn)B。首先以該特征點(diǎn)A為中心， 切出5x5區(qū)域作為待匹配區(qū)域AreaA,以該特征點(diǎn)B為中心，切出5x5區(qū)域作為待匹配區(qū)域 AreaB。對包含每一對像素點(diǎn)的區(qū)域進(jìn)行歸一化互相關(guān)計算的具體方法為：如果第一車輛 圖像€是大小為凡\]\^，那么圖像€上的某個像素點(diǎn)（1，7)的灰度值可以表示為以1，7)， xG {〇，...，Mx_l}，yG {〇，...，My_l}。如果圖像t是大小SNxXNy的第二車輛圖像，那么 圖像t上某個像素點(diǎn)（x，y)的灰度值可以表示為t(x，y)。要計算模板圖像t上的任意一點(diǎn) (u，V)與輸入圖像f?上相同大小的塊之間的相關(guān)度，可以使用以下公式 ：
[0098]

【權(quán)利要求】
1. 一種車牌識別方法，其特征在于，包括： 獲取不同的圖像采集設(shè)備分別采集的圖像； 提取所述各圖像的特征點(diǎn)； 對所述圖像的第一圖像的特征點(diǎn)與所述圖像的其他圖像的特征點(diǎn)進(jìn)行匹配得到特征 點(diǎn)匹配結(jié)果； 當(dāng)所述特征點(diǎn)匹配滿足預(yù)定條件時，將所述第一圖像與其他圖像合成為一幀新的圖 像； 對所述新的圖像進(jìn)行車牌識別。
2. 如權(quán)利要求1所述的車牌識別方法，其特征在于，所述獲取不同的圖像采集設(shè)備分 別采集的圖像包括：獲取不同的圖像采集設(shè)備分別同時采集的圖像。
3. 如權(quán)利要求1所述的車牌識別方法，其特征在于，所述提取所述各圖像的特征點(diǎn)包 括：利用尺度不變特征轉(zhuǎn)換SIFT提取圖像的特征點(diǎn)或哈里斯Harris提取圖像的特征點(diǎn)。
4. 如權(quán)利要求3所述的車牌識別方法，其特征在于，所述利用尺度不變特征轉(zhuǎn)換SIFT 提取圖像的特征點(diǎn)包括： 創(chuàng)建金字塔多尺度空間； 檢測所述金字塔多尺度空間的極值點(diǎn)； 對所述極值點(diǎn)進(jìn)行過濾，精確確定極值點(diǎn)的位置，并給所述極值點(diǎn)指定方向參數(shù)； 利用所述精確確定極值點(diǎn)在預(yù)定區(qū)域的方向梯度，形成特征點(diǎn)。
5. 如權(quán)利要求1所述的車牌識別方法，其特征在于，所述對所述圖像的第一圖像的特 征點(diǎn)與所述圖像的其他圖像的特征點(diǎn)進(jìn)行匹配得到特征點(diǎn)匹配結(jié)果包括： 搜索所述圖像的第一圖像中每個特征點(diǎn)在所述圖像的其他圖像中的最鄰近特征點(diǎn)和 次鄰近特征點(diǎn)； 計算特征點(diǎn)與最鄰近特征點(diǎn)的第一歐式距離和特征點(diǎn)與次鄰近特征點(diǎn)的第二歐式距 離； 計算第一歐式距離與第二歐式距離的比率； 當(dāng)所述比率小于閾值時，該特征點(diǎn)匹配成功。
6. 如權(quán)利要求5所述的車牌識別方法，其特征在于，所述搜索每個特征點(diǎn)的最鄰近特 征點(diǎn)和次鄰近特征點(diǎn)包括： 利用最優(yōu)節(jié)點(diǎn)優(yōu)先BBF算法搜索第一圖像中每個特征點(diǎn)在其他圖像中的最鄰近特征 點(diǎn)和次鄰近特征點(diǎn)。
7. 如權(quán)利要求1所述的車牌識別方法，其特征在于，所述當(dāng)所述特征點(diǎn)匹配結(jié)果滿足 預(yù)定條件包括： 當(dāng)所述圖像的第一圖像中特征點(diǎn)匹配成功的個數(shù)大于預(yù)定數(shù)量。
8. -種車牌識別裝置，其特征在于，包括： 采集模塊，用于獲取不同的圖像采集設(shè)備分別采集的圖像； 提取模塊，用于提取所述各圖像的特征點(diǎn)； 匹配模塊，用于對所述圖像的第一圖像的特征點(diǎn)與所述圖像的其他圖像的特征點(diǎn)進(jìn)行 匹配得到特征點(diǎn)匹配結(jié)果； 合成模塊，用于當(dāng)所述特征點(diǎn)匹配滿足預(yù)定條件時，將所述第一圖像與其他圖像合成 為一幀新的圖像； 車牌識別模塊，用于對所述新的圖像進(jìn)行車牌識別。
9. 如權(quán)利要求1所述的車牌識別裝置，其特征在于，所述提取模塊包括：創(chuàng)建單元，檢 測單元，過濾單元，確定單元，其中， 創(chuàng)建單元，用于創(chuàng)建金字塔多尺度空間； 檢測單元，用于檢測所述金字塔多尺度空間的極值點(diǎn)為特征點(diǎn)； 過濾單元，用于對所述特征點(diǎn)進(jìn)行過濾，精確確定特征點(diǎn)的位置，并給所述特征點(diǎn)指定 方向參數(shù)； 確定單元，用于利用所述精確確定特征點(diǎn)在預(yù)定區(qū)域的方向梯度，形成最終特征點(diǎn)。
10. 如權(quán)利要求1所述的車牌識別裝置，其特征在于，所述匹配模塊包括：搜索單元，第 一計算單元，第二計算單元，判斷單元，其中， 搜索單元，用于搜索所述車輛圖像的第一圖像中每個特征點(diǎn)在所述車輛圖像的其他圖 像中的最鄰近特征點(diǎn)和次鄰近特征點(diǎn)； 第一計算單元，用于計算特征點(diǎn)與最鄰近特征點(diǎn)的第一歐式距離和特征點(diǎn)與次鄰近特 征點(diǎn)的第二歐式距離； 第二計算單元，用于計算第一歐式距離與第二歐式距離的比率； 判斷單元，用于當(dāng)所述比率小于閾值時，該特征點(diǎn)匹配成功。
【文檔編號】G06K9/46GK104376332SQ201410749313
【公開日】2015年2月25日 申請日期:2014年12月9日 優(yōu)先權(quán)日:2014年12月9日
【發(fā)明者】唐健, 李昕, 李銳 申請人:深圳市捷順科技實業(yè)股份有限公司