中文車牌字符識別方法及系統(tǒng)的制作方法
【技術領域】
[0001]本發(fā)明涉及模式識別技術領域，特別是涉及一種中文車牌字符識別方法及系統(tǒng)。
【背景技術】
[0002]目前，智能交通系統(tǒng)(Intelligent Transportat 1n System, ITS)在車輛管理系統(tǒng)中越來越流行，從而減少了不少人力、物力和財力，同時有效改進了交通安全。車牌識別系統(tǒng)作為智能交通系統(tǒng)的核心部分，通常由三步構成，分別是車牌定位、字符分割以及字符識別。
[0003]現(xiàn)有技術中,通常采用局部二值模式(Local Binary Pattern, LBP)特征作為車牌圖像各位置處的特征，LBP特征通過對當前位置處的像素點與鄰域像素的取值關系進行編碼，從而獲得當前位置處的像素點與其鄰域像素點所構成的位置區(qū)域的紋理特征，進而基于各位置區(qū)域的紋理特征來識別車輛圖像中是否包含應有的車牌字符。
[0004]LBP特征能夠在一定程度上反應每個像素點的鄰域特征。但是，由于中文車牌字符圖像通常包括漢字字符、字母以及阿拉伯數(shù)字，具有較復雜的紋理。所以，采用現(xiàn)有的3X3鄰域的LBP特征無法準確反映出包含有多種字符的圖像特征，從而導致中文車牌字符圖像識別的準確性不高，而且速度較慢。

【發(fā)明內容】

[0005]基于此，有必要針對現(xiàn)有技術的缺陷和不足，提供一種中文車牌字符識別方法及系統(tǒng)，能夠快速、準確地對中文車牌字符進行識別。
[0006]為實現(xiàn)本發(fā)明目的而提供的中文車牌字符識別方法，包括以下步驟:
[0007]S100，對訓練圖像和測試圖像進行尺度歸一化，其中，所述訓練圖像和所述測試圖像中均包含有中文車牌字符；
[0008]S200，根據(jù)所述中文車牌字符中不同類型字符的位置，采用不同維數(shù)的LBP算法，計算歸一化后的所述測試圖像和所述訓練圖像中的各位置區(qū)域的LBP特征向量；
[0009]S300，對所述訓練圖像中的各位置區(qū)域的LBP特征向量進行訓練，得到適合于不同類型字符的MLP字符模型；
[0010]S400，將所述測試圖像中的各位置區(qū)域的LBP特征向量輸入所述MLP字符模型中，對所述測試圖像中包含的中文車牌字符進行分類識別。
[0011]在其中一個實施例中，所述步驟S200包括以下步驟:
[0012]S210，對尺度歸一化后的所述測試圖像和所述訓練圖像中的各位置區(qū)域進行分塊；其中，所述測試圖像和所述訓練圖像中包含的中文車牌字符的第一位字符所在的位置區(qū)域分塊的數(shù)目大于其他字符所在的位置區(qū)域分塊的數(shù)目；
[0013]S220，提取同一個位置區(qū)域分塊后的各分塊圖像的LBP特征，計算各分塊圖像的LBP直方圖；根據(jù)每一個位置區(qū)域內所有的分塊圖像的LBP直方圖得到所述測試圖像和所述訓練圖像中的各位置區(qū)域的LBP特征向量。
[0014]在其中一個實施例中，所述步驟S300包括以下步驟:
[0015]S310，采用反向傳播算法，對所述訓練圖像中的各位置區(qū)域的LBP特征向量進行訓練，得到適合于不同類型字符的MLP字符模型。
[0016]其中，所述MLP字符模型包括漢字MLP模型、字母MLP模型、數(shù)字MLP模型以及字母數(shù)字MLP模型。
[0017]在其中一個實施例中，所述步驟S400包括以下步驟:
[0018]S410，將所述測試圖像中包含的中文車牌字符的第一位字符所在的位置區(qū)域的LBP特征向量輸入所述漢字MLP模型，進行分類識別；
[0019]S420，將所述測試圖像中包含的中文車牌字符中的除第一位字符以外的其他字符所在的位置區(qū)域的LBP特征向量分別輸入所述字母MLP模型、數(shù)字MLP模型或字母數(shù)字MLP模型，進行分類識別。
[0020]在其中一個實施例中，所述步驟S420包括以下步驟:
[0021]S421，若所述字母MLP模型與所述字母數(shù)字MLP模型對當前字符所在的位置區(qū)域的LBP特征向量的分類結果一致，則判斷所述當前字符為字母；
[0022]S422，若所述數(shù)字MLP模型與所述字母數(shù)字MLP模型對當前字符所在的位置區(qū)域的LBP特征向量的識別結果一致，則判斷所述當前字符為數(shù)字。
[0023]相應地，基于統(tǒng)一發(fā)明構思，本發(fā)明還提供一種中文車牌字符識別系統(tǒng)，包括圖像歸一化模塊、特征向量提取模塊、字符模型訓練模塊以及字符識別模塊；
[0024]所述圖像歸一化模塊，用于對訓練圖像和測試圖像進行尺度歸一化，其中，所述訓練圖像和所述測試圖像中均包含有中文車牌字符；
[0025]所述特征向量提取模塊，用于根據(jù)所述中文車牌字符中不同類型字符的位置，采用不同維數(shù)的LBP算法，計算歸一化后的所述測試圖像和所述訓練圖像中的各位置區(qū)域的LBP特征向量；
[0026]所述字符模型訓練模塊，用于對所述訓練圖像中的各位置區(qū)域的LBP特征向量進行訓練，得到適合于不同類型字符的MLP字符模型；
[0027]所述字符識別模塊，用于將所述測試圖像中的各位置區(qū)域的LBP特征向量輸入所述MLP字符模型中，對所述測試圖像中包含的中文車牌字符進行分類識別。
[0028]在其中一個實施例中，所述特征向量提取模塊包括位置區(qū)域分塊單元和特征向量計算單元；
[0029]所述位置區(qū)域分塊單元，用于對尺度歸一化后的所述測試圖像和所述訓練圖像中的各位置區(qū)域進行分塊；其中，所述測試圖像和所述訓練圖像中包含的中文車牌字符的第一位字符所在的位置區(qū)域分塊的數(shù)目大于其他字符所在的位置區(qū)域分塊的數(shù)目；
[0030]所述特征向量計算單元，用于提取同一個位置區(qū)域分塊后的各分塊圖像的LBP特征，計算各分塊圖像的LBP直方圖；根據(jù)每一個位置區(qū)域內所有的分塊圖像的LBP直方圖得到所述測試圖像和所述訓練圖像中的各位置區(qū)域的LBP特征向量。
[0031]在其中一個實施例中，所述字符模型訓練模塊包括反向傳播訓練單元；
[0032]所述反向傳播訓練單元，用于采用反向傳播算法，對所述訓練圖像中的各位置區(qū)域的LBP特征向量進行訓練，得到適合于不同類型字符的MLP字符模型。
[0033]其中，所述MLP字符模型包括漢字MLP模型、字母MLP模型、數(shù)字MLP模型以及字母數(shù)字MLP模型。
[0034]在其中一個實施例中，所述字符識別模塊包括漢字分類單元以及字母數(shù)字分類單元;
[0035]所述漢字分類單元，用于將所述測試圖像中包含的中文車牌字符的第一位字符所在的位置區(qū)域的LBP特征向量輸入所述漢字MLP模型，進行分類識別；
[0036]所述字母數(shù)字分類單元，用于將所述測試圖像中包含的中文車牌字符中的除第一位字符以外的其他字符所在的位置區(qū)域的LBP特征向量分別輸入所述字母MLP模型、數(shù)字MLP模型或字母數(shù)字MLP模型，進行分類識別。
[0037]在其中一個實施例中，所述字母數(shù)字分類單元包括第一判斷子單元和第二判斷子單元；
[0038]所述第一判斷子單元，用于在所述字母MLP模型與所述字母數(shù)字MLP模型對當前字符的識別結果一致時，判斷所述當前字符為字母；
[0039]所述第二判斷子單元，用于在所述數(shù)字MLP模型與所述字母數(shù)字MLP模型對當前字符的識別結果一致時，判斷所述當前字符為數(shù)字。
[0040]本發(fā)明的有益效果:本發(fā)明提供的中文車牌字符識別方法及系統(tǒng)，采用不同維數(shù)的LBP算法有針對性的計算歸一化后的測試圖像和訓練圖像中的各位置區(qū)域的LBP特征向量，并采用多層感知器對不同種類的字符進行訓練，得到適合于不同類型字符的MLP字符模型，對中文車牌圖像中的漢字、數(shù)字和字母進行分類識別。其結合了 LBP算法與多層感知器的優(yōu)勢，識別準確率高、速度快。
【附圖說明】
[0041]為了使本發(fā)明的中文車牌字符識別方法及系統(tǒng)的目的、技術方案及優(yōu)點更加清楚明白，以下結合具體附圖及具體實施例，對本發(fā)明的中文車牌字符識別方法及系統(tǒng)進行進一步詳細說明。
[0042]圖1為本發(fā)明的中文車牌字符識別方法的一個實施例的流程圖；
[0043]圖2為基本LBP算子的運算示意圖；
[0044]圖3a為本發(fā)明的中文車牌字符識別方法的一個實施例的漢字字符LBP分塊示意圖；
[0045]圖3b為圖3a所示實施例中的字母字符LBP分塊示意圖；
[0046]圖3c為圖3a所示實施例中的數(shù)字字符LBP分塊示意圖；
[0047]圖4為本發(fā)明的中文車牌字符識別方法的一個實施例中的多層感知器的拓撲結構圖；
[0048]圖5為本發(fā)明的中文車牌字符識別系統(tǒng)的一個實施例的結構示意。
【具體實施方式】
[0049]下面將結合實施例來詳細說明本發(fā)明。需要說