一种基于积分特征通道与灰度投影的车牌识别系统技术方案

本发明专利技术涉及计算机视觉领域，特指一种基于积分通道特征与灰度投影的车牌识别系统。本系统针对车牌识别这个特定问题，包括三个步骤：1.车牌定位；2.车牌字符的分割；3.车牌字符分割后的字符识别并输出。本发明专利技术有效克服了采集得到的图像背景复杂、光照不均、分辨率低、车牌旧、车牌脏等在图像处理中的困难，本发明专利技术提出的识别方法，车牌字符读取可靠性高，识别度好，鲁棒性好，同时步骤计算简单，能保持高效率，实时性也能满足需求对于道路交通和停车场车辆管理具有重要的促进作用。

【技术实现步骤摘要】

本专利技术涉及计算机视觉领域，特指一种基于积分特征通道与灰度投影的车牌识别系统。
技术介绍
随着现代化交通的发展，车辆牌照自动识别技术越来越受到人们的重视，是近年来计算机视觉与模式识别技术在智能交通领域的重要研究课题之一。车辆牌照自动识别系统可用于公路收费站、停车场、十字路口等场所的车辆管理，对于道路交通和停车场车辆管理具有重要的促进作用。车牌识别技术包括车牌定位、字符分割和字符识别3个基本环节，其中车牌定位是字符分割和字符识别的前提，而车牌字符分割是车牌识别的基础。车牌识别系统在国内外研究都有一段时间了，国外的车牌识别系统有一定的应用，但是国内的车牌识别系统总体上来说还处于实验室阶段，离实际的工程应用还有一段距离。其原因是因为国内的车牌不统一、汉字识别难度大等因素。但车牌其自身的特点为我们研究车牌识别系统提供了突破口。现实中，通过由本公司提供的部分监控系统数据源可以看出，在实际路口采集所得的图片与停车场和小区中采集的图片有很大的不同。小区中的图片背景单一，光照均匀，分辨率高。与此不同的是，在十字路口采集的图片背景复杂、光照不均、分辨率低、车牌旧、车牌脏等，这些都给车牌识别带来了很大的困难，针对这些实际的特定问题，本专利技术提出了一种车牌自动定位、分割以及识别系统。本系统算法车牌字符读取可靠性高，识别度好，鲁棒性好，同时步骤计算简单，能保持高效率，实时性也能满足需求。
技术实现思路
本专利技术要解决的技术问题在于：针对现行车牌识别系统存在的这些特定难点问题，为了提高监控系统的车牌识别的准确程度，并使其满足实时性需求，提出一种基于积分通道特征和灰度投影的车牌识别系统，其具体技术方案如下：包括以下步骤：S1)车牌定位；S1.1)训练车牌样本特征提取及特征组织；S1.2)车牌检测定位；S2)车牌字符分割；S2.1)去除输入车牌区域图像的车牌边框；S2.2)车牌字符的分割；S3)车牌字符分割后的字符识别并输出。作为本专利技术技术方案的进一步优化，所述步骤S1.1)具体包括：S1.1.1)手动获取原始车牌图像，手动抠取出任意正常国标车牌；S1.1.2)对抠取出的车牌图像提取积分通道特征；S1.1.3)基于Adaboost算法训练检测器；所述步骤S1.2)具体包括：S1.2.1)对目标图像进行扫描，获取初定位车牌图像；S1.2.2)将检测器输出的图像进行非极大值抑制处理后的初定位结果进行倾斜校正；S1.2.3)将输出的二次定位后的车牌输入检测器，得出最终定位车牌结果；所述步骤S2.1)具体包括：S2.1.1)车牌上下边框的去除；S2.1.2)车牌左右边框的去除；所述步骤S2.2)具体包括：S2.2.1)对车牌图像进行字符的对比度增强；S2.2.2)对前面增强的车牌图像，按列累加图像的像素值，得到车牌的投影曲线，并采用滤波平滑所述投影曲线；S2.2.3)采用投影法进行字符分割；所述步骤S3)具体包括：基于联合HOG特征的车牌字符识别算法；对汉字和英文数字采用不同的分类器，对汉字和英文数字分别提取特征；首先确定字符的分类器，然后分别提取汉字、数字字母的灰度方向梯度直方图(HOG)特征、二值HOG特征、16值HOG特征，将提取的特征组合成联合HOG特征，将得到的联合HOG特征用核主成分分析法进行降维，最后将汉字和数字字母的联合HOG特征送入支持向量机进行训练和预测，将汉字和数字字母的识别结果进行组合，得到最终的车牌字符识别结果。作为本专利技术技术方案的进一步优化，所述步骤S1.1.2)中，积分通道特征提取为三个通道特征提取，用以下公式分别计算通道特征：S1.1.2.1)LUV通道的建立，将图像从RGB颜色空间转为LUV颜色空间，RGB转LUV通道公式如下：最后计算得到LUV色彩空间中的L、U、V通道；S1.1.2.2)梯度幅值通道的建立，一副图像中每个像素点具有八领域和四个边缘检测方向，采用在窗口中分别计算X方向、Y方向、Z方向的一阶偏导有限差分均值来确定像素点的梯度幅值，四个方向梯度幅值计算公式如下：M[i，j]＝(|Px[i，j]|+|P45°[i，j]|+|Py[i，j]+|P135°[i，j]|)其中I[i，j]是坐标为3×3窗口中心像素点的灰度值，M[i，j]为中心像素点的梯度幅值，由上述公式最后得到整幅图像的梯度幅值图；S1.1.2.3)梯度直方图通道的建立，梯度直方图特征提取过程步骤如下：一、以图像I[i,j]为中心取3×3的像素邻域作为采样窗口；二、计算该像素点的梯度方向θ[i,j]和梯度幅值M[i,j]，三、将梯度方向分为6个方向，即将180°平均分成6份，平均间隔30°；按照椭圆圈的高斯加权范围将该像素邻域上所有点梯度方向角度相同像素点梯度幅值相加；四、最后统计6个方向上的梯度幅值累加和，得到整幅图像6个方向上的梯度幅值图。作为本专利技术技术方案的进一步优化，所述步骤S1.1.3)包括：训练阶段，利用Adaboost对提取的积分通道特征训练出强分类器；从大量特征中挑选出最优特征并制作成弱分类器，再通过弱分类器集成获得高精度的强分类器；弱分类器的定义为：其中，fj表示一个特征，pj表示不等式方向，θj表示阈值；判别阶段，计算检测出定位车牌窗口的积分通道特征，运用强分类器进行“打分”，即是判别车牌位置的自信度，最后存储一段视频中分数最高的那一帧或者几帧图像；具体训练算法步骤如下：(1)、给定n个样本图像，xi是输入样本图像，yi是类别标志，其中yi＝0表示为负样本，yi＝1表示为正样本；(2)、初始化权重：其中m和l分别为非正确车牌样本和正确车牌样本的数量，n＝m+l；(3)、Fort＝1,2,3,…,T归一化权重：其中ωt为统计分布；随机选择积分通道特征j：随机选择通道索引bink(k＝1,2,…,10)；随机选择矩形区域Rectj并计算像素值之和；对每个特征j，训练一个弱分类器hj，计算相应的ωt的错误率：εj＝Σiωi|hj(xi)-yi|；选择最小错误率εt的弱分类器ht；更新权重：其中，当xi被正确分类时，ei＝0，反之，ei＝1；(4)、最终强分类器为h(x):其中，作为本专利技术技术方案的进一步优化，所述步骤S1.2.1)中，根据国内车牌的固定比例，设定一个固定大小的滑窗，从从获取视频图像顶端开始进行逐一扫描，将每次扫描截取的图像进行积分通道特征计算，与AdaBoost算法训练出的强检测器进行比对，得到相似度最高的图像区域，即初步判定为车牌位置，截取该区域初定位图像并输出检测器；所述步骤S1.2.2)中，采用基于贪心策略的非极大值抑制方法，所述非极大值抑制方法步骤如下：S1.2.2.1)将初始检测窗口按照检测分数从高到低排序，相似度越高，分数越高；S1.2.2.2)将第1个初始检测窗口作为当前的抑制窗口；S1.2.2.3)非极大值抑制；将所有检测分数比当前抑制窗口低的初始窗口作为被抑制窗口；计算当前抑制窗口与被抑制窗口的重合面积比率：面积的交集/面积的并集；剔除重合面积比率高于设定阈值的窗口；S1.2.2.4)如果只剩最后一个初始检测窗口则结束，否则按照排好的顺序，取下一个未被抑制的窗口作为抑制窗口，转到步骤S1.2.1.3)。作为本专利技术技术方案的进一步优化，所述步骤S2.2.3)采用投影法进行字符分割本文档来自技高网...

【技术保护点】
一种基于积分特征通道与灰度投影的车牌识别系统，其特征在于，包括以下步骤：S1)车牌定位；S1.1)训练车牌样本特征提取及特征组织；S1.2)车牌检测定位；S2)车牌字符分割；S2.1)去除输入车牌区域图像的车牌边框；S2.2)车牌字符的分割；S3)车牌字符分割后的字符识别并输出。

【技术特征摘要】
1.一种基于积分特征通道与灰度投影的车牌识别系统，其特征在于，包括以下步骤：S1)车牌定位；S1.1)训练车牌样本特征提取及特征组织；S1.2)车牌检测定位；S2)车牌字符分割；S2.1)去除输入车牌区域图像的车牌边框；S2.2)车牌字符的分割；S3)车牌字符分割后的字符识别并输出。2.根据权利要求1所述的一种基于积分特征通道与灰度投影的车牌识别系统，其特征在于，所述步骤S1.1)具体包括：S1.1.1)手动获取原始车牌图像，手动抠取出任意正常国标车牌；S1.1.2)对抠取出的车牌图像提取积分通道特征；S1.1.3)基于Adaboost算法训练检测器；所述步骤S1.2)具体包括：S1.2.1)对目标图像进行扫描，获取初定位车牌图像；S1.2.2)将检测器输出的图像进行非极大值抑制处理后的初定位结果进行倾斜校正；S1.2.3)将输出的二次定位后的车牌输入检测器，得出最终定位车牌结果；所述步骤S2.1)具体包括：S2.1.1)车牌上下边框的去除；S2.1.2)车牌左右边框的去除；所述步骤S2.2)具体包括：S2.2.1)对车牌图像进行字符的对比度增强；S2.2.2)对前面增强的车牌图像，按列累加图像的像素值，得到车牌的投影曲线，并采用滤波平滑所述投影曲线；S2.2.3)采用投影法进行字符分割。3.根据权利要求2所述的一种基于积分特征通道与灰度投影的车牌识别系统，其特征在于，所述步骤S1.1.2)中，积分通道特征提取为三个通道特征提取，用以下公式分别计算通道特征：S1.1.2.1)建立LUV通道，将图像从RGB颜色空间转为LUV颜色空间；S1.1.2.2)梯度幅值通道的建立，得到整幅图像的梯度幅值图；S1.1.2.3)建立梯度直方图通道，提取梯度直方图特征。4.根据权利要求2所述的一种基于积分特征通道与灰度投影的车牌识别系统，其特征在于，所述步骤S1.1.3)包括：训练阶段，利用Adaboost对提取的积分通道特征训练出强分类器；从大量特征中挑选出最优特征并制作成弱分类器，再通过弱分类器集成获得高精度的强分类器；弱分类器的定义为：hj(x)=1ifpjfj(x)<pjθj0otherwise]]>其中，fj表示一个特征，pj表示不等式方向，θj表示阈值；判别阶段，计算检测出定位车牌窗口的积分通道特征，运用强分类器进行“打分”，即是判别车牌位置的自信度，最后存储一段视频中分数最高的那一帧或者几帧图像；具体训练算法步骤如下：(1)、给定n个样本图像，xi是输入样本图像，yi是类别标志，其中yi＝0表示为负样本，yi＝1表示为正样本；(2)、初始化权重：其中m和l分别为非正确车牌样本和正确车牌样本的数量，n＝m+l；(3)、Fort＝1,2,3,…,T归一化权重：其中ωt为统计分布；随机选择积分通道特征j：随机选择通道索引bink(k＝1,2,…,10)；随机选择矩形区域Rectj并计算像素值之和；对每个特征j，训练一个弱分类器hj，计算相应的ωt的错误率：εj＝∑iωi|hj(xi)-yi|；选择最小错误率εt的弱分类器ht；更新权重：其中，当xi被正确分类时，ei＝0，反之，ei＝1；(4)、最终强分类器为h(x):h(x)=1,Σt=1Tαtht(x)≥12Σt=1Tαt0,Σt=1Tαtht(x)<12Σt=1Tαt]]>其中，5.根据权利要求2所述的基于积分通道特征的车牌识别系统，其特征在于，所述步骤S1.2.1)中，根据国内车牌的固定比例，设定一个固定大小的滑窗，从获取视频图像顶端开始进行逐一扫描，将每次扫描截取的图像进行积分通道特征计算，与AdaBoost算法训练出的强检测器进行比对，得到相似度最高的图像区域，即初步判定为车牌位置，截取该图像区域初定位图像并输出检测器；所述步骤S1.2....

【专利技术属性】
技术研发人员：张斯尧，姜德财，
申请(专利权)人：湖南源信光电科技有限公司，
类型：发明
国别省市：湖南;43