一种车牌识别方法、系统、电子设备和可读存储介质技术方案

本发明专利技术提供了一种车牌识别方法、系统、电子设备和可读存储介质，所述方法包括：步骤1：对采集的原始图像进行预处理得到每个车牌字符图像；步骤2：通过对所述每个车牌字符图像的横向平铺和纵向平铺执行短时傅立叶变换,生成将要识别的实际图形模板；步骤3：利用KNN算法，将所述实际图形模板与字符的参考模板进行比较，找到最接近的两个参考模板；步骤4：从所述最接近的两个参考模板中确定最终参考模板，最终参考模板的字符即为识别出的字符。本发明专利技术技术方案可以提高车牌识别的准确性、及时性，降低识别运算量和耗能。低识别运算量和耗能。低识别运算量和耗能。

【技术实现步骤摘要】
一种车牌识别方法、系统、电子设备和可读存储介质


[0001]本专利技术涉及图像识别领域，尤其涉及一种车牌识别方法、系统、电子设备和可读存储介质。

技术介绍

[0002]车牌识别技术是指通过图像传感器检测受监控路面的车辆并自动提取车辆牌照信息(包括汉字、大写英文字母、阿拉伯数字和车牌颜色等)，并且进行相应处理的技术。车牌识别是智能交通系统中的重要组成部分之一，有着广泛的应用场景。
[0003]但车牌识别往往由于高速运动、光照、遮挡、扭曲、模糊等原因导致识别可能不太准确，另外，识别的速度和能耗也是制约很多场景应用的因素。因此，如何提高车牌识别的准确性和及时性成为了热门课题。目前的车牌识别方法较多的是利用卷积神经网络进行单个字符提取和字符识别，该方法采用的是消耗较大的卷积神经网络的训练资源解决模式识别类问题，消耗大，耗能高，对运算设备要求高，且识别不够准确。
[0004]因此，急需一种识别速度快、准确率高、耗能低的车牌识别方法来解决上述问题。

技术实现思路

[0005]为了解决现有技术中的至少一个技术问题，本公开提供了一种车牌识别方法、系统、电子设备和可读存储介质。
[0006]根据本公开的第一方面，提供了一种车牌识别方法，包括以下步骤：
[0007]步骤1：对采集的原始图像进行预处理得到每个车牌字符图像；
[0008]步骤2：通过对所述车牌字符图像的横向平铺和纵向平铺执行短时傅立叶变换,生成将要识别的实际图形模板；
[0009]步骤3：利用KNN算法，将所述实际图形模板与字符的参考模板进行比较，找到最接近的两个参考模板；
[0010]步骤4：从所述最接近的两个参考模板中确定最终参考模板，最终参考模板的字符即为识别出的字符。
[0011]根据本公开的另一方面，提供了一种车牌识别系统，包括以下单元：
[0012]图像预处理单元，用于对采集的原始图像进行预处理得到每个车牌字符图像；
[0013]实际图形模板生成单元，用于通过对所述每个车牌字符图像的横向平铺和纵向平铺执行短时傅立叶变换,生成将要识别的实际图形模板；
[0014]模板匹配单元，用于利用KNN算法，将所述实际图形模板与字符的参考模板进行比较，找到最接近的两个参考模板；
[0015]确定单元，用于从所述最接近的两个参考模板中确定最终参考模板，最终参考模板的字符即为识别出的字符。
[0016]根据本公开的另一方面，提供了一种电子设备，包括：
[0017]处理器；以及
[0018]存储程序的存储器，
[0019]其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行上述方法。
[0020]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述方法。
[0021]本申请实施例中提供的一个或多个技术方案，可以实现提高车牌识别的准确性、及时性，降低识别运算量和耗能的技术效果。
附图说明
[0022]附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。
[0023]图1示出了根据本公开示例性实施例的车牌识别方法的流程图。
[0024]图2示出了根据本公开示例性实施例的车牌识别方法和系统应用的参考模板的示意图。
[0025]图3示出了根据本公开示例性实施例的车牌识别方法的模板匹配阶段的流程图。
具体实施方式
[0026]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0027]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0028]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0029]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0030]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0031]以下参照附图描述本公开的方案的实施例。
[0032]短时傅立叶变换(STFT)是一种与傅立叶变换有关的数学变换，用于确定时变信号的局部正弦波的频率和相位。与小波变换类似，由STFT处理的信号在时域和频域[5]局部特征，通常用于分析信号特征。STFT将在时域中将原始傅立叶变换转换为多个片段，并执行傅
立叶变换。K邻近算法(K
‑
Nearest Neighbor，KNN)是一种基于模式识别的统计方法，其作为一种机器学习分类算法普遍应用在各种学术场景。它是基于实例的学习方法中最简单的机器学习算法之一，也是最基本和最佳的文本分类算法之一。通过测量不同特征值之间的距离对KNN进行分类。
[0033]本公开实施例揭示了一种车牌识别方法和系统。如图1所示，该方法中，包括以下步骤：
[0034]步骤1：对采集的原始图像进行预处理得到每个车牌字符图像；
[0035]步骤2：通过对每个车牌字符图像的横向平铺和纵向平铺执行短时傅立叶变换,生成将要识别的实际图形模板；
[0036]步骤3：利用KNN算法，将实际图形模板与字符的参考模板进行比较，找到最接近的两个参考模板；
[0037]步骤4：从最接近的两个参考模板中确定最终参考模板，最终参考模板的字符即为识别出的字符。
[0038]与现有技术中经常利用的卷积神经网络进行单个字符提取和字符识别相比，该方法采用的STFT和KNN算法运算量小得多，因而消耗小，耗能低，对运算设备要求较低，同时由于该方法在找到最接近的两个参考模板之后，通过运算进一步从中选出最佳的最终参考模板，从而做出更精确的决策，因而识别更为准确。
[0039]该方法中，步骤1进行图像预处理。图像预处理的目的是从原始图像中提取每个车牌字符图像，具体包括三个重要步骤：图像去噪，提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车牌识别方法，其特征在于包括以下步骤：步骤1：对采集的原始图像进行预处理得到每个车牌字符图像；步骤2：通过对所述每个车牌字符图像的横向平铺和纵向平铺执行短时傅立叶变换,生成将要识别的实际图形模板；步骤3：利用KNN算法，将所述实际图形模板与字符的参考模板进行比较，找到最接近的两个参考模板；步骤4：从所述最接近的两个参考模板中确定最终参考模板，最终参考模板的字符即为识别出的字符。2.如权利要求1所述的方法，其特征在于，所述对采集的原始图像进行预处理得到每个车牌字符图像包括图像去噪、提取车牌区域和提取车牌字符图像，其中所述图像去噪和提取车牌区域包括：对采集到的原始图像进行直方图均衡化处理和二值化处理，形成二值化图像；对所述二值化图像中的车牌号图像进行边缘检测并通过使用腐蚀和膨胀来平滑和连接边缘，生成车牌蒙版，对所述二值化图像进行图像去噪处理，包括中值滤波和边缘锐化，形成去噪后图像；将所述去噪后图像与所述车牌蒙版一起进行逐元素积运算，并裁剪出车牌区域；其中所述提取车牌字符图像包括：通过移动边界框在所述车牌区域中搜索来提取每个车牌字符图像。3.如权利要求1所述的方法，其特征在于，所述字符的参考模板包括提前收集的字母和数字的图像。4.如权利要求3所述的方法，其特征在于，所述提前收集的字母和数字的图像包括字母A到Z、数是0到9的黑白图像。5.如权利要求4所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：石文婷，李国威，何健，徐威，
申请(专利权)人：广西北投信创科技投资集团有限公司，
类型：发明
国别省市：