[发明专利]对道路图像进行车牌识别的方法和系统

说明书

技术领域

本发明属于数字图像处理及模式识别技术领域，具体涉及一种对道路图像进行车牌识别的方法和系统。

背景技术

近年来，随着计算机及互联网技术的飞速发展，各种机动车数量的迅猛增长，各类信息包括与交通相关的信息呈现爆炸式增长的态势，为了能够更加安全、高效的管理这些信息，智能交通系统(Intelligence Transportation System)应运而生。智能交通系统可以在收费卡口，停车场，刑事追踪等方面展现出强大的作用，而对车牌的检测和识别是其最为核心的组成部分。

目前，虽然现在已经有了很多相对成熟的车牌识别产品，但是更高的准确率，更少的耗时，依然吸引着人们去不断进行研究。实际上，随着相关领域的新发展，例如新的底层特征的发明，更好的分类算法的提出等，都为车牌识别算法的改进提供了新的机会。另外，现在商用的车牌识别系统大多只对特定的条件下有比较好的效果，例如特定的光照，距离，角度，车牌制式(包括颜色、格式、文字)，而在变化了的环境下系统的准确率可能会大大降低甚至失效，还没有哪个系统可以在各种不同的条件下做到健壮稳定(与人识别车牌的能力还有很大差距)。在本文的第三部分会对关于这方面的一篇文章进行专门讨论。再有，对于自然条件拍摄的图片和视频，例如手持或车载摄像机拍摄下来的，进行车牌检测与识别也是一个值得研究的方向。

目前存在的一些车牌识别技术中，大都将整个识别分为三个过程，如图1所示，为b车牌定位，c车牌字符分割，d车牌字符识别。

其中对于b，使用的技术种类繁多，虽然可以分成几类，但类之间的界限并不是很明显。大致有如下一些方法：A边缘检测后二值化，这个是使用的最多的一种方法，它在与数学形态学方法结合后，就已经能够得到比较好的就结果了。很常用的一个边缘检测算子是纵向sobel算子。它的计算式为而纵向边缘检测相较于横向，它的优势，而纵向边缘检测相较于横向，它的优势在于一个含有车牌的图像中车的横向边缘较多，而车牌上字符的纵向边缘较多。这种方法计算快速，效果较好，但是一个很大的缺点就是难以处理复杂的图像，如何有效地去除不相关的边缘信息，(例如车辆进气口，灯光区域，周围树木，粗糙的地面等)，是一个非常关键的问题.B数学形态学操作，主要是腐蚀、膨胀，开闭运算等。C连通区域分析(CCA)，最典型的是四连通和八连通方法以及各种聚类方法，与连通区域目的相同，分出一些候选区域。D分块分析。将图像分为若干块，分别计算其均值、方差、边缘信息等特征。滑动窗口。与分块思想类似，但是是逐点计算特征的。E彩色图像处理，依据RGB颜色信息。F各种分类器，包括Ada-Boost，SVM，ANN，GP，GA等。

对于c，现在的技术分为如下几类。A二值图像处理投影方法。是当前各种文献中使用最多的一种技术，通常的做法是先进行横向投影，剪切掉上下区域；然后进行纵向投影，切分出每一个字符。B局部自适应二值化。在很多文章中局部自适应二值化或者类似的方法，它通过分块、逐点或者分字符来计算某一区域内的均值，对比度等特征，然后分别进行二值化。出C倾斜校正方法。种类比较多，有利用HT定位车牌框的，也有使用颜色信息的，还有直方图分析的。D层次分割与合并、分裂方法。E数学形态学，腐蚀、膨胀运算。车牌字符分割这一步其实难度是比较大的，因为如果分割失误或者二值效果不好，后面的字符识别很有可能就会失效。而不同的光照条件，车牌周围的近似颜色或形状，不同的车牌制式，都会制约着车牌字符分割的方法，使得目前难以产生极其健壮的分割技术。多数方法都还只是在特定情况下表现出良好的性能。

对于d，OCR(光学字符识别)是模式识别领域的一个重要分支，它的目标是将图像形式的各种文字识别为文本形式下的。车牌字符识别便是OCR的一种特殊形式，车牌字符识别的过程可以简化为特征提取与特征匹配。针对字符图像的特征提取的方法多种多样，有逐像素特征提取法、骨架特征提取法、垂直方向数据统计特征提取法、基于网格的特征提取法、弧度梯度特征提取法等很多。另外不进行特征提取，或者说将字符图像的黑白值直接作为特征，依靠分类器的强大分类能力进行识别，也是一种可以采用的方式。而特征匹配的方法，主要分为以下三种A.基于统计/混合/分层次的分类器B.ANN.C.模板匹配法.其中ANN是最为常见的且性能较优的。

发明内容

本发明的目的在于提供一种对静态图像进行车牌识别的方法和系统，旨在解决智能交通系统(ATI)中的核心问题，获取监控图像中的车牌号码，为后面更深层次的应用做准备。