[发明专利]一种基于极值区域和极限学习机的车牌识别方法

说明书

技术领域

本发明涉及智能视频监控和智能交通技术领域，尤其是一种基于极值区域和极限学习机的车牌识别方法，可应用于复杂交通环境中的车牌识别。

背景技术

随着视频监控技术的发展，交通场景的智能监控已经成为实现交通智能化的重要组成部分。目前，在对交通场景的智能监控方面，车牌号码作为机动车辆特有的身份表征，是一种极其重要的交通信息，车牌自动识别是智能交通系统中不可缺少的一项功能。车牌自动识别具有对车辆监视、记录、验证和报警的功能，可以应用于停车场收费、小区车辆管理、治安卡口、交通违章管理等领域。

目前的车牌识别方法主要包括三个步骤，即车牌定位、字符分割和字符识别。对于车牌定位，主要是利用车牌的颜色、纹理、边缘信息来提取车牌区域。例如，C.N.E.Anagnostopoulos等人于2006年在IEEE Transactions on Intelligent Transportation Systems上发表的论文“A license plate recognition algorithm for intelligent transportation system applications”，使用滑动窗口计算局部图像纹理中的突变区域来定位车牌，但这种方法应用在天气多变、背景复杂的交通场景下，会大量误检车牌；Runmin Wang等人于2014年在Optik-International Journal for Light and Electron Optics上发表的论文“License plate detection using gradient information and cascade detectors”，将图像进行多尺度分解，提取梯度信息，利用多个级联分类器来完成车牌区域提取，这种方法准确率高，但是计算复杂并且耗时。

对于字符分割和字符识别，是指从提取的车牌区域中准确地分割字符区域，然后利用模式识别方法来识别每个字符，从而实现车牌自动识别。例如，李泊等人于2013年在IEEE Transactions on Intelligent Transportation Systems上发表的论文“Component-based license plate detection using conditional random field model”，在灰度域提取合适的最大稳定极值区域，利用条件随机场方法来建模分割提取字符区域，这种方法只在灰度域进行处理，对交通场景中的光照变化敏感，容易误检或漏检车牌字符；Ying Wen等人于2011年在IEEE Transactions on Intelligent Transportation Systems上发表的论文“An algorithm for license plate recognition applied to intelligent transportation system”，计算局部区域水平、垂直方向的投影来分割字符，然后利用支持向量机来识别字符，这种方法容易受阴影的影响，鲁棒性差，另外训练支持向量机非常耗时。

从现有技术的发展现状可知，复杂交通场景中的车牌自动识别仍然是一个尚未有效解决的问题，导致这种局面的原因是实际交通场景中背景复杂、天气和光照条件多种多样等因素。面向实际应用，本发明提出一种基于极值区域和极限学习机的车牌识别方法，该方法实时鲁棒，能够实现复杂交通环境中的车牌自动识别。

发明内容

本发明的目的是克服现有技术的不足，利用图像处理和模式识别理论，提供一种基于极值区域和极限学习机的车牌识别方法。本发明首先对监控视频图像进行一系列预处理，利用车牌纹理信息，完成车牌粗定位；然后分别提取各个颜色通道的极值区域，利用训练好的分类器选择合适的极值区域作为车牌字符候选区域，并利用车牌字符的几何属性和组合特征，完成车牌的准确定位和字符分割；最后利用基于极限学习机的神经网络模型来识别各个车牌字符。

本发明提出的一种基于极值区域和极限学习机的车牌识别方法包括以下步骤：

步骤S1，对彩色待处理图像进行预处理，并对预处理后得到的图像中的车牌区域进行粗定位，得到一系列车牌候选区域；

步骤S2，基于所述车牌候选区域，在所述彩色待处理图像中提取得到RGB三个颜色通道的极值区域，并通过分类器从中选择符合车牌字符区域几何属性的极值区域，完成车牌字符分割并实现车牌区域的准确定位；