[发明专利]一种字符置信度的二次车牌识别方法及装置

说明书

技术领域

本发明涉及车牌识别领域，尤其是一种字符置信度的二次车牌识别方法及装置。

背景技术

随着时间的推移，“移动电子眼”的触角将会深入到城市的各个角落，扮演越来越重要的角色，为我们的“平安城市”保驾护航。平安城市也是衡量一个城市现代化管理水平的重要体现，是实现一个城市乃至整个国家安全和稳定的重要措施。建立合理，有效的城市视频监控管理系统，才能够使政府管理部门在第一时间发现问题，提出应对措施及应急预案。车牌作为智慧城市重要的信息资源，倍受关注。

从社会车辆摄像头和各卡口摄像头，所拍摄的车牌时，当双车或单车处在运动中，从摄像头所抓取的车牌图片，图片质量因受运动模糊、天气、光线影响而变坏时，保障高识别率将是一大挑战，如能有效地解决此问题，车牌识别相关实际应用范围将可扩展到各种动态抓取应用中。

针对动态环境下，图像质量不佳的情况下，为了有效的增加车牌的识别率,各种图像增强技术被应用到车牌识别的预处理环节，有经过直方图均衡化处理后的图像进行对比度增强来提升车牌图像质量；运用滤波算子和直方图拉伸的方法,以及利用对图像灰度化,灰度归一化以及直方图均衡化的方法来提高车牌的可识别能力；由于车牌中字符区域的重要性,在早先的文献中提出一种增强字符区域而淡化背景区域的模型来提升车牌的识别率；有使用空间自适应正则化的迭代图像复原算法来去除运动模糊；有基于多帧视频二进制编码的方法来提取和增强车牌特征；有提到利用双线性插值的方法来增强车牌信息；有在假设背景移动而视频目标(例如新闻字幕)静止的前提下，提出一种基于亚像素插值的方法来增强目标。以上技术对图像进行增强，存在一定的盲目性，均未充分利用图像中的时域信息、车牌准确度反馈信息和视频帧间的运动信息等；

另一方面，作为车牌识别技术，近年来近年来比较常用的识别算法主要就是神经网络和模板匹配两种方法。神经网络进行字符的识别容错性强,只要样本选取合理,大量且多样,训练出的分类器识别率就会比较高,但是其过多的依赖于样本,训练时间也比较长,不太适合于对实时性要求很强的场合。而且三层神经网络的中间层个数的确定困难,一般是依靠经验取值,加大个数可以提高识别率,但时间过长。而识别的另一种方法一模板匹配,运算简单,识别速度快,却又很难满足识别质量不高图片(如图片模糊、笔画缺失等)的要求,对于相近的字(如8,9和B等)识别率就很低。

发明内容

本发明所要解决的技术问题是：针对现有技术存在的问题，提供一种字符置信度的二次车牌识别方法及装置。通过结合模板识别、神经网络识别，有效解决了目前技术上所存在的问题。通过模板识别技术，进行字符识别，并给出识别结果置信度，针对置信度偏低的结果，融合前后帧对应车牌数据，并将此图像进行基于神经网络的车牌识别，得到最终识别结果，有效地保证了识别准确率；进一步的，在神经网络训练和识别之前，进行有针对性的抓取多帧超车牌数据，并进行视频图像超分辨率重建处理，融合出一帧高质量车牌区域图像，进一步的提高识别准确度。进一步的，我们将平台上所抓取的海量车牌数据，作为样本库，放入神经网络进行分类器更新，确保我们的技术更适用于当前工程应用环境。

本发明采用的技术方案如下：

一种字符置信度的二次车牌识别方法包括：

双动态抓取步骤：图像采集设备端处于运动状态下，拍摄同一场景中运动车辆视频,并从该视频中定位指定内容区域，抓取指定内容图片；

字符分割步骤：从车牌图像中分割出车牌的七个字符；

模板匹配识别步骤：对于所述车牌七个字符采用模板匹配识别的方式，计算出所述车牌七个字符的字符识别置信度和整体车牌识别置信度；

车牌分析步骤：当所述字符识别置信度均高于预设车牌置信度阈值T_h，则输出所述车牌的识别结果，检测结束；否则执行多帧超分辨步骤；

多帧超分辨步骤：对字符识别度信度和整体车牌识别置信度进行判断；当字符识别置信度和整体车牌识别置信度的最小值Pla_{con_min}＜T_h，则连续抓取T帧ROI图片，T＝(T_h-Pla_{con_min})*10；ROI区域为当前车牌区域向前后左右扩展N像素而得；通过视频图像超分辨率重建方法处理，融合得到一帧清晰图像，然后基于此帧图像进行车牌定位和分割,识别出各字符；执行神经网络训练和识别步骤；