[发明专利]一种监控场景下车牌字符分割与识别方法

权利要求书

1.一种监控场景下车牌字符分割与识别方法，其特征在于：包括以下步骤：

步骤S1：对车牌字符图像进行分类，为显式特征分类器和隐式特征分类器的训练做好准备；

步骤S2：输入车牌图像；

步骤S3：对车牌图像采用投影分割法和连通域法相结合的字符分割方法进行字符分割；

步骤S4：采用显式特征分类器和隐式特征分类器相融合的方法对车牌字符进行识别；

其中，在所述步骤S3中，通过如下步骤对车牌字符进行分割：

步骤S31：投影分割法和连通域法相结合的字符分割方法先采用式：f(i,j)＝αR(i,j)+βG(i,j)+χB(i,j)，其中令α＝0.30,β＝0.59,χ＝0.11，将车牌图像进行灰度化处理；

步骤S32：将一幅车牌图像进行网格分割，对每个格子计算图像的直方图，并归一化，计算累积均值mu，以及全局灰度均值，再计算被分到类A的概率q_A，和被分到类B的概率q_B；采用公式：sigma＝q_A*q_B*(mu_A-mu_B)*(mu_A-mu_B)计算类间方差，循环寻找类间方差最大值，并记下此时的阈值，即为最佳阈值，最后利用这个最佳阈值对格子进行阈值化，重复这个过程直到整个车牌图像都二值化完毕；

步骤S33：提取字符轮廓；

步骤S34：做外接矩形操作；

步骤S35：如果符合尺寸的外接矩形的数目小于7，则说明可能存在字符粘连或者车牌中汉字字符丢失的情况；对于字符粘连的情况对粘连的部分进行投影分割，分割的位置为较为接近图像中点的波谷；

步骤S36：对于汉字字符丢失的情况采用通过特殊字符反推中文字符的方法；令字符块中心在车牌1/7～2/7区间内的字符块为特殊字符，特殊字符的左边即为中文字符；

步骤S37：如果投影字符块数大于7，则说明车牌分割后有些字符可能被分割成多个字符块，因此进一步对投影字符块进行合并处理；

其中，在所述步骤S4中，通过如下步骤对车牌字符进行识别：

步骤S41：输入训练图像到隐式特征提取的卷积神经网络；

步骤S42：输入训练图像到显式特征分类网络；

步骤S43：训练隐式特征提取的卷积神经网络，卷积神经网络的训练主要包括两个阶段：

第一个阶段为前向传播阶段：前向传播阶段主要过程为从训练样本中取出一个样本X(x_p,y_p)将训练样本X作为网络的输入，通过式O_x＝f_n(...(f₂(f₁(X_pW⁽¹⁾)W⁽²⁾)...)W⁽ⁿ⁾)计算训练样本X的实际输出；

第二个阶段为反向传播阶段：反向传播阶段将计算训练样本X的实际输出O_x与理想输出Y_p的差，根据极小化误差的方法对模型参数的参数进行调整；

步骤S44：训练一个显式特征分类网络；训练显式特征分类网络包括三个阶段：

第一个阶段为提取字符特征阶段：该阶段先采用Gamma矫正法对车牌字符进行矫正，调节图像对比度，再计算每个像素的梯度，获取轮廓信息，然后将字符图像划分成n×n的小单元，其中n＝6；然后计算每个小单元的梯度直方图，得到小单元的特征描述子，然后再将小单元按照3×3的方式划分成m×n组，将每组的特征描述子串联起来能到组的特征描述子，将m×n个组的特征描述子串联起来得到字符特征Fexture1；将字符的n×n中心矩阵标记为非字符像素，其中n＝8，并将其变成低分辨率图像，作为字符特征Fexture2，将Fexture1和Fexture2串联起来得到字符特征；

第二个阶段为训练数据准备阶段：对训练数据的每张图像提取字符特征，并打上类别标签，将所有训练图像整理成一个矩阵；

第三个阶段为训练阶段：将训练矩阵输入到支持向量机中，采用RBF核函数对显式特征分类器进行训练；

步骤S45：将待分类的图像分别输入到显式特征分类网络和隐式特征分类网络中，得到分类结果；

步骤S46：对于每一幅测试图像I，都将得到显式特征提取网络的置信度向量E＝{e₁,e₂,...,e_N}和隐式特征网络的置信度向量E′＝{e′₁,e′₂,...,e′_N}，其中N为车牌字符的类别数目；

步骤S47：求出步骤S46中两个向量对应的||E||_∞和||E′||_∞，图像I对应的类别为：其中i为||E||_∞对应的类别，j为||E′||_∞对应的类别。