[发明专利]高效准确的车牌识别方法

权利要求书

1.一种车牌识别方法，其特征在于，包括：

对输入的车牌图片进行车牌紧致化处理，获得紧致的车牌图片；

使用预先训练好的全卷积神经网络模型进行车牌整体识别，获得紧致的车牌图片中每一个像素点字符类别的预测结果，形成标签得分矩阵；

对标签得分矩阵进行分析，获得最终的车牌字符串信息，包括：将标签得分矩阵中，每一像素点得分最高的字符类别作为相应像素点的字符类别标签，得到标签矩阵L，再将标签矩阵L分成s个对应字符标签的二值图；对每一二值图进行字符类别块分析，获得一系列的字符图像块的标记，过滤掉大小与宽度小于设定值，以及不符合字符几何特征的字符图像块之后，获得字符图像块序列；记录下每一个字符图像块的平均横坐标以及对应的字符类别，将字符类别按照平均横坐标从小到大进行排列，从而初步获得字符串序列；若字符串序列的长度为预定值，即满足车牌的字符数量，则将字符串序列按字符图像块平均横坐标从小到大排列，从而获得最终的车牌字符串信息。

2.根据权利要求1所述的一种车牌识别方法，其特征在于，所述对输入的车牌图片进行车牌紧致化处理，获得紧致的车牌图片包括：

对输入的车牌图片进行灰度化处理，再计算X方向和Y方向的梯度图，并相应的进行X方向和Y方向的投影，获得投影曲线；

结合投影曲线与预先设置的阈值来计算感兴趣区域的边界，将四周小于阈值的部分剔除，实现对车牌图片中背景部分的裁剪，并将裁剪后车牌图片的大小调整至与车牌长宽比相近的固定尺寸，最终获得紧致的车牌图片。

3.根据权利要求1所述的一种车牌识别方法，其特征在于，

利用标定好的车牌识别数据训练全卷积神经网络模型，其包括：

收集各个省份的车牌图片并进行车牌紧致化处理后作为样本，然后为每个样本制作相应的标签矩阵，标签矩阵中的每个元素表示了对应像素点的字符类别；再使用深度学习框架，建立全卷积神经网络模型；

以样本和相应的标签矩阵组成数据对，通过反向传播算法以及梯度下降策略，使得损失函数最小化，最终得到训练好的全卷积神经网络模型。

4.根据权利要求1所述的一种车牌识别方法，其特征在于，所述使用预先训练好的全卷积神经网络模型进行车牌整体识别，获得紧致的车牌图片中每一个像素点字符类别的预测结果，形成标签得分矩阵包括：

将紧致的车牌图片输入训练好的全卷积神经网络模型的输入层，然后全卷积神经网络模型进行前向传播，最终得到一个m×n×c的标签得分矩阵；其中，m与n为车牌图片尺寸，c为标签类别数目；

标签得分矩阵中每一个元素代表了对应像素点所属不同字符类别的得分。

5.根据权利要求1所述的一种车牌识别方法，其特征在于，该方法还包括：

若所得到字符串序列长度不等于预定值，则获取每一个字符图像块的宽度，再按宽度从大到小的顺序依次对字符图像块进行字符精细化分析，分析结果采用联合投票策略进行判断，直至字符总数等于预定值或者所有的字符图像块均进行了字符精细化分析。

6.根据权利要求5所述的一种车牌识别方法，其特征在于，字符精细化分析包括如下三种方法：

第一种方法：预先统计车牌图片中每一字符的平均宽度，根据字符图像块的宽度和字符类别，确定相应字符类别的平均宽度，从而确定字符图像块中的字符数num1；

第二种方法：对紧致的车牌图片进行阈值化处理获得阈值图，根据字符图像块的边界，在阈值图中截取感兴趣区域；对感兴趣区域进行轮廓查找的操作，并过滤掉大小与宽度小于预设值以及不符合字符几何特征的轮廓之后，获得相应的轮廓数，并将其作为字符图像块的字符数num2；

第三种方法：对第二种方法中的感兴趣区域进行竖直方向的投影获得投影曲线，然后针对不同类型的字符，使用不同阶次的多项式函数进行拟合，再统计波峰的数目，并将其作为字符图像块的字符数num3。

7.根据权利要求6所述的一种车牌识别方法，其特征在于，

根据字符精细化分析得到的三个字符数，采用联合投票策略，来最终确定图像块中的字符数：若字符数num1～num3中某个数值占多数，则认为字符个数为相应数值；若字符数num1～num3各不相同，则考察字符数num2和num3，与字符数num1之间的距离，取距离最小的数值作为字最终的字符个数；若最终的字符个数不等于预定值，则继续处理下一宽度大小的字符图像块，直到所处理的字符图像块包含的字符总数等于预定值或者所有的字符图像块均进行了字符精细化分析。