[发明专利]一种基于局部位置值得分的车牌相似字符识别方法

说明书

本发明公开了一种基于局部位置值得分的车牌相似字符识别方法，在模板匹配的前提下，依据模板匹配的结果确定好相似模板字符群后，再通过相似模板字符群确定识别顺序、识别层数和每一层的最大局部位置值差异矩阵，匹配待测字符与各相似模板字符局部位置值得分，根据该得分的高低逐层判断模板匹配后的待测字符所属该层相似字符群的类别，对模板匹配误识别率较高的字符进行二次识别，达到提高车牌识别率的目的。本发明简单实用，能够应用于处理速度一般的便携式硬件系统上，相较于局部HOG特征的识别方法，本发明在车牌的识别速率和识别率上都了有很明显的提升。

技术领域

本发明属于模式识别与人工智能技术领域，具体涉及一种基于局部位置值得分的车牌相似字符识别方法的设计。

背景技术

车牌识别技术是计算机视频图像识别技术在车辆牌照识别中的一种应用，指的是将运动中的汽车牌照从复杂的背景中提取出来并检测识别的一种技术。整个过程包括拍照、图像预处理、提取车牌区域、字符分割、字符特征识别等。

目前国内外字符识别方法已有很多，例如：模板匹配结合局部HOG特征、神经网络字符识别法、基于支持向量基(SVM)识别方法等。在模板匹配识别方法中，将待测的字符与标准模板进行比较，判定与模板相似程度最高的字符为模板字符，达到识别车牌的目的。模板匹配法直接将待测字符与模板字符的图像矩阵在变换成相同尺寸的情况下进行“位与”运算，得到图像矩阵与模板字符矩阵的比重，比重大者获胜。模板匹配识别算法原理简单，易于实现，因而得到了广泛的应用，但由于在实际应用中，许多字符整体相差较小，只在局部细节处有很大的差异，因而模板匹配法容易出现误判的情况，导致识别出错。

HOG特征即方向梯度直方图，最早由法国研究人员Dalal在2005年的CVPR上提出，HOG+SVM在行人检测取得了很好的效果，局部HOG特征算法利用局部特征区域的每个像素点的梯度方向和大小，将方向统计为若干个区间，梯度大小作为投影在该区间的权值进行累加，得出每个区间的权值累加和，最后计算待测字符与模板字符之间的欧氏距离进行字符识别。

神经网络字符识别法基于一种误差反向传播算法或BP算法，本质上是一种神经网络学习的数学模型，通过BP神经网络训练用于字符特征的选择和抽取能够在识别字符中达到较高的容错率，但该算法在训练样本中运算复杂度高、耗时长，难以满足识别速率和低成本的要求。

支持向量机是一门新兴的机器学习方法，该方法以统计学理论为基础发展而来，以结构风险最小化为原则，能够尽量减少训练样本空间的大小，提高机器的学习能力，相较于神经网络学习法有了很明显的优势，但如同神经网络学习法一样，训练样本时间过长和分类速率较慢是阻碍其发展的阻力。

综合以上几种车牌识别方法，采用模板匹配结合局部HOG特征的方法对相似字符有较高的识别率，并且相对神经网络和支持向量机简单，易实现，但其识别率仍不及经过大量样本训练后的机器学习方法。

发明内容

本发明的目的是为了解决现有的车牌字符识别方法对相似字符识别率不高的问题，提出了一种基于局部位置值得分的车牌相似字符识别方法，从而达到以较快的速度和较高的识别率检测车牌的目的。

本发明的技术方案为：一种基于局部位置值得分的车牌相似字符识别方法，包括以下步骤：

S1、将待测字符与数据库中的标准模板进行模板匹配，得到与待测字符相似的模板字符群；

S2、通过模板字符群的数量和特征划定逐层分割的顺序和层数；

S3、寻找待测字符与模板字符群的最大局部位置值差异矩阵，定义为M矩阵；

S4、根据M矩阵逐层分割模板字符群，舍弃不符合条件的字符；

S5、判断模板字符群中是否只包含一个字符，若是则识别结束，否则返回步骤S3。

其中，步骤S4具体包括以下分步骤：