[发明专利]一种基于自适应位置分割的车牌字符识别方法

说明书

本发明公开了一种基于自适应位置分割的车牌字符识别方法，属于车牌识别技术领域，包括构建深度神经网络模型，该深度神经网络模型包括基础网络、车牌位置校正网络、车牌字符分割网络和车牌字符识别网络；收集车牌样本图像，对所构建的深度神经网络模型进行训练，得到自适应字符分割识别模；利用自适应字符分割识别模，对待识别车牌图像进行车牌字符识别。本发明不再严格意义上区分车牌位置校正、车牌字符分割、车牌字符识别等步骤，借助一个深度神经网络结构模型，直接完成车牌位置校正、车牌字符分割、字符识别，兼顾了车牌识别准确率和识别速度。

技术领域

本发明涉及车牌识别技术领域，特别涉及一种基于自适应位置分割的车牌字符识别方法。

背景技术

车牌识别是智能交通的核心技术，包含了两个大部分：车牌位置检测和车牌字符识别。其中，车牌字符识别是整个技术最重要的一部分，车牌字符识别引擎的质量，直接决定车牌识别技术的整体性能。

车牌字符识别是指在一幅已知车牌位置的图像中，准确无遗漏的识别出该车牌上的所有汉字、字符和数字，具体包括以下技术步骤：车牌位置校正、车牌字符分割、车牌字符识别等。

车牌位置校正是指对位置不理想的初检测车牌进行空间变换，使之成为理想位置的车牌，方便后续进行精确的字符分割，空间变换包括平移变换、旋转变换、缩放变换、错切变换、透视变换等，常用的校正方法有以下几类：

(1)基于直线检测的方法，代表方法有“基于hough直线检测的校正方法”和“基于radon直线检测的校正方法”，其原理是直接检测车牌上的直线，根据直线的倾斜角度进行车牌位置校正。

(2)基于遍历查找的方法，代表方法有“基于旋转投影的校正方法”。其原理是首先将车牌旋转到每一个允许的角度位置，然后进行投影获取相应的特征值，通过比较获取最佳的特征值，此时对应的角度就是最佳的车牌倾斜角度。

(3)基于特征分析的方法，代表方法有“基于主元分析的校正方法”基于最小二乘法的校正方法，该类方法直接对灰度图像或者二值化图像进行整体的分析，获取整体意义上的最优校正参数。

车牌字符分割是指在一幅已知车牌位置的图像中，精确分割出每个单一字符，主要有以下几类方法：

(1)基于垂直投影的方法，该方法通过获取车牌字符的垂直投影曲线，依据曲线的波峰波谷位置，获取每个字符的边缘位置。

(2)基于连通区域分析的方法，该方法首先进行车牌图像二值化，利用单个字符都是单连通区域的特征进行分析，最终获取字符的位置。

(3)基于机器学习的方法，如“一种基于支持向量机的车牌字符分割方法”，该类方法通过获取车牌的布局规律特征，借助分类器进行训练学习，最终完成车牌字符的分割。

车牌字符识别是指对于已经精确分割的单个字符，识别出其真实的字母意义，常用的方法有以下几类：

(1)全局特征，该类特征采用全局变换来获取字符的整体特征，使用有序的整体特征或者子集特征来构成特征向量，常见的特征有GABOR变换特征、矩特征、投影特征、笔划密度特征、HARR特征、HOG特征等。这些特征的优点是对局部变化不敏感，抗干扰能力强；其缺点是容易忽略某些重要的局部特征，无法区分相似的字符。

(2)局部特征，该类特征是在字符的多个局部区域内，计算相应的特征，使用串联的有序局部特征构成最终的特征向量，主要特征包括局部灰度直方图特征、LBP特征、穿线特征、SIFT特征等。该类特征的优点是区分字符的能力强；其缺点是过分关注字符的局部特征，往往会错误区分具有噪声干扰的字符。