[发明专利]基于机器学习和最大极值稳定区域的车牌识别方法

权利要求书

1.基于机器学习和最大极值稳定区域的车牌识别方法，其特征在于：包括以下步骤：

S1：对车辆图像进行预处理操作，将彩色的原始图像转换为灰度图像，再将灰度图像进行高斯模糊处理和滤波去噪，得到预处理后的图像；

S2：对预处理后的图像进行最大极值稳定区域提取，然后对提取出的每一个区域取轮廓并外接最小矩形框；

S3：利用车牌字符特有的尺寸特征对提取出的区域进行筛选，去除非字符区域；

S4：将步骤S3筛选出的区域输入训练好的机器学习模型进行判别，去除非字符区域；

S5：对步骤S4中通过机器学习模型筛选出的区域进行去包含操作，得到剩余区域；去包含操作包括以下步骤：

S51：判断步骤S4筛选出的所有区域中是否有两个区域对应的外接矩形框满足式(1)的条件：如果是，则判定第一区域对应的外接矩形框包含第二区域对应的外接矩形框，然后保留第一区域对应的外接矩形框，去除第二区域对应的外接矩形框；否则，不进行任何操作；

式(1)中，rect1表示第一区域对应的外接矩形框，rect1.x表示第一区域对应的外接矩形框的横坐标，rect1.y表示第一区域对应的外接矩形框的纵坐标，rect1.width表示第一区域对应的外接矩形框的宽度，rect1.height表示第一区域对应的外接矩形框的高度，rect2表示第二区域对应的外接矩形框，rect2.x表示第二区域对应的外接矩形框的横坐标，rect2.y表示第二区域对应的外接矩形框的纵坐标，rect2.width表示第二区域对应的外接矩形框的宽度，rect2.height表示第二区域对应的外接矩形框的高度；

S52：重复执行步骤S51，直至步骤S4筛选出的所有区域中不存在两个区域对应的外接矩形框满足式(1)的条件后结束；

S6：计算每个剩余区域的中心坐标，根据每个剩余区域的中心坐标去除孤立的非字符区域，包括：按剩余区域中心坐标的纵坐标从上到下进行排序，通过比较相邻纵坐标间的高度差去除竖直方向上孤立的非字符区域的步骤；还包括按剩余区域中心坐标的横坐标从左到右进行排序，通过比较相邻横坐标间的水平距离差去除水平方向上孤立的非字符区域的步骤；

S7：检查步骤S6得到的剩余区域是否有缺失，若存在缺失，则进行补全；补全的过程包括以下步骤：

S71：将步骤S6得到的剩余区域按照外接最小矩形框的左边界从左往右进行排序；

S72：在最靠左的剩余区域左边取一个新区域，记为第一新区域，第一新区域根据式(2)选取：

式(2)中，new表示第一新区域的外接矩形框，new.x表示第一新区域的外接矩形框的横坐标，new.y表示第一新区域的外接矩形框的纵坐标，new.width表示第一新区域的外接矩形框的宽度，new.height表示第一新区域的外接矩形框的高度；k表示系数，根据车牌字符的间距确定；ave_dev表示步骤S6得到的剩余区域中相邻字符区域中心高度偏差的平均值；rects[L]表示最靠左的剩余区域对应的外接矩形框，rects[L].x表示最靠左的剩余区域对应的外接矩形框的横坐标，rects[L].y表示最靠左的剩余区域对应的外接矩形框的纵坐标，rects[L].width表示最靠左的剩余区域对应的外接矩形框的宽度，rects[L].height表示最靠左的剩余区域对应的外接矩形框的高度；

将第一新区域输入到训练好的机器学习模型中，判断第一新区域是否为字符区域：如果是则保留，否则则去除；

S73：在最靠右的剩余区域右边取一个新区域，记为第二新区域，第二新区域根据式(3)选取：

式(3)中，new'表示第二新区域的外接矩形框，new'.x表示第二新区域的外接矩形框的横坐标，new'.y表示第二新区域的外接矩形框的纵坐标，new'.width表示第二新区域的外接矩形框的宽度，new'.height表示第二新区域的外接矩形框的高度，rects[R]表示最靠右的剩余区域对应的外接矩形框，rects[R].x表示最靠右的剩余区域对应的外接矩形框的横坐标，rects[R].y表示最靠右的剩余区域对应的外接矩形框的纵坐标，rects[R].width表示最靠右的剩余区域对应的外接矩形框的宽度，rects[R].height表示最靠右的剩余区域对应的外接矩形框的高度；

将第二新区域输入到训练好的机器学习模型中，判断第二新区域是否为字符区域：如果是则保留，否则则去除；

S74：对于步骤S6得到的剩余区域，依次遍历每两个相邻的剩余区域间的距离，若距离大于这两个相邻剩余区域中外接矩形框宽度最大的剩余区域的外接矩形框宽度的两倍，则对这两个剩余区域执行步骤S72，然后执行步骤S75；

S75：检查步骤S6得到的剩余区域是否全部被补全：如果是，则进行步骤S77；否则，根据式(4)计算第i个剩余区域与第i+1个剩余区域的中心间距dis[i]，然后进行步骤S76；

式(4)中，rects[i]表示第i个剩余区域的外接矩形框，rects[i].x表示第i个剩余区域的外接矩形框的横坐标，rects[i].width表示第i个剩余区域的外接矩形框的宽度，rects[i+1]表示第i+1个剩余区域的外接矩形框，rects[i+1].x表示第i+1个剩余区域的外接矩形框的横坐标，rects[i+1].width表示第i+1个剩余区域的外接矩形框的宽度；

S76：如果dis[i]满足式(5)的条件，则判定此时的i＝2，从而确定车牌中第2个字符和第3个字符的位置；如果dis[i]满足式(6)的条件，则判定此时的i≠2；

式(5)中，k_i表示第一系数，k_a表示第二系数，k_i和k_a根据车牌字符间距确定；

确定了车牌中第2个字符和第3个字符的位置之后，根据车牌字符特定的排列关系确定其他字符的位置，从而确定缺失字符的位置，然后按式(2)进行补全，补全之后执行步骤S77；

S77：结束；

S8：进行字符识别，输出识别结果。

2.根据权利要求1所述的基于机器学习和最大极值稳定区域的车牌识别方法，其特征在于：所述步骤S4中，机器学习模型训练的过程中的训练样本分为字符区域和非字符区域两大类，字符区域分为字母、数字和代表省份的汉字，非字符区域分为非车牌区域上的非字符区域和车牌区域上的非字符区域，且训练样本都是彩色图像。