[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

说明书

本发明公开了一种基于机器学习和最大极值稳定区域的车牌识别方法，充分利用最大极值稳定区域具有仿射不变性和对光照的适应性，且适用于文字字符检测提取的特点，直接对原车辆图像中的字符区域进行提取，并结合机器学习和车牌排列规则去除非字符区域，无需再进行车牌定位和字符分割等一系列繁琐操作，提高了车牌识别方法的效率，且适用于复杂环境下的车牌识别，适合于智能交通系统的设计和部署。

技术领域

本发明涉及车牌识别领域，特别是涉及一种基于机器学习和最大极值稳定区域的车牌识别方法。

背景技术

随着信息化和智能化程度的不断提高，智能交通系统也在经历快速的发展。车牌自动识别是智能交通系统设计中的一个重要问题，世界上所有的车辆都有一个车牌号作为其唯一的标识符。由于对车牌自动识别的需求不断增加，在过去十多年里，车牌识别技术已经取得了很大的进步。在中国，汽车的车牌是长方形的，有7个字符，任何车牌上的第一个字符必须是代表该车所属省份的中文字符。由于中文字符的笔画和形状比英文字符和数字复杂，因此中文车牌自动识别任务的复杂度明显较高。因此，准确、鲁棒性强的中文车牌识别系统是在中国部署智能交通系统的一项重要而具有挑战性的任务。

传统的车牌识别技术主要分为车牌定位和字符分割两个部分，车牌定位主要借助边缘检测和颜色匹配来实现，而字符分割则是借助车牌字符的几何特征和排列规则来进行划分。但边缘检测和颜色匹配受环境光照影响大，在复杂环境下往往难以准确定位车牌。

发明内容

发明目的：本发明的目的是提供一种基于机器学习和最大极值稳定区域的车牌识别方法，无需进行车牌区域定位和字符分割，便可直接提取出车牌字符进行识别。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明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，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；

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；

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；

S8：进行字符识别，输出识别结果。

进一步，所述步骤S5中，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；