[发明专利]基于最小错误率贝叶斯分类器的车牌数字及字母识别方法

摘要

本发明提供一种基于最小错误率贝叶斯分类器的车牌数字及字母识别方法，该方法为：以粗网格特征作为字符识别的特征，针对34类数字及字母字符，建立各自的字符样本库，根据样本库计算各类字符粗网格特征的均值、协方差矩阵及字符的先验概率，进而得到各类字符的判别函数，完成最小错误率贝叶斯分类器的设计，之后提取待识别字符图像的粗网格特征，利用最小错误率贝叶斯分类器对该字符图像进行第一级分类，如果第一级分类得到的类别属于相近字符的类别，则分5种情况分别提取该字符图像不同位置的局部特征，进行相近字符的第二次分类。本发明中最小错误率贝叶斯分类器所用的判别函数简单且对字符进行二级分类，具有识别速度快、识别准确性高的优点。

主权项

1.一种基于最小错误率贝叶斯分类器的车牌数字及字母识别方法，其特征在于：步骤1建立各类别字符的识别样本库根据中华人民共和国机动车号牌标准(GA36-2007)，车牌中用到所有的数字字符及除I和O之外的所有字母字符，总共34类字符，针对第j类字符L_j建立样本数量为N_j的字符样本库S_j，得到样本总数量为N的总样本库S，S＝{S_j}，j＝1，2，...34，S_j＝{W_jk}，k＝1，2，...N_j，N=Σj=134Nj,]]>式中，W_jk是大小被归一化为80×40像素的二值化字符图像，表示第j类字符的样本库S_j中第k个样本，字符样本库S₁～S₁₀按顺序对应于数字0～9，字符样本库S₁₁～S₁₈按顺序对应于字母A～H，字符样本库S₁₉～S₂₃按顺序对应于字母J～N，字符样本库S₂₄～S₃₄按顺序对应于字母P～Z，步骤2最小错误率贝叶斯分类器的设计步骤2.1：对第j类字符而言，计算其字符样本库S_j中所有样本W_jk的粗网格特征FWjk(i1)=Σx1=(m1-1)×10+1m1×10Σy1=(n1-1)×10+1n1×10Wjk(x1,y1),]]>i₁＝1，2，...32，其中，m1=i1-n14+1,]]>是粗网格特征的第i₁个分量，m₁和n₁分别是所对应的块的横、纵坐标，W_jk(x₁，y₁)是字符图像W_jk中坐标为(x₁，y₁)的像素的值，若为1则表示该像素属于字符，若为0则表示该像素属于背景，mod(i₁，4)为i₁除以4之后的余数，步骤2.2：计算字符样本库S_j中所有样本W_jk的粗网格特征均值Fj‾(i1)=Σk=1NjFWjk(i1)Nj,]]>i₁＝1，2，...32，式中，是第j类字符L_j的粗网格特征均值的第i₁个分量，是字符样本库S_j中第k个样本W_jk的粗网格特征的第i₁个分量，步骤2.3：计算字符样本库S_j中所有样本的粗网格特征的协方差矩阵C_j，Cjab=1Nj-1Σk=1Nj(FWjk(a)-Fj‾(a))(FWjk(b)-Fj‾(b)),]]>a，b＝1，2，...32，式中，是协方差矩阵C_j中行、列坐标分别为a、b的元素的数值，是字符样本库S_j中第k个样本W_jk的粗网格特征的第a个分量，是字符样本库S_j中第k个样本W_jk的粗网格特征的第b个分量，步骤2.4：计算在总样本库中第j类字符L_j的先验概率P_j，Pj=NjN,]]>j＝1，2，...34，步骤2.5：定义与第j类字符Lj相对应的判别函数H_j(W)，得到最小错误率贝叶斯分类器H(W)，H(W)＝{H_j(W)}，j＝1，2，...34，Hj(W)=-12(FW-Fj‾)TCj-1(FW-Fj‾)+lnP(j)-12jln|Cj|,]]>式中，W是任意的大小被归一化为80×40像素的二值字符图像，F_W是二值字符图像W的粗网格特征，C_j^-1是协方差矩阵C_j的逆矩阵，|C_j|是协方差矩阵C_j的行列式，步骤3基于最小错误率贝叶斯分类器的第一级分类步骤3.1：对需要进行识别的大小被归一化为80×40像素的二值字符图像W而言，计算其粗网格特征F_W，FW(i2)=Σx2=(m2-1)×10+1m2×10Σy2=(n2-1)×10+1n2×10W(x2,y2),]]>i₂＝1，2，...32，其中，m2=i2-n24+1,]]>F_w(i₂)是粗网格特征F_w的第i₂个分量，m₂和n₂分别是F_w(i₂)所对应的块的横、纵坐标，W(x₂，y₂)是字符图像W中坐标为(x₂，y₂)的像素的值，若为1则表示该像素属于字符，若为0则表示该像素属于背景，mod(i₂，4)为i₂除以4之后的余数，步骤3.2：计算最小错误率贝叶斯分类器H(W)中所有判别函数H_j(W)的值，取最大的判别函数值H_M(W)所对应的字符类别作为该二值字符图像W的类别，H_M(W)＝max(H_j(W))，j＝1，2，...34，数值M与34种字符类别的对应关系为：M分别为1～10时按顺序对应于数字0～9，M分别为11～18时按顺序对应于字母A～H，M分别为19～23时按顺序对应于字母J～N，M分别为24～34时按顺序对应于字母P～Z，如果与数值M所对应的字符类别是集合{D，0，Q，8，B，2，Z，5，S，4，A}中的一种，则表明第一级分类得到的字符类别属于相似字符，可能存在一定的错误，转到步骤4进行第二级分类，否则表明第一级分类得到的字符类别不属于相似字符，以之作为该字符的最终分类结果，结束分类，步骤4相似字符的第二级分类以第一级分类结果为基础，对易混淆的5组字符提取局部特征进行第二级分类，(1)“D”、“0”和“Q”如果第一级分类得到的字符类别为“D”、“0”和“Q”，则计算字符图像W的局部特征T₁和T₂，T1=Σx=6080Σy=2030W(x,y),]]>T2=Σx=112Σy=28W(x,y)+Σx=7380Σy=28W(x,y),]]>利用局部特征T₁和T₂对字符图像W进行第二级分类：如果T₁≥195，则识别字符图像W为字母“Q”，如果T₁＜195且T₂＜73则识别字符图像W为数字“0”，如果T1＜195且T₂≥73则识别字符图像W为字母“D”，(2)“8”和“B”如果第一级分类得到的字符类别为“8”和“B”，则计算字符图像W的局部特征T₃、T₄和T₅，T3=Σx=7580Σy=28W(x,y),]]>T4=Σx=15Σy=28W(x,y),]]>T5=Σx=3842Σy=15W(x,y),]]>利用局部特征T₃、T₄和T₅对字符图像W进行第二级分类：如果T₃＜24、T₄＜20且T₅＜20，则识别字符图像W为数字“8”，否则识别字符图像W为字母“B”，(3)“2”和“Z”如果第一级分类得到的字符类别为“2”和“Z”，则计算字符图像W的局部特征T₆和T₇，T6=Σx=18Σy=140W(x,y),]]>T7=Σx=1525Σy=110W(x,y),]]>利用局部特征T₆和T₇对字符图像W进行第二级分类：如果T₆≤260且T₇≥15，则识别字符图像W为数字“2”，否则识别字符图像W为字母“Z”，(4)“5”和“S”如果第一级分类得到的字符类别为“5”和“S”，则计算字符图像W的局部特征T₈和T₉，T8=Σx=110Σy=140W(x,y),]]>T9=Σx=140Σy=110W(x,y),]]>利用局部特征T₈和T₉对字符图像W进行第二级分类：如果T₇≥290且T₉≥270，则识别字符图像W为数字“5”，否则识别字符图像W为字母“S”，(5)“4”和“A”如果第一级分类得到的字符类别为“4”和“A”，则计算字符图像W的局部特征T₁₀，T10=Σx=7080Σy=115W(x,y),]]>利用局部特征T₁₀对字符图像W进行第二级分类：如果T₁₀＜180，则识别字符图像W为数字“4”，否则识别字符图像W为字母“A”。