[发明专利]一种基于Grassmann流行的车牌字符识别方法

摘要

本发明公开了一种基于Grassmann流行的车牌字符识别方法。属于领域图像处理技术领域。本发明将Grassmann流形应用到车牌字符识别过程中，对多幅同类字符图像同时处理，并且将同类所有字符图片构成一个矩阵，充分利用车牌字符图像的所有信息和同类车牌字符之间的联系，将得到的矩阵进行SVD分解，得到每个车牌字符的张成子空间，这些张成子空间对应Grassmann流形上的点，将车牌字符识别问题转化为求Grassmann流形上点与点之间的距离问题。本发明用于车牌识别系统，最大限度的利用了已获得的车牌字符信息以及同类字符之间的相互关系，具有很高的识别率，对于车牌字符的成像质量要求更低，应用于复杂的环境中具有很好的鲁棒性和准确性。

主权项

基于Grassmann流行的车牌字符识别方法，其特征在于，包括下列步骤：步骤A：构建每类车牌字符图像样本的张成子空间：A‑1：对每类车牌字符取n个车牌字符图像样本，将各车牌字符图像转化为灰度图像，并将灰度图像归一化为相同图像尺寸，其中n大于或等于3；A‑2：每类字符n个样本的图像矩阵其中i为字符类型标识符，表示第i类字符的第j个样本的车牌字符图像按行或按列展开形成的m维列向量，其中m表示归一化后的车牌字符图像的像素点总数，j＝1,2,…,n；表示第i类字符的第j个样本的车牌字符图像的第p个像素点的像素值，p＝1,2,…,m；A‑3：对图像矩阵Mi进行奇异值SVD分解，得到其中矩阵Ui为m*m阶酉矩阵，矩阵Ai为n*n阶对角矩阵，矩阵ViH为n*n阶酉矩阵Vi的共轭转置矩阵；取对角矩阵Ai中前k个最大值对应位置的矩阵Vi中的列向量构成矩阵Yi，用span(Yi)表示矩阵Yi的张成子空间，将所述张成子空间span(Yi)映射到Grassmann流形上，其中下标i为字符类型标识符，其中1≤k＜n；步骤B：对待识别车牌字符图像进行字符识别：B‑1：输入n个同类待识别车牌字符图像，基于步骤A‑1、A‑2得到待识别字符类型x的图像矩阵基于步骤A‑3由图像矩阵Mx得到矩阵Yx，用span(Yx)表示矩阵Yx的张成子空间，将所述张成子空间span(Yx)映射到Grassmann流形上；B‑2：基于Grassmann流行的两点间距离，分别计算张成子空间span(Yx)与每个类的张成子空间span(Yi)之间的点距离，取最小点距离所对应的类型标识符i为待识别字符类型x的字符种类。