專利名稱：一種車牌字符識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明專利涉及車牌識(shí)別系統(tǒng)中的一種字符識(shí)別方法，屬于圖像處理技術(shù)領(lǐng)域。
背景技術(shù)：
隨著我國(guó)國(guó)民經(jīng)濟(jì)的快速發(fā)展，對(duì)道路交通管理的要求逐步提高，智能交通系統(tǒng)應(yīng)運(yùn)而生。在智能交通系統(tǒng)中，在準(zhǔn)確定位車牌和字符分割后，通過(guò)車牌識(shí)別系統(tǒng)進(jìn)行字符識(shí)別才最終完成完整的車牌識(shí)別，因此字符識(shí)別的好壞對(duì)字符識(shí)別率起著至關(guān)重要的作用。因此，作為智能交通系統(tǒng)的重要組成部分，車牌識(shí)別系統(tǒng)獲得了快速發(fā)展，被國(guó)內(nèi)外學(xué)者廣泛研究。車牌識(shí)別系統(tǒng)分為圖像獲取、車牌定位、字符分割、字符識(shí)別四部分，其中字符識(shí)別是本行業(yè)各企業(yè)的研發(fā)重點(diǎn)。在字符特征提取方面，需要抑制各種干擾，比如光照不均勻、字符的旋轉(zhuǎn)與形變、筆畫(huà)粗細(xì)不一致及斷裂或粘連等情況，才能提取出穩(wěn)定的字符特征，最終完成子符識(shí)別?，F(xiàn)有技術(shù)中常用閾值來(lái)獲得二值圖像，在光線不均勻時(shí)識(shí)別率不高，并且原有的算法步驟較多，進(jìn)行識(shí)別時(shí)占用的系統(tǒng)資源過(guò)高，識(shí)別速度不高；同時(shí)，對(duì)于因?yàn)檐囕v轉(zhuǎn)彎、拍攝角度等造成車牌傾斜、車牌字符筆畫(huà)斷裂、字符污損、低光照時(shí)的噪聲等，均會(huì)造成識(shí)別率下降。

發(fā)明內(nèi)容
為了提高字符的識(shí)別率，本發(fā)明提出了一種新的車牌字符識(shí)別的方法，采用canny算法和二值圖像結(jié)合的方法來(lái)識(shí)別字符，并對(duì)標(biāo)準(zhǔn)的canny算法做了簡(jiǎn)化，具體如下首先將車牌灰度圖像分割為若干字符區(qū)域，對(duì)每一個(gè)字符區(qū)域的灰度圖像Icto按照如下步驟順序進(jìn)行處理A、對(duì)Ichar求自適應(yīng)閾值；`B、對(duì)Ieto采用Canny算法確定字符邊緣圖像Iedge ；C、對(duì)上述字符邊緣圖像Iedge進(jìn)行填充空洞；D、再次確定上述字符邊緣圖像Iedge的邊界；E、對(duì)上述Iedge進(jìn)行歸一化處理；F、計(jì)算字符邊緣的水平跳變序列Stoi和垂直跳變序列SVOTt，并根據(jù)上述水平跳變序列Stoi和垂直跳變序列Svert確定上跳變數(shù)密度H0p_DenSityT()p、下跳變數(shù)密度Hop_DensityB()tt()m、左跳變數(shù)密度Hop_DensUyljeft、右跳變數(shù)密度Hop_DensityKight,并進(jìn)一步確定上下跳變數(shù)密度比Hop_DensityT()p/B()tt()m和左右跳變數(shù)密度比Hop_DensityLeft/Kight ；G、將上述F步驟中確定的上述水平跳變序列Sto1、垂直跳變序列Svert、上下跳變數(shù)密度比H0p_DenSityT()p/B()tt(M和左右跳變數(shù)密度比H0p_DenSityLeft/Kight與從字符模板集中讀取到的當(dāng)前字符模板的水平跳變序列SMto1、垂直跳變序列SMvert、上下跳變數(shù)密度比Hop_
Density_MT()p/B(rtt()m、左右跳變數(shù)密度比Hop-Density-Mljeftmght進(jìn)行--匹配，找到匹配度最
高的字符索引值，完成字符識(shí)別。
采用本發(fā)明的方法對(duì)車牌字符灰度圖像進(jìn)行處理，由于提取出了字符的邊緣和跳變信息，再將字符邊緣像素的跳變與模板字符集的跳變做匹配，找到匹配度最高的模板字符，進(jìn)而獲得字符的識(shí)別結(jié)果。這種基于跳變的字符識(shí)別，較好地解決了各種干擾下字符識(shí)別問(wèn)題，可以有效克服各種干擾因素，保持較為穩(wěn)定的高識(shí)別率。并且，由于對(duì)標(biāo)準(zhǔn)的canny算法做了簡(jiǎn)化，大大提高了識(shí)別的效率，減少了占用的系統(tǒng)資源，提高了識(shí)別速度。
具體實(shí)施例方式本發(fā)明的方法是首先對(duì)車牌灰度圖像進(jìn)行字符分割，將車牌圖像分為若干個(gè)字符區(qū)域，對(duì)每一個(gè)字符區(qū)域的灰度圖像Icto重復(fù)以下操作，最終獲得每個(gè)字符在預(yù)定模板字符集中的索引值Indexm,以此完成對(duì)所有字符的識(shí)別。其中，預(yù)定的模版字符集可以根據(jù)需要識(shí)別的車牌字符是數(shù)字、字母、漢字、字體等情況自定義(例如，可以包括各省簡(jiǎn)稱，26個(gè)英文字母大小寫(xiě)，數(shù)字，根據(jù)需要還可以設(shè)定其他文字或其他語(yǔ)言)。具體對(duì)灰度圖像Icto的處理步驟如下1.對(duì)Ichar求自適應(yīng)閾值T2.對(duì)Icto采用Canny算法獲取字符邊緣圖像IedgeI)采用3*3的模板，求當(dāng)前像素點(diǎn)P上下、左右、兩條斜對(duì)角線的梯度Gp G2, G3>G4，各梯度方向所對(duì)應(yīng)的算子分別為HpHyHyH4
權(quán)利要求
1.一種車牌字符識(shí)別方法，將車牌灰度圖像分割為若干字符區(qū)域，對(duì)每一個(gè)字符區(qū)域的灰度圖像Idm按照如下步驟順序進(jìn)行處理 A、對(duì)Icto求自適應(yīng)閾值； B、對(duì)Idm采用Canny算法確定字符邊緣圖像Iedge； C、對(duì)上述字符邊緣圖像Iedge進(jìn)行填充空洞； D、再次確定上述字符邊緣圖像Iedge的邊界； E、對(duì)上述Iedge進(jìn)行歸一化處理； F、計(jì)算字符邊緣的水平跳變序列Stoi和垂直跳變序列SVOTt，并根據(jù)上述水平跳變序列Stoi和垂直跳變序列Svert確定上跳變數(shù)密度H0p_DenSityT()p、下跳變數(shù)密度Hop_DensityB()tt()m、左跳變數(shù)密度Hop_DensUyljeft、右跳變數(shù)密度Hop_DensityKight,并進(jìn)一步確定上下跳變數(shù)密度比Hop_DensityT()p/B()tt()m和左右跳變數(shù)密度比Hop_DensityLeft/Kight ； G、將上述F步驟中確定的上述水平跳變序列Sto1、垂直跳變序列Svert、上下跳變數(shù)密度比H0p_DenSityT()p/B()tt()m和左右跳變數(shù)密度比H0p_DenSity^ft/Kight與從字符模板集中讀取到的當(dāng)前字符模板的水平跳變序列SMto1、垂直跳變序列SMvert、上下跳變數(shù)密度比Hop_Density_MT()p/B(rtt()m、左右跳變數(shù)密度比Hop-Density-Mljeftmght進(jìn)行--匹配，找到匹配度最高的字符索引值，完成字符識(shí)別。
2.如權(quán)利要求1所述的車牌字符識(shí)別方法，進(jìn)一步包括在上述步驟B中采用canny算法獲取字符邊緣圖像，具體為 B1、采用3*3的模板，求當(dāng)前像素點(diǎn)P上下、左右、兩條斜對(duì)角線的梯度Gp G2、G3、G4，各梯度方向所對(duì)應(yīng)的算子分別為H1H2H3H4 :
3.如權(quán)利要求2所述的車牌字符識(shí)別方法，進(jìn)一步包括上述步驟C中對(duì)字符邊緣圖像Irate填充空洞的方法為 Cl、在Iralge中，獲得當(dāng)前像素點(diǎn)Pij ； C2、如果Gray (Pij) ==0，則以Pij為中心取一個(gè)3 X 3的窗口，窗口內(nèi)像素值構(gòu)成矩陣 W3X3，定義算子
4.如權(quán)利要求3所述的車牌字符設(shè)別方法，進(jìn)一步包括在上述步驟D中再次確定上述字符邊緣圖像Iedge的邊界的方法為D1、從上到下行遍歷以確定Iedge的上邊緣位置索引IndexT()p ； D2、從下到上行遍歷以確定Iedge的下邊緣位置索引IndexB(rtt(M ； D3、從左到右行遍歷以確定Iedge的左邊緣位置索引IndeXkft ； D4、從右到左行遍歷以確定Iedge的右邊緣位置索引IndexKight。
5.如權(quán)利要1-4之一所述的車牌字符識(shí)別方法，進(jìn)一步包括上述步驟G中與字符模板集匹配的方法如下 1)在字符模板集中獲取當(dāng)前字符模板Tamplatei,得到其水平跳變序列SMto1、垂直跳變序列SMvert、上下跳變數(shù)密度比Hop_DenSity_MT一。ttom、左右跳變數(shù)密度比Hop_DenSity_MLeft/Eight ; 2)Stoi與SMaori做匹配，得到匹配度M1 ； 3)Svert與SMvert做匹配，得到匹配度M2 ；4)Hop_DensityTop/Bottom 與 Hop_Density_M Top/Bottom 做匹配，得到匹配M3;5)Hop_DensityLeft/Eight與 Hop_Density_MLe;ft/Kight 做匹配，得到匹配度 M4 ；6)計(jì)算總的匹配度Mti Mti =W1M1 +W2M2 +w3M3+w4M4 其中，W1、W2、W3、W4分別為乂^21314權(quán)重，其權(quán)重?cái)?shù)值可根據(jù)具體圖像的不同自定義。
7)回到步驟I)，重復(fù)此過(guò)程，直到遍歷完畢；8)取Indexm為(Mt1,Mt2,…，Mti,…，MtJ中最大值的索引值，Indexm即為最終識(shí)別結(jié)果O
全文摘要
本發(fā)明提出了一種新的車牌字符識(shí)別的方法，采用canny算法和二值圖像結(jié)合的方法來(lái)識(shí)別字符。并且識(shí)別時(shí)由于提取出了字符的邊緣和跳變信息，再將字符邊緣像素的跳變與模板字符集的跳變做匹配，找到匹配度最高的模板字符，進(jìn)而獲得字符的識(shí)別結(jié)果。這種基于跳變的字符識(shí)別，較好地解決了各種干擾下字符識(shí)別問(wèn)題，可以有效克服各種干擾因素，保持較為穩(wěn)定的高識(shí)別率。并且，由于對(duì)標(biāo)準(zhǔn)的canny算法做了簡(jiǎn)化，大大提高了識(shí)別的效率，減少了占用的系統(tǒng)資源，提高了識(shí)別速度。
文檔編號(hào)G06K9/20GK103065137SQ20121058734
公開(kāi)日2013年4月24日 申請(qǐng)日期2012年12月30日 優(yōu)先權(quán)日2012年12月30日
發(fā)明者李紅波, 范高生 申請(qǐng)人:四川九洲電器集團(tuán)有限責(zé)任公司