一種基于Grassmann流行的車牌字符識別方法
【技術領域】
[0001] 本發明屬于圖像處理技術領域，尤其涉及車牌字符識別。
【背景技術】
[0002] 隨著智能交通系統的發展，車牌識別系統廣泛的應用于各個領域。它是以數字圖 像處理，模式識別，計算機視覺等技術為基礎，對攝像機所拍攝的車輛圖像或者視頻序列進 行分析，得到每一輛車的車牌號碼，從而完成識別過程。通過一些后續處理，可以實現停車 場收費管理、公路收費站自動繳費管理、交通流量控制指標測量、高速公路超速自動化監 管、車輛定位、汽車防盜等功能。
[0003] 通常，車牌識別系統可分為三個部分：車牌定位（獲取單個車牌圖像）、車牌字符 分割、車牌字符識別。整個系統在前兩部分的基礎上如何進行精確的字符識別，就成為最終 影響系統識別率的重要難題。
[0004] 當前，車牌字符識別存在以下難題：
[0005] 1、小字符集。具體到中國現行的機動車號牌標準（GA36- 2007，GA804)，中國車牌 含有中文漢字、英文字母以及阿拉伯數字。漢字字符結構復雜，實際獲得字符存在粘連，污 損等情況，英文字母"J"、"L"與" 1"易混淆；"D"、"0"與"Q"易混淆等等。
[0006] 2、獲取圖像質量差異性較大。前端采集設備獲取車輛圖像，可能存在干擾和幾何 形變；測試環境復雜多變，當車牌識別系統應用雨雪天、霧等自然環境惡劣情況時，可能會 導致車牌受污損，同時影響獲得車牌圖像質量。
[0007] 當前的車牌字符識別算法主要有以下幾種方法：
[0008] (1)基于模板匹配的車牌識別算法。利用車牌字符的輪廓、骨干或者峰谷投影等 特征，先對待識別字符進行關鍵點提取，即對字符進行拓撲分析以得到字符邊緣的關鍵點， 再確定字符的分類提取車牌字符特征，與標準車牌字符進行匹配。但是，由于實際測試環境 中獲取車牌圖像存在干擾以及車牌圖像的幾何變形，車牌字符正確識別率低并且魯棒性較 差。
[0009] (2)基于SVM的車牌識別算法。根據車牌字符的特征，建立分類器，對分類器建立 各字符的樣本庫，通過SVM方法訓練得到各字符的判別函數。然后根據字符相應位置，歸一 化送到對應分類器組，通過判別函數得到分類結果。但是，由于很難提取到能很好表示字符 的相關特征以及現場環境的復雜，車牌字符也很難準確分割，字符差異性大。最后導致正確 識別率低以及魯棒性較差。

【發明內容】

[0010] 本發明針對上述技術問題，公開了一種對車牌字符圖像的成像質量要求低，在復 雜的環境中具有良好魯棒性和準確性的車牌字符識別方法。
[0011] 本發明的基于Grassmann流行的車牌字符識別方法，包括下列步驟：
[0012] 步驟A :構建每類車牌字符圖像樣本的張成子空間：
[0013] A-I :對每類車牌字符取η個車牌字符圖像樣本，將各車牌字符圖像轉化為灰度圖 像，并將灰度圖像歸一化為相同圖像尺寸，其中η大于或等于3 ;
[0014] Α-2 :每類字符η個樣本的圖像矩陣Μ, =[ΑΚ，.Υ,\···,Λ?']，其中i為字符類型 標識符，# =KKy ，…，不"/表示第i類字符的第j個樣本的車牌字符圖像按行 或按列展開形成的m維列向量，其中m表示歸一化后的車牌字符圖像的像素點總數，j = 1，2,…，η ;所述〇表示第i類字符的第j個樣本的車牌字符圖像的第p個像素點的像素 值，P = 1，2, ...，m ;
[0015] △-2:每類字符11個樣本的圖像矩陣/^=[；^,<，尤3，"，1； 1]，其中1為字符類型標 識符，宥=表示第i類字符的第j個樣本的車牌字符圖像按行或按 列展開形成的m維列向量，j = 1，2,…，η ;其中X/)表示第i類字符的第j個樣本的車牌字 符圖像的第P個像素點的像素值，P = 1，2,…，m (A')
[0016] A-3 :對圖像矩陣M1進行奇異值SVD分解，得到n Pf，其中矩陣U$m*m V 階酉矩陣，矩陣~為n*n階對角矩陣，矩陣Pf為11*11階酉矩陣￥1的共輒轉置矩陣；取對角 矩陣A1中前k個最大值對應位置的矩陣V1中的列向量構成矩陣Y1，用Span(Y 1)表示矩陣 Yi的張成子空間，將所述張成子空間Span(Yi)映射到Grassmann流形上，其中下標i為字 符類型標識符，其中1彡k < η ;
[0017] 步驟B :對待識別車牌字符圖像進行字符識別
[0018] B-I :輸入η個同類待識別車牌字符圖像，基于步驟Α-1、Α-2得到待識別字符類 型X的圖像矩陣Μ, ···,<]，基于步驟Α-3由圖像矩陣凡得到矩陣Yx，用 Span(Yx)表示矩陣Yx的張成子空間，將所述張成子空間Span(Yx)映射到Grassmann流形 上；
[0019] Β-2 :基于Grassmann流行的兩點間距離，分別計算張成子空間span (Yx)與每個類 的張成子空間Span(Y1)之間的點距離，取最小點距離所對應的類型標識符i為待識別字符 類型X的字符種類。
[0020] 有益效果：傳統的車牌字符識別方式是對每一個分割的字符進行處理，形成特征 集合，用特征集合建立模型，此方法存在的問題：對于同一類車牌字符，割裂了每個車牌字 符之間的相關性，無論使用何種特征提取方式，都會造成原始特征的丟失或是增加無用的 特征。而本發明使用基于Grassmann流形的車牌字符識別方法，將同字符類型的多個字符 集合當成一個矩陣，矩陣的每個列向量是一副車牌字符圖像，該處理方式的優點在于，考慮 了同字符類型的車牌字符圖像之間的相關性，將每幅車牌字符圖像直接向量化變成向量， 避免了任何特征信息的損失，最大程度上利用了現有的信息進行車牌字符識別，極大的提 高了識別的準確性和魯棒性。
【附圖說明】
[0021] 本發明將通過【具體實施方式】并參照附圖的方式說明，其中：
[0022] 圖1是【具體實施方式】中，對待識別車牌字符圖像的識別流程圖。
【具體實施方式】
[0023] 為使本發明的目的、技術方案和優點更加清楚，下面結合實施方式和附圖，對本發 明作進一步地詳細描述。
[0024] 為使本發明的目的、技術方案和優點更加清楚，下面結合實施方式和附圖，對本發 明作進一步地詳細描述。
[0025] 本發明用于車牌識別系統的車牌字符分割。車牌識別系統接收監測設備采集到 的圖片數據流進行車牌定位，以獲取單個車牌圖像。當前，獲取車牌圖像慣用的處理方式 為：基于混合高斯背景建模的方法，利用權值和方差獲得運動場景中的前景和背景，將當前 獲得的一幀圖像與背景圖像相減便可以獲得運動目標區域即場景內的各個運動車輛。然后 根據場景內跟蹤的各個車輛情況，首先對得到的單幀圖像進行轉化為灰度圖像，并對灰度 圖像進行邊緣檢測，對獲得的邊緣檢測圖像再進行二值化，這樣可以去除明顯的干擾和一 些噪聲產生的干擾點，尤其是夜間車燈的影響，之后基于預構造矩陣（矩陣的行和列可以 根據車牌的長寬比進行設定，矩陣中的元素初始化為1)遍歷整個目標區域，然后提取連通 域，再對得到的目標區域進行形態學閉操作，之后對各個連通域進行標定并求其最小的外 接矩形，然后，得到外接矩形在原圖中相應的圖像。最后，將得到的圖像進行分類即獲取車 牌的正負樣本，選取車牌具有的一些特征，利用車牌的正負樣本訓練二分類器去掉偽車牌， 從而得到粗定位的車牌圖像。再進一步準確定位車牌，得到精定位的車牌圖像：首先，對粗 定位的車牌圖像在水平方向上進行投影，準確的確定車牌的上下邊界，再對車牌在豎直方 向上投影，選擇閥值，根據閥值判斷候選車牌區域作為車牌左右邊緣的準確位置，從而得到 精定位的車牌圖像。
[0026] 在輸出獲取的各車牌圖像的字符分割位置時，可以是現有的任一方法，也可以是 本發明的發明人在申請名稱《一種動態模板結合像素點的車牌字符分割方法》中所描述的 分割方法，即首先對輸入的車牌圖像進行二值化處理，并計算二值化處理后的車牌圖像的 寬度w和高度h ;然后設置車牌模板：高度與待分割的車牌圖像（二值化處理后的車牌圖 像）的高度相同，設置為h，寬度設置為w'（初始值設置為w/3~2w/3)，車牌模板設置7個 字符，各字符的寬高比設置為rl、第2個和第3個字符之間的間隔的寬高比為r2,其他字符 間的間隔的寬高比為r3，其中寬高比r I、r2、r3的取值基于機動車號牌的標準（例如《中華 人民共和國公共安全行業標準-中華人民共和國機動車號牌》（GA36- 2007))中所規定的 對應尺寸進行設置；接著執行模