一種基于自適應特征的車牌字符識別方法
【技術領域】
[0001] 本發明設及圖像處理技術領域，具體是一種基于自適應特征的車牌字符識別方 法。
【背景技術】
[0002] 車牌字符識別是車牌識別系統的最后一步，也是至關重要的一步，它直接影響著 整個系統的識別準確率和效率。對于理想車牌字符的識別，國內外已有很多成熟的方法，可 W達到很高的準確率。而在實際環境中采集的車牌圖像，字符往往存在分辨率較低、部分變 淺或缺失、邊緣模糊、字符傾斜等特點，使得準確識別字符變得很困難，基于現有的字符識 別方法，無法達到滿意的準確率。因此，準確識別車牌字符，成為國內外車牌識別系統的難 點。
[0003] 車牌字符識別通常采用Ξ種識別方法，分別是基于模板匹配的方法、基于神經網 絡的方法、基于支持向量機(SVM)的方法。依據模式識別理論可知，影響識別準確率的最大 因素，不是選擇的哪種分類方法，而是選擇的目標特征，只要字符特征選擇的合適，上述Ξ 種方法均能達到不錯的分類效果。因此，如何選擇字符特征，成為決定車牌字符識別成敗的 關鍵。
[0004] 目前，常用的車牌字符特征主要有W下幾類：
[0005] (1)全局特征，該類特征采用全局變換來獲取字符的整體特征，使用有序的整體特 征或者子集特征來構成特征向量，常見的特征有GABOR變換特征、矩特征、投影特征、筆劃密 度特征、HARR特征、HOG特征等。運些特征的優點是對局部變化不敏感，抗干擾能力強;其缺 點是容易忽略某些重要的局部特征，無法區分相似的字符。
[0006] (2)局部特征，該類特征是在字符的多個局部區域內，計算相應的特征，使用串聯 的有序局部特征構成最終的特征向量，主要特征包括局部灰度直方圖特征、LBP特征、穿線 特征、SIFT特征等。該類特征的優點是區分字符的能力強;其缺點是過分關注字符的局部特 征，往往會錯誤區分具有噪聲干擾的字符。

【發明內容】

[0007] 本發明的目的在于針對使用全局特征或局部特征識別車牌字符的缺點，提供一種 基于自適應特征的車牌字符識別方法，通過關注不同尺度空間下的字符卷積圖像，自適應 地獲取字符的最優特征，提高字符識別的準確率。
[000引本發明的技術方案為：
[0009] -種基于自適應特征的車牌字符識別方法，包括W下步驟：
[0010] (1)構建多尺度空間卷積模板；
[0011] (2)將待識別車牌字符圖像尺寸歸一化；
[0012] (3)利用構建的多尺度空間卷積模板對歸一化后的待識別車牌字符圖像進行卷積 運算，獲取不同尺度空間下車牌字符卷積圖像的組合特征集，串聯所有尺度空間下車牌字 符卷積圖像的組合特征集，得到多尺度空間車牌字符特征集；
[0013] (4)對得到的多尺度空間車牌字符特征集進行提取處理，獲取自適應車牌字符特 征向量；
[0014] (5)將獲取的自適應車牌字符特征向量輸入貝葉斯分類器，計算輸入的車牌字符 特征向量屬于某一類別的概率，選擇最大概率值對應的類別作為待識別車牌字符圖像中的 字符類別。
[0015] 所述的基于自適應特征的車牌字符識別方法，步驟(2)中，所述將待識別車牌字符 圖像尺寸歸一化，通過W下雙線性插值公式實現：
[0016]
[0017] 其中，（x，y)表示待求灰度值f (x，y)的像素坐標，（xi，yi)、（X2，yi)、（xi，y2)、（X2，y2) 分別表示距離像素坐標(x，y)最近的四個已知灰度值f (xi，yi)、f (X2，yi)、f (xi，y2)、f (X2，y2) 的像素坐標。
[0018] 所述的基于自適應特征的車牌字符識別方法，步驟(3)中，所述獲取不同尺度空間 下車牌字符卷積圖像的組合特征集，具體包括W下步驟：
[0019] (31)選取某個尺度空間作為當前尺度空間；
[0020] (32)采用W下公式，獲取當前尺度空間下選定卷積模板尺寸的車牌字符卷積圖 像：
[0023] 其中，m表示卷積模板的寬度，η表示卷積模板的高度，〇表示高斯分布標準差，G (xi，yj)表示卷積模板上(xi，yj)處像素對應的權重值，dx、dy表示卷積模板的中屯、在歸一化 后的待識別車牌字符圖像上的位置(x，y)相對于圖像左上角的偏移量，f(xi+dx，y押dy)表示 歸一化后的待識別車牌字符圖像上(xi+dx，y片dy)處像素的灰度值，g(x，y)表示車牌字符卷 積圖像上(x，y)處像素的灰度值；
[0024] (33)將獲取的選定卷積模板尺寸的車牌字符卷積圖像劃分為一系列相互重疊的 子區域塊；
[0025] (34)獲取每個子區域塊的特征集；
[0026] (35)串聯所有子區域塊的特征集，得到選定卷積模板尺寸的車牌字符卷積圖像的 特征集；
[0027] (36)變換卷積模板尺寸，重復步驟(32)~（35)，直至得到當前尺度空間下所有卷 積模板尺寸的車牌字符卷積圖像的特征集；
[0028] (37)串聯當前尺度空間下所有卷積模板尺寸的車牌字符卷積圖像的特征集，得到 當前尺度空間下車牌字符卷積圖像的組合特征集；
[0029] (38)變換尺度空間，重復步驟(31)~（37)，直至獲取不同尺度空間下車牌字符卷 積圖像的組合特征集。
[0030] 所述的基于自適應特征的車牌字符識別方法，步驟(4)中，所述對得到的多尺度空 間車牌字符特征集進行提取處理，具體是采用經典的線性鑒別分析法，降低所述多尺度空 間車牌字符特征集的維數。
[0031] 所述的基于自適應特征的車牌字符識別方法，步驟(5)中，所述計算輸入的車牌字 符特征向量屬于某一類別的概率，通過W下公式實現：
[0032]
[0033] 其中，X表示輸入的車牌字符特征向量，m表示第i類車牌字符的訓練樣本數目，N 表示所有訓練樣本的數目，U表示某一類車牌字符特征向量的各維元素的對應均值，Cov表 示某一類車牌字符特征向量的各維元素的協方差矩陣。
[0034] 所述的基于自適應特征的車牌字符識別方法，步驟(33)中，所述將獲取的選定卷 積模板尺寸的車牌字符卷積圖像劃分為一系列相互重疊的子區域塊，具體包括W下步驟：
[0035] (331)選定正方形區域的邊長尺寸，按照步長為一半邊長尺寸在所述車牌字符卷 積圖像上滑動，獲取該邊長尺寸對應的子區域塊；
[0036] (332)調整正方形區域的邊長尺寸，重復步驟(331)。
[0037] 所述的基于自適應特征的車牌字符識別方法，步驟(34)中，所述獲取每個子區域 塊的特征集，具體包括W下步驟：
[0038] (341)采用W下公式，獲取子區域塊的灰度直方圖：
[0039]
[0040] 其中，Mst(i)表示子區域塊的第i維灰度直方圖，i為整數且1<1<26，邑(義，7)表 示子區域塊中（x，y)處像素的灰度值。
[0041] (342)采用W下公式，將獲取的子區域塊的灰度直方圖歸一化：
[0042]
[0043] 其中，N表示子區域塊灰度直方圖的維數，hist/(i)表示歸一化后的子區域塊的灰 度直方圖；
[0044] (343)將歸一化后的灰度直方圖作為子區域塊的特征集。
[0045] 本發明的有益效果為：
[0046] 由上述技術方案可知，本發明基于人類視覺識別字符的原理，通過分析不同尺度 空間、不同卷積模板尺寸的卷積圖像，自適應地獲取字符的最優特征，該最優特征包含了全 局特征和局部特征，可W更加精確地識別車牌字符，魯棒性更高，同時對于字符圖像的質量 要求更低。
【附圖說明】
[0047] 圖1是本發明的方法流程圖；
[0048] 圖2是獲取單尺度空間下的字符特征集的流程圖；
[0049] 圖3是高斯分布標準差為1.2、模板尺寸為財5時的卷積模板權重值分布圖；
[0050] 圖4是高斯分布標準差為1.2、模板尺寸為5巧時的字符卷積圖像，圖4(a)為原圖， 圖4(b)為卷積后圖像；
[0化1]圖5是劃分字符卷積圖像子區域塊示意圖，其中，60、61、62、63、64、(3〇、(31、〇2分別 表示一個子區域塊。
【具體實施方式】
[0052] 下面結合附圖和具體實施例進一步說明本發明。
[0053] 如圖1所示，一種基于自適應特征的車牌字符識別方法，包括W下步驟：
[0054] S1、構建多尺度空間卷積模板，高斯卷積模板運算是實現多尺度空間變換的有效 方法，二維高斯卷積模板函數如公式（1)所示，采用不同的高斯分布標準差，可W獲取不同 尺度空間的卷積模板。
[0化5]
[0056] 其中，（x，y)表示卷積模板上某個像素的坐標，G(x，y)表示(x，y)處像素對應的權 重值，m表示卷積模板的寬度，η表示卷積模板的高度，0表示高斯分布標準差，〇取值越大，獲 得的圖像空間尺度越大。
[0057] 高斯分布標準差為1.2、卷積模板尺寸為時5時的卷積模板權重值分布效果如圖3 所示。
[005引S2、字符圖像尺寸歸一化，主要是按照雙線性插值理論公式（2)，把不同尺寸的字 符圖像，變換到相同的尺寸，消除尺寸不同帶來的影響。
[0化9]
[0060] 其中，（x，y)表示待求灰度值f (x，y)的像素坐標，（xi，yi)、（X2，yi)、（xi，y2)、（X2，y2) 分別表示距離像素坐標(x，y)最近的四個已知灰度值f (xi，yi)、f (X2，yi)、f (xi，y2)、f (X2，y) 的像素坐標。
[0061] S3、獲取多尺度空間字符特征集，主要是獲取在不同尺度空間下，字符卷