一种基于多特征提取的实用车牌识别方法

作者:马爽;樊养余;雷涛;吴鹏 刊名:计算机应用研究 上传者:何名梅

【摘要】针对车牌识别系统的实际应用,利用车牌区域的边缘梯度特征、几何形状特征、颜色特征、灰度纹理特征定位车牌,然后校正车牌图像的颜色及倾斜度;基于灰度投影法,对普通及武警车牌均提出了有效字符分割方案,通过自适应判别去除因字符断裂粘连、特殊字符等造成的干扰;通过基于多特征值提取的神经网络方法初识别车牌;最后将人眼的视觉特性用于模板匹配法,解决易混淆字符及污损车牌的问题。通过大量实验证明,该方法对车牌颜色、拍摄角度、光照条件等限制较少,适用范围广、识别率高,有较强的实用性。

全文阅读

0引言随着经济的快速增长,汽车数量大幅增加,我国对交通智能化的需求越来越迫切。车牌识别(LPR)作为智能交通领域中的一个重要环节,通过对采集到的图像进行处理和分析,自动提取车牌信息,在缓解和管理日益拥堵的道路交通中有着举足轻重的作用。LPR技术是数字图像处理、模式识别、人工智能在智能交通系统领域的一个重要研究课题,被广泛地应用于道路收费系统和各种监控系统,具有广阔的应用前景。然而在实际应用中,诸多因素会对识别效果产生影响,如光照不均、拍摄角度倾斜、背景复杂、车牌污损、车牌制式不统一等。现有的LPR系统可识别的车牌制式范围有限,且大多是针对目标清晰、背景简单、光照均匀的图像,尤其对于有污损的车牌仍没有一个很好的解决方案。本文结合实际项目,针对上述问题对LPR系统的相关算法进行了深入研究和探讨,提出了有效的改进方法。1边缘特性筛选与多判定机制下的车牌定位1.1基于边缘特性筛选和形态学的车牌粗定位车牌区域与背景区域相比,有着更为丰富的边缘信息,尤其表现为梯度变化明显、频繁且具有一定规律。因此只需对梯度化后图像的水平方向作高频保留,即可去除非目标边缘,保留车牌区域的边缘信息。本文通过去除水平差分后车牌图像中边缘特性不满足自适应阈值R的像素点来保留车牌边缘并滤除部分干扰噪声,如式(1)所示。R=maxf(:,j)-f(i-n,j)+…+f(i,j)+…+f(i+n,j)N(1)f(i,j)=1f(i,j)R0f(i,j)0,则判断车牌底色为浅色(包括白色和黄色);若f'max-fave<0,则判断为深色(包括蓝色和黑色)。(c)求车牌区域B通道(蓝色分量)的直方图并作低通滤波处理,找出其中最大灰度值g,g=max(B(i,j))。b)校正浅色车牌。若车牌底色为浅色,则对处理后的F'求反,如式(8)所示。flight(i,j)=|255-f'(i,j)|(8)c)校正红色像素点。(a)当车牌底色为浅色时,若g>thresh_color则判定车牌底色为白色,校正红色像素点的RGB值,如式(9)所示;否则无须校正,其中g=max(B(i,j)),thresh_color=120。Rred(i,j)=40Gred(i,j)=40Bred(i,j)=g-60(9)(b)当车牌底色为深色时,若gTh0H'(i,j)0cos茁<0琢茁图9拐点特征图10曲度特征ab琢ba琢=0图11深度特征d对切割出来的七组车牌字符图像使用双线性插值的方法进行大小变换,得到七组像素大小为3216的归一化图像。将上述字符的四个特征向量,即内外边缘A_line、拐点B_breakpoint、曲度C_curve、深度D_depth送入BP神经网络进行训练,从而完成车牌字符的初步识别[5,6]。3.2基于仿生视觉特性的字符精确识别在实际应用中,常会出现车牌有污损、遮挡或因强烈的反光等因素而造成的车牌字符模糊不清的情况。针对上述问题,本文采用仿生视觉特性的模板匹配法对初识别阶段无法解决的字符进行再次识别。人类认识事物是一个动态检测和匹配的过程,在具体理解任务的前提下,人类可以根据经验对目标的属性、范围进行推理判断,调整识别策略[7,8]。例如字母R,如图12所示,由于某种原因字符被部分遮挡,此时会猜测可能是字母P、R、F,而不会把它识别为其他的字母或数字,这样就缩小了范围;而一旦发现该字母的其他特征,如右上方的四分之一或者右下方的四分之一就可以迅速排除字母F、P,从而判断出为字母R。这充分反映出人类通过视觉识别事物的特性机制,有助于系统完成对污损字符的识别。现有的车牌识别系统基本都是在车牌信息清晰

参考文献

引证文献

问答

我要提问