專利名稱：一種在高清晰圖像中識(shí)別車牌的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及車牌識(shí)別，特別是涉及一種在高清晰圖像中識(shí)別車牌的方法。
技術(shù)背景近年來(lái)百萬(wàn)象素以上(130萬(wàn) 500萬(wàn))的工業(yè)級(jí)高清晰度攝像機(jī)開始用于對(duì)車 輛圖像的抓拍中，由于它能提供執(zhí)法所需的有力證據(jù)，因此在安防和智能交通領(lǐng)域 開始得到推廣應(yīng)用。現(xiàn)有標(biāo)清圖像(45萬(wàn)象素以下)車牌識(shí)別方法很難用于對(duì)高清圖像的車牌識(shí) 別。原因是高清晰度圖像的車牌識(shí)別由于其分辨率很高，取景范圍廣、背景復(fù)雜， 車牌定位難度大，圖像中有多個(gè)車牌需要同時(shí)識(shí)別，而現(xiàn)有標(biāo)清圖像車牌識(shí)別一般 只識(shí)別單一背景中單一車牌。另外，實(shí)用車牌識(shí)別方法不僅要求識(shí)別率高，而且識(shí)別速度要快。因此如何快速準(zhǔn)確地同時(shí)識(shí)別高清晰度圖像中的多個(gè)車牌號(hào)碼，則是 現(xiàn)有技術(shù)中有待解決的問題。發(fā)明內(nèi)容本發(fā)明所要解決的技術(shù)問題就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一 種在高清晰圖像中識(shí)別車牌的方法。本發(fā)明的目的可以通過以下技術(shù)方案來(lái)實(shí)現(xiàn) 一種在高清晰圖像中識(shí)別車牌的 方法，其特征在于，包括以下步驟(1) 以一定縮放系數(shù)，多次縮放攝像機(jī)抓拍到的原始圖像，每縮放一次圖像， 在縮放后的圖像中檢測(cè)一次車牌區(qū)域的圖像，將檢測(cè)出的車牌區(qū)域圖像映射到原始 圖像上，經(jīng)過濾和合并重合圖像，根據(jù)各車牌區(qū)域圖像的特征強(qiáng)度對(duì)各圖像進(jìn)行排序，得到所有車牌區(qū)域圖像；(2) 將所有車牌區(qū)域圖像轉(zhuǎn)換為灰度圖像，再進(jìn)行二值化處理，得到二值化圖像；(3液正二值化圖像的傾斜度；(4) 分割二值化圖像中的字符；(5) 識(shí)別分割出的字符，并進(jìn)行檢査。 所述的縮放系數(shù)包括水平縮放系數(shù)和垂直縮放系數(shù)。 所述的水平縮放系數(shù)和垂直縮放系數(shù)均為0.5。 所述的檢測(cè)車牌區(qū)域的圖像包括 顏色空間變換；邊緣檢測(cè)定位。所述的步驟(2)采用GLLT算法進(jìn)行二值化處理。所述的步驟(5)采用人工神經(jīng)網(wǎng)絡(luò)識(shí)別算法對(duì)字符進(jìn)行識(shí)別，并根據(jù)車牌的排 列規(guī)律，對(duì)識(shí)別結(jié)果進(jìn)行檢査。與現(xiàn)有技術(shù)相比，本發(fā)明具有對(duì)高分辨率(達(dá)500萬(wàn)象素以上)復(fù)雜背景下多 車牌同時(shí)快速定位識(shí)別、非均勻光照條件下圖像二值化效果好、車牌傾斜度和牌照 大小可在較大范圍內(nèi)變化等優(yōu)點(diǎn)，同時(shí)大大減少了攝像機(jī)安裝施工的要求。


圖1為本發(fā)明實(shí)施例的流程圖；圖2為本發(fā)明實(shí)施例的圖像金字塔分解與融合示意圖；圖3為本發(fā)明實(shí)施例的GLLT算法中象素關(guān)系領(lǐng)域示意圖；圖4為本發(fā)明實(shí)施例的GLLT算法與直方圖二值化算法的結(jié)果比較圖;圖5為本發(fā)明實(shí)施例的傾斜度校正原理圖一；圖6為本發(fā)明實(shí)施例的傾斜度校正原理圖二；圖7為本發(fā)明實(shí)施例的傾斜度校正前后示意圖。
具體實(shí)施方式
下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明如圖1 7所示， 一種在高清晰圖像中識(shí)別車牌的方法，包括以下步驟 (l)以一定縮放系數(shù)，多次縮放攝像機(jī)抓拍到的原始圖像，每縮放一次圖像， 在縮放后的圖像中檢測(cè)一次車牌區(qū)域的圖像，將檢測(cè)出的車牌區(qū)域圖像映射到原始 圖像上，經(jīng)過濾和合并重合圖像，根據(jù)各車牌區(qū)域圖像的特征強(qiáng)度對(duì)各圖像進(jìn)行排圖像；(2) 將所有車牌區(qū)域圖像轉(zhuǎn)換為灰度圖像，再進(jìn)行二值化處理，得到二值化圖像；(3) 校正二值化圖像的傾斜度；(4) 分割二值化圖像中的字符；(5) 識(shí)別分割出的字符，并進(jìn)行檢査。所述的縮放系數(shù)包括水平縮放系數(shù)和垂直縮放系數(shù);所述的水平縮放系數(shù)和垂 直縮放系數(shù)均為0.5;所述的檢測(cè)車牌區(qū)域的圖像包括 顏色空間變換；邊緣檢測(cè)定位。所述的步驟(2)采用GLLT算法進(jìn)行二值化處理；所述的步驟(5)采用人工神經(jīng) 網(wǎng)絡(luò)識(shí)別算法對(duì)字符進(jìn)行識(shí)別，并根據(jù)車牌的排列規(guī)律，對(duì)識(shí)別結(jié)果進(jìn)行檢查。 實(shí)施例一、候選牌照區(qū)域檢測(cè)在車牌識(shí)別應(yīng)用系統(tǒng)中，攝像機(jī)安裝的位置和采集的場(chǎng)景大小決定了車牌在圖 像中的大小。攝像機(jī)安裝在側(cè)面時(shí)，同一副圖像中車牌大小也會(huì)相差很大。如果車 牌識(shí)別算法對(duì)車牌尺寸大小要求太嚴(yán)格，就會(huì)限制車牌識(shí)別的應(yīng)用范圍，給施工調(diào) 試帶來(lái)很大麻煩。將車牌字符高度設(shè)定在15 50象素之間，能滿足絕大多數(shù)實(shí)際 工程需要。為了能同時(shí)檢測(cè)出大尺寸和小尺寸的車牌，采用圖像金字塔式分解，在每一級(jí) 圖像中檢測(cè)出特定大小范圍的車牌。最后對(duì)各級(jí)金字塔圖像檢測(cè)出的候選車牌區(qū)域 映射到原始圖像中，經(jīng)過濾和合并重合區(qū)域，對(duì)所有候選區(qū)域根據(jù)特征強(qiáng)度進(jìn)行排 序，最終得到所有候選區(qū)域，如圖2所示。設(shè)定金字塔式分解水平方向和垂直方向 的比例系數(shù)分別為^ (<1.0)和^(<1.0),，第一級(jí)分解由原始圖像/水平方向和垂 直方向分別縮放^和^倍，得到第一級(jí)金字塔圖像^,再由^水平方向和垂直方向 分別縮放^和6倍，得到第二級(jí)金字塔圖像72，...，依此類推可作N(N4,2,3，...) 級(jí)分解。 一般取^=0.5， 6=0.5以便提高圖像分解的速度，在識(shí)別字符為15 50 象素高的車牌時(shí)，取N-2。對(duì)每一級(jí)金字塔圖像首先進(jìn)行顏色空間變換，以快速地找出那些顏色較純的車 牌。YUV顏色空間對(duì)顏色分離有較好的效果，顏色較純的車牌，變換后亮度較強(qiáng)， 具有明顯的特征。對(duì)于車牌顏色不明顯(如在陰影中)，則采用垂直邊緣特征檢測(cè)好的檢測(cè)效果。YUV顏色空間千擾較少，車牌定位更加快速準(zhǔn)確，因此采用顏色空間與邊緣檢測(cè)相結(jié)合的方法，先進(jìn)行顏色空間定位， 再進(jìn)行邊緣檢測(cè)定位，以實(shí)現(xiàn)高清圖像車牌的快速準(zhǔn)確定位。 二、灰度圖像二值化由于灰度圖像比彩色圖像進(jìn)行二值化要簡(jiǎn)單些，一般先將切割出的車牌彩色圖 像轉(zhuǎn)換為灰度圖像再二值化。二值化方法非常多，但沒有通用的方法。只有針對(duì)實(shí) 際應(yīng)用中圖像本身的特點(diǎn)才能開發(fā)出較好的二值化方法。在車牌識(shí)別應(yīng)用中，如果 光照均勻且對(duì)比度較強(qiáng)，則可以采用直方圖法二值化。直方圖法易于計(jì)算，速度快。 但光照不均勻時(shí)，則無(wú)法直接使用直方圖法。另外圖像對(duì)比度較低時(shí)，即使光照均 勻，也很難確定二值化門限值。本發(fā)明采用筆畫分割和灰度統(tǒng)計(jì)相結(jié)合的GLLT (Gray Logical Level Technique)算法。GLLT算法充分地考慮到字符的筆畫特點(diǎn)，同時(shí)也考慮到局部范 圍內(nèi)字符和背景的灰度統(tǒng)計(jì)特征，能有效地解決光照不均勻和低對(duì)比度車牌圖像的 二值化問題。在GLLT算法中，根據(jù)字符的筆畫特點(diǎn)，首先將圖像中能判別為屬于字符筆 畫的象素和屬于背景的象素劃分出來(lái)，再統(tǒng)計(jì)筆畫象素和背景象素的灰度值來(lái)決定 圖像中未被劃分的象素的屬性。GLLT算法的主要步驟如下1)設(shè)f(x, y)為圖像中象素點(diǎn)(x, y的灰度值，g(x,y)為其平滑后的值。根據(jù)圖 像中字符大小估計(jì)筆畫寬度W (—般取W = 3)，以圖像中每點(diǎn)為中心計(jì)算(2W+1) X (2W+1)窗口內(nèi)的灰度平均值一M^^W -W^/^W2)設(shè)距離象素(x,y)W個(gè)象素的8鄰接象素為戶。,S,A,^(如圖3所示)。如 果g(x, y)比它的4鄰接象素C(,+4—" i^—s,P(,+5—s(!、0,l，2，3)高T灰度級(jí)， 則(x，y)被劃分為"白象素"(取值255);如果g(x, y)比它的4鄰接象素f，尸(,+4—d8, &+1)m。d8,^5)m。d8(z' = 0,1,2,3)低T灰度級(jí)，則(x,y)被劃分為"黑象素"(取值128);否 則該象素標(biāo)記為"未分類象素"(取值0)。判決規(guī)則,255，如果V^J//"—/^""http://".,),//":!)]為真；b(x, y)128，如果vL[丄(尸i)A丄(《)A丄(尸w)A丄(尸w)]為真; 0， 其它情況。其中h(p)為真，如果g"力—/",力^; l(p)為真，如果/"力—g"y)>T。象素《和i^分別是象素《和i^ (i=0,l,2,3)正對(duì)(180°方向)的象素。3) 分區(qū)域分別計(jì)算標(biāo)示為255和128的象素所對(duì)應(yīng)的平均灰度圖像值G,和q。4) 按如下規(guī)則對(duì)標(biāo)示為0的未分類象素進(jìn)行分類b(x，y)='255，如果igO，力-G, Wg(;c,力—G2 1為真; 128，其它情況。圖4顯示了 gllt算法與幾類典型灰度圖像二值化算法的結(jié)果比較圖。gllt 算法適應(yīng)強(qiáng)、速度快。另外，gllt算法還有一大優(yōu)點(diǎn)，即魯棒性較強(qiáng)，沒有復(fù)雜 的參數(shù)設(shè)置，避免了諸如直方圖二值化時(shí)門限值較難確定的問題。三、 傾斜度校正傾斜度校正的好壞直接關(guān)系到字符分割和字符識(shí)別的正確率，并且傾斜度校正 在車牌識(shí)別算法整個(gè)計(jì)算時(shí)間中所占比例較大。因此，開發(fā)出效果好、速度快的傾斜度校正算法是車牌識(shí)別算法中的一個(gè)重點(diǎn)和難點(diǎn)問題。在車牌識(shí)別中，主要有兩 類傾斜水平傾斜和垂直傾斜。下面重點(diǎn)描述本發(fā)明提出的基于垂直游程長(zhǎng)度統(tǒng)計(jì) 的傾斜度校正快速算法，以垂直傾斜度校正為例(水平傾斜度校正類似)1) 找出文字區(qū)域邊框坐標(biāo)x。,^少。,力，并計(jì)算其中心點(diǎn)坐標(biāo)(&，尺)，如圖5所示；2) 設(shè)定在上下邊界位置的偏移值為A,則象素點(diǎn)(u)移位到(x,，;O由下式?jīng)Q 定(如圖6所示)凡=&x, (/> =尺；3) 對(duì)給定2\的位移圖像，計(jì)算垂直方向黑白游程長(zhǎng)度的平方和；4) 設(shè)DM^為上下邊界位置最大可能偏移值，對(duì)在區(qū)間[-A^，+Z)^J內(nèi)任一整 數(shù)偏移值^，按上所述計(jì)算垂直方向黑白游程長(zhǎng)度的平方和，找出其中的最大值， 則其所對(duì)應(yīng)的位移圖像即為傾斜度校正后的圖像。上述傾斜度校正算法非常有效，而且抗噪聲能力強(qiáng)。圖7為校正前后示意圖。四、 字符分割X。=字符分割是在經(jīng)過傾斜度校正后的二值化圖像中定位出每個(gè)字符的坐標(biāo)位置， 采用垂直投影法。這部分難點(diǎn)在于粘連(包括邊框與字符的粘連)和破損字符分割， 通過估計(jì)字符的平均寬度、字符的平均高度、字符間的平均距離等參數(shù)來(lái)指導(dǎo)粘連 和破損字符的分割。五、字符識(shí)別和后處理采用三層前饋人工神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別，通過選擇大量樣本字符，再對(duì)這些 樣本進(jìn)行訓(xùn)練得到網(wǎng)絡(luò)權(quán)重系數(shù)。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)比較成熟的識(shí)別算法，它具 有速度快、抗噪聲能力強(qiáng)，特別是對(duì)破損字符、字符尺寸較小字符、筆畫粘連的字 符識(shí)別具有較好的效果。但要取得很高的字符識(shí)別率，需要對(duì)各個(gè)字符樣本的數(shù)量、 質(zhì)量進(jìn)行人工評(píng)估，通過不斷收集識(shí)別有誤的樣本數(shù)據(jù)，再重新訓(xùn)練以不斷提高字 符識(shí)別率。后處理是對(duì)識(shí)別結(jié)果進(jìn)行進(jìn)一步檢査，根據(jù)牌照排列規(guī)律，字符和數(shù)字可能出 現(xiàn)的位置與識(shí)別結(jié)果比較，發(fā)現(xiàn)不符后進(jìn)一步處理。對(duì)易混淆的字符"8"和"B"、"D"和"0"在識(shí)別后再增加專門的判別模塊進(jìn)行二次判別。
權(quán)利要求
1.一種在高清晰圖像中識(shí)別車牌的方法，其特征在于，包括以下步驟(1)以一定縮放系數(shù)，多次縮放攝像機(jī)抓拍到的原始圖像，每縮放一次圖像，在縮放后的圖像中檢測(cè)一次車牌區(qū)域的圖像，將檢測(cè)出的車牌區(qū)域圖像映射到原始圖像上，經(jīng)過濾和合并重合圖像，根據(jù)各車牌區(qū)域圖像的特征強(qiáng)度對(duì)各圖像進(jìn)行排序，得到所有車牌區(qū)域圖像；(2)將所有車牌區(qū)域圖像轉(zhuǎn)換為灰度圖像，再進(jìn)行二值化處理，得到二值化圖像；(3)校正二值化圖像的傾斜度；(4)分割二值化圖像中的字符；(5)識(shí)別分割出的字符，并進(jìn)行檢查。
2. 根據(jù)權(quán)利要求1所述的一種在高清晰圖像中識(shí)別車牌的方法，其特征在于， 所述的縮放系數(shù)包括水平縮放系數(shù)和垂直縮放系數(shù)。
3. 根據(jù)權(quán)利要求2所述的一種在高清晰圖像中識(shí)別車牌的方法，其特征在于，所述的水平縮放系數(shù)和垂直縮放系數(shù)均為0.5。
4. 根據(jù)權(quán)利要求2所述的一種在高清晰圖像中識(shí)別車牌的方法，其特征在于，所述的檢測(cè)車牌區(qū)域的圖像包括-顏色空間變換； 邊緣檢測(cè)定位。
5. 根據(jù)權(quán)利要求1所述的一種在高清晰圖像中識(shí)別車牌的方法，其特征在于， 所述的步驟(2)采用GLLT算法進(jìn)行二值化處理。
6. 根據(jù)權(quán)利要求1所述的一種在高清晰圖像中識(shí)別車牌的方法，其特征在于， 所述的步驟(5)采用人工神經(jīng)網(wǎng)絡(luò)識(shí)別算法對(duì)字符進(jìn)行識(shí)別，并根據(jù)車牌的排列規(guī) 律，對(duì)識(shí)別結(jié)果進(jìn)行檢查。
全文摘要
本發(fā)明涉及一種在高清晰圖像中識(shí)別車牌的方法，該方法包括候選牌照區(qū)域檢測(cè)、灰度圖像二值化、傾斜度校正、字符分割、字符識(shí)別及后處理。與現(xiàn)有技術(shù)相比，本發(fā)明具有對(duì)高分辨率(達(dá)500萬(wàn)象素以上)復(fù)雜背景下多車牌同時(shí)快速定位識(shí)別、非均勻光照條件下圖像二值化效果好、車牌傾斜度和牌照大小可在較大范圍內(nèi)變化等優(yōu)點(diǎn)，同時(shí)大大減少了攝像機(jī)安裝施工的要求。
文檔編號(hào)G06K9/00GK101630360SQ200810040548
公開日2010年1月20日 申請(qǐng)日期2008年7月14日 優(yōu)先權(quán)日2008年7月14日
發(fā)明者胡建明 申請(qǐng)人:上海分維智能科技有限公司