本發(fā)明涉及計(jì)算機(jī)視覺(jué)領(lǐng)域，特指一種基于混合特征與灰度投影的車牌識(shí)別方法。

背景技術(shù)：

隨著現(xiàn)代化交通的發(fā)展，車輛牌照自動(dòng)識(shí)別技術(shù)越來(lái)越受到人們的重視，是近年來(lái)計(jì)算機(jī)視覺(jué)與模式識(shí)別技術(shù)在智能交通領(lǐng)域的重要研究課題之一。車輛牌照自動(dòng)識(shí)別系統(tǒng)可用于公路收費(fèi)站、停車場(chǎng)、十字路口等場(chǎng)所的車輛管理，對(duì)于道路交通和停車場(chǎng)車輛管理具有重要的促進(jìn)作用。

車牌識(shí)別技術(shù)包括車牌定位、字符分割和字符識(shí)別3個(gè)基本環(huán)節(jié)，其中車牌定位是字符分割和字符識(shí)別的前提，而車牌字符分割是車牌識(shí)別的基礎(chǔ)。

車牌識(shí)別系統(tǒng)在國(guó)內(nèi)外研究都有一段時(shí)間了，國(guó)外的車牌識(shí)別系統(tǒng)有一定的應(yīng)用，但是國(guó)內(nèi)的車牌識(shí)別系統(tǒng)總體上來(lái)說(shuō)還處于實(shí)驗(yàn)室階段，離實(shí)際的工程應(yīng)用還有一段距離。其原因是因?yàn)閲?guó)內(nèi)的車牌不統(tǒng)一、漢字識(shí)別難度大等因素。但車牌其自身的特點(diǎn)為我們研究車牌識(shí)別系統(tǒng)提供了突破口。

現(xiàn)實(shí)中，在實(shí)際路口采集所得的圖片與停車場(chǎng)和小區(qū)中采集的圖片有很大的不同。小區(qū)中的圖片背景單一，光照均勻，分辨率高。與此不同的是，在十字路口采集的圖片背景復(fù)雜、光照不均、分辨率低、車牌舊、車牌臟等，這些都給車牌識(shí)別帶來(lái)了很大的困難，針對(duì)這些實(shí)際的特定問(wèn)題，本發(fā)明提出了一種車牌自動(dòng)定位、分割以及識(shí)別方法。

本系統(tǒng)算法車牌字符讀取可靠性高，識(shí)別度好，魯棒性好，同時(shí)步驟計(jì)算簡(jiǎn)單，能保持高效率，實(shí)時(shí)性也能滿足需求。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題在于：針對(duì)現(xiàn)行車牌識(shí)別系統(tǒng)存在的這些特定難點(diǎn)問(wèn)題，為了提高監(jiān)控系統(tǒng)的車牌識(shí)別的準(zhǔn)確程度，并使其滿足實(shí)時(shí)性需求，提出一種基于混合特征和灰度投影的車牌識(shí)別方法。

包括如下步驟：

S1)車牌定位；

S1.1)獲取車牌彩色圖像，所述車牌彩色圖像的顏色空間轉(zhuǎn)換為HSV顏色空間；

S1.2)實(shí)現(xiàn)車牌區(qū)域粗定位，實(shí)現(xiàn)彩色圖像的二值化；

S1.3)實(shí)現(xiàn)車牌區(qū)域精確定位，獲取車牌的水平坐標(biāo)和垂直坐標(biāo)位置；

S1.4)將精確定位后輸出的圖像進(jìn)行非極大值抑制處理，將處理結(jié)果進(jìn)行基于霍夫變換的傾斜校正得到二次定位后的車牌圖像；

S2)車牌字符分割；

S2.1)去除輸入車牌區(qū)域圖像的車牌邊框；

S2.2)先對(duì)去除邊框后的車牌圖像進(jìn)行字符的對(duì)比度增強(qiáng)和濾波，再基于灰度投影算法進(jìn)行車牌字符分割；

S3)車牌字符分割后的字符識(shí)別并輸出。

作為本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)，所述步驟S3)采用基于聯(lián)合HOG特征的車牌字符識(shí)別方法對(duì)車牌字符分割后的字符進(jìn)行識(shí)別，具體包括以下步驟：

S3.1)首先確定字符的分類器；

S3.2)分別提取漢字、數(shù)字字母的灰度方向梯度直方圖HOG特征、二值HOG特征、16值HOG特征，將它們組合成聯(lián)合HOG特征，將得到的聯(lián)合HOG特征用核主成分分析法進(jìn)行降維；

S3.3)將漢字和數(shù)字字母的聯(lián)合HOG特征送入所述分類器進(jìn)行訓(xùn)練和預(yù)測(cè)，將漢字和數(shù)字字母的識(shí)別結(jié)果進(jìn)行組合，得到最終的車牌字符識(shí)別結(jié)果并輸出。

作為本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)，所述步驟S1.4)中，所述(1)將初始檢測(cè)窗口按照檢測(cè)分?jǐn)?shù)從高到低排序；

(2)將第1個(gè)初始檢測(cè)窗口作為當(dāng)前的抑制窗口；

(3)非極大值抑制。將所有檢測(cè)分?jǐn)?shù)比當(dāng)前抑制窗口低的初始窗口作為被抑制窗口。計(jì)算當(dāng)前抑制窗口與被抑制窗口的重合面積比率：面積的交集/面積的并集。剔除重合面積比率高于設(shè)定閾值的窗口；

(4)如果只剩最后一個(gè)初始檢測(cè)窗口則結(jié)束，否則按照排好的順序，取下一個(gè)未被抑制的窗口作為抑制窗口，轉(zhuǎn)到步驟(3)。

作為本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)，所述步驟S2.1)包括：

S2.1.1)上下邊框的去除：

獲得車牌候選區(qū)域的二值化閾值，得到候選區(qū)域的二值圖像，求取該二值圖像中間部分的行和，然后將行和處理如下：

從中間向兩端開始尋找rowsum的上下方向上有一段距離為零的邊界，采用該距離為0.75×height，從而得到車牌的上下邊界；

S2.1.2)左右邊框的去除：

用去除上下邊框相同的方法來(lái)找到一個(gè)左右邊框的邊界：left1,right1；

重新構(gòu)建一個(gè)二值圖像，再用去除上下邊框相同的方法來(lái)找到另一個(gè)左右邊框的邊界left2,right2；

最后確定的邊界可以用下面式子表示：

left＝max(left1,left2)，

right＝min(right1,right2)。

作為本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)，所述步驟S2.2)中對(duì)比度增強(qiáng)步驟如下：

步驟1：統(tǒng)計(jì)整個(gè)車牌區(qū)域內(nèi)像素點(diǎn)的最大像素值和最小像素值maxvalue,minvalue；

步驟2：設(shè)置需要增強(qiáng)的像素點(diǎn)數(shù)占全部像素點(diǎn)數(shù)的比例系數(shù)coef，比例系數(shù)范圍在0-1之間；

步驟3：統(tǒng)計(jì)0-255像素值上對(duì)應(yīng)出現(xiàn)的像素點(diǎn)的個(gè)數(shù)，并存儲(chǔ)在1×255的數(shù)組count(1,i)里面；

步驟4：從count(1,i),i＝255開始往下統(tǒng)計(jì)像素點(diǎn)的個(gè)數(shù)，如果統(tǒng)計(jì)的像素點(diǎn)pixelnum<width*height*coef則將i-1繼續(xù)統(tǒng)計(jì)，否則停止統(tǒng)計(jì)并記下當(dāng)前的像素值index；

步驟5：車牌區(qū)域每一點(diǎn)按下面的方法進(jìn)行增強(qiáng)：

作為本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)，所述步驟S2.2)中基于灰度投影算法進(jìn)行車牌字符分割方法步驟如下：

步驟1：根據(jù)車牌的灰度投影曲線圖可得，車牌后面最多出現(xiàn)五個(gè)雙峰結(jié)構(gòu)，故搜索出前五個(gè)最大波谷點(diǎn)，然后判斷這些點(diǎn)是否為雙峰結(jié)構(gòu)中的波谷點(diǎn)，如果是，則將該雙峰結(jié)構(gòu)的起止位置記下。

步驟2：確定車牌字符寬度characterwidth。如果步驟1檢測(cè)到了雙峰結(jié)構(gòu)，則字符寬度就取為檢測(cè)到的所有雙峰結(jié)構(gòu)的平均值，否則字符寬度就取前3個(gè)單峰寬度中的最大值。

步驟3：設(shè)置字符起始點(diǎn)為第二字符和第三字符的分割點(diǎn)，設(shè)置結(jié)束點(diǎn)為車牌最后一個(gè)波谷點(diǎn)。如果在步驟1中檢測(cè)到了雙峰結(jié)構(gòu)則進(jìn)行步驟4，否則進(jìn)行步驟5。

步驟4：設(shè)置字符臨時(shí)分割段起始點(diǎn)為字符起始點(diǎn)，字符臨時(shí)分割段終點(diǎn)為一個(gè)雙峰結(jié)構(gòu)起始位置，然后在字符臨時(shí)分割段里進(jìn)行檢測(cè)，如果該字符臨時(shí)分割段里有一個(gè)峰結(jié)構(gòu)，則該峰結(jié)構(gòu)就單獨(dú)為一個(gè)字符，如果該字符臨時(shí)分割段里有兩個(gè)峰結(jié)構(gòu)，則先判斷這兩個(gè)峰結(jié)構(gòu)是一個(gè)雙峰字符還是兩個(gè)單峰字符，具體判斷規(guī)則就利用這兩個(gè)峰結(jié)構(gòu)的寬度，以及該兩個(gè)峰結(jié)構(gòu)的寬度和字符寬度進(jìn)行比較。如果這兩個(gè)峰結(jié)構(gòu)的寬度之和小于字符寬度的1.2倍且這兩個(gè)峰結(jié)構(gòu)的寬度相差很小。否則這兩個(gè)峰結(jié)構(gòu)就不是一個(gè)雙峰字符的投影，且可以肯定前面一個(gè)峰結(jié)構(gòu)就是一個(gè)字符，所以可以將這兩個(gè)峰結(jié)構(gòu)前面的一個(gè)峰結(jié)構(gòu)分割出來(lái)，然后更新字符臨時(shí)分割段如下：將字符臨時(shí)分割段的起點(diǎn)更新到被分割出來(lái)的峰后面，字符臨時(shí)分割段終點(diǎn)不變，但是如果此時(shí)字符臨時(shí)分割段的起點(diǎn)等于終點(diǎn)時(shí)則將字符臨時(shí)分割段起點(diǎn)更新到先前的雙峰結(jié)構(gòu)的終止位置，并將臨時(shí)分割段的終點(diǎn)更新到下一個(gè)雙峰結(jié)構(gòu)的起點(diǎn)，如果后面沒(méi)有雙峰結(jié)構(gòu)了則將臨時(shí)分割段的終點(diǎn)更新為字符結(jié)束點(diǎn)，然后重復(fù)步驟4直到分割到字符結(jié)束點(diǎn)為止。

步驟5：進(jìn)行到步驟5說(shuō)明在檢測(cè)雙峰結(jié)構(gòu)時(shí)并未檢測(cè)到，但是并不代表該車牌內(nèi)不存在雙峰結(jié)構(gòu)的字符，并不能排除存在有雙峰結(jié)構(gòu)的字符。此時(shí)分割就直接從字符起始點(diǎn)開始分割直到分割出5個(gè)字符。在分割中需要檢測(cè)的就是檢測(cè)相鄰的兩個(gè)峰結(jié)構(gòu)是不是一個(gè)字符的雙峰曲線。檢測(cè)所利用的方法和步驟4中雙峰結(jié)構(gòu)檢測(cè)方法相同，利用兩個(gè)峰結(jié)構(gòu)的寬度和該兩個(gè)峰結(jié)構(gòu)的寬度與字符寬度之間的關(guān)系進(jìn)行判斷。

步驟6：根據(jù)分割出的后面五個(gè)字符來(lái)分割前面兩個(gè)字符。首先將分割出來(lái)的后面五個(gè)字符中的最大寬度作為前面兩個(gè)字符的寬度。前面兩個(gè)字符為字母或者漢字，而字符也為雙峰結(jié)構(gòu)的，所以用后面五個(gè)字符中的最大寬度作為前面字符的寬度是合理的。分割前面兩個(gè)字符的方法為：從第二字符和第三字符的分割點(diǎn)向前移動(dòng)字符寬度個(gè)像素，然后將離該向前移動(dòng)后的分割點(diǎn)的最近一個(gè)波谷值作為車牌第一字符和第二字符的分割點(diǎn)。利用同樣方法也可以確定第一個(gè)字符的開始位置。

步驟7：對(duì)分割出來(lái)的字符序列進(jìn)行檢測(cè)，看該字符序列是否符合車牌字符序列的特征。車牌字符序列的特征可以用下面表達(dá)式來(lái)表示，假設(shè)dis1為前面兩個(gè)字符的寬度向量，dis2為后面五個(gè)字符的寬度向量，width為車牌寬度，height為車牌高度，則一個(gè)合理的車牌字符序列必須滿足下面的表達(dá)式：

min(min(dis1),min(dis2))>width/10

max(dis2)>width/5

height/min(dis1)<3

根據(jù)上述車牌字符分割方法步驟1-7從車牌區(qū)域中分割出字符序列。

作為本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)，所述步驟S3)中所述訓(xùn)練器為SVM訓(xùn)練器，在車牌字符樣本中選擇訓(xùn)練樣本集和測(cè)試樣本集，分別對(duì)訓(xùn)練集和測(cè)試集進(jìn)行預(yù)處理，并提取HOG等特征，然后利用交叉驗(yàn)證法選擇最優(yōu)參數(shù)c和g，最后利用最佳參數(shù)訓(xùn)練SVM，獲得訓(xùn)練模型，利用訓(xùn)練模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)分類準(zhǔn)確率，在提取特征以后，利用SVM進(jìn)行訓(xùn)練分類；訓(xùn)練分類后，將分割好的字符輸入訓(xùn)練器中，輸出識(shí)別的車牌字符。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

1、本發(fā)明采用字符豎直紋理的分割方法,能夠?qū)Ω黝愜嚺茍D像實(shí)現(xiàn)很好的分割效果。

2、本發(fā)明在車牌定位中對(duì)二值化圖像選用了的線形結(jié)構(gòu)元素,進(jìn)行了運(yùn)算,填充了空洞和刪除了噪聲點(diǎn)并且可以去除汽車牌照的邊框部分,使得定位更加準(zhǔn)確。

3、本發(fā)明所采用的字符分割方法是基于灰度投影的算法，由于原本字符對(duì)比度不明顯，其灰度投影圖的波峰、波谷特征也不是很明顯，但是經(jīng)過(guò)圖像增強(qiáng)后，其灰度投影圖就能夠很好的表現(xiàn)其波峰波谷特征，有利用對(duì)字符的精確分割。

4、本發(fā)明提出了聯(lián)合方向梯度直方圖和核主成分分析法的特征，它綜合了二值圖、灰度圖、16值圖的方向梯度直方圖特征的優(yōu)點(diǎn)，能夠較好提取漢字結(jié)構(gòu)特征。方向梯度直方圖特征進(jìn)行聯(lián)合后，HOG特征維數(shù)增加，此時(shí)為了縮短特征提取時(shí)間，本系統(tǒng)用核主成分分析法方法進(jìn)行降維。字符識(shí)別方法采用的是對(duì)小樣本問(wèn)題有較好分類效果的支持向量機(jī)。

附圖說(shuō)明

圖1是本實(shí)施例所述整體算法流程圖；

圖2是本實(shí)施例所述霍夫變換傾斜校正的車牌圖像；

圖3是本實(shí)施例所述車牌圖像增強(qiáng)算法效果圖；

圖4是本實(shí)施例所述車牌分割算法流程圖；

圖5是本實(shí)施例所述車牌投影曲線的濾波前后的效果圖；

圖6是本實(shí)施例所述基于聯(lián)合HOG的車牌識(shí)別流程圖。

具體實(shí)施方式

以基于混合特征和灰度投影的車牌識(shí)別系統(tǒng)為例，結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步詳細(xì)說(shuō)明。

本實(shí)施例為一種基于混合特征和灰度投影的車牌識(shí)別方法，其具體包括以下步驟S1至S3。

S1.車牌定位；

S1.1顏色空間轉(zhuǎn)換

一般通過(guò)CCD攝像機(jī)或數(shù)碼相機(jī)獲得的彩色圖像都是基于RGB模型,它將紅(R)、綠(G)、藍(lán)(B)3種顏色按照加法混合得到人眼能看到的大部分色彩。但是RGB模型并不適合人們對(duì)彩色信息的肉眼直觀鑒別判斷,計(jì)算機(jī)處理也比較困難。而HSI色彩模型是從人的視覺(jué)出發(fā),用色調(diào)(H),飽和度(S)和亮度(I)來(lái)描述色彩。它把圖像的顏色信息與亮度信息分離開來(lái),3個(gè)分量之間的相關(guān)性較RGB空間3分量要小的多,因此更加適合于顏色特征的表達(dá)。從RGB模型轉(zhuǎn)化為HSI模型的基本方法為:

I_max＝max(R,G,B)

I_min＝min(R,G,B)

V＝I_max

if H<0then H＝H+360

式中：H_max——色調(diào)的個(gè)數(shù)，通常取值60。H取值在0～360之間，S在0～1之間，V在0～1之間。

S1.2車牌區(qū)域粗定位

根據(jù)已知的我國(guó)車牌主要顏色,我們可以很好的利用車牌的彩色信息對(duì)車牌位置進(jìn)行粗定位。定義HSV色彩空間中兩色彩C₁(H₁,S₁,V₁)與C₂(H₂,S₂,V₂)之間的距離為：

兩種色彩之間的相似度定義為：

通常來(lái)說(shuō)，藍(lán)色車牌的HSV色彩空間取值為：

H＝240,S＝0.8,V＝0.6

白色車牌取值通常為：

H＝0,S＝0,V＝0.6

根據(jù)給出的標(biāo)準(zhǔn)值以及計(jì)算色彩距離和相似度的公式可以得到一組色彩距離圖譜,相似度閾值T_h通常為根據(jù)已知環(huán)境給定,為一個(gè)常數(shù)。小于閾值T_h的設(shè)置為背景,大于閾值T_h的預(yù)設(shè)為車牌區(qū)域,從而實(shí)現(xiàn)彩色圖像的二值化。

隨后對(duì)二值化后包含車牌區(qū)域的圖像采用數(shù)學(xué)形態(tài)學(xué)的方法進(jìn)行處理,數(shù)學(xué)形態(tài)學(xué)的開運(yùn)算能濾除較小的區(qū)域,同時(shí)平滑區(qū)域的輪廓、閉運(yùn)算能填充區(qū)域的空洞,同時(shí)平滑區(qū)域的輪廓。在本發(fā)明中選用了的線形結(jié)構(gòu)元素,進(jìn)行了運(yùn)算,填充了空洞和刪除了噪聲點(diǎn)并且可以去除汽車牌照的邊框部分,使得定位更加準(zhǔn)確。

S1.3車牌區(qū)域精確定位

我國(guó)車牌的一個(gè)顯著紋理特征是車牌區(qū)域垂直邊緣比水平邊緣密集,且車牌一般來(lái)說(shuō)大都懸掛在車身較低的位置，其下方?jīng)]有明顯的邊緣密集區(qū)域。從紋理特征看,車牌字符間隔有一定的規(guī)則性,采用字符豎直紋理的分割方法,能夠?qū)Ω黝愜嚺茍D像實(shí)現(xiàn)很好的分割效果。本發(fā)明使用Soble垂直算子實(shí)現(xiàn)圖像的邊緣增強(qiáng)。

對(duì)邊緣增強(qiáng)的圖像沿水平方向進(jìn)行投影,確定車牌的水平位置,得到統(tǒng)計(jì)圖像。水平定位算法具體實(shí)現(xiàn)時(shí)在水平投影圖中從下向上搜索直到找到一個(gè)較大的投影值(約為最小值的10倍)的行號(hào),并儲(chǔ)存為L(zhǎng)(0)，繼續(xù)搜索直到找到離L(0)最近的一個(gè)小于較大投影值的行號(hào)，并儲(chǔ)存到L(1)。若L(0)-L(1)>d，d位為預(yù)設(shè)的車牌高度，則判定為車牌的水平位置，停止搜索，否則將L(0)、L(1)清空，依照此法繼續(xù)搜索。

確定車牌的垂直位置,基于水平定位圖像,采用1×3的線性結(jié)構(gòu)元素對(duì)圖像進(jìn)行膨脹處理,目的是使得車牌底色和字符的顏色在較小的范圍內(nèi)變化頻繁且對(duì)比強(qiáng)烈這一特點(diǎn)得到充分的利用。而后對(duì)其在豎直方向上進(jìn)行累加得到垂直投影圖。依照水平投影的方法,并根據(jù)車牌的幾何特征,已知車牌的寬高比大約為3.14左右,搜索一個(gè)大于預(yù)定車牌寬度約3.1倍的區(qū)域,即可得到垂直坐標(biāo)位置,結(jié)合己獲取的水平坐標(biāo)即可在原圖像中得到車牌的準(zhǔn)確定位。

最后，將精確定位后的車牌圖像進(jìn)行截取，并輸出。

S1.4將精確定位后輸出的圖像進(jìn)行非極大值抑制處理后的結(jié)果進(jìn)行基于霍夫變換的傾斜校正得到二次定位后的車牌圖像；

非極大值抑制在物體檢測(cè)中應(yīng)用十分廣泛，主要目的是為了消除多余干擾因素，找到最佳的物體檢測(cè)的位置。非極大值抑制是檢測(cè)的后處理過(guò)程，是關(guān)鍵環(huán)節(jié)之一。

啟發(fā)式窗口融合算法對(duì)非重合目標(biāo)檢測(cè)效果很好，但對(duì)于車輛車牌檢測(cè)并不適合。啟發(fā)式窗口融合算法，將初始檢測(cè)窗口劃分為若干個(gè)不重合的子集，然后計(jì)算每個(gè)子集的中心，最后每個(gè)子集只保留一個(gè)檢測(cè)窗口，顯然該算法容易造成大量漏檢。

Dalal等提出了均值漂移非極大值抑制，這種方法不僅計(jì)算復(fù)雜，需要將檢測(cè)窗口在3維空間(橫坐標(biāo)，縱坐標(biāo)，尺度)表示，檢測(cè)分?jǐn)?shù)轉(zhuǎn)換，計(jì)算不確定性矩陣，迭代優(yōu)化，而且還需要調(diào)整很多與檢測(cè)器的步長(zhǎng)等相關(guān)聯(lián)的參數(shù)，因此，目前較少使用。

當(dāng)前，大多數(shù)的目標(biāo)檢測(cè)普遍使用基于貪心策略的非極大值抑制算法，因?yàn)樗?jiǎn)單高效，主要步驟如下：

(1)將初始檢測(cè)窗口按照檢測(cè)分?jǐn)?shù)從高到低排序；

(2)將第1個(gè)初始檢測(cè)窗口作為當(dāng)前的抑制窗口；

(3)非極大值抑制。將所有檢測(cè)分?jǐn)?shù)比當(dāng)前抑制窗口低的初始窗口作為被抑制窗口。計(jì)算當(dāng)前抑制窗口與被抑制窗口的重合面積比率：面積的交集/面積的并集。剔除重合面積比率高于設(shè)定閾值的窗口；

(4)如果只剩最后一個(gè)初始檢測(cè)窗口則結(jié)束，否則按照排好的順序，取下一個(gè)未被抑制的窗口作為抑制窗口，轉(zhuǎn)到步驟(3)。

本發(fā)明同樣使用的是簡(jiǎn)單高效的基于貪心策略的非極大值抑制算法。經(jīng)過(guò)非極大值抑制處理后的車牌圖像再進(jìn)行基于霍夫變換的傾斜校正。

霍夫變換是一種強(qiáng)有力的特征提取方法，它利用局部圖像信息有效的積累所有可能的模型實(shí)例的依據(jù)，這使得它既能方便的從外部數(shù)據(jù)中獲得額外的信息，又能敏銳的從只有一部分的實(shí)例中呈現(xiàn)出有效信息?；舴蜃儞Q普遍應(yīng)用在計(jì)算機(jī)視覺(jué)中形狀，位置，幾何變換參數(shù)的判斷中。自霍夫變換提出以來(lái)，其得到了廣泛的應(yīng)用。近些年，專家學(xué)者們對(duì)霍夫變換的理論性質(zhì)與應(yīng)用方法又進(jìn)行了進(jìn)一步的探討。霍夫變換作為一種有效的識(shí)別直線的算法，具有良好的抗干擾性及魯棒性。

霍夫變換方法包含一個(gè)從圖像空間中的特征到參數(shù)空間中點(diǎn)的集合的映射。每一個(gè)參數(shù)空間中的點(diǎn)表征著圖像空間中模型的一個(gè)實(shí)例，圖像特征利用一個(gè)函數(shù)被映射到參數(shù)空間當(dāng)中去，這個(gè)函數(shù)產(chǎn)生能夠兼容觀察到的圖像特征與假設(shè)的模型的所有的參數(shù)組合。每一個(gè)圖像特征將在多維的參數(shù)空間中產(chǎn)生一個(gè)不同的平面，但是由所有圖像特征產(chǎn)生的屬于同一個(gè)模型的實(shí)例的一切平面都會(huì)相交在描繪共同的實(shí)例的點(diǎn)?；舴蜃儞Q的根本是產(chǎn)生這些平面并且識(shí)別與之相交的參數(shù)點(diǎn)。

經(jīng)過(guò)基于霍夫變換的傾斜校正后的車牌圖像為系統(tǒng)二次定位后的圖像?；舴蜃儞Q傾斜校正的車牌圖像示例如圖2所示。

S2車牌字符分割；

S2.1.去除輸入車牌區(qū)域圖像的車牌邊框；

對(duì)于車牌圖像來(lái)說(shuō)，在定位出來(lái)后的車牌圖像有兩種，一種是有邊框的車牌，而另一種是沒(méi)有邊框的車牌。我們將車牌候選區(qū)域旋轉(zhuǎn)至水平后就可以對(duì)車牌進(jìn)行精確定位了，也就是對(duì)車牌邊框的去除。對(duì)測(cè)試數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析可以得出：經(jīng)過(guò)定位旋轉(zhuǎn)后的車牌候選區(qū)域邊框有兩種，一種是車牌本身的邊框，而另一種是車牌周圍的白色背景與車牌一起被當(dāng)作候選車牌區(qū)域，此時(shí)該白色背景也可以被看作是車牌的邊框。

車牌邊框的處理分為車牌上下邊框的處理和車牌左右邊框的處理。車牌的上下邊框的處理比較簡(jiǎn)單，車牌的上下邊框分為兩種：一種是車牌本身的白色邊框，另一種是車牌上下位置的白色背景。而車牌的左右邊界也可以歸為這兩類，不過(guò)由于圖像本身的特征，一般來(lái)說(shuō)車牌的上下邊框要寬于左右邊框，并且車牌左右邊框要復(fù)雜一些。

對(duì)于車牌的上下邊框的去除，本發(fā)明采取了下面步驟來(lái)處理：

S2.1.1上下邊框的去除；

S2.1.1.1用OTSU(大津算法)方法獲得車牌候選區(qū)域的二值化閾值，從而得到候選區(qū)域的二值圖像，為了排除車牌傾斜角度的影響我們求取該二值圖像中間部分的行和，然后將行和處理如下：

S2.1.1.2從中間向兩端開始尋找rowsum的上下方向上有一段距離為零的邊界，本發(fā)明算法中采用該距離為0.75×height，因?yàn)橐话丬嚺频纳舷逻吙蛉コ谋容^準(zhǔn)確，故我們采用圖形高度來(lái)做參考距離。此時(shí)我們得到的邊界就是最后所需要的車牌上下邊界。

經(jīng)過(guò)上面處理后，對(duì)于大多數(shù)圖片我們就可以將其上下邊框進(jìn)行處理掉，然后我們就可以對(duì)該車牌區(qū)域進(jìn)行去除左右邊框了。

對(duì)于車牌的左右邊框的去除，本發(fā)明采取了下面步驟來(lái)處理：

S2.1.2左右邊框的去除；

S2.1.2.1用去除上下邊框相同的方法來(lái)找到一個(gè)左右邊框的邊界：left1,right1。

S2.1.2.2重新構(gòu)建一個(gè)二值圖像，再用和第一步相同的方法來(lái)尋找邊界left2,right2。此時(shí)構(gòu)建的二值圖像根據(jù)車牌區(qū)域HSV模型的H值來(lái)二值化圖像。首先對(duì)車牌區(qū)域的中間區(qū)域來(lái)統(tǒng)計(jì)其H值的范圍，然后根據(jù)該H值的范圍對(duì)全部車牌區(qū)域進(jìn)行二值化，就得到了我們需要的二值化圖像。

S2.1.2.3根據(jù)S2.1.2.1和S2.1.2.2得到的兩個(gè)邊界信息來(lái)確定最后的邊界。最后確定的邊界可以用下面式子表示：

left＝max(left1,left2)

right＝min(right1,right2)

按照上述步驟去邊框處理后，得到的車牌區(qū)域比原來(lái)定位出來(lái)原始車牌區(qū)域精確了些，但是并不是絕對(duì)的精確，我們可以將其看作是邊框去除過(guò)程中引入的誤差。本發(fā)明采用的分割算法能夠容忍在車牌邊框去除時(shí)存在的少許誤差。也就是說(shuō)在去除車牌左右邊框時(shí)，邊框沒(méi)有完全去除并不影響我們隊(duì)字符的正確分割。

S2.2.車牌字符分割；

在進(jìn)行分割字符前，必須要注意一個(gè)問(wèn)題，那就是由于不同光照、和車牌臟舊等原因使得車牌的灰度圖像中背景和字符對(duì)比度不強(qiáng)，這對(duì)于后一步用投影法來(lái)進(jìn)行字符分割會(huì)帶來(lái)一定的難度，故而在分割前需要先對(duì)車牌圖像進(jìn)行字符的對(duì)比度增強(qiáng)。

一個(gè)完整的車牌區(qū)域字符像素占整個(gè)車牌區(qū)域像素的20％，對(duì)于某些圖片來(lái)說(shuō)，雖然由于其他原因使得車牌中字符和背景的差異不是很大，但是總體上來(lái)說(shuō)字符的像素值也比背景像素值高一些。故可以利用該特點(diǎn)來(lái)對(duì)車牌區(qū)域中前20％像素進(jìn)行增強(qiáng)而對(duì)其他的像素進(jìn)行抑制，從而到達(dá)增強(qiáng)目標(biāo)字符抑制背景的目的。對(duì)此本發(fā)明采用車牌增強(qiáng)算法如下：

步驟1：統(tǒng)計(jì)整個(gè)車牌區(qū)域內(nèi)像素點(diǎn)的最大像素值和最小像素值maxvalue,minvalue。

步驟2：設(shè)置需要增強(qiáng)的像素點(diǎn)數(shù)占全部像素點(diǎn)數(shù)的比例系數(shù)coef，比例系數(shù)范圍在0-1之間，根據(jù)實(shí)際需要調(diào)整，通常原始車牌圖像較清晰，比例系數(shù)就較小，原始車牌圖像模糊，比例系數(shù)就大。

步驟3：統(tǒng)計(jì)0-255像素值上對(duì)應(yīng)出現(xiàn)的像素點(diǎn)的個(gè)數(shù)，并存儲(chǔ)在1×255的數(shù)組count(1,i)里面。

步驟4：從count(1,i),i＝255開始往下統(tǒng)計(jì)像素點(diǎn)的個(gè)數(shù)，如果統(tǒng)計(jì)的像素點(diǎn)pixelnum<width*height*coef則將i-1繼續(xù)統(tǒng)計(jì)，否則停止統(tǒng)計(jì)并記下當(dāng)前的像素值index。

步驟5：車牌區(qū)域每一點(diǎn)按下面的方法進(jìn)行增強(qiáng)：

經(jīng)過(guò)上面的變換后，就可以將圖像進(jìn)行增強(qiáng)，如果原圖已有很好的對(duì)比度，經(jīng)過(guò)以上的變換也不會(huì)使圖像的效果變差，其效果圖如圖3所示。

從圖5的效果可以看出，前兩幅由RGB直接轉(zhuǎn)換為灰度圖像的車牌區(qū)域其對(duì)比度不是很明顯，經(jīng)過(guò)增強(qiáng)后背景和字符的對(duì)比度明顯好轉(zhuǎn)，而原本對(duì)比度一般的車牌區(qū)域經(jīng)過(guò)增強(qiáng)后其效果也變得更好了。這樣的增強(qiáng)對(duì)下一步分割字符有利。因?yàn)楸景l(fā)明所采用的字符分割方法是基于灰度投影的算法，由于原本字符對(duì)比度不明顯，其灰度投影圖的波峰、波谷特征也不是很明顯，但是經(jīng)過(guò)圖像增強(qiáng)后，其灰度投影圖就能夠很好的表現(xiàn)其波峰波谷特征，有利用對(duì)字符的精確分割。

本發(fā)明所用的灰度投影分割字符充分利用了車牌字符的特點(diǎn)，與一般的投影分割相比有很大的優(yōu)越性。普通的投影分割就是利用灰度投影曲線的波谷點(diǎn)來(lái)對(duì)字符進(jìn)行分割。本發(fā)明對(duì)這種普通的投影算法進(jìn)行了改進(jìn)，大大提高了字符分割正確率。由車牌字符投影曲線可以看出，車牌圓點(diǎn)右邊的五個(gè)字符中除了字符就是數(shù)字，當(dāng)然還有少數(shù)車牌為漢字。對(duì)于字符和數(shù)字來(lái)說(shuō)，其投影曲線不是雙峰結(jié)構(gòu)就是單峰結(jié)構(gòu)。所以本發(fā)明在對(duì)字符進(jìn)行分割充分利用該特征改進(jìn)了投影分割算法。本發(fā)明字符分割算法流程圖如圖4所示。

進(jìn)行字符分割前，對(duì)前面增強(qiáng)的車牌圖像，按列累加圖像的像素值，就可以得到車牌的投影曲線，但是得到的投影曲線有很多噪聲使其并不平滑，這影響系對(duì)字符的分割，所以首先需要將投影曲線進(jìn)行平滑，在本算法中采用高斯濾波來(lái)平滑投影曲線，用于濾波的核為[0.25,0.5,1,0.5,0.25]。圖5為車牌投影曲線的濾波前后的效果圖。從圖5中可以很明顯的看出經(jīng)過(guò)濾波后的投影曲線比原曲線平滑了很多，且原曲線中的一些由噪聲引起的峰值也在濾波后消失了，這樣在檢測(cè)波峰波谷時(shí)就不會(huì)檢測(cè)出因噪聲產(chǎn)生的波峰波谷點(diǎn)。

由濾波后的車牌灰度投影圖，就可以根據(jù)該投影曲線來(lái)進(jìn)行字符分割。本發(fā)明采用的是改進(jìn)的投影法來(lái)進(jìn)行字符分割。一般的投影法分割字符是直接利用波谷點(diǎn)來(lái)對(duì)字符進(jìn)行分割，而本發(fā)明的投影法在分割字符時(shí)充分考慮了車牌字符的投影特征，具體步驟如下：

步驟1：根據(jù)車牌的灰度投影曲線圖可得，車牌后面最多出現(xiàn)五個(gè)雙峰結(jié)構(gòu)，故搜索出前五個(gè)最大波谷點(diǎn)，然后判斷這些點(diǎn)是否為雙峰結(jié)構(gòu)中的波谷點(diǎn)，如果是，則將該雙峰結(jié)構(gòu)的起止位置記下。

步驟2：確定車牌字符寬度characterwidth。如果步驟1檢測(cè)到了雙峰結(jié)構(gòu)，則字符寬度就取為檢測(cè)到的所有雙峰結(jié)構(gòu)的平均值，否則字符寬度就取前3個(gè)單峰寬度中的最大值。

步驟3：設(shè)置字符起始點(diǎn)為第二字符和第三字符的分割點(diǎn)，設(shè)置結(jié)束點(diǎn)為車牌最后一個(gè)波谷點(diǎn)。如果在步驟1中檢測(cè)到了雙峰結(jié)構(gòu)則進(jìn)行步驟4，否則進(jìn)行步驟5。

步驟4：設(shè)置字符臨時(shí)分割段起始點(diǎn)為字符起始點(diǎn)，字符臨時(shí)分割段終點(diǎn)為一個(gè)雙峰結(jié)構(gòu)起始位置，然后在字符臨時(shí)分割段里進(jìn)行檢測(cè)，如果該字符臨時(shí)分割段里有一個(gè)峰結(jié)構(gòu)，則該峰結(jié)構(gòu)就單獨(dú)為一個(gè)字符，如果該字符臨時(shí)分割段里有兩個(gè)峰結(jié)構(gòu)，則先判斷這兩個(gè)峰結(jié)構(gòu)是一個(gè)雙峰字符還是兩個(gè)單峰字符，具體判斷規(guī)則就利用這兩個(gè)峰結(jié)構(gòu)的寬度，以及該兩個(gè)峰結(jié)構(gòu)的寬度和字符寬度進(jìn)行比較。如果這兩個(gè)峰結(jié)構(gòu)的寬度之和小于字符寬度的1.2倍且這兩個(gè)峰結(jié)構(gòu)的寬度相差很小。否則這兩個(gè)峰結(jié)構(gòu)就不是一個(gè)雙峰字符的投影，且可以肯定前面一個(gè)峰結(jié)構(gòu)就是一個(gè)字符，所以可以將這兩個(gè)峰結(jié)構(gòu)前面的一個(gè)峰結(jié)構(gòu)分割出來(lái)，然后更新字符臨時(shí)分割段如下：將字符臨時(shí)分割段的起點(diǎn)更新到被分割出來(lái)的峰后面，字符臨時(shí)分割段終點(diǎn)不變，但是如果此時(shí)字符臨時(shí)分割段的起點(diǎn)等于終點(diǎn)時(shí)則將字符臨時(shí)分割段起點(diǎn)更新到先前的雙峰結(jié)構(gòu)的終止位置，并將臨時(shí)分割段的終點(diǎn)更新到下一個(gè)雙峰結(jié)構(gòu)的起點(diǎn)，如果后面沒(méi)有雙峰結(jié)構(gòu)了則將臨時(shí)分割段的終點(diǎn)更新為字符結(jié)束點(diǎn)，然后重復(fù)步驟4直到分割到字符結(jié)束點(diǎn)為止。

步驟5：進(jìn)行到步驟5說(shuō)明在檢測(cè)雙峰結(jié)構(gòu)時(shí)并未檢測(cè)到，但是并不代表該車牌內(nèi)不存在雙峰結(jié)構(gòu)的字符，并不能排除存在有雙峰結(jié)構(gòu)的字符。此時(shí)分割就直接從字符起始點(diǎn)開始分割直到分割出5個(gè)字符。在分割中需要檢測(cè)的就是檢測(cè)相鄰的兩個(gè)峰結(jié)構(gòu)是不是一個(gè)字符的雙峰曲線。檢測(cè)所利用的方法和步驟4中雙峰結(jié)構(gòu)檢測(cè)方法相同，利用兩個(gè)峰結(jié)構(gòu)的寬度和該兩個(gè)峰結(jié)構(gòu)的寬度與字符寬度之間的關(guān)系進(jìn)行判斷。

步驟6：根據(jù)分割出的后面五個(gè)字符來(lái)分割前面兩個(gè)字符。首先將分割出來(lái)的后面五個(gè)字符中的最大寬度作為前面兩個(gè)字符的寬度。前面兩個(gè)字符為字母或者漢字，而字符也為雙峰結(jié)構(gòu)的，所以用后面五個(gè)字符中的最大寬度作為前面字符的寬度是合理的。分割前面兩個(gè)字符的方法為：從第二字符和第三字符的分割點(diǎn)向前移動(dòng)字符寬度個(gè)像素，然后將離該向前移動(dòng)后的分割點(diǎn)的最近一個(gè)波谷值作為車牌第一字符和第二字符的分割點(diǎn)。利用同樣方法也可以確定第一個(gè)字符的開始位置。

步驟7：對(duì)分割出來(lái)的字符序列進(jìn)行檢測(cè)，看該字符序列是否符合車牌字符序列的特征。車牌字符序列的特征可以用下面表達(dá)式來(lái)表示，假設(shè)dis1為前面兩個(gè)字符的寬度向量，dis2為后面五個(gè)字符的寬度向量，width為車牌寬度，height為車牌高度，則一個(gè)合理的車牌字符序列必須滿足下面的表達(dá)式：

min(min(dis1),min(dis2))>width/10

max(dis2)>width/5

height/min(dis1)<3

這樣就可以從車牌區(qū)域中分割出字符序列，從上面的算法步驟中可以看出，對(duì)于還有部分左右邊框的車牌，本發(fā)明的分割算法對(duì)其有很高的魯棒性。

S3車牌分割字符識(shí)別；

對(duì)于已經(jīng)分割好的車牌字符，需要進(jìn)行識(shí)別才能輸出，本發(fā)明提出了聯(lián)合方向梯度直方圖和核主成分分析法的特征，它綜合了二值圖、灰度圖、16值圖的方向梯度直方圖特征的優(yōu)點(diǎn)，能夠較好提取漢字結(jié)構(gòu)特征。方向梯度直方圖特征進(jìn)行聯(lián)合后，HOG特征維數(shù)增加，此時(shí)為了縮短特征提取時(shí)間，本系統(tǒng)用核主成分分析法方法進(jìn)行降維。字符識(shí)別方法采用的是對(duì)小樣本問(wèn)題有較好分類效果的支持向量機(jī)。

本實(shí)施例采用基于聯(lián)合HOG特征的車牌字符識(shí)別算法來(lái)對(duì)車牌分割字符進(jìn)行識(shí)別；

常見車牌有7個(gè)字符，文中是將分割下來(lái)的7個(gè)字符進(jìn)行識(shí)別。車牌字符由英文字母、漢字和數(shù)字組成，中文和英文數(shù)字的特點(diǎn)不一樣：中文漢字筆畫稠密、輪廓復(fù)雜；數(shù)字和英文則輪廓清晰，結(jié)構(gòu)簡(jiǎn)單。因此文中對(duì)漢字和英文數(shù)字采用不同的分類器，對(duì)它們分別提取特征。

本發(fā)明車牌識(shí)別過(guò)程是：

S3.1首先確定字符的分類器。

S3.2然后分別提取漢字、數(shù)字字母的灰度方向梯度直方圖(HOG)特征、二值HOG特征、16值HOG特征，將它們組合成聯(lián)合HOG特征，將得到的聯(lián)合HOG特征用核主成分分析法進(jìn)行降維。

S3.3最后將漢字和數(shù)字字母的聯(lián)合HOG特征送入支持向量機(jī)進(jìn)行訓(xùn)練和預(yù)測(cè)，將漢字和數(shù)字字母的識(shí)別結(jié)果進(jìn)行組合，得到最終的車牌字符識(shí)別結(jié)果。

基于聯(lián)合HOG的車牌識(shí)別流程如圖6所示。

方向梯度直方圖：

方向梯度直方圖的核心思想是計(jì)算圖像中被檢測(cè)目標(biāo)的局部梯度的統(tǒng)計(jì)信息。由于梯度是針對(duì)邊緣輪廓，因此，目標(biāo)的外形輪廓可以由梯度分布所描述。因此，HOG特征就是通過(guò)將分割下來(lái)的單個(gè)字符分割成小的連通區(qū)域，成為細(xì)胞單元，每個(gè)細(xì)胞單元中的每個(gè)像素生成一個(gè)梯度直方圖，這些直方圖的串聯(lián)就可表示出所檢測(cè)目標(biāo)的特征。為了提高光照變化的適應(yīng)性，將這些直方圖在分割下來(lái)的單個(gè)字符中的一個(gè)較大區(qū)域內(nèi)進(jìn)行對(duì)比度歸一化，具體來(lái)說(shuō)就是計(jì)算每個(gè)局部直方圖在塊中的密度，所述塊為整個(gè)分割下來(lái)的較大區(qū)域圖像塊，根據(jù)密度來(lái)對(duì)這個(gè)塊中的每個(gè)細(xì)胞單元進(jìn)行歸一化。經(jīng)過(guò)歸一化后，HOG特征對(duì)光照變化和陰影可以獲得更好的適應(yīng)能力。

HOG具體實(shí)現(xiàn)過(guò)程如下：

(1)計(jì)算圖像梯度：先用模板[-1,0,1]對(duì)分割下來(lái)的單個(gè)字符做卷積運(yùn)算，得到水平方向梯度分量G_h(x,y)，如式(1)所示；再用模板[-1,0,1]對(duì)分割下來(lái)的單個(gè)字符做卷積運(yùn)算，得到豎值方向梯度分量G_v(x，y)，如式(2)所示；最后，計(jì)算分割下來(lái)的單個(gè)字符所表示的像素點(diǎn)的梯度幅值M(x,y)和θ(x,y)梯度方向，如式(3)、式(4)所示，f(x,y)表示該點(diǎn)的像素值，計(jì)算公式為：

G_h(x,y)＝f(x+1,y)－f(x-1,y) (1)

G_v(x,y)＝f(x,y+1)－f(x,y-1) (2)

M(x,y)≈|G_h(x,y)|+|G_v(x,y)| (3)

(2)構(gòu)建梯度方向直方圖：在細(xì)胞單元中的每個(gè)像素點(diǎn)都要為基于某個(gè)梯度方向的直方柱投票，梯度方向可取0～180°或者0～360°，在以往的實(shí)驗(yàn)證明0～180°效果較好。單個(gè)字符圖像被分為若干個(gè)細(xì)胞單元，每個(gè)細(xì)胞單元包括8*8個(gè)像素，將梯度范圍分為9個(gè)方向角度，因此利用9個(gè)方向角度對(duì)8*8個(gè)像素的梯度信息進(jìn)行投票。特別指出，直方圖投票采取加權(quán)投票，即每個(gè)像素的梯度幅值作為投票權(quán)重。

(3)將細(xì)胞單元組合成塊：塊的結(jié)構(gòu)有兩種，矩形塊(R-HOG)和環(huán)形塊(C-HOG)。本發(fā)明采用矩形塊來(lái)進(jìn)行目標(biāo)檢測(cè)，矩形塊一般包含3個(gè)參數(shù)：每個(gè)塊中細(xì)胞單元的數(shù)目，每個(gè)細(xì)胞單元中像素點(diǎn)的數(shù)目以及每個(gè)細(xì)胞單元的方向角數(shù)目。

(4)塊內(nèi)歸一化計(jì)算公式如下所示:

L2_hys：先計(jì)算L2_norm，然后將v的最大值限定為0.2，再進(jìn)行歸一化。

其中，v表示包含給定塊統(tǒng)計(jì)直方圖信息的未歸一化向量；δ是一個(gè)很小的常數(shù)，作用是為了避免分母為0；||v||_k是v的k階范數(shù)。在Dalal的實(shí)驗(yàn)中發(fā)現(xiàn)L2_hys，L2_norm，L1_sqrt效果差不多，L1_norm字符識(shí)別效果要差一些，但這4個(gè)歸一化方法在識(shí)別性能上對(duì)比未歸一化都有明顯提高。本發(fā)明中采用的是L2_norm進(jìn)行歸一化。

假設(shè)將車牌字符歸一化到64*128，每8*8個(gè)像素組成一個(gè)細(xì)胞單元，每2*2個(gè)細(xì)胞單元組成一個(gè)塊，當(dāng)塊的滑動(dòng)步長(zhǎng)為8時(shí)，掃描垂直方向可以滑動(dòng)15次，水平方向可以滑動(dòng)7次，因此可以得到36*7*15＝3780位的特征算子。單個(gè)車牌字符處理效果如圖4所示，車牌字符灰度圖的梯度幅值圖和梯度角度圖包含的細(xì)節(jié)信息多，但缺點(diǎn)在于角度圖中的字符輪廓不明顯，影響了車牌字符識(shí)別率。為了克服上述缺點(diǎn)，提出了聯(lián)合HOG特征，將灰度圖的HOG特征、二值圖的HOG特征和16值圖的HOG特征聯(lián)合起來(lái)。

聯(lián)合方向梯度直方圖：

聯(lián)合HOG方法，即將灰度圖和二值圖分別計(jì)算HOG并組合成聯(lián)合特征，如下所示：H_t代表是得到的聯(lián)合特征，h_i表示灰度圖和二值圖的HOG特征，ω_i代表的是灰度圖和二值圖HOG的權(quán)重值，權(quán)重之和為1。權(quán)重分布的不同對(duì)后來(lái)的識(shí)別結(jié)果有很大影響。經(jīng)實(shí)驗(yàn)證明，權(quán)重值都為0.5時(shí)，識(shí)別效果是最好的，并且對(duì)比單獨(dú)的灰度圖或二值圖的識(shí)別效果好：

其中∑ω_i＝1

同時(shí)將16值圖的HOG特征加入聯(lián)合HOG特征，即分別進(jìn)行車牌字符的灰度圖、二值圖和16值圖的HOG計(jì)算，將結(jié)果以某種關(guān)系線性組合起來(lái)得到的聯(lián)合HOG特征，組合如下式所示：

H_t＝ω_grayh_gray+ω₂h₂+ω₁₆h₁₆

H_t代表最終的聯(lián)合HOG特征，h_gray，h₂，h₁₆分別代表車牌字符灰度圖、二值圖和16值圖的HOG特征，ω_i代表權(quán)重。

聯(lián)合HOG將灰度圖、二值圖和16值圖的特點(diǎn)結(jié)合起來(lái)，能夠一定程度的彌補(bǔ)單獨(dú)進(jìn)行灰度圖或者二值圖的HOG運(yùn)算造成的不足，對(duì)識(shí)別率有也有一定程度的提高。

車牌字符特征分類：

車牌字符分類主要是指將待識(shí)別的字符特征與經(jīng)過(guò)學(xué)習(xí)的訓(xùn)練字符特征通過(guò)某一算法進(jìn)行對(duì)比來(lái)進(jìn)行識(shí)別。常用的分類器主要包括最小距離分類器、k-最近鄰分類器、貝葉斯分類器、決策樹、Adaboost級(jí)聯(lián)分類器、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)。根據(jù)需要訓(xùn)練分類的車牌字符特性及不同分類器的特點(diǎn)，本發(fā)明主要采用支持向量機(jī)進(jìn)行分類。支持向量機(jī)的核心思想在于利用一個(gè)分類超平面當(dāng)作決策的曲面，來(lái)最大化正類和負(fù)類兩者的邊緣距離?？紤]到本文中車牌字符識(shí)別中訓(xùn)練樣本的數(shù)量有限，而且生成的HOG維數(shù)較多，因此本發(fā)明采用的對(duì)小樣本問(wèn)題有較好分類效果的支持向量機(jī)。針對(duì)多分類的問(wèn)題，本文采用的“一對(duì)一”的方式進(jìn)行劃分。SVM在處理樣本并進(jìn)行訓(xùn)練預(yù)測(cè)識(shí)別的過(guò)程大致為以下幾步：在車牌字符樣本中選擇訓(xùn)練樣本集和測(cè)試樣本集，分別對(duì)訓(xùn)練集和測(cè)試集進(jìn)行預(yù)處理，并提取HOG等特征，然后利用交叉驗(yàn)證法選擇最優(yōu)參數(shù)c和g，最后利用最佳參數(shù)訓(xùn)練SVM，獲得訓(xùn)練模型，利用訓(xùn)練模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)分類準(zhǔn)確率。SVM中常用的核函數(shù)包括線性核函數(shù)，徑向基核函數(shù)，多項(xiàng)式核函數(shù)，sigmoid核函數(shù)。對(duì)于不同的核函數(shù)測(cè)試集的分類準(zhǔn)確率也會(huì)不同，車牌字符識(shí)別中采用徑向基核函數(shù)的分類準(zhǔn)確率最高。因此，本發(fā)明SVM的核函數(shù)采用的是RBF核函數(shù)。

綜上所述，在提取特征以后，利用SVM進(jìn)行訓(xùn)練分類。訓(xùn)練分類后，將分割好的字符輸入訓(xùn)練器中，輸出識(shí)別的車牌字符。

本發(fā)明中提出的方法實(shí)際上可嵌入FPGA實(shí)現(xiàn)，運(yùn)用于具有實(shí)時(shí)輸出圖像功能的車牌識(shí)別功能的相機(jī)或攝像機(jī)監(jiān)控系統(tǒng)中。

本領(lǐng)域技術(shù)人員將清楚本發(fā)明的范圍不限制于以上討論的示例，有可能對(duì)其進(jìn)行若干改變和修改，而不脫離所附權(quán)利要求書限定的本發(fā)明的范圍。盡管己經(jīng)在附圖和說(shuō)明書中詳細(xì)圖示和描述了本發(fā)明，但這樣的說(shuō)明和描述僅是說(shuō)明或示意性的，而非限制性的。本發(fā)明并不限于所公開的實(shí)施例。

通過(guò)對(duì)本發(fā)明的研究，在實(shí)施本發(fā)明時(shí)本領(lǐng)域技術(shù)人員可以理解和實(shí)現(xiàn)所公開的實(shí)施例的變形。在本發(fā)明中，術(shù)語(yǔ)“包括”不排除其他步驟或元素，而不定冠詞“一個(gè)”或“一種”不排除多個(gè)。在彼此不同的從屬權(quán)利要求中引用的某些措施的事實(shí)不意味著這些措施的組合不能被有利地使用。權(quán)利要求書中的任何參考標(biāo)記不構(gòu)成對(duì)本發(fā)明的范圍的限制。