一种处理时间与识别精度自适应的车牌识别方法

技术领域

本发明涉及视频监控领域，具体涉及一种处理时间与识别精度自适应 的车牌识别方法。

背景技术

当代社会视频监控在越来越多的领域得到应用，智能交通为其主要的 应用范畴。智能交通可以很好的起到辅助交通安全、确保道路畅通、督导 驾驶者遵守交通规则的作用，而车牌识别则是智能交通最基本的组成部 分。

申请公开号为CN101377811A的发明公开了一种车牌识别的方法与 系统。该方法在交通流截面的每一个车道设置车牌识别视频采集点，以在 所述的每一个车道上形成车牌采集视场，并在相邻车道间形成车牌采集重 叠视场；其中，当被识别车牌侵入所述的车牌采集重叠视场时，相邻车道 的两个车牌识别视频采集点分别采集该被识别车牌的部分车牌数据，分别 生成部分车牌识别结果；将两个部分车牌识别结果组合，生成该被识别车 牌的完整车牌识别结果。

随着城市道路扩建，车辆增多，城市主干道十字路口车道增多，车流 量增大，对于车牌识别方法的实时性要求也越来越严苛。目前，车牌识别 系统处理一张图片的时间在250ms左右，对于车流量大的多车道应用并不 理想。

申请公开号为CN101373517A的发明公开了一种车牌识别方法及系 统，所述方法包括以下步骤：摄取车牌视频图像，并对摄取的车牌视频图 像进行处理获取车牌视频图像识别结果；摄取车牌静止图像，并对摄取的 车牌静止图像进行处理获取车牌静止图像识别结果；对所述的车牌视频图 像识别结果和车牌静止图像识别结果进行车牌图像筛选处理，输出车牌识 别结果。

现有技术中，如果需要减少车牌识别的时间，通常需要牺牲车牌识别 的精度。

发明内容

本发明提供了一种处理时间与识别精度自适应的车牌识别方法，可以 在不降低车牌识别数量的前提下，有效提高车牌识别的正确率，实现在大 车流情况下，车牌识别速度与车牌识别精度的平衡，满足车牌识别的实时 性需求。

一种处理时间与识别精度自适应的车牌识别方法，包括以下步骤：

（1）抓拍车辆获取照片，记录每张照片的抓拍时间，并为每张照片 相应标记时间戳。

由于车流量的大小不同，每张照片的抓拍时间间隔亦不相同，每张照 片的抓拍时间即为相应照片的时间戳。

（2）依照每张照片的时间戳顺序依次进行处理，根据当前处理照片 之前抓拍的N张照片的时间戳，计算当前处理照片的可用处理时间。

根据当前处理照片之前抓拍的N张照片的时间戳，计算当前处理照片 的可用处理时间，具体步骤如下：

2-1、对当前处理照片之前抓拍的N张照片依据时间戳进行编号，编号 顺序按照与当前处理照片时间间隔由小到大依次进行；

2-2、依据如下公式计算当前处理照片的可用处理时间：

$T_a=\frac{1}{N-1}\underset{n=1}{\overset{N-1}{\Sigma }}(T_n-T_{n+1})$

其中，T_a为当前处理照片的可用处理时间，T_n为编号是n的照片的时 间戳。

抓拍车辆照片时，对抓拍到的车辆照片进行缓存，将当前处理照片之 前抓拍到的N张照片的时间戳作为该当前处理照片的时间戳缓存区，即每 张照片的时间戳缓存区都不一样，需要计算当前处理照片的可用处理时间 时，利用每张照片相应的时间戳缓存区内的N张照片的时间戳进行计算。 N的取值范围3～6。

（3）将当前处理照片进行车牌定位和字符分割，并对分割出的字符 进行初步识别，得到初步识别结果和初步识别结果置信度。 现有技术中有多种车牌定位方法（例如W.G.Zhou,H.Q.Li,Principal  Visual Word Discovery for Automatic[J]，IEEE Trans.IMAGE PROCESSING,,2012,21(9):4269-4279），即将找出照片中车牌相对应的位 置。字符分割方法也有多种（例如周景超，陈锋，车牌字符分割的研究和 实现[J]，计算机工程，2006,32(5):238-243）。

对字符进行初步识别时，首先获取字符图像的灰度分布特征，然后利 用SVM多类分类器进行识别。

所述获取字符图像的灰度分布特征，包括以下步骤：

3-1、将字符图像灰度化，得到灰度图像；

3-2、将灰度图像大小归一化，利用光栅扫描得到像素灰度值，得到 灰度分布特征向量。

对字符进行初步识别时，将字符分为数字字母图像和汉字图像分别进 行初步识别，数字字母图像和汉字图像采用相同的SVM多类分类器，仅使 用的训练样本不同。

（4）根据当前处理照片的可用处理时间、初步识别的消耗时间以及 附加级识别处理的预计耗时，判断是否进行附加级识别处理，判断原则如 下：

a、若T_a-T_past≥T_L2或P<P_L，进行附加级识别处理；

b、若T_a-T_past<T_L2或P>P_H，不进行附加级识别处理；

其中，T_a为当前处理照片的可用处理时间，T_past为初步识别的消耗时 间，T_L2为附加级识别处理的预计耗时，P_L为低置信度阈值，P_H为高置信 度阈值，P为初步识别结果置信度。

附加级识别处理的识别精度比初步识别的识别精度高，但是耗时长， 根据需要判断是否进行附加级识别处理可以实现识别处理时间与识别精 度的平衡。

附加级识别处理的具体步骤如下：

4-1、利用OTSU算法对分割出的字符进行二值化处理，得到二值化图 像；

4-2、提取二值化图像的小波矩特征向量，利用SVM多类分类器进行 识别。

所述步骤4-2中的提取二值化图像的小波矩特征向量的具体步骤如 下：

4-2-1、以分割出的每个字符图像的质心为极坐标原点，将字符图像由 直角坐标转换为极坐标表示；

4-2-2、在极坐标的角度方向上对字符图像进行角度积分；

4-2-3、进行径向小波变换，得到小波矩；

4-2-4、重复步骤4-2-2和4-2-3选取不同角度参数和尺度因子，得到一 组小波矩，即小波距特征向量。

（5）输出车牌识别结果。

本发明针对车牌识别的实时性需要，根据抓拍到的车牌照片的时间 戳，计算车牌图像的可用处理时间，并以此时间为依据自适应调整车牌识 别算法的精度，克服现有技术的缺陷。

首先，获取图像时间戳信息，并计算车牌图像的可用处理时间；然后， 对车牌图像进行车牌定位、字符分割和字符初步识别；最后，根据自适应 策略判断是否需要继续进行附加级字符识别处理，动态调整车牌识别的时 间和处理精度。本发明在不降低处理车牌数量的前提下，有效地提升了车 牌识别的正确率，满足了大车流量下车牌实时性识别的要求，同时本发明 提供的方法可对复杂背景、倾斜、形变、污浊、部分遮挡、光线变化的车 牌进行有效识别。

附图说明

图1为本发明一种处理时间与识别精度自适应的车牌识别方法的流程 图；

图2为抓拍车辆获取的照片；

图3为图2中车牌定位的结果；

图4为车牌字符分割的结果；

图5(a)为车牌字符初步识别的结果；

图5(b)为车牌字符经附加级识别处理的结果。

具体实施方式

下面结合附图，对本发明一种处理时间与识别精度自适应的车牌识别 方法做详细描述。

如图1所示，一种处理时间与识别精度自适应的车牌识别方法，包括 以下步骤：

（1）抓拍车辆获取照片（照片如图2所示），记录每张照片的抓拍时 间，并为每张照片相应标记时间戳。

（2）依照每张照片的时间戳顺序依次进行处理，根据当前处理照片 之前抓拍的N张照片的时间戳，计算当前处理照片的可用处理时间。

2-1、对当前处理照片之前抓拍的N张照片依据时间戳进行编号，编号 顺序按照与当前处理照片时间间隔由小到大依次进行，即编号依次为

T1～TN，距离当前处理照片最近的照片编号为T₁；

2-2、依据如下公式计算当前处理照片的可用处理时间：

$T_a=\frac{1}{N-1}\underset{n=1}{\overset{N-1}{\Sigma }}(T_n-T_{n+1})$

其中，T_a为当前处理照片的可用处理时间，T_n为编号是n的照片的时 间戳，N的取值为5。

（3）将当前处理照片进行车牌定位（定位结果如图3所示）和字符分 割（字符分割结果如图4所示），并对分割出的字符进行初步识别，得到初 步识别结果（初步识别结果如图5所示）和初步识别结果置信度。

SVM多类分类器为C-SVM分类器（参见C.W.Hsu,C.C.Chang.A  practical guide to support vector classification,2003[J].Paper available at  http://www.csie.ntu.edu.tw/～cjlin/papers/guide/guide.pdf,2009.）。

获取字符图像的灰度分布特征，包括以下步骤：

3-1、将字符图像灰度化，得到灰度图像；

3-2、将灰度图像大小归一化，都转化为16x32大小，利用光栅扫描得 到像素灰度值，得到512维灰度分布特征向量。

将字符分为数字字母图像和汉字图像分别进行初步识别，数字字母图 像和汉字图像采用相同的SVM多类分类器，仅使用的训练样本不同。

对字符进行初步识别时，首先获取字符图像的灰度分布特征，然后利 用SVM多类分类器进行识别。

（4）根据当前处理照片的可用处理时间、初步识别的消耗时间以及 附加级识别处理的预计耗时，判断是否进行附加级识别处理，判断原则如 下：

a、若T_a-T_past≥T_L2或P<P_L，进行附加级识别处理；

b、若T_a-T_past<T_L2或P>P_H，不进行附加级识别处理；

其中，T_a为当前处理照片的可用处理时间，T_past为初步识别的消耗时 间，T_L2为附加级识别处理的预计耗时，P_L为低置信度阈值，P_H为高置信 度阈值，P为初步识别结果置信度。

附加级识别处理的预计耗时TL2事先通过统计得到，统计方法可以才用 现有技术中的任意方法，P_L为低置信度阈值取值0.92，P_H为高置信度阈值， 取值0.985。

附加级识别处理的具体步骤如下：

4-1、利用OTSU算法对分割出的字符进行二值化处理，得到二值化图 像；

4-2、提取二值化图像的小波矩特征向量，利用SVM多类分类器进行 识别。

提取二值化图像小波矩特征向量包括下列步骤：

4-2-1、以分割出的每个字符图像的质心为极坐标原点，将字符图像由 直角坐标转换为极坐标表示；

4-2-2、在极坐标的角度方向上对字符图像进行角度积分；

4-2-3、进行径向小波变换（参见F.Zhang,S.Q.Liu,Aircraft recognition in  infrared image using wavelet moment invariants[J],Image and Vision  Computing,2009.27:313-318），得到小波矩；

4-2-4、重复上述步骤4-2-2和4-2-3选取不同角度参数和尺度因子，得 到一组小波矩，即小波距特征向量。

（5）输出车牌识别结果。

车牌字符识别结果如图5(a)和5(b)所示，图中字符下方的标注的第一 项表示车牌真实值，倒数第二项是该字符真实值，最后一项是该字符的识 别结果。图5(a)为初步识别的结果，字符“0”错误识别为“8”，图5(b)为经 附加级识别处理的结果，其中字符“0”被正确识别为“0”。