一种基于局部位置值得分的车牌相似字符识别方法

技术领域

本发明属于模式识别与人工智能技术领域，具体涉及一种基于局部位置值得分的车牌相似字符识别方法的设计。

背景技术

车牌识别技术是计算机视频图像识别技术在车辆牌照识别中的一种应用，指的是将运动中的汽车牌照从复杂的背景中提取出来并检测识别的一种技术。整个过程包括拍照、图像预处理、提取车牌区域、字符分割、字符特征识别等。

目前国内外字符识别方法已有很多，例如：模板匹配结合局部HOG特征、神经网络字符识别法、基于支持向量基(SVM)识别方法等。在模板匹配识别方法中，将待测的字符与标准模板进行比较，判定与模板相似程度最高的字符为模板字符，达到识别车牌的目的。模板匹配法直接将待测字符与模板字符的图像矩阵在变换成相同尺寸的情况下进行“位与”运算，得到图像矩阵与模板字符矩阵的比重，比重大者获胜。模板匹配识别算法原理简单，易于实现，因而得到了广泛的应用，但由于在实际应用中，许多字符整体相差较小，只在局部细节处有很大的差异，因而模板匹配法容易出现误判的情况，导致识别出错。

HOG特征即方向梯度直方图，最早由法国研究人员Dalal在2005年的CVPR上提出，HOG+SVM在行人检测取得了很好的效果，局部HOG特征算法利用局部特征区域的每个像素点的梯度方向和大小，将方向统计为若干个区间，梯度大小作为投影在该区间的权值进行累加，得出每个区间的权值累加和，最后计算待测字符与模板字符之间的欧氏距离进行字符识别。

神经网络字符识别法基于一种误差反向传播算法或BP算法，本质上是一种神经网络学习的数学模型，通过BP神经网络训练用于字符特征的选择和抽取能够在识别字符中达到较高的容错率，但该算法在训练样本中运算复杂度高、耗时长，难以满足识别速率和低成本的要求。

支持向量机是一门新兴的机器学习方法，该方法以统计学理论为基础发展而来，以结构风险最小化为原则，能够尽量减少训练样本空间的大小，提高机器的学习能力，相较于神经网络学习法有了很明显的优势，但如同神经网络学习法一样，训练样本时间过长和分类速率较慢是阻碍其发展的阻力。

综合以上几种车牌识别方法，采用模板匹配结合局部HOG特征的方法对相似字符有较高的识别率，并且相对神经网络和支持向量机简单，易实现，但其识别率仍不及经过大量样本训练后的机器学习方法。

发明内容

本发明的目的是为了解决现有的车牌字符识别方法对相似字符识别率不高的问题，提出了一种基于局部位置值得分的车牌相似字符识别方法，从而达到以较快的速度和较高的识别率检测车牌的目的。

本发明的技术方案为：一种基于局部位置值得分的车牌相似字符识别方法，包括以下步骤：

S1、将待测字符与数据库中的标准模板进行模板匹配，得到与待测字符相似的模板字符群；

S2、通过模板字符群的数量和特征划定逐层分割的顺序和层数；

S3、寻找待测字符与模板字符群的最大局部位置值差异矩阵，定义为M矩阵；

S4、根据M矩阵逐层分割模板字符群，舍弃不符合条件的字符；

S5、判断模板字符群中是否只包含一个字符，若是则识别结束，否则返回步骤S3。

其中，步骤S4具体包括以下分步骤：

S41、分别对待测字符和模板字符群相同区域的M矩阵建立相同的直角坐标系；

S42、将M矩阵区域划分成相同角度的区间；

S43、计算每个角度区间待测字符匹配模板字符的得分；

S44、计算所有角度区间的总得分，判定待测字符为得分最高的模板字符所属类别，舍弃其它不符合条件的模板字符。

其中，步骤S43具体包括以下分步骤：

S431、根据公式(1)分别计算待测字符各个角度区间的位置值：

式中X_k表示θ_k到θ_k+1区间范围内待测字符的位置值总和，M表示该区间范围内像素点为1的个数，x_i,y_i分别表示第i个像素为1的点的横纵坐标；

S432、根据公式(2)分别计算模板字符各个角度区间的位置值：

式中表示θ_k到θ_k+1区间范围内模板字符的位置值总和；

S433、根据公式(3)计算待测字符与模板字符在各个角度区间的相似度得分：

式中S_k表示θ_k到θ_k+1区间范围内待测字符与模板字符的相似度得分。

本发明的有益效果是：本发明基于相似车牌字符的局部差异，主要解决在车牌识别过程中车牌识别速率和识别率无法同时满足的困境。本发明在降低识别车牌相似字符复杂度的情况下，提高了车牌字符识别率，同时本发明相较基于人工神经网络的车牌字符识别方法，不需要大量机器学习的训练样本，只需要一个标准模板库，就能达到很高的相似字符识别率，使得车牌的识别简便而高效，适用于运算速率不高的便携式硬件系统，例如便携式车牌识别仪等。

进一步地，待测字符与模板字符群均为二值图像，在数值上用“1”代表白色，“0”代表黑色，M矩阵为两类或两个局部黑白差异最明显且范围最小的矩阵。

上述进一步方案的有益效果是：依据我国车牌汉字、字母和数字的特点，相似字符M矩阵尽量选择一方都是“0”，一方都是“1”，即在二值图上体现为在M矩阵区域一方全黑，一方白色区域较多，这样能够拉大得分差距，提高识别率。同时M矩阵面积尽量小，以提高识别速率。

进一步地，步骤S41中对M矩阵建立直角坐标系的具体方法为：

以M矩阵左上角第一个像素点为原点，M矩阵的第一行为X轴正半轴，第一列为Y轴负半轴，使M矩阵位于直角坐标系第四象限内。

步骤S42具体为：以原点为起点，M矩阵中非X、Y轴的边为终点，将M矩阵划分为6个相同角度的区间，每个区间的角度为15°。

上述进一步方案的有益效果是：通过实验测试可知，将M矩阵划分为6个角度区间，每个区间15°，能达到最高的识别率。若每个区间角度过大，区间数量减少，识别依据不充分，会导致识别率降低；若每个区间角度过小，算法对字符的倾斜敏感，也会导致倾斜字符识别率降低。

进一步地，步骤S433中若某个角度区间中相似度得分S_k计算为负数时，记该角度区间中S_k＝0；若某个角度区间中X_k和均为0时，记该角度区间中S_k＝10。

上述进一步方案的有益效果是：由于在计算相似度得分S_k时可能会出现S_k为负数或者X_k和均为0导致公式(3)中分母为0的情况，因此对这些特殊情况下的S_k赋值，从而提高相似度得分计算的准确率，进而提高车牌字符识别率。

附图说明

图1所示为本发明实施例提供的一种基于局部位置值得分的车牌相似字符识别方法流程图。

图2所示为本发明实施例提供的将M矩阵区域划分成相同角度区间示意图。

图3所示为本发明实施例提供的具体逐层分割模板字符群示意图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实施例提供了一种基于局部位置值得分的车牌相似字符识别方法，如图1所示，包括以下步骤：

S1、将待测字符与数据库中的标准模板进行模板匹配，得到与待测字符相似的模板字符群。

本发明实施例中，待测字符与模板字符群均为二值图像，在数值上用“1”代表白色，“0”代表黑色。

S2、通过模板字符群的数量和特征划定逐层分割的顺序和层数。

S3、寻找待测字符与模板字符群的最大局部位置值差异矩阵，定义为M矩阵。

本发明实施例中，M矩阵定义为两个或两类尺寸相同的相似字符同一最大位置值差异的局部矩阵区域，位置值定义为图像矩阵在直角坐标系中像素点的坐标值。依据我国车牌汉字、字母和数字的特点，对M矩阵的选择原则如下：

(1)M矩阵尽量选择一方都是“0”，一方都是“1”(在二值图上体现为在M矩阵区域一方全黑，一方白色区域较多)，这样能够拉大得分差距，提高识别率。

(2)M矩阵的面积尽量小，以提高识别速率。

S4、根据M矩阵逐层分割模板字符群，舍弃不符合条件的字符，逐层分割的顺序和层数已经在步骤S2中进行了划定。

步骤S4具体包括以下分步骤：

S41、分别对待测字符和模板字符群相同区域的M矩阵建立相同的直角坐标系。建立直角坐标系的具体方法为：

以M矩阵左上角第一个像素点为原点，M矩阵的第一行为X轴正半轴，第一列为Y轴负半轴，使M矩阵位于直角坐标系第四象限内。

S42、以原点为起点，M矩阵中非X、Y轴的边为终点，以X轴正向顺时针将M矩阵划分为6个相同角度的区间，每个区间的角度为15°，如图2所示。

图2中数字1表示提取字符“8”相较字符“B”局部位置值最大差异矩阵(M矩阵)，2表示对M矩阵建立直角坐标系，3表示M矩阵的行数和列数，4表示M矩阵划分成6个相同的角度区间，5表示每个区间15°。

根据实验效果，可以设置包含6个参数，分别为：模板字符编号、待测字符编号、模板字符与待测字符矩阵局部初始行坐标、模板字符与待测字符矩阵局部初始列坐标、M矩阵行数、M矩阵列数。根据实验表明，M矩阵角度区间的划分对算法识别速率的影响不大，耗时差值在1ms左右，但识别率与M矩阵角度区间的划分有很大关系。若每个区间角度过大，区间数量减少，会因为识别依据不充分导致识别率降低；若每个区间角度过小，算法对字符的倾斜敏感，也会导致倾斜字符识别率降低。表1给出了20张随机车牌M矩阵区间个数与算法识别速率和识别率的关系。通过表1的数据可知，将M矩阵划分为6个角度区间，每个区间15°，能达到最高的识别率。

表1

S43、计算每个角度区间待测字符匹配模板字符的得分。

步骤S43具体包括以下分步骤：

S431、根据公式(1)分别计算待测字符各个角度区间的位置值：

式中X_k表示θ_k到θ_k+1区间范围内待测字符的位置值总和，M表示该区间范围内像素点为1的个数，x_i,y_i分别表示第i个像素为1的点的横纵坐标。

S432、根据公式(2)分别计算模板字符各个角度区间的位置值：

式中表示θ_k到θ_k+1区间范围内模板字符的位置值总和。

S433、根据公式(3)计算待测字符与模板字符在各个角度区间的相似度得分：

式中S_k表示θ_k到θ_k+1区间范围内待测字符与模板字符的相似度得分。

S44、根据公式(4)计算所有角度区间的总得分：

判定待测字符为得分最高的模板字符所属类别，舍弃其它不符合条件的模板字符。

S5、判断模板字符群中是否只包含一个字符，若是则识别结束，否则返回步骤S3。

下面以待测字符为“8”为例，通过模板匹配，得到与待测字符相似的模板字符群为“5”、“R”、“8”、“B”。如图3所示，将待测字符和模板字符“5”、“R”、“8”、“B”二值图像调整为相同的尺寸，根据模板字符群的数量和特征，相似字符的识别分为三层，识别顺序为：

第一层：相似字符群分为两个子字符群，分别为字符“5”和字符“R”、“8”、“B”，同时提取待测字符和各相似字符的M矩阵(区域①)，计算待测字符M矩阵位置值和各模板字符M矩阵位置值，分别计算待测字符匹配各模板字符M矩阵位置值得分，比较待测字符匹配4个模板字符位置值的得分，若匹配字符“5”得分最高，那么，待测字符被识别为字符“5”，否则，进行第二层识别，此时，相似模板字符群中剩下字符“R”、“8”和“B”，字符“5”被舍弃。

第二层：相似字符群分为两个子字符群，分别为字符“R”和字符“8”、“B”，同时提取待测字符和各模板字符的M矩阵(区域②)，重复第一层的方法，比较待测字符匹配3个模板字符位置值得分，若匹配字符“R”得分最高，那么，待测字符被识别为字符“R”，否则，进行第三层识别，此时，相似模板字符群中剩下字符8”和“B”，字符“R”被舍弃。

第三层：相似字符群分为两个子字符群，分别为字符“8”和字符“B”，同时提取待测字符和各相似字符的M矩阵(区域③)，重复第一层的方法，比较待测字符匹配2个模板字符位置值得分，若匹配字符“8”得分高，那么，待测字符被识别为字符“8”，否则，待测字符被识别为“B”，识别结束。

本发明基于相似车牌字符的局部差异，主要解决在车牌识别过程中无法保证车牌识别速率和识别率无法同时满足的困境。将街道临时停靠的104张汽车牌照，共728个字符作为实验样本，将本发明与模板匹配结合局部HOG特征的车牌识别方法进行对比，表2给出了识别率的对比结果，表3给出了识别速率的对比结果。

表2

表3

通过表2及表3的实验数据可知，本发明相较模板匹配结合局部HOG特征在识别率上提高了1.9个百分点，在识别单个字符耗时上下降了108.25ms，实现了降低识别车牌相似字符复杂度的情况下，提高车牌字符识别率的目的。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。