[发明专利]一种基于细胞神经网络的智能安全多车牌定位识别方法

说明书

技术领域

本发明属于图像处理技术领域，特别涉及智能安全交通系统中的车牌定位识别的方法。

背景技术

随着社会经济的迅速发展，车辆普及成为必然趋势，传统的交通管理方式已经不能满足人们的需求，现代的交通管理方式已经逐步趋向于智能化、安全化、自动化。目前在智能安全交通系统(Intelligent Transportion System，ITS)中的车牌定位识别多是针对单一车道设计，需要耗费较多的人力、设备资源。因此研发针对多车道公路路口和城市要道的实时监视与监控系统势在必行。在针对多车道的ITS中，采集到的每一帧ITS图像内都可能含有多个不同类型的车牌区域，准确完整的定位识别出各个车牌区域具有重要意义。

目前现有的多车牌定位识别方法主要是基于各种传统图像处理算法，在车牌定位识别系统中起到了重要的作用，但是普遍存在算法实用性欠缺，运算量与运算速度无法满足实时性要求，不利于硬件实现等缺点。另外，现有的多车牌定位识别方法没有考虑到对车牌底色和字符颜色的识别。

综上所述，现有多车牌定位识别系统缺少车牌颜色识别功能，或不利于硬件实现，且定位识别效率低，无法满足实时定位识别出大规模车牌的性能。

发明内容

本发明实施例提供的一种基于细胞神经网络的智能安全多车牌定位识别方法，用以解决多车牌定位识别耗时长、效率低、无法实时识别出车牌颜色等问题。

在前端摄像设备采集到多车道监控彩色图像后，基于细胞神经网络边缘检测、融合颜色量化分割色码矩阵、长宽定比特性定位出各个车牌区域；双线性插值法对各个车牌区域进行放大，灰度自适应法车牌区域二值化，二值投影法分割出各个字符；基于模板匹配融合色码矩阵识别出各个字符以及各个车牌颜色类型。

本发明实施例可实现从含有多车牌图像中定位识别出尽可能小的车牌区域，定位速度快，识别准确度高，并可实时识别出车牌颜色类型。

附图说明

图1为本发明实施例提供的方法流程图；

图2为本发明实施例提供的基于细胞神经网络边缘检测算法流程图；

图3为本发明实施例提供的多阈值颜色量化分割算法流程图。

具体实施方式

针对现有多车牌定位识别系统普遍存在运算耗时长、效率低、无法实时识别出车牌颜色等问题，本发明实施例利用细胞神经网络可并行计算，处理速度与图像大小无关，利于大规模集成电路硬件实现等优势提高运算速度，并融合颜色量化分割算法快速识别出车牌的颜色和类型。

如图1所示，本发明实施例提供的基于细胞神经网络多车牌定位识别方法包括下列步骤：

步骤101、由前端摄像设备采集到多车道监控彩色图像；

步骤102、将采集到的彩色RGB图像灰度化，以及将RGB格式图片转化为HSI格式；

步骤103、将灰度化后的图片进行细胞神经网络边缘检测；

步骤104、将转化为HSI格式的图片进行颜色量化分割；

步骤105、根据车牌特征确定长宽定比系数；

步骤106、将(3)得到的结果进行两次膨胀形态学处理；

步骤107、融合(4)～(6)的结果定位、采集出各个候选车牌区域；

步骤108、将定位出的各个车牌区域采用双线性插值法放大；

步骤109、将放大的区域采用灰度自适应法二值化；

步骤110、将二值化后的车牌区域图像采用投影法分割出各个字符；

步骤111、将识别出的各个字符采用模板匹配法进行识别，并结合(4)产生的色码矩阵确定车牌的颜色及类型；

步骤112、将识别出的车牌字符和颜色类型进行输出。

如图2所示，本发明实施例提供的基于细胞神经网络边缘检测算法包括下列步骤：

步骤201、输入灰度化后的多车牌图像；

步骤202、输入通过动态分析设定的模板参数值；

步骤203、设置循环次数以及判断稳定性的标志；

步骤204、将状态方程、输入输出方程进行迭代运算；

步骤205、如果网络没有收敛，则反复(4)-(5)，直至网络完全收敛或执行完设置的循环次数；

步骤206、输出经细胞神经网络算法提取边缘后的图像。

如图3所示，本发明实施例提供的多阈值颜色量化分割算法包括下列步骤：

步骤301、输入采集到的RGB格式含有多车牌区域的彩色图像；

步骤302、将采集到的RGB格式彩色图像转化为HSI模式；