[发明专利]基于数字图像处理的车牌号码匹配算法

说明书

技术领域

本发明涉及一种图像识别技术，特别涉及一种基于数字图像处理的车牌号码匹配算法。

背景技术

目前，有关研究人员对图像匹配技术进行了大量的研究，提出了很多匹配算法：有基于面积的方法，有基于比值的方法，有相位相关算法等等，但是这些匹配算法有一个共同点：图像间的焦距要一致，不能有尺度缩放，旋转不能太大，变形不能太明显，还有光照变化、放射变换等等方面受到限制。随着图像技术和计算机技术的发展，出现了基于特征的图像匹配技术。这种技术的优点是能处理具有不同特征的图像和图像间变形复杂的情况。缺点是特征的检测困难，算法稳定性差。

发明内容

本发明是针对特征匹配和检测两者都满足困难的问题，提出了一种基于数字图像处理的车牌号码匹配算法，完成算法的特征点提取，并完成两幅图像的匹配。通过实验具体验证算法在尺度缩放，旋转，亮度变化，仿射变换和噪声影响情况下仍然能够完成匹配并且保持较好的稳定性与鲁棒性。

本发明的技术方案为：一种基于数字图像处理的车牌号码匹配算法，包括如下步骤：

1）图像信息采集：拍摄设备对同一车牌进行两次拍摄，得到两幅图像，一幅设定为待匹配图像，另一幅作为参考图像；

2）待匹配和参考图像特征提取：

A:首先进行尺度空间极值检测：

（1）建立高斯金字塔:为了得到在不同尺度空间下的稳定特征点,将图像I(x, y)与不同尺度因子下的高斯核G(x, y,σ)进行卷积操作，构成高斯金字塔；

（2）建立DOG金字塔：DOG金字塔通过高斯金字塔中相邻尺度空间函数相减即可；

（3）DOG空间的极值检测在上面建立的DOG尺度空间金字塔中，为了检测到DOG空间的最大值和最小值，DOG尺度空间中中间层（最底层和最顶层除外）的每个像素点需要跟同一层的相邻8个像素点以及它上一层和下一层的9个相邻像素点总共26个相邻像素点进行比较；

B:精确定位特征点位置：

对上面DOG尺度空间中检测到局部极值点进行进一步的检验精确定位为特征点，然后通过附近区域的差分来近似估计，去除低对比度的特征点和不稳定的边缘响应点；

C:确定特征点主方向：利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数，在实际计算过程中，在以特征点为中心的邻域窗口内采样，并用梯度方向直方图统计邻域像素的梯度方向,梯度直方图的范围是0°～360°，其中每10°一个柱，总共36个柱；梯度方向直方图的峰值则代表了该特征点处邻域梯度的主方向, 即作为该特征点的方向；在梯度方向直方图中, 当存在另一个相当于主峰值80%能量的峰值时，则将这个方向认为是该特征点的辅方向；一个特征点可能会被指定具有多个方向(一个主方向, 一个以上辅方向) ； 

D:生成特征向量:首先将坐标轴旋转为特征点的方向，接下来以特征点为中心取8×8 的窗口(特征点所在的行和列不取)，中央黑点为当前特征点的位置，每个小格代表特征点邻域所在尺度空间的一个像素，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，图中圈内代表高斯加权的范围（越靠近特征点的像素，梯度方向信息贡献越大）；然后在每4×4 的图像小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,形成一个种子点；一个特征点由2×2共4个种子点组成，每个种子点有8个方向向量信息，可产生2×2×8共32个数据，形成32维的特征向量即特征点描述器，所需的图像数据块为8×8；

3）两幅图像特征向量的匹配: 首先，进行相似性度量：可采用距离函数作为特征的相似性度量；其次，消除错配：通过相似性度量得到潜在匹配对，根据几何限制和附加约束消除错误匹配，得到匹配结果。

所述步骤2）待匹配和参考图像特征提取中精确定位特征点位置，可通过对局部极值点进行三维二次函数拟和以精确确定特征点的位置和尺度。

所述步骤3）两幅图像特征向量的匹配中进行相似性度量采用优先k - d树进行优先搜索来查找每个特征点的2近似最近邻特征点，在这两个特征点中，如果最近的距离除以次近的距离少于设定比例阈值，则接受这一对匹配点。

所述步骤3）两幅图像特征向量的匹配中消除错配，附加约束可选RANSAC随机抽样一致性算法，几何约束是极线约束关系。