[发明专利]一种基于极值区域和极限学习机的车牌识别方法

权利要求书

1.一种基于极值区域和极限学习机的车牌识别方法，其特征在于，该方法包括以下步骤：

步骤S1，对彩色待处理图像进行预处理，并对预处理后得到的图像中的车牌区域进行粗定位，得到一系列车牌候选区域；

步骤S2，基于所述车牌候选区域，在所述彩色待处理图像中提取得到RGB三个颜色通道的极值区域，并通过分类器从中选择符合车牌字符区域几何属性的极值区域，完成车牌字符分割并实现车牌区域的准确定位；

步骤S3，通过监督学习建立基于极限学习机的单隐层前馈神经网络，提取所述车牌区域中字符区域的特征向量作为神经网络的输入，基于极限学习机的单隐层前馈神经网络对车牌字符进行自动识别。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括以下步骤：

步骤S11，将彩色待处理图像转换为灰度图像，并提取所述灰度图像的边缘信息，得到边缘图像；

步骤S12，对所述边缘图像进行二值化，得到二值化图像；

步骤S13，对所述二值化图像进行形态学闭运算，得到一系列闭合区域的外接矩形框；

步骤S14，滤除不符合车牌区域要求的外接矩形框，得到一系列车牌候选区域。

3.根据权利要求2所述的方法，其特征在于，所述步骤S11在提取所述灰度图像的边缘信息之前还包括对所述灰度图像进行噪声滤除的步骤。

4.根据权利要求1所述的方法，其特征在于，所述步骤S2进一步包括以下步骤：

步骤S21，通过监督学习方法建立车牌字符的极值区域分类器；

步骤S22，基于所述车牌候选区域，利用所述极值区域分类器得到字符候选区域；

步骤S23，基于所述字符候选区域，得到每个字符候选区域的外接矩形框，滤除不符合车牌字符区域要求的外接矩形框，得到一系列车牌字符候选区域；

步骤S24，利用在一个车牌候选区域中检测到的车牌字符候选区域的数量，判断该车牌候选区域是否为准确的车牌区域；

步骤S25，通过车牌的几何分布推理得到没有检测到的字符并删除检测到的非字符区域，从而实现字符分割，同时也实现了车牌区域由粗到细的准确定位。

5.根据权利要求4所述的方法，其特征在于，所述步骤S22进一步包括以下步骤：

步骤S221，将所述车牌候选区域对应的RGB三个颜色通道值范围映射到区间[0,255]；

步骤S222，对于每个颜色通道，从0递增到255，利用Logistic回归方法计算所述极值区域分类器输出为字符的条件概率，找到条件概率最大并且大于一预定阈值所对应的极值区域；

步骤S223，将三个颜色通道的极值区域进行合并得到字符候选区域。

6.根据权利要求2或4所述的方法，其特征在于，所述车牌区域要求是：

2≤Width/Height≤8、1000≤Area≤12000，

其中，Width/Height为外接矩形框的宽高比，Area表示外接矩形框的面积；

所述车牌字符区域要求是：

20≤height≤40、4≤width≤25、1≤height/width≤10、80≤area≤800，

其中，height为外接矩形框的高，width为外接矩形框的宽，height/width为外接矩形框的高宽比，area为外接矩形框的面积。

7.根据权利要求2或4所述的方法，其特征在于，所述步骤S14或步骤S23中，通过设置滤波器来滤除不符合车牌区域要求或车牌字符区域要求的外接矩形框。

8.根据权利要求4所述的方法，其特征在于，所述步骤S24中，对于一个车牌候选区域，若检测到的车牌字符候选区域数量为5～10个，则认为该车牌候选区域为准确的车牌区域。

9.根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括以下步骤：

步骤S31，人工获取并标记字符训练样本；

步骤S32，提取所述字符训练样本的特征向量，作为所述字符训练样本的字符特征描述子；

步骤S33，利用所述字符训练样本及其字符特征描述子，离线训练得到基于极限学习机的神经网络；

步骤S34，提取所述车牌区域中字符区域的特征向量，作为所述基于极限学习机的神经网络的输入，识别所述字符区域中的各个字符类型，从而实现车牌字符识别。

10.根据权利要求9所述的方法，其特征在于，所述字符训练样本的特征向量与所述车牌区域中字符区域的特征向量均为方向梯度直方图。