[发明专利]一种鲁棒的车牌、车标识别方法

说明书

本发明公开一种鲁棒的车牌、车标识别方法。采用基于Adaboost检测、SVM筛选以及纹理分析去边的方法进行车牌精确检测，以有效应对不同场景、光照、视角、分辨率等，检测出的车牌区域只包含较少的背景。以最大稳定极值区域检测为主、滑动窗检测为辅，配合能量优化进行车牌识别，不仅能够有效地检测出传统的基于字符分割方法难以处理的车牌污损、分辨率不足等情况下的字符，而且使得字符检测与识别同步进行，打破传统的“先分割再识别”的模式。采用基于置信度加权的特征编码表达车标样本，利用基于组稀疏的判别性字典对模型识别编码的车标特征，对包含复杂背景的车标样本具有较强的鲁棒性。

技术领域

本发明涉及智能交通领域，具体地，涉及一种鲁棒的车牌、车标识别方法。

背景技术

近年来，随着人们生活品质的逐步提升，汽车的需求量也日益增大。为了提高道路交通管理效率，有效应对盗车、违规驾驶等交通问题，智能交通系统应运而生，其关键技术包括车牌和车标识别。车牌是车辆的唯一标识，自动并正确地识别车牌有利于提高交通与车辆管理效率。然而，仅仅依靠车牌识别技术并不足以解决日趋复杂的交通问题。车标作为区分不同汽车厂商最显著的标识，可以有效弥补车牌识别技术存在的不足，大大提升系统的可靠性。

车牌识别方法通常包括车牌检测、字符分割、字符识别等步骤。Thanongsak等提出一种基于车牌模式和监督学习的4层反向传播神经网络，识别率达96％。Menotti等的卷积神经网络与SVM相结合的方法，精度达96％以上。Sharma等利用小波变换获取特征，结合多类径向基的神经网络的方法，定位精度为97.6％，识别率达98.8％。王毅等人提出一种基于HVS色彩模型结合Adaboost的车牌检测方法，定位成功率达98.1％。但是由于拍摄视角、光照、分辨率、场景等因素的影响，在现有方法中。字符分割往往是整个方法的关键，常用的方法有垂直投影法，连通域分析法等，其效果直接决定着后续的识别。然而，车牌污损、不清晰等因素使得传统的过于依赖字符分割的方法性能大大降低。

在车标识别方面，现有的一些方法有：Sam等的径向切比雪夫的方法，识别率达92％，但其测试样本较少，代表性不强；Zhang等的模板匹配的方法，识别率达95％；Llorca等的HOG+SVM的方法，识别率达92.6％；Psyllos等的基于Merge-SIFT特征的方法，识别率达94.6％，但对低分辨率的情况效果不好；Yu等的基于Bag-of-Words的方法，识别率达97.3％，其样本为分割较好、仅包含车标的图像，对于实际中粗略分割的样本鲁棒性差。Huang等的基于预训练的卷积神经网络的方法，识别率达99.07％。虽然，上述方法取得了不错的效果，但大多是基于已经定位分割得比较理想的车标样本，而目前现有方法在车标定位上的准确率往往还不能令人满意，从而使这些依赖于准确定位分割的方法难以有效处理实际应用中包含复杂背景的车标图片。

发明内容

为了克服上述现有技术的不足，本发明首先提出一种鲁棒的车牌识别方法。该方法具有鲁棒性强、避免过于依赖字符分割的优点。

本发明还提出一种鲁棒的车标识别方法，该方法对于不精确的车标定位具有较好的鲁棒性。

为了实现上述目的，本发明的技术方案为：

一种鲁棒的车牌识别方法，包括车牌检测阶段和车牌识别阶段，在车牌检测阶段实现车牌区域的定位，基于定位后的车牌图像再进行车牌识别，其中车牌识别阶段具体实现过程为：

11)对定位后车牌区域进行灰度化；

12)利用最大稳定极值区域MSER检测方法在灰度化的车牌区域中寻找最大稳定极值区域，并对其检测结果进行候选字符窗口的排序，具体是根据每个候选字符窗口左上角起点的横坐标进行排序；

13)对MSER的检测结果进行非字符窗口的初步滤除；

14)记录并保存初步过滤后的每个候选字符窗口的置信度、中心点坐标以及宽和高，进而得到车牌的字符宽、高均值；