[发明专利]一种车牌识别方法

摘要

本发明提供一种车牌识别方法，结合卷积神经网络和维特比算法，包括以下步骤：(1)图像稀疏化；(2)组合edge group；(3)计算edge group的相似度；(4)计算每一个edge group的权值w_b；(5)计算评分；(6)选择精确的车牌定位框；(7)对步骤(6)中的到的车牌定位框进行卷积操作和池化操作得到特征图；(8)使用卷积神网络识别器对特征图进行扫描，得到字符序列；(9)使用维特比算法对步骤(8)中的字符序列计算得到特定字符序列。该方法能应对复杂条件下拍摄的电子图像，提高车牌识别系统的识别准确率，并且该技术在字符识别前，无需对图片进行分割，避免了由于字符分割不准确导致的错误。

主权项

一种车牌识别方法，包括以下步骤：(1)图像稀疏化：使用Structure Edge detector对输入图像计算图像中每个像素点的计算边缘响应，稀疏化，得到一个稀疏化的图像；(2)组合edge group：对步骤(1)中生成的稀疏化图像中的边，以像素点为基本计算单位，计算相邻像素点之间的方向角度差值的和，如果小于M，则认为这些像素点的相似度高，组成edge group，继续计算下一个像素点；如果大于M，则停止计算，将已经计算过的像素点组成一个edge group；(3)计算edge group的相似度：将步骤(2)中得到所有edge group记为S，(s_i,s_j)∈S然后使用式(1‑1)计算s_i,s_j两个edge group的相似度a(s_i，s_j)，a(s_i,s_j)＝|cos(θ_i‑θ_ij)cos(θ_j‑θ_ij)|^γ   (1‑1)其中：θ_ij表示x_i,x_j间的夹角，x_i,x_j为s_i,s_j的平均位置，θ_i,θ_j为s_i,s_j的平均角度，γ用来调整两个edge group之间的相似度；(4)计算每一个edge group的权值w_b：使用一个滑动窗口扫描整个图片，每滑动一步得到一个窗口中的Edge group以及它们的相似度之后，根据式(1‑2)计算每一个edge group的权值w_b；$w_b\left(s_i\right)=1-\underset{T}{\max }\underset{j}{\overset{\left|T\right|-1}{\mathrm{\Π}}}a(t_j,t_{j+1})---(1-2)$其中：T为每个edge group中edge的集合，|T|表示T中的edge的数目，j表示T中edge序号，从0开始计数。t_j和t_j+1表示T中两个相邻的edge，a(t_j，t_j+1)表示t_j和t_j+1两个edge之间的相似度；(5)计算评分：根据式(1‑3)计算定位框的评分h_b，选择得分Top‑n的轮廓图：$h_b=\frac{{\mathrm{\Σ}}_i{w}_b\left(s_i\right)m_i}{2{(b_w+b_h)}^k}---(1-3)$其中：h_b表示定位框的评分，b_w表示定位框的宽，b_h表示定位的高，m_i表示像素点的幅度值，i表示定位框中edge group，i的取值范围是edge group的数目，k取固定值1.5，用来调整窗口的大小；(6)选择精确的车牌定位框；(7)对步骤(6)中的到的车牌定位框区域进行卷积操作和池化操作得到特征图；(8)使用卷积神网络识别器对特征图进行滑动扫描，得到字符序列；(9)使用维特比算法对步骤(8)中的字符序列进行计算得到特定字符序列，该序列即为车牌字符识别结果。