CN103186762A

CN103186762A - 基于surf特征匹配算法的车牌字符识别方法

Info

Publication number: CN103186762A
Application number: CN2011104486829A
Authority: CN
Inventors: 武付军; 张羽
Original assignee: Tianjin Yaan Technology Co Ltd
Current assignee: Tianjin Yaan Technology Co Ltd
Priority date: 2011-12-28
Filing date: 2011-12-28
Publication date: 2013-07-03

Abstract

本发明公开了一种简单而行之有效的基于SURF特征匹配算法的车牌字符识别方法，通过对车牌字符图像的二次分类，进行SURF关键点描述及特征匹配，进而进行车牌字符识别。采用本发明的基于SURF特征匹配算法的车牌字符识别方法，不但具有良好的仿射不变性，而且尺度缩放、视角变动、光照差异、遮挡、噪声方面都具有良好的适应能力，相比于目前的主流特征识别方法具有更高的计算速度。本发明中，首先对车牌字符进行了整体的初次分类，并对同一类别的字符又采用了个体的二次分类的方式，这种分类方式使相近字符的差异性更高，可进一步提高识别率。

Description

基于SURF特征匹配算法的车牌字符识别方法

技术领域

本发明涉及模式识别与图像处理技术领域，尤其是一种基于SURF特征匹配算法的车牌字符识别方法。

背景技术

在智能交通***中，视频技术已成为主要的技术手段。基于视频技术的车牌识别***，近几年得到了快速的发展。车牌识别(License PlateRecognition，简称LPR)是智能交通***中不可缺少的一部分。在交通的各个领域得到广泛的应用，如在高速公路收费、高速超速检测、城市车辆违规检测和道路违章管理(闯红灯、超速、逆行)等领域，车牌识别起到了举足轻重的作用。并且随着汽车数量的日益增加，车牌识别***还应用在治安卡口(车辆记录***)、盗窃车辆检测，小区停车场管理***、各种查车***等***中，在生活中扮演了“电子警察”的角色，为交通管理，打击犯罪都起到了很好的作用。

车牌字符识别是车牌自动识别的一项核心技术。目前常用的字符识别方法有模板匹配、概率统计、几何分类法、小波运算、支持向量机(SVM)、神经网络分析，特征匹配等。每种方法都有自己的优点和缺点，有些方法实现起来比较简单，在某些环境下可以取得较好的识别效果。但由于车牌识别***的使用环境复杂多变，难以取得广泛可以接受的识别效果。有些方法虽然识别效果上取得一定的提高，但是方法过于复杂，又或者识别速度难以达到要求。现实车牌图像中分离出来的字符往往由于一些外界因素的影响，存在断裂、变形、扭曲、污损等问题，给字符的识别带来很大困难。由于车牌自动识别***在室外摄像，受天气、光照、背景、车牌的型号规格、车辆的行驶速度、车牌的缺损、污染和遮挡等因素的影响，存在不确定性。这些都会对***的实时处理、模式识别造成干扰。另外车牌识别***中识别率是识别***的重要性能指标，实时性的工作环境决定了对识别速度的要求，***的识别速度与***的稳定性、识别率是矛盾的统一体。怎样在矛盾的统一体中利用已有的方法更好地识别字符是目前车牌字符识别***中急需解决的关键问题。

发明内容

本发明要解决的技术问题是提供一种简单而行之有效的基于SURF特征匹配算法的车牌字符识别方法。

为解决上述问题，本发明的一种基于SURF特征匹配算法的车牌字符识别方法，包括以下步骤：

1、首先对车牌字符图像进行整体的初次分类，将车牌字符图像分成汉字、字母、数字和字母加数字四大类；

2、根据车牌字符特点，对初次分类结果再进行个体的二次分类，使具有较多共同部分的字符图像归为一类；

3、针对各类别提取SURF关键点特征，并对关键点进行特征描述；

4、根据描述特征的特征描述符进行类内的字符图像的匹配；

5、根据匹配结果进行车牌字符识别。

所述步骤1中车牌字符图像的初次分类方法采用神经网络或SVM聚类算法。

所述步骤2中车牌字符图像的二次分类方法采用神经网络或SVM聚类算法。

所述步骤3中先在二次分类的结果上，将具有共同部分的字符图像其共同部分进行排除，再对字符图像未被排除的部分提取SURF关键点特征，并对关键点进行特征描述。

采用本发明的基于SURF特征匹配算法的车牌字符识别方法，不但具有良好的仿射不变性，而且尺度缩放、视角变动、光照差异、遮挡、噪声方面都具有良好的适应能力，相比于目前的主流特征识别方法具有更高的计算速度。本发明中，首先对车牌字符进行了整体的初次分类，并对同一类别的字符又采用了个体的二次分类的方式，这种分类方式使相近字符的差异性更高，可进一步提高识别率。

附图说明

图1为本发明的基于SURF特征匹配算法的车牌字符识别方法的流程图；

图2为本发明的基于SURF特征匹配算法的车牌字符识别方法的分类示意图；

具体实施方式

为了使本技术领域的人员更好地理解本发明技术方案，下面结合附图和实施方式对本发明作进一步的详细说明。

如图1、2所示，本发明的基于SURF特征匹配算法的车牌字符识别方法，包括以下步骤：

步骤1：采用神经网络或SVM聚类算法将车牌字符图像进行整体的初次分类，将车牌字符图像分成汉字、字母、数字和字母加数字四大类。

车牌中的机动车登记编号共有7位字符，由汉字、英文字母及***数字按特定顺序组合而成，前车牌的编号呈水平单行排列。编号的前两位是机动车登记机构代号，分别由汉字和英文字母组成，汉字是各省、自治区、直辖市的简称：京、津、晋、冀、蒙、辽、吉、黑、沪、苏、浙、皖、闽、赣、鲁、豫、鄂、湘、粤、桂、琼、川、贵、云、藏、陕、甘、青、宁、新、渝，共31个汉字；其它领域车牌汉字：甲、乙、丙、己、庚、辛、壬、寅、辰、未、申、戍、午、使、领、学、警，总共约50多个汉字。车牌第二位字符为英文大写字母：“A”到“Z”；第三位字符为除“I”和“0”以外的英文大写字母“A”到“Z”或数字“0”到“9”，共34个字符。第四位字符以前仅为“0”到“9”这十个数字。依据车牌字符的结构特点将整体分类器的训练样本分为四大类：汉字类：即所有车牌字符汉字；字母类：A、C、E、F、G、H、J、K、L、M、N、P、R、U、V、W、X、Y。数字类：1、3、4、6、9；字母和数字类：0、D、Q、2、Z，8、B，5、S，7、T。用已经分类好的训练样本训练整体分类器，得到较佳的分类器模型，然后对待识别车牌字符进行整体分类。

步骤2：根据车牌字符特点，采用神经网络或SVM聚类算法对整体分类器初次分类结果再进行个体的二次分类，使具有较多共同部分的字符图像归为一类。

例如在汉字类中依据汉字的共同的偏旁部首和结构的繁简可将汉字类这样进行分类，如汉字类别1包括津、沪、浙、湘、渝。汉字类别2包括蒙、苏、藏。汉字类别3包括：皖、闽、赣、鲁、豫、鄂、粤、桂、琼、冀、黑、警、领、陕、使、新。汉字类别4包括：寅、京、晋、吉、青、庚、贵、辰、学、戍。汉字类别5包括：辽、川、云、甘、宁、甲、乙、丙、己、辛、壬、未、申、午。字母类别1包括：A、X、Y、W。字母类别2包括：E、F、H、J、K、L、P、R、M、N。字母类别3包括：C、G。字母类别4包括：U、V。数字类别1包括：1、4。数字类别2包括：3、6、9。字母和数字类别1包括：0、D、Q.字母和数字类别2包括：2、Z。字母和数字类别包括：3、8、B。字母和数字类别4包括：5、S。字母和数字类别5包括：7、T。同样用整体分类器的训练方法，用已经分类好的训练样本训练个体分类器，得到较佳的分类器模型，然后对待识别车牌字符进行个体分类。分类方式如图2所示。

步骤3：在二次分类的结果上，将具有共同部分的字符图像其共同部分进行排除，再对字符图像未被排除的部分提取SURF关键点特征，并对关键点进行特征描述，得到描述关键点特征的特征描述符。

SURF算法的整体流程同SIFT类似，但在描述符构造过程中采用了与SIFT不同的方法：它是基于积分图像和Hessian矩阵的，用积分图像构造尺度空间，用快速Hessian算子检测特征点，用SURF描述符去描述特征点。SURF算法是对SIFT算法的改进，在性能损失很小的情况下换来了计算的大幅提高，因而比SIFT算法在车牌字符识别更有应用价值。

步骤4：根据描述特征的特征描述符进行类内的字符图像的匹配。

根据描述特征的特征描述符进行类内的字符图像的匹配；特征描述符是描述特征区域的特征向量。在得到描述特征区域的特征向量后，可采用特征向量的欧氏距离作为两幅字符图像关键点的相似性度量。可以采用基于欧氏空间距离的测度，设X，Y分别是两个特征矢量代表进行匹配的两个特征区域，其中

X＝(x₁，…x_n)Y＝(y₁，…y_n)

则

d (X, Y) = {[Σ_{i = 0}^{i = n} {(x_{i} - y_{i})}^{2}]}^{1 / 2} - - - (1)

首先根据车牌字符所属类别寻找相同位置的特征点，也就是说具有相同部分的字符，相同部分提取出来的关键点不参与关键点匹配。这样可进一步增加字符之间的区别，使得识别效果进一步提高。另外由于参与匹配的关键点数目得到减少，关键点匹配的时间也将得到缩短，因而算法的实时性进一步提高。

步骤5：根据匹配结果进行车牌字符识别。

特征点匹配的数目与参的匹配的特征点数目的比值达到一定阈值时，此阈值可取80％，即可认为两个车牌字符匹配，进而达到了车牌字符识别的目的。

Claims

1.一种基于SURF特征匹配算法的车牌字符识别方法，其特征在于：包括以下步骤：

(1)首先对车牌字符图像进行整体的初次分类，将车牌字符图像分成汉字、字母、数字和字母加数字四大类；

(2)根据车牌字符特点，对初次分类结果再进行个体的二次分类，使具有较多共同部分的字符图像归为一类；

(3)针对各类别提取SURF关键点特征，并对关键点进行特征描述；

(4)根据描述特征的特征描述符进行类内的字符图像的匹配；

(5)根据匹配结果进行车牌字符识别。

2.如权利要求1所述基于SURF特征匹配算法的车牌字符识别方法，其特征在于：所述步骤(1)中车牌字符图像的初次分类方法采用神经网络或SVM聚类算法。

3.如权利要求1或2中所述基于SURF特征匹配算法的车牌字符识别方法，其特征在于：所述步骤(2)中车牌字符图像的二次分类方法采用神经网络或SVM聚类算法。

4.如权利要求3所述基于SURF特征匹配算法的车牌字符识别方法，其特征在于：所述步骤(3)中先在二次分类的结果上，将具有共同部分的字符图像其共同部分进行排除，再对字符图像未被排除的部分提取SURF关键点特征，并对关键点进行特征描述。