CN103186762A - 基于surf特征匹配算法的车牌字符识别方法 - Google Patents
基于surf特征匹配算法的车牌字符识别方法 Download PDFInfo
- Publication number
- CN103186762A CN103186762A CN2011104486829A CN201110448682A CN103186762A CN 103186762 A CN103186762 A CN 103186762A CN 2011104486829 A CN2011104486829 A CN 2011104486829A CN 201110448682 A CN201110448682 A CN 201110448682A CN 103186762 A CN103186762 A CN 103186762A
- Authority
- CN
- China
- Prior art keywords
- license plate
- characters
- character
- surf
- recognition method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Character Discrimination (AREA)
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
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,…xn)Y=(y1,…yn)
则
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 (4)
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104486829A CN103186762A (zh) | 2011-12-28 | 2011-12-28 | 基于surf特征匹配算法的车牌字符识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104486829A CN103186762A (zh) | 2011-12-28 | 2011-12-28 | 基于surf特征匹配算法的车牌字符识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103186762A true CN103186762A (zh) | 2013-07-03 |
Family
ID=48677925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104486829A Pending CN103186762A (zh) | 2011-12-28 | 2011-12-28 | 基于surf特征匹配算法的车牌字符识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103186762A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127205A (zh) * | 2016-06-22 | 2016-11-16 | 山东鲁能智能技术有限公司 | 一种适用于室内轨道机器人的数字仪表图像的识别方法 |
CN106709867A (zh) * | 2016-11-23 | 2017-05-24 | 电子科技大学 | 一种基于改进surf和改进互信息的医学图像配准方法 |
CN108898137A (zh) * | 2018-05-25 | 2018-11-27 | 黄凯 | 一种基于深度神经网络的自然图像字符识别方法及*** |
CN110991467A (zh) * | 2019-12-06 | 2020-04-10 | 西安广源机电技术有限公司 | 一种车牌智能识别方法 |
CN111783766A (zh) * | 2020-07-10 | 2020-10-16 | 上海淇毓信息科技有限公司 | 一种分步识别图像字符的方法、装置和电子设备 |
CN114863692A (zh) * | 2022-04-18 | 2022-08-05 | 广州天长信息技术有限公司 | 一种基于局部特征对齐的车纹识别逃费稽查方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329734A (zh) * | 2008-07-31 | 2008-12-24 | 重庆大学 | 基于k-l变换和ls-svm的车牌字符识别方法 |
CN101807257A (zh) * | 2010-05-12 | 2010-08-18 | 上海交通大学 | 图像标签信息识别方法 |
CN101937508A (zh) * | 2010-09-30 | 2011-01-05 | 湖南大学 | 一种基于高清图像的车牌定位与识别方法 |
US8582889B2 (en) * | 2010-01-08 | 2013-11-12 | Qualcomm Incorporated | Scale space normalization technique for improved feature detection in uniform and non-uniform illumination changes |
-
2011
- 2011-12-28 CN CN2011104486829A patent/CN103186762A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329734A (zh) * | 2008-07-31 | 2008-12-24 | 重庆大学 | 基于k-l变换和ls-svm的车牌字符识别方法 |
US8582889B2 (en) * | 2010-01-08 | 2013-11-12 | Qualcomm Incorporated | Scale space normalization technique for improved feature detection in uniform and non-uniform illumination changes |
CN101807257A (zh) * | 2010-05-12 | 2010-08-18 | 上海交通大学 | 图像标签信息识别方法 |
CN101937508A (zh) * | 2010-09-30 | 2011-01-05 | 湖南大学 | 一种基于高清图像的车牌定位与识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127205A (zh) * | 2016-06-22 | 2016-11-16 | 山东鲁能智能技术有限公司 | 一种适用于室内轨道机器人的数字仪表图像的识别方法 |
CN106709867A (zh) * | 2016-11-23 | 2017-05-24 | 电子科技大学 | 一种基于改进surf和改进互信息的医学图像配准方法 |
CN108898137A (zh) * | 2018-05-25 | 2018-11-27 | 黄凯 | 一种基于深度神经网络的自然图像字符识别方法及*** |
CN108898137B (zh) * | 2018-05-25 | 2022-04-12 | 黄凯 | 一种基于深度神经网络的自然图像字符识别方法及*** |
CN110991467A (zh) * | 2019-12-06 | 2020-04-10 | 西安广源机电技术有限公司 | 一种车牌智能识别方法 |
CN111783766A (zh) * | 2020-07-10 | 2020-10-16 | 上海淇毓信息科技有限公司 | 一种分步识别图像字符的方法、装置和电子设备 |
CN111783766B (zh) * | 2020-07-10 | 2023-02-14 | 上海淇毓信息科技有限公司 | 一种分步识别图像字符的方法、装置和电子设备 |
CN114863692A (zh) * | 2022-04-18 | 2022-08-05 | 广州天长信息技术有限公司 | 一种基于局部特征对齐的车纹识别逃费稽查方法 |
CN114863692B (zh) * | 2022-04-18 | 2023-10-27 | 广州天长信息技术有限公司 | 一种基于局部特征对齐的车纹识别逃费稽查方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969160B (zh) | 一种基于深度学习的车牌图像校正、识别方法及*** | |
CN100357988C (zh) | 基于三路并行人工神经网络的移动号牌识别方法 | |
CN101937508B (zh) | 一种基于高清图像的车牌定位与识别方法 | |
CN103186762A (zh) | 基于surf特征匹配算法的车牌字符识别方法 | |
CN104134079B (zh) | 一种基于极值区域和极限学习机的车牌识别方法 | |
Dehghan et al. | View independent vehicle make, model and color recognition using convolutional neural network | |
CN106096602A (zh) | 一种基于卷积神经网络的中文车牌识别方法 | |
CN105335710A (zh) | 一种基于多级分类器的精细车辆型号识别方法 | |
CN105184271A (zh) | 一种基于深度学习的车辆自动检测方法 | |
CN104463241A (zh) | 一种智能交通监控***中的车辆类型识别方法 | |
CN103279756A (zh) | 基于集成分类器的车辆检测分析***及其检测分析方法 | |
CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和*** | |
CN102163278B (zh) | 一种公交车道非法车辆闯入检测方法 | |
Al Faqheri et al. | A real-time Malaysian automatic license plate recognition (M-ALPR) using hybrid fuzzy | |
CN109033175A (zh) | 一种以图搜车的方法及*** | |
CN101604381A (zh) | 基于多分类支持向量机的车牌字符识别方法 | |
CN103390167A (zh) | 一种多特征的分层交通标志识别方法 | |
CN106778646A (zh) | 基于卷积神经网络的车型识别方法及装置 | |
Zheng et al. | An artificial immune approach for vehicle detection from high resolution space imagery | |
CN106919939A (zh) | 一种交通标识牌跟踪识别方法及*** | |
CN109191492A (zh) | 一种基于轮廓分析的智能视频黑烟车检测方法 | |
Shambharkar et al. | An automatic framework for number plate detection using ocr and deep learning approach | |
CN102184412A (zh) | 基于最小错误率贝叶斯分类器的车牌数字及字母识别方法 | |
Ismail | License plate Recognition for moving vehicles case: At night and under rain condition | |
CN108734170B (zh) | 基于机器学习和模板的车牌字符分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130703 |