CN103903005B - 车牌影像辨识***及方法 - Google Patents

Abstract

一种车牌影像辨识***及方法，能辨识附挂在交通工具上具有车牌号码的车牌，该车牌影像辨识***包含数据库模块、缩减模块、影像撷取单元、分类单元与辨识模块。其中，该数据库模块储存多个车牌位臵样本类别与多个车牌号码样本类别，并通过该缩减模块减少这些样本类别的数量，又该影像撷取单元以不同影像分辨率撷取该车牌，用以产生车牌位臵影像及车牌号码影像，该分类单元演算这些影像以产生车牌位臵类别与车牌号码类别，而该辨识模块在该数据库模块搜寻是否有相关于该车牌位臵类别的该车牌位臵样本类别及相关于该车牌号码类别的该车牌号码样本类别，用以决定将该车牌号码样本类别视为该车牌的该车牌号码。

Description

车牌影像辨识***及方法

技术领域

本发明涉及一种车牌影像辨识***及方法，尤其涉及一种应用于监控交通工具的车牌的***与方法。

背景技术

在现有技术中，影像辨识技术让用户可通过计算机视觉处理技术解决生活中的许多问题，例如为了控管进出国道客运站的庞大客运车辆，必须使用可记录客运车辆进出时间的***。举例而言，目前国道客运站已经开始使用图像处理辨识***来取代人力，用以自动化地辨识与记录该客运车辆。

然而，由于该客运车辆的车型或外观新旧的不同，导致在该客运车辆辨识的过程中，会发生许多无法识别的情况。

一般而言，该国道客运站所使用的该图像处理辨识***采用车牌辨识技术。举例而言，该图像处理辨识***利用文字辨识技术(optical character recognition，OCR)辨识位于该车牌上的号码，但由于该图像处理辨识***在文字辨识过程中，该车牌上的号码必须在文字内容完整的情形下才能正常地辨识。然而，该车牌的车牌号码可能发生无法辨识的情况，例如被车前灯等的遮蔽物遮蔽、车牌号码污损与车牌号码不清晰等，此种情况也可称为车牌本身因素。

另外，该车牌可能因外在环境的影响而导致无法辨识文字的情况，例如环境昏暗、烟雾造成的眩光、车前灯太亮等光影变化所造成车牌上号码的改变，此种情况也可称为环境因素。

简言之，由于上述车牌本身因素与上述环境因素，使得该***无法有效地利用该文字辨识技术辨识该车牌上的号码。

为解决上述的问题，现有技术也提出一些解决的方法，例如将该车牌的辨识过程区分成两个阶段，第一个阶段为检测该车牌，以及第二阶段为辨识该车牌的号码。

检测该车牌的方法大多采用抓取车牌边缘轮廓、色彩分布或灰阶分布等算法，用以搜寻到该车牌的区域分布，以及该车牌号码的辨识方法几乎采用该文字辨识技术的算法以取得该车牌号码。

然而，若这些方法要能够正常的运作，则必须要有一个前提，该前提就是在撷取该车牌的过程中，所撷取到的车牌影像必须要清楚，且让这些算法能够明显地区别该车牌上的号码。

故有需要提出一种车牌影像辨识***及方法，可用于解决现有技术的缺陷。

发明内容

本发明的一个目的是提供一种车牌影像辨识***，供辨识附挂在交通工具上具有车牌号码的车牌，用以达到监控该交通工具的目的。

本发明的另一目的是提供上述的车牌影像辨识方法，通过旋转强度统计直方图算法(histogram of oriented gradients analysis，HOG)与支持向量器算法(supportvector machines analysis，SVM)演算该车牌，使得该车牌不受到车牌本身因素与环境因素的影响。

本发明的又一目的是提供上述的车牌影像辨识方法，通过主成分分析算法(principle component analysis，PCA)与支持向量器算法(SVM)对该车牌的影像进行分类，使得可自分类后的该影像中快速地与实时地判断位于该交通工具上该车牌的位臵与该车牌上的号码。

本发明的再一目的是提供上述的车牌影像辨识方法，通过缩减在数据库中与该车牌相关样本类别的数量，除可减少该样本类别占用该数据库的空间之外，更能够在辨识过程中提高演算的速度。

本发明的再一目的是提供上述的车牌影像辨识方法，先利用该低分辨率取得该车牌附挂于该交通工具的位臵，并在获得该车牌的位臵之后，进一步利用该高分辨率取得该车牌上的该车牌号码。

本发明的再一目的是提供上述的车牌影像辨识方法，若数据库未建立有新车牌的车牌影像样本时，则在车牌位臵数据库与车牌号码数据库利用单一车牌的多个新车牌图框建立新的新车牌位臵样本类别与新车牌号码样本类别，而这些新车牌图框可降低该车牌被误判的风险。

为达到上述目的与其它目的，本发明提供一种车牌影像辨识***，供辨识附挂在交通工具上具有车牌号码的车牌，该影像辨识***包含数据库模块、缩减模块、影像撷取单元、分类单元与辨识模块。其中，该数据库模块具有车牌位臵数据库与车牌号码数据库，该车牌位臵数据库储存多个车牌位臵样本类别，以及该车牌号码数据库储存多个车牌号码样本类别；该缩减模块与该数据库模块连接，该缩减模块减少位于该数据库模块中这些车牌位臵样本类别与这些车牌号码样本类别的类别数量；该影像撷取单元供执行第一分辨率与第二分辨率的影像撷取，该影像撷取单元通过该第一分辨率撷取该车牌以产生车牌位臵影像及通过该第二分辨率撷取该车牌以产生车牌号码影像，其中该第二分辨率高于第一分辨率；该分类单元连接该影像撷取单元，该分类单元通过主成分分析算法与支持向量器算法演算该车牌位臵影像及该车牌号码影像，用以产生车牌位臵类别与车牌号码类别；以及该辨识模块，连接该分类单元与该数据库模块，该辨识模块在该车牌位臵数据库中搜寻与该车牌位臵类别相关的这些车牌位臵样本类别的其中之一，并在该辨识模块确认该车牌位臵类别与该车牌位臵类别相关的该车牌位臵样本类别相同之后，该辨识模块在该车牌号码数据库中搜寻与该车牌号码类别相关的这些车牌号码样本类别的其中之一，并在该辨识模块搜寻到与该车牌号码类别相关的该车牌号码样本类别之后，该辨识模块将该车牌号码类别视为该车牌的该车牌号码。

为达到上述目的与其它目的，本发明提供一种车牌影像辨识方法，供辨识附挂在交通工具上具有车牌号码的车牌，该车牌影像辨识方法包含步骤a，在车牌位臵数据库储存与该车牌相关的车牌位臵样本类别，以及在车牌号码数据库储存与该车牌号码相关的车牌号码样本类别；接着步骤b，利用低分辨率与高分辨率的影像撷取技术分别地撷取该车牌，以产生车牌影像；再接着步骤c，通过旋转强度统计直方图算法(HOG)演算该车牌影像，以产生车牌位臵影像与车牌号码影像；又接着步骤d，通过支持向量器算法(SVM)演算该车牌位臵影像与该车牌号码影像，以产生车牌位臵类别与车牌号码类别；以及另接着步骤e，在该车牌位臵数据库中搜寻与该车牌位臵类别相关的该车牌位臵样本类别，并在确认该车牌位臵类别与该车牌位臵样本类别相同之后，进一步在该车牌号码数据库中搜寻与该车牌号码类别相关的该车牌号码样本类别，且该辨识模块也在该车牌号码数据库搜寻有该车牌号码样本类别之后，将该车牌号码类别视为该车牌的该车牌号码。

与现有技术相较，本发明的车牌影像辨识***解决在传统车牌辨识技术中因车牌本身因素与环境因素所造成无法执行辨识的缺陷。

本发明将车牌辨识的过程区分为两个阶段，第一阶段利用低分辨率扫描该车牌用以快速搜寻可能是车牌的区块，直到确认到位于该交通工具中该车牌的位臵时，再通过高分辨率进一步扫描该车牌的影像中的该车牌号码。因此，本发明通过两个阶段且不同的影像撷取分辨率撷取该影像，用以减少辨识车牌号码所需耗费的时间。

由于本发明采用复杂的两种算法(即HOG与SVM)进行演算，因此演算过后的数据势必会十分庞大。若直接地将该数据储存在数据库模块中，除了会占用数据库模块的储存空间之外，更会影响存取该数据的速度，但通过本发明所提供的缩减模块，可缩减位于该数据模块中庞大的该数据量，用以弥补因使用这些算法所造成执行速度降低与占用该数据库模块的储存空间等的缺陷。

在该车牌辨识的过程中，若该车牌为新车牌(即在数据库模块中未储存的车牌)时，还可通过本发明的更新模块，在数据库模块中自动地建立与该新车牌相关新车牌位臵样本类别与新车牌号码样本类别。此外，由于本发明的该更新模块在一时间中撷取多个张新车牌图框。故通过该更新模块除可在该数据模块中建立正确且可供该新车牌进行辨识的相关样本类别之外，更可让该新车牌的辨识率可大为提升。

附图说明

图1为本发明第一实施例的车牌影像辨识***的方块示意图；

图2为说明图1中数据库模块建立车牌位臵样本类别与车牌号码样本类别的详细流程图；

图3为说明图1车牌号码样本类别的像素示意图；

图4为说明图2的支持向量器算法的演算示意图；

图5-7为说明图1的缩减模块的详细说明示意图；

图8为本发明第二实施例的车牌影像辨识***的方块示意图；

图9为说明图1中影像撷取单元与辨识模块的详细流程图；以及

图10-14为说明图8中更新模块的详细流程图。

主要部件附图标记：

2 交通工具

4 车牌号码

4’ 新车牌

6 车牌

10、10’ 车牌影像辨识***

12 数据库模块

122 车牌位臵数据库

124 车牌号码数据库

14 缩减模块

16 影像撷取单元

18、18’ 分类单元

22 辨识模块

24 更新模块

CLPPS 车牌位臵样本类别

CLPNS 车牌号码样本类别

FR 第一分辨率

SR 第二分辨率

ILPN 车牌号码影像

ILPP 车牌位臵影像

HOG 旋转强度统计直方图算法

PCA 主成分分析算法

SVM 支持向量器算法

CLPP 车牌位臵类别

CLPN 车牌号码类别

NPLIF 新车牌图框

具体实施方式

为充分了解本发明的目的、特征及技术效果，这里通过下述具体的实施例，并结合附图，对本发明做详细说明，说明如下：

请参照图1，为本发明第一实施例的车牌影像辨识***的方块示意图。在图1中，该车牌影像辨识***10辨识附挂在交通工具2上具有车牌号码4的车牌6。一般而言，在同一个国家或同一个区域中该车牌6具有固定的尺寸。

该车牌影像辨识***10包含数据库模块12、缩减模块14、影像撷取单元16、分类单元18与辨识模块22。

该数据库模块12具有车牌位臵数据库122与车牌号码数据库124，且该车牌位臵数据库122储存多个车牌位臵样本类别CLPPS(classification of the license plateposition sampling)，以及该车牌号码数据库124储存多个车牌号码样本类别CLPNS(classification of the license plate number sampling)。

该缩减模块14与该数据库模块12连接，且该缩减模块14减少位于该数据库模块12中该车牌位臵样本类别CLPPS与该车牌号码样本类别CLPNS的类别数量。

该影像撷取单元16能够执行第一分辨率FR(first resolution)与第二分辨率SR(second resolution)的影像撷取，且该影像撷取单元16以该第一分辨率FR撷取该车牌6，并通过旋转强度统计直方图算法(HOG)产生车牌位臵影像ILPP(image of the licenseplate position)及以该第二分辨率SR撷取该车牌6，并且通过该旋转强度统计直方图算法产生车牌号码影像ILPN(image of the license plate number)。在本实施例中，该第二分辨率SR高于第一分辨率FR，即该第二分辨率为高分辨率及该第一分辨率FR为低分辨率。该分辨率的定义指在同一个被撷取影像中所包含像素的总数量，总数量多者可称为高分辨率；反之，则称为低分辨率。该分类单元18连接该影像撷取单元16，且该分类单元18通过主成分分析算法(PCA)与支持向量器算法(SVM)演算该车牌位臵影像ILPP及该车牌号码影像ILPN，并在该分类单元18演算这些影像之后，产生车牌位臵类别CLPP(classification ofthe license plate position)与车牌号码类别CLPN(classification of the licenseplate number)。

该旋转强度统计直方图算法(HOG)、该主成分分析算法(PCA)与该支持向量器算法(SVM)于后详细说明。

该辨识模块22连接该分类单元18与该数据库模块12，且该辨识模块22在该车牌位臵数据库122中搜寻与该车牌位臵类别CLPP相关的该车牌位臵样本类别CLPPS，并在该辨识模块22确认该车牌位臵类别CLPP为该车牌位臵样本类别CLPPS之后，该辨识模块22在该车牌号码数据库124中搜寻与该车牌号码类别CLPN相关的该车牌号码样本类别CLPNS，并在该辨识模块22从该车牌号码数据库124搜寻到该车牌号码样本类别CLPNS时，将该车牌号码样本类别CLPNS视为该车牌6的该车牌号码4。

一并参照图2，为图1中数据库模块12建立该车牌位臵样本类别CLPPS与该车牌号码样本类别CLPNS的详细流程图。

在图2中，该影像撷取单元16撷取该交通工具2的该车牌6，使得该影像撷取单元16可在撷取该车牌6之后产生车牌位臵影像样本与车牌号码影像样本。在本实施例中，以“车牌影像样本”的名词代表该车牌位臵影像样本与车牌号码影像样本。

该影像撷取单元16通过该旋转强度统计直方图算法取得具有特征值的该车牌影像样本，例如该特征值可为该车牌的影像的像素梯度强度以及旋转程度。

在本实施例中，像素的梯度又可区分为水平方向梯度值G_x及垂直方向梯度值G_y，而该水平方向梯度值G_x、垂直方向梯度值G_y与旋转程度的数学关系式可如下所示。该G表示为梯度及θ表示为旋转角度。

$g=\sqrt{G_X^2+G_y^2}$

θ=tan^-1G_y/G_x

该车牌6的影像可区分为像素胞(pixel cell)、像素区块(pixel block)与像素窗口(pixel windows)。举例而言，可一并参照图3，该像素胞以8×8、该像素区块(由四个该像素胞所组成)为16×16，以及该像素窗口(即该车牌位臵影像ILPP的尺寸)为96×24为例说明。该车牌影像样本依照上述像素胞、像素区块与像素窗口的定义，进一步将该车牌影像样本分割为2×11个该像素区块，且每一该像素区块具有4个像素胞，且每一该像素区块的旋转角度可从0度开始，并每次增加20度，直到旋转角度为180度停止，使得每一该像素区块可包含有9个旋转角度。故该车牌影像样本的数目可如下所示：

9×【(11×2)×4】=792

该车牌号码影像样本取得的方式与该车牌位臵影像样本大致相同，差异仅在于像素胞、像素区块与像素窗口尺寸的不同。举例而言，该车牌位臵样本类别选用的尺寸主要能在最短的时间之内达到一定辨识度作为选择的条件。

回到图2，该分类单元18导入一负样本特征NS(Negative Samples)。该分类单元18以该主成分分析算法与该支持向量器算法演算该车牌位臵影像样本、该车牌号码影像样本与该负样本特征，用以产生该车牌位臵样本类别CLPPS与该车牌号码样本类别CLPNS。值得注意的是，该负样本特征NS来自于任意的图片，且该图片不能包含该车牌位臵影像样本与该车牌号码影像样本。

该主成分分析算法是一种降低向量维度与压缩的算法。

该支持向量器算法是一种分类算法，一并可参照图4。若在图4设定两个类别X₁(即右方的区域)与X₂(即左方的区域)的区域，则可以在两个类别中找出一个超平面(即实线的部分)，并利用该超平面能将类别X₁与类别X₂完全分开。该支持向量器算法就是要找出这个超平面，且该支持向量器算法所演算的该超平面将使得该两个类别X₁与X₂之间的距离为最远。对照本发明，类别X₁为车牌位臵数据库122，及该类别X₂为车牌号码数据库124，且该车牌位臵数据库122用于储存该车牌位臵样本类别CLPPS，以及该车牌号码数据库124用于储存该车牌号码样本类别CLPNS。

参照图5-7，为图1的缩减模块的详细说明示意图。

该车牌影像样本经由该支持向量器算法演算(SVM)之后，会产生数量庞大的该车牌位臵样本类别CLPPS与该车牌号码样本类别CLPNS。

因此，本发明利用该缩减模块14缩减位于该车牌位臵数据库122中该车牌位臵样本类别CLPPS的数量与位于该车牌号码数据库124中该车牌号码样本类别CLPNS的数量，其分述如下：

1)车牌位臵数据库的缩减

该支持向量器算法包含了n个支持向量(support vector)，而每一个支持向量都和特征向量具有相同维度，而该支持向量器算法的分类方法将输入的该车牌影像样本乘上n维的支持向量，并再乘上一个n维的向量(vector)，用以产生该车牌位臵样本类别CLPPS与该车牌号码样本类别CLPNS。

由于每一个该车牌影像样本都要乘上n个支持向量r以及一个n维的向量，所以参照下式数学式的推导可先将n个支持向量乘上一个n维的向量，以获得如数学式的一维决定向量(decision vector)。再者，以下所表示的数学符号可参照表1中的对象定义。

fvs	特征向量大小
		svt	支持向量总数
	样本特征向量
		Sv	支持向量集合
ρ	rho
		Sα	alpha集合

表1

为该车牌影像样本LPS所取出的特征向量，该车牌影像样本特征向量定义如下：

$\stackrel{\→}{s}\∈R^{\mathrm{fvs}\×1}$

支持向量集合(support vector set，SVT)，S_v为支持向量器算法训练出来的支持向量所成的集合，其定义如下:

$S_v=\left\{\stackrel{\→}{v_i}\right\},i=1~\mathrm{svt},\stackrel{\→}{v_i}\∈R^{\mathrm{fvs}\×1}$

分类结果如下式所示，最后Sum的值将决定该车牌影像样本LPS的类别：

$\mathrm{Sum}=-\mathrm{\ρ}+\underset{i=0}{\overset{\mathrm{svt}}{\mathrm{\Σ}}}\left[{\mathrm{\α}}_i(\stackrel{\→}{s}\·\stackrel{\→}{v_i})\right]$

如果，类别1

如果，类别2

将上述中的提出可以得到如下的数学式；

$\mathrm{Sum}=-\mathrm{\ρ}+\underset{i=0}{\overset{\mathrm{svt}}{\mathrm{\Σ}}}\left[{\mathrm{\α}}_i(\stackrel{\→}{s}\·\stackrel{\→}{v_i})\right]$

$\⇒\mathrm{Sum}=-\mathrm{\ρ}+\stackrel{\→}{s}\·\underset{i=0}{\overset{\mathrm{svt}}{\mathrm{\Σ}}}{\mathrm{\α}}_i\left[\stackrel{\→}{v_i}\right]$

$\⇒\mathrm{Sum}=-\mathrm{\ρ}+\stackrel{\→}{s}\·\stackrel{\→}{D}$

又，在上式中是一个和特征向量同样维度的向量，其定义如下：

$\stackrel{\→}{D}\∈R^{\mathrm{fvs}\×1}$

$\stackrel{\→}{D}=\underset{i=0}{\overset{\mathrm{svt}}{\mathrm{\Σ}}}{\mathrm{\α}}_i\left[\stackrel{\→}{v_i}\right]$

在本实施例中仅需要将该车牌影像样本乘上就可以得到分类结果，使得缩减后结果如下所示：

通过上述的推导可得知，原本SVT个FVS维度的数据库模块已经缩减为仅有1个FVS维度的向量数据库。

2)车牌号码数据库的缩减

假设该分类单元18以三个类别为例说明，则该支持向量器算法将所有类别的向量空间以图5的方式划分。

首先将n个类别都分入一个正类别(positive class)中，并增加另一个负类别(negative class)，并以一个支持向量器算法分离这两个类别，如图6所示。

接着在图5中通过该支持向量器算法演算出最佳分类超平面(optimalseparating hyper plane，OSH)，并且以f(x)>0或f(x)<0分开该正类别与该负类别。

由于每一个车牌影像样本和该最佳分类超平面的距离不同，因此产生不同的f(x)值，但相同类别所产生的值会落在相邻近的位臵，而在类别分开的过程中，实际上就是把所有样本点映像在最佳分类超平面的法向量(即水平轴的部分)上，使得原本三维的样本空间缩减至一维的样本空间。换言之，该演算方法将多维的样本空间缩减为一维的样本空间。但，仍然有可能存在有重叠的区域(例如第一类别与第二类别重叠的区域)，而该重叠的区域并无法做到一对一的映像，故在另外一实施例中则需要利用更高维度的样本空间进行分类。

参照图1，该车牌号码数据库124可先通过两类(例如正类别与负类别)先行计算每一个该车牌号码样本类别CLPNS是否能够完全地被分类在一维的空间上，若未能完全地分离在一维的样本空间上，则进一步再增加另外一维度用以分离该车牌号码样本类别CLPNS，直到所有的该车牌号码样本类别CLPNS都能在该样本空间上获得一对一的映射，最终使得该车牌号码样本类别CLPNS能获得缩减。

一并参照图7，为该车牌号码数据库进行缩减的步骤流程图。

在图7中，缩减的步骤起始于步骤S71，通过该支持向量器算法将多个车牌号码样本区分出该正类别与该负类别。

接着步骤S72，统计该正类别内这些车牌号码样本的特征向量尺寸(featurevector size)中每一个维度的变异数(variance)，用以产生一个维度变异数集合(dimension variance set)，而该维度变异数集合如下所示。以下所示的数学符号可参照表2中的对象定义。

fvs	特征向量大小
		st	样本总数
	样本特征向量
		V	维度变异数集合
Q	量化位阶集合
		qt	量化位阶总数

表2

样本特征向量，为输入样本所取出的特征向量，维度变异数集合的定义如下：

$\stackrel{\&RightArrow;}{S}\&Element;R^{\mathrm{fvs}\&times;1}$

V为特征向量每一个维度的变异量所成的集合，该定义如下：

V＝{v_i},i＝1～fvs,v_i∈R¹

Q为梯度量化位阶所成的集合，该量化位阶集合定义如下：

Q＝{q_i},i＝1～qt,q_i∈R¹

为统计所有训练样本后，量化位阶q_i的数量，N为所有量化位阶数量的总和如下所示：

$N=\underset{i=0}{\overset{\mathrm{qt}}{\mathrm{\&Sigma;}}}{f}_{\mathrm{qi}}$

为量化位阶q_i出现的机率，并满足所有位阶机率总和为1，而数学式如下所示：

P_qi＝f_qiN,P_qi≥0

$\underset{i=0}{\overset{\mathrm{qt}}{\mathrm{\&Sigma;}}}{P}_{\mathrm{qi}}=1$

又，每一个维度平均值μ的数学式如下所示：

$\mathrm{\&mu;}=E\left[q_i\right]=\underset{i=0}{\overset{\mathrm{qt}}{\mathrm{\&Sigma;}}}{q}_i{P}_{q_i}$

又v的数学式如下所示：

$v=E\left[{(q_i-\mathrm{\&mu;})}^2\right]=\underset{i=0}{\overset{\mathrm{qt}}{\mathrm{\&Sigma;}}}{(q_i-\mathrm{\&mu;})}^2{P}_{q_i}$

通过以上述数学式可以获得维度变异数集合V。

接着步骤S73，分类器分类这些车牌号码样本，并将每一个这些车牌号码样本代入最佳分类超平面之后，并记录每一个类别的值所产生的区间，同时检查是否有重叠区域(overlapping region)。假如有重叠区域，则从变异数向量中挑选一个维度变异数集合之中最大的维度值。

经由上一步所挑选的维度值，进一步统计该重叠区域中该维度的分布图，并产生类别区域(class region)，并再检查是否有重叠区域。

若仍有该重叠区域，则在变异数中再挑选一个除了前一个被挑选的维度值之外的另一个最大的维度值，直到没有重叠区域为止。

接着步骤S74，建立该车牌号码数据库124。

参照图8，为本发明第二实施例的车牌影像辨识***的方块示意图。在图8中，该车牌影像辨识***10’除包含前述第一实施例中该数据库模块12、该缩减模块14、该影像撷取单元16与该辨识模块22之外，还包含更新模块24与分类单元18’。

该更新模块24连接该数据库模块12与该影像撷取单元16，且在该更新模块24通过该影像撷取单元16检测到一新车牌4’(new license plate)(未被建立于该数据库模块12)之后，该更新模块24连续地撷取该新车牌4’以形成多个新车牌图框NLPIF(image frame ofnew license plate)。

在本实施例中，该分类单元18’除了与该影像撷取单元16连接之外，还与该数据库模块12连接。该分类单元18’通过主成分分析算法与该支持向量器算法演算这些新车牌图框NLPIF，用以产生新车牌位臵样本类别CNLPPS(classification of the new licenseplate position)与新车牌号码样本类别CNLPNS(classification of the new licenseplate number)，且该分类单元18’将该新车牌位臵样本类别CNLPPS及该新车牌号码样本类别CNLPNS储存在该数据库模块12。

因此，该数据库模块12即可对该新车牌4’进行检测与辨识。

参照图9，为说明图1该影像撷取单元16与该辨识模块22的详细流程图。在图9中，该车牌6辨识的流程分为两个阶段。

第一阶段通过低分辨率的影像撷取技术检测该车牌6的位臵，以及第二阶段通过高分辨率的影像撷取技术辨识位于该车牌6上的号码。

该低分辨率的影像撷取技术检测车牌的流程，将摄影机拍摄的影像缩小image_scale（图像比例尺）倍，并在缩小后的影像中先以小于训练车牌大小的plate_scale（底片比例尺）倍扫描整张影像，并慢慢增加扫描面积的倍数，直到扫描面积等于训练车牌的大小为止，最后再将被检测出的车牌位臵乘回image_scale倍，并将该车牌6的位臵撷取出来。

在确定该车牌6的车牌位臵之后，再执行该高分辨率的影像撷取技术的流程，并配合该车牌号码数据库124辨识是否为可供辨识的车牌。若该辨识模块在该车牌号码数据库搜寻与该车牌6相关的该车牌号码样本类别CLPNS时，则将该车牌号码样本类别CLPNS视为该车牌6的该车牌号码；反之，则建立新车牌。

参照图10-14，为说明图8中更新模块的详细流程图。

在图10中，该更新模块24在该数据库模块14中更新未被记录的该新车牌6。

该更新模块12的更新步骤起始于步骤S101，通过影像捕获设备(例如摄影机)连续地撷取新车牌4’以产生多个新车牌图框NPLIF。

接着步骤S102，判断是否为车牌。在此步骤中，利用影像撷取单元16对交通工具2的车牌6进行检测及利用该辨识模块22对交通工具2的车牌6进行辨识。该辨识模块22辨识的结果可通过例如图11所示的车牌区间图以判断该车牌6在该数据库模块12是否有对应的该车牌位臵样本类别CLPPS与该车牌号码样本类别CLPNS。

假若该车牌经检测与辨识后的结果落在新的车牌(new LP)的区间，则表示该车牌是属于新的车牌，该车牌未被储存在该数据库模块12。

接着步骤103，判断该影像中区块相似度是否大于第一门槛值。若区块相似度小于第一门槛值则回至步骤S101，重新等待车牌影像的输入；反之，若该区块相似度大于该第一门槛值则进入步骤S104，则判定该影像为车牌。该区块相似度的检测方法根据影像中具有图案平均分配的特征，并通过该特征决定是否为车牌的影像。

举例而言，一并可参照图12，将图像分割为若干个相同大小的区块，例如将具有96×24像素大小的图像分割为3个32×24大小的区块b1、b2、b3。接着，并经由下列数学式求出该图像中每个区块的最大值I_max与最小值I_min。

I_max＝(MAX{b1},MAX{b2},MAX{b3})

I_min＝(MIN{b1},MIN{b2},MIN{b3})

接着再经由下列数学式求出的平均值I_diff及变异数μ,ν。

最后根据平均值I_diff及变异数μ,ν而获得实验门槛值l尸如下列数学式所示。该实验门槛值l可用以决定区块相似度检测的结果。

v＜l

回到图10，接着步骤S104，撷取该车牌影像样本的车牌号码影像，并可通过该车牌影像样本中的车牌号码与车牌边界之间的空白区间准确地分割出车牌号码。

在本实施例中，先选定一个范围并开始由该范围往外扩张，并且统计每行每列的灰阶质变异数，直到变异数小于某个门槛值之后定义为边界(如虚线所示)，并取上下左右边界的交点作为撷取车牌号码范围，而该灰阶质变异数的计算方法如下：

f为统计所有训练样本后，每个灰阶值的个数，L为最大灰度值，N为所有灰阶值的总和，其数学式表示如下：

N＝f₁+f₂+...+f_L

接着P_i为灰阶值i出现的机率，并满足所有灰阶值机率总和为1

P_i＝f_iN,P_i≥0

$\underset{i=0}{\overset{L}{\mathrm{\&Sigma;}}}{P}_i=1$

得灰阶值平均值μ的数学式如下所示：

$\mathrm{\&mu;}=F\left[i\right]=\underset{i=0}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{iP}}_i$

为求得灰阶质变异数ν的数学式如下所示：

$v=E\left[{(i-\mathrm{\&mu;})}^2\right]=\underset{i=0}{\overset{L}{\mathrm{\&Sigma;}}}{(i-\mathrm{\&mu;})}^2{P}_i$

经由上述的数学式可以计算出每行每列的灰阶质变异数，并从该灰阶质变异数可了解到每行每列像素的分布情形。

接着步骤S105，以旋转强度统计直方图算法记录(trace)该车牌影像样本。

接着步骤S106，判断是否在20个这些图框中取得10个该车牌影像样本。若判断为是的话，则执行步骤S107，训练位于该数据库模块中的车牌与车牌号码；反之，回到步骤S101，让影像捕获设备再撷取该车牌的这些图框。

一并参照图13，为说明图10中步骤S102的车牌判别的详细流程图。

在图13中，起始于步骤S131，输入待判定车牌的影像。

接着步骤S132，判断复杂度是否小于第一门槛值，若该复杂度大于该第一门槛值，则回至步骤S131；反之，若该复杂度小于该第一门槛值则进入步骤S133。该复杂度的检测通过检测出影像的边缘，并统计该边缘经检测后图像的像素总和，用以判断是否大于第一门槛值。

在步骤S133中，进一步判断区块相似度是否小于第一门槛值。若该区块相似度大于该第一门槛值，则回至步骤S131；反之，若该区块相似度小于该第一门槛值，则进入步骤S134。

换言之，若该像素总和与该区块相似度皆小于该第一预定门槛值，则由该车牌影像判断出该车牌影像表示该车牌。

一并可参照图14，为说明图10中步骤S107的方法步骤。

在图14中，该步骤起始于步骤S141，自这些新车牌图框NPLIF取得第一个图框，并通过该旋转强度统计直方图算法演算该第一个图框，以建立一标准影像样本。

接着步骤S142，计算前一个该新车牌图框NPLIF与后一个该新车牌图框NPLIF之间特征值的误差。若二者之间的误差(于后详述)小于预定第二门槛值，该标准车牌影像样本由后一个的该新车牌图框取代，依此类推，直到计算完所有的这些新车牌图框之后，才将该标准车牌影像样本分别地储存至该车牌位臵数据库与该车牌号码数据库。

上述中所提及该误差的计算数学式如下所示。为与该标准车牌影像样本相关新车牌图框NPLIF所取出的特征向量所成的集合，而数学式表示如下所示：

${\stackrel{\&RightArrow;}{S}}_{\mathrm{std}}\&Element;R^{\mathrm{fvs}\&times;1}$

为后一个该新车牌图框NPLIF所取出的特征向量，而数学式表示如下所示：

$\stackrel{\&RightArrow;}{S}\&Element;R^{\mathrm{fvs}\&times;1}$

经由数学式计算上述二者之间特征向量的误差值m，并配合经由实验取得的该第二门槛值l产生如下的数学式：

$m=\sqrt{\underset{i=0}{\overset{\mathrm{fvs}}{\mathrm{\&Sigma;}}}{\left(S\right[i]-S_{\mathrm{std}}[i\left]\right)}^2}$

m＜l

因此，可通过上述该数学式决定该标准车牌影像样本是否由后一个的该新车牌图框取代。

本发明在上文中已以较佳实施例揭露，然而本领域技术人员应理解的是，该实施例仅用于描绘本发明，而不应解读为限制本发明的范围。应注意的是，凡是与该实施例等效的变化与臵换，均应视为涵盖于本发明的范畴内。因此，本发明的保护范围当以权利要求书所限定的内容为准。

Claims (12)

1.一种车牌影像辨识***，其特征在于，供辨识附挂在交通工具上具有车牌号码的车牌，该影像辨识***包含：

数据库模块，具有车牌位置数据库与车牌号码数据库，该车牌位置数据库储存多个车牌位置样本类别，以及该车牌号码数据库储存多个车牌号码样本类别；

缩减模块，与该数据库模块连接，该缩减模块减少位于该数据库模块中这些车牌位置样本类别与这些车牌号码样本类别的数量；

影像撷取单元，供执行第一分辨率与第二分辨率的影像撷取，该影像撷取单元以该第一分辨率撷取该车牌并通过旋转强度统计直方图算法产生车牌位置影像及以该第二分辨率撷取该车牌并同样通过该旋转强度统计直方图算法产生车牌号码影像，其中该第二分辨率高于第一分辨率；

分类单元，连接该影像撷取单元，该分类单元通过主成分分析算法与支持向量器算法演算该车牌位置影像及该车牌号码影像，用以产生车牌位置类别与车牌号码类别；以及

辨识模块，连接该分类单元与该数据库模块，该辨识模块在该车牌位置数据库中搜寻与该车牌位置类别相关的这些车牌位置样本类别的其中之一，并在该辨识模块确认该车牌位置类别为与该车牌位置类别相关的该车牌位置样本类别之后，该辨识模块在该车牌号码数据库中搜寻与该车牌号码类别相关的这些车牌号码样本类别的其中之一，并在该辨识模块搜寻到与该车牌号码类别相关的该车牌号码样本类别之后，该辨识模块将该车牌号码样本类别视为该车牌的该车牌号码。

2.如权利要求1所述的车牌影像辨识***，其特征在于，还包含更新模块，与该影像撷取单元连接，当该更新模块通过该影像撷取单元检测一新车牌并未被建立于该数据库模块时，该更新模块连续地撷取该新车牌以形成多个新车牌图框。

3.如权利要求2所述的车牌影像辨识***，其特征在于，该分类单元还与该数据库模块连接，该分类单元通过该旋转强度统计直方图算法、主成分分析算法与该支持向量器算法演算这些新车牌图框，用以产生新车牌位置样本类别与新车牌号码样本类别。

4.一种车牌影像辨识方法，其特征在于，供辨识附挂在交通工具上具有车牌号码的车牌，该车牌影像辨识方法包含：

a在车牌位置数据库储存与该车牌相关的车牌位置样本类别，以及在车牌号码数据库储存与该车牌号码相关的车牌号码样本类别；

b利用低分辨率与高分辨率的影像撷取技术分别地撷取该车牌，以产生车牌影像；

c通过旋转强度统计直方图算法演算该车牌影像，以产生车牌位置影像与车牌号码影像；

d通过主成分分析算法与支持向量器算法演算该车牌位置影像与该车牌号码影像，以产生车牌位置类别与车牌号码类别；以及

e在该车牌位置数据库中搜寻与该车牌位置类别相关的该车牌位置样本类别，并在确认该车牌位置类别与该车牌位置样本类别相同之后，进一步在该车牌号码数据库中搜寻与该车牌号码类别相关的该车牌号码样本类别，且该辨识模块也在该车牌号码数据库搜寻有该车牌号码样本类别之后，将该车牌号码样本类别视为该车牌的该车牌号码。

5.如权利要求4所述的车牌影像辨识方法，其特征在于，在步骤a之后，还包含步骤f，缩减位于该车牌位置数据库中该车牌位置样本类别及位于该车牌号码数据库中该车牌号码样本类别的类别数量。

6.如权利要求4所述的车牌影像辨识方法，其特征在于，在步骤b还包含无法撷取该车牌以产生该车牌影像，持续地搜寻在该交通工具的该车牌。

7.如权利要求6所述的车牌影像辨识方法，其特征在于，在步骤b之后，还包含步骤：

g计算该车牌影像中边缘部分的像素总和；以及

h将该车牌影像分割为多个影像区块，以在这些影像区块之间判断彼此的区块相似度；

其中该像素总和与该区块相似度皆小于第一预定门槛值，则由该车牌影像判断出该车牌影像表示该车牌。

8.如权利要求4所述的车牌影像辨识方法，其特征在于，在步骤e还包含在该车牌号码数据库未储存对应于该车牌号码类别的该车牌号码样本类别时，将该车牌号码类别相关的该车牌视为新车牌。

9.如权利要求8所述的车牌影像辨识方法，其特征在于，在步骤e之后，还包含步骤：

i连续地撷取该新车牌，以产生多个新车牌图框；以及

j演算这些新车牌图框，以在该车牌位置数据库建立与该新车牌相关的新车牌位置样本类别及该车牌号码数据库建立与该新车牌相关的新车牌号码样本类别。

10.如权利要求9所述的车牌影像辨识方法，其特征在于，在步骤j中还包含步骤为通过该旋转强度统计直方图算法、主成分分析算法与该支持向量器算法演算这些新车牌图框。

11.如权利要求10所述的车牌影像辨识方法，其特征在于，在步骤j中还包含：

k自这些新车牌图框取得第一个图框，并通过该旋转强度统计直方图算法演算该第一个图框，以建立一标准车牌影像样本；以及

l计算前一个该新车牌图框与后一个该新车牌图框之间特征值的误差，若二者之间的误差小于预定第二门槛值，则该标准车牌影像样本由后一个的该新车牌图框取代，直到计算完所有的这些新车牌图框之后，才将该标准车牌影像样本分别地储存至该车牌位置数据库与该车牌号码数据库。

12.如权利要求9所述的车牌影像辨识方法，其特征在于，这些新车牌图框的数目不小于10个。