CN104376332A - 车牌识别方法及装置 - Google Patents

Abstract

本发明公开了一种车牌识别方法包括：获取不同的图像采集设备分别采集的图像；提取所述各图像的特征点；对所述图像的第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果；当所述特征点匹配满足预定条件时，将所述第一图像与其他图像合成为一帧新的图像；对所述新的图像进行车牌识别；该方法能够实现图像拼接，完成车牌识别。

Description

车牌识别方法及装置

技术领域

本发明涉及图像处理领域，特别是涉及一种车牌识别方法及装置。

背景技术

随着车辆的增多，车辆识别设备已经被广泛的使用在停车场出入口，商厦出入口等地方；其中，一般的车牌识别设备都采用一个摄像机或图像采集设备进行车辆视频采集。对于一般的场景，一个摄像机可以满足车牌识别的需求。然而在某些应用场景，一个摄像机采集回来的视频车牌识别效果不理想。

在某些应用场景，一个摄像机采集回来的视频图像可能由于图像的畸变；车牌角度太大等问题导致车牌识别率下降，甚至是不能够进行检测。因此在这些应用场景下例如宽出路口、T型路口、Y型路口等可以使用两个摄像机或图像采集设备进行车辆视频采集。这样会在同一时间产生两个车辆图像。

因此，如何实现图像拼接，完成车牌识别，是本领域技术人员需要解决的技术问题。

发明内容

本发明的目的是提供一种车牌识别方法，该方法能够实现对图像的拼接，并对拼接图像进行车牌识别；本发明的另一目的是提供一种车牌识别装置。

为解决上述技术问题，本发明提供一种车牌识别方法包括：

获取不同的图像采集设备分别采集的图像；

提取所述各图像的特征点；

对所述图像的第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果；

当所述特征点匹配满足预定条件时，将所述第一图像与其他图像合成为一帧新的图像；

对所述新的图像进行车牌识别。

其中，所述获取不同的图像采集设备分别采集的图像包括：获取不同的图像采集设备分别同时采集的图像。

其中，所述提取所述各图像的特征点包括：利用尺度不变特征转换SIFT提取图像的特征点。

所述利用尺度不变特征转换SIFT提取图像的特征点包括：

创建金字塔多尺度空间；

检测所述金字塔多尺度空间的极值点；

对所述极值点进行过滤，精确确定极值点的位置，并给所述极值点指定方向参数；

利用所述精确确定极值点在预定区域的方向梯度，形成特征点。

其中，所述对所述图像的第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果包括：

搜索所述图像的第一图像中每个特征点在所述图像的其他图像中的最邻近特征点和次邻近特征点；

计算特征点与最邻近特征点的第一欧式距离和特征点与次邻近特征点的第二欧式距离；

计算第一欧式距离与第二欧式距离的比率；

当所述比率小于阈值时，该特征点匹配成功。

其中，所述搜索每个特征点的最邻近特征点和次邻近特征点包括：

利用最优节点优先BBF算法搜索第一图像中每个特征点在其他图像中的最邻近特征点和次邻近特征点。

其中，所述当所述特征点匹配结果满足预定条件包括：

当所述图像的第一图像中特征点匹配成功的个数大于预定数量。

本发明所提供的一种车牌识别装置包括：

采集模块，用于获取不同的图像采集设备分别采集的图像；

提取模块，用于提取所述各图像的特征点；

匹配模块，用于对所述图像的第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果；

合成模块，用于当所述特征点匹配满足预定条件时，将所述第一图像与其他图像合成为一帧新的图像；

车牌识别模块，用于对所述新的图像进行车牌识别。

其中，所述提取模块包括：创建单元，检测单元，过滤单元，确定单元，其中，

创建单元，用于创建金字塔多尺度空间；

检测单元，用于检测所述金字塔多尺度空间的极值点为特征点；

过滤单元，用于对所述特征点进行过滤，精确确定特征点的位置，并给所述特征点指定方向参数；

确定单元，用于利用所述精确确定特征点在预定区域的方向梯度，形成最终特征点。

其中，所述匹配模块包括：搜索单元，第一计算单元，第二计算单元，判断单元，其中，

搜索单元，用于搜索所述车辆图像的第一图像中每个特征点在所述车辆图像的其他图像中的最邻近特征点和次邻近特征点；

第一计算单元，用于计算特征点与最邻近特征点的第一欧式距离和特征点与次邻近特征点的第二欧式距离；

第二计算单元，用于计算第一欧式距离与第二欧式距离的比率；

判断单元，用于当所述比率小于阈值时，该特征点匹配成功。

基于上述技术方案，本发明所提供的车牌识别方法包括，获取不同的图像采集设备分别采集的图像；提取所述各图像的特征点；对所述图像的第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果；当所述特征点匹配满足预定条件时，将所述第一图像与其他图像合成为一帧新的图像；对所述新的图像进行车牌识别；通过不同的图像采集设备可以得到不同角度的拍摄图像，对各个图像采集设备采集到的图像利用提取特征点的办法进行图像合成也即融合成一帧新的图像，相当于扩大了利用一个图像采集设备所得到的图像的范围，这样可以极大限度的包含完整的车牌图像，使得后续的车牌识别能够顺利进行，解决在一些特殊场景下不能进行车牌识别的问题；该方法能够实现图像拼接，完成车牌识别。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的车牌识别方法的流程图；

图2为本发明实施例提供的利用尺度不变特征转换SIFT提取图像的特征点的流程图；

图3为本发明实施例提供的对第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果的流程图；

图4为本发明实施例提供的车牌识别装置的结构框图；

图5为本发明实施例提供的提取模块的结构框图；

图6为本发明实施例提供的匹配模块的结构框图；

图7为本发明实施例提供的在宽路口下的具体应用的示意图；

图8为本发明实施例提供的在T型口下的具体应用的示意图；

图9为本发明实施例提供的在Y型口下的具体应用的示意图。

具体实施方式

本发明的目的是提供一种车牌识别方法，该方法能够实现对图像的拼接，并对拼接图像进行车牌识别；本发明的另一目的是提供一种车牌识别装置。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在一些具体场景下，例如宽路口，一般车牌识别设备的理想应用范围是不超过4米，有些出入口较宽，例如宽度达到4-6米，当车辆靠边行驶，在监控范围的某些地方，车牌可能不能被检测，导致识别率下降。另外图像采集设备例如摄像机由于本身的设计缺陷，当监控角度大，或者目标靠近监控画面边缘的时候图像会存在一些畸变。如果车牌处于这些区域，也会由于形变或角度大等原因导致无法检测或识别错误。又如T型口，车辆拐弯时由于车牌角度大，车牌定位往往会失败。如果后续没有足够长的直线距离让车牌识别器重新定位车牌，也会导致车牌识别率下降。还有Y型口，有一些小区的停车场有地面和地下，在出口处地面和地下停车场出***汇，形成Y型口，如果只用一个摄像机，只能保证一个方向来车，另外一个方向来车会由于车牌角度大的原因导致识别率下降。

请参考图1，图1为本发明实施例提供的车牌识别方法的流程图，通过该方法可以有效的解决宽处路口等上述场景中车牌识别率低的问题，该方法可以包括：

步骤s100、获取不同的图像采集设备分别采集的图像；

其中，在特定场景下按照实际情况预先安装若干图像采集设备，图像采集设备的安装个数以及数量都以实际情况为准，例如能够得到完整、有效的车牌图像，或者能够得到可以准确进行车牌识别的车牌图像为准。

其中，通过安装好的图像采集设备进行图像采集，例如利用摄像头可以24小时一直进行图像采集。也可以设置地感传感器，当检测到有车辆的时候在进行图像采集。前者可以采集到更多帧的图像能够可以提高车牌检测的成功率，后者可以减少设备进行图像合成以及检测的次数。

步骤s110、提取所述各图像的特征点；

其中，对获取的各个图像进行特征点处理，提取到各个图像的特征点，例如可以使用利用尺度不变特征转换SIFT提取图像的特征点或哈里斯Harris提取图像的特征点，其他方法可以提取到各个图像特征点也可以。

步骤s120、对所述图像的第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果；

其中，以获取的图像中的一个作为第一图像，第一图像可以预先设定好，将所述第一图像的特征点与其他图像的特征点进行匹配，得到匹配结果。这里可以是对各个图像采集设备同时获取的图像中，一副作为第一图像，其他的作为其他图像，在进行上述特征点匹配处理，并得到匹配结果。

步骤s130、当所述特征点匹配满足预定条件时，将所述第一图像与其他图像合成为一帧新的图像；

其中，特征点匹配满足预定条件时，即各个图像采集设备所采集到的图像可以进行融合处理，即满足融合条件时，将所述第一图像与其他图像合成为一帧新的图像。新的图像就是一副视野范围更大的图像。

步骤s140、对所述新的图像进行车牌识别。

其中，对得到的视野范围更大的图像进行车牌识别，可以提高车牌识别的效率，因为该新的图像能够包含清晰、完整的车牌的可能性很大。在比较好的图像的前提下在进行车牌识别，可以提高车牌识别的效率。

基于上述技术方案，本发明实施例所提供的车牌识别方法，通过不同的图像采集设备可以得到不同角度的拍摄图像，对各个图像采集设备采集到的图像利用提取特征点的办法进行图像合成也即融合成一帧新的图像，相当于扩大了利用一个图像采集设备所得到的图像的范围，这样可以极大限度的包含完整的车牌图像，使得后续的车牌识别能够顺利进行，解决在一些特殊场景下不能进行车牌识别的问题；该方法能够实现图像拼接，完成车牌识别，并提高车牌识别效率。

可选的，所述获取不同的图像采集设备分别采集的图像包括：获取不同的图像采集设备分别同时采集的图像。

其中，对同时获取的图像进行特征点匹配以及进行融合可以更好的进行，效率更高。

可选的，所述提取所述各图像的特征点包括：利用尺度不变特征转换SIFT提取图像的特征点或哈里斯Harris提取图像的特征点。

其中，SIFT(Scale Invariant Feature transform)特征匹配算法的匹配能力较强，可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，甚至在某种程度上对任意角度拍摄的图像也具备较为稳定的特征匹配能力。

可选的，请参照图2，图2为本发明实施例提供的利用尺度不变特征转换SIFT提取图像的特征点的流程图；该方法可以包括：

步骤s200、创建金字塔多尺度空间；

其中，可以选用DOG(Difference of Gaussian)金字塔多尺度空间创建。

步骤s210、检测所述金字塔多尺度空间的极值点；

其中，在DOG空间中，中心的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。

步骤s220、对所述极值点进行过滤，精确确定极值点的位置，并给所述极值点指定方向参数；

其中，对所述极值点进行过滤，过滤部分位于边缘的特征点，并给所述极值点指定方向参数。其中，给所述极值点指定方向参数可以包括，为每个极值点指定方向参数，梯度直方图的范围是0～360°，取每10°一个柱，总共分36个柱进行方向直方图的统计计算，为极值点赋予方向参数。

步骤s230、利用所述精确确定极值点在预定区域的方向梯度，形成特征点。

其中，利用所述精确确定极值点在预定区域的方向梯度，形成特征点包括，过程具体可以为：首先将坐标轴旋转为极值点的方向，对任意一个极值点，在其所在的尺度空间取以特征点为中心的16×16大小的邻域，再将此邻域均匀地分为4×4个子区域，对每个子区域计算梯度方向直方图(8个方向)。对4×4个子区域的8方向梯度直方图根据位置依次排序，这样就构成了一个4×4×8＝128维的向量。最后将特征向量长度归一化，该向量就是SIFT特征点向量，既可以得到向量特征点。

可选的，请参考图3，图3为本发明实施例提供的对第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果的流程图；该方法可以包括：

步骤s300、搜索所述图像的第一图像中每个特征点在所述图像的其他图像中的最邻近特征点和次邻近特征点；

步骤s310、计算特征点与最邻近特征点的第一欧式距离和特征点与次邻近特征点的第二欧式距离；

步骤s320、计算第一欧式距离与第二欧式距离的比率；

步骤s330、当所述比率小于阈值时，该特征点匹配成功。

可选的，所述搜索每个特征点的最邻近特征点和次邻近特征点包括：

利用最优节点优先BBF算法搜索第一图像中每个特征点在其他图像中的最邻近特征点和次邻近特征点。

其中，以两幅图像为例子进行说明，进行两帧图像的特征点匹配。在提取出两幅图中的特征点之后，通过双向查找特征描述子之间的最小欧式距离进行匹配。采用最优节点优先(Best Bin First，BBF)算法检索每个特征点的最近邻和次近邻特征点。假设与特征点的欧氏距离最近和次近的特征分别为E和E′，计算特征点与E和E′欧式距离的比率。如果值小于某一阈值，则认为匹配成功。本实施例中使用的阈值为0.6。

其中，最优节点优先(Best Bin First，BBF)是一种改进的k-d树最近邻查询算法。BBF的查询思路就是将“查询路径”上的节点进行排序，如按各自分割超平面(称为Bin)与查询点的距离排序。回溯检查总是从优先级最高的(Best Bin)的树节点开始。另外BBF还设置了一个运行超时限制，当优先级队列中的所有节点都经过检查或者超出时间限制时，算法返回当前找到的最好结果作为近似的最近邻。采用了best-bin-first search方法就可以将k-d树扩展到高维数据集上。

可选的，哈里斯Harris提取图像的特征点的方法，该方法可以包括：这里以两幅图的哈里斯Harris提取图像的特征点为例子进行说明，对于多幅图的情况也适用。

1、提取第一图像与第二图像的Harris角点，分别得到第一图像的特征点集合pts0和第二图像的特征点集合pts1。为了加速即加快处理速度，可以由用户首先确定会出现重合的区域，仅对重合区域进行Harris角点提取操作。

其中，Harris算子用高斯函数代替二值窗口函数,对离中心点越近的像素赋于越大的权重，以减少噪声影响，窗口函数可以表示为：其中，σ为函数的宽度参数,控制了函数的径向作用范围。

2、依次从pts0取出一个特征点，分别与pts1中所有的特征点进行归一化互相关计算(Normalized Cross Correlation，NCC)，得到所有点的匹配度，保留最大的匹配度，如果该匹配度超过了阈值，就认为pts0中这个点与pts1中的某个点粗匹配成功。

其中，在预定的区域将角点pts0与pts2每一对像素点进行归一化互相关计算。假设从pts0中提取一个特征点A，从pts1中提取一个特征点B。首先以该特征点A为中心，切出5x5区域作为待匹配区域AreaA，以该特征点B为中心，切出5x5区域作为待匹配区域AreaB。对包含每一对像素点的区域进行归一化互相关计算的具体方法为：如果第一车辆图像f是大小为M_x×M_y，那么图像f上的某个像素点(x,y)的灰度值可以表示为f(x,y)，x∈{0,...,M_x-1}，y∈{0,...,M_y-1}。如果图像t是大小为N_x×N_y的第二车辆图像，那么图像t上某个像素点(x,y)的灰度值可以表示为t(x,y)。要计算模板图像t上的任意一点(u,v)与输入图像f上相同大小的块之间的相关度，可以使用以下公式：

$\mathrm{NCC}=\frac{{\mathrm{\Σ}}_{x,y}(f(x,y)-{\stackrel{\‾}{f}}_{u,v})(t(x-u,y-v)-\stackrel{\‾}{t})}{\sqrt{{\mathrm{\Σ}}_{x,y}{(f(x,y)-{\stackrel{\‾}{f}}_{u,v})}^2{(t(x-u,y-v)-\stackrel{\‾}{t})}^2}}$

其中，NCC为归一化互相关值，x-u表示在x方向移动了u个像素，y-v表示在y方向上移动了v个像素，为图像的平均值，模板图像的平均值。

其中，的计算公式与的计算公式一致，都为 ${\stackrel{\‾}{f}}_{u,v}=\frac{1}{N_x{N}_y}\underset{x=u}{\overset{u+N_x-1}{\mathrm{\Σ}}}\underset{y=v}{\overset{v+N_y-1}{\mathrm{\Σ}}}f(x,y).$

3、使用RANSAC算法去除部分匹配不准确的点。

其中，随机抽样一致(RANdom SAmple Consensus，RANSAC)的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。

RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点，并用下述方法进行验证：

下面通过举例对两幅图像的验证过程进行说明。

首先，从pts0和pts1中随机取出n个点，本实施例中n＝4。用这n个点去拟合一个模型，该模型能适应于假设的局内点，即所有的未知参数都能从假设的局内点计算得出。

其次，用1中得到的模型去测试所有的其它数据，如果某个点适用于估计的模型，认为它也是局内点。

然后，如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理。

然后，用所有假设的局内点去重新估计模型，因为它仅仅被初始的假设局内点估计过。

最后，通过估计局内点与模型的错误率来评估模型。

其中，这个过程被重复执行固定的次数，每次产生的模型要么因为局内点太少而被舍弃，要么因为比现有的模型更好而被选用。

在对所述图像的特征点提取完毕后对所述图像的第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果之后，对所述特征点匹配结果进行判断。

可选的，所述当所述特征点匹配结果满足预定条件包括：

当所述图像的第一图像中特征点匹配成功的个数大于预定数量。

其中，这里需要根据实际需要确定预订数量，当所述图像的第一图像中特征点匹配成功的个数大于预定数量，则可以进行图像合成即融合。

其中，将所述图像进行融合的方法可以包括：取任意匹配的三对点，可以准确地求得第一图像与其他图像间的仿射变换关系矩阵H，从而确定图像间交叠的准确位置，并对图像进行重采样，变换到一幅新的空白图像中形成一幅融合图像。其他的融合方法也可以。这里的主要目的是可以得到融合后的一幅新的图像。

优选的，由于摄像机在拍摄照片时会自动选取曝光参数,会使得输入图像间存在光度差异,导致拼接后的图像缝合线两端出现明显的明暗变化。因此,在融合过程中需要对缝合线进行处理。本发明可以采用多分辨率样条技术处理拼接缝问题。首先,将图像分解为一组带通图像。然后,在每一频率带内使用不同的加权函数和拼接区域宽度将分解的带通图像拼合成对应的带通图,在每一个频率带内,加权函数的系数和拼接区域宽度是由两幅图像在该频率带内的差异决定的。最后，将相邻的几幅图像拼合成一幅图像,这样使拼合成的图像既清晰又光滑无缝。

在完成图像融合，形成一帧新的图像后就可以对新的图像进行车牌识别。可以提高车牌识别效率。

基于上述技术方案，本发明实施例所提供的车牌识别方法，通过不同的图像采集设备可以得到不同角度的拍摄图像，对各个图像采集设备采集到的图像利用提取特征点的办法进行图像合成也即融合成一帧新的图像，相当于扩大了利用一个图像采集设备所得到的图像的范围，这样可以极大限度的包含完整的车牌图像，使得后续的车牌识别能够顺利进行，解决在一些特殊场景下不能进行车牌识别的问题；该方法能够实现图像拼接，完成车牌识别，并提高车牌识别效率。

本发明实施例提供了车牌识别方法，可以通过上述方法实现图像拼接，完成车牌识别，提高车牌识别效率。

下面对本发明实施例提供的车牌识别装置进行介绍，下文描述的车牌识别装置与上文描述的车牌识别方法可相互对应参照。

请参考图4，图4为本发明实施例提供的车牌识别装置的结构框图；该结构框图可以包括：

采集模块100，用于获取不同的图像采集设备分别采集的图像；

提取模块200，用于提取所述各图像的特征点；

匹配模块300，用于对所述图像的第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果；

合成模块400，用于当所述特征点匹配满足预定条件时，将所述第一图像与其他图像合成为一帧新的图像；

车牌识别模块500，用于对所述新的图像进行车牌识别。

请参考图5，图5为本发明实施例提供的提取模块的结构框图；该提取模块可以包括：创建单元210，检测单元220，过滤单元230，确定单元240，其中，

创建单元210，用于创建金字塔多尺度空间；

检测单元220，用于检测所述金字塔多尺度空间的极值点为特征点；

过滤单元230，用于对所述特征点进行过滤，精确确定特征点的位置，并给所述特征点指定方向参数；

确定单元240，用于利用所述精确确定特征点在预定区域的方向梯度，形成最终特征点。

请参考图6，图6为本发明实施例提供的匹配模块的结构框图；该匹配模块可以包括：搜索单元310，第一计算单元320，第二计算单元330，判断单元340，其中，

搜索单元310，用于搜索所述车辆图像的第一图像中每个特征点在所述车辆图像的其他图像中的最邻近特征点和次邻近特征点；

第一计算单元320，用于计算特征点与最邻近特征点的第一欧式距离和特征点与次邻近特征点的第二欧式距离；

第二计算单元330，用于计算第一欧式距离与第二欧式距离的比率；

判断单元340，用于当所述比率小于阈值时，该特征点匹配成功。

可选的，图像采集设备可以为摄像机。

本发明实施例提供了车牌识别装置，可以通过上述装置实现图像拼接，完成车牌识别，提高车牌识别效率。

根据上述方法和装置，本发明提供了在停车场中三个具体场景下的具体实施例。

例1，请参考图7，图7为本发明实施例提供的在宽路口下的具体应用的示意图；

其中，可以为停车场，该停车场的出入口通道宽度为4-6米，分别在车道的两边安装两个摄像机，摄像机1从左往右观看通道宽度2/3的范围，摄像机2从右往左观看通道宽度2/3的范围，两个摄像机的观看区域在中间区有通道宽度的1/3交汇。两个摄像机同时工作，采集到得两帧图像进行拼接，组合成一张图像，再进行车牌识别。

例2，请参考图8，图8为本发明实施例提供的在T型口下的具体应用的示意图；

其中，该停车场的出入口通道为一个T型口，车辆分别从T型口的两边驶向道闸。摄像机1观看从右边驶向通道的车辆，观看角度为正对着车辆的来车方向。摄像机2观看从左边驶向通道的车辆，观看角度为正对着车辆的来车方向。两个摄像机同时工作，采集到得两帧图像进行拼接，组合成一张图像，再进行车牌识别

例3，请参考图9，图9为本发明实施例提供的在Y型口下的具体应用的示意图；

其中，该停车场的出口通道为一个Y型口，两个来车方向其中一个为地下车库驶向出口，另外一个是地面停车位驶向出口。摄像机1观看图中从上驶向道闸的通道，摄像机2观看从左上方驶向道闸的方向。两个摄像机同时工作，采集到得两帧图像进行拼接，组合成一张图像，再进行车牌识别。

通过图7到图9的安装方法以及在各个情况对采集到的图像进行融合，对得到的新的融合后的图像进行车牌识别可以提高车牌识别效率。因此得到的图像包含完整、清晰的车牌，对于高质量的图片进行检测可以得到更好的效果。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的车牌识别方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种车牌识别方法，其特征在于，包括：

获取不同的图像采集设备分别采集的图像；

提取所述各图像的特征点；

对所述图像的第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果；

当所述特征点匹配满足预定条件时，将所述第一图像与其他图像合成为一帧新的图像；

对所述新的图像进行车牌识别。

2.如权利要求1所述的车牌识别方法，其特征在于，所述获取不同的图像采集设备分别采集的图像包括：获取不同的图像采集设备分别同时采集的图像。

3.如权利要求1所述的车牌识别方法，其特征在于，所述提取所述各图像的特征点包括：利用尺度不变特征转换SIFT提取图像的特征点或哈里斯Harris提取图像的特征点。

4.如权利要求3所述的车牌识别方法，其特征在于，所述利用尺度不变特征转换SIFT提取图像的特征点包括：

创建金字塔多尺度空间；

检测所述金字塔多尺度空间的极值点；

对所述极值点进行过滤，精确确定极值点的位置，并给所述极值点指定方向参数；

利用所述精确确定极值点在预定区域的方向梯度，形成特征点。

5.如权利要求1所述的车牌识别方法，其特征在于，所述对所述图像的第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果包括：

搜索所述图像的第一图像中每个特征点在所述图像的其他图像中的最邻近特征点和次邻近特征点；

计算特征点与最邻近特征点的第一欧式距离和特征点与次邻近特征点的第二欧式距离；

计算第一欧式距离与第二欧式距离的比率；

当所述比率小于阈值时，该特征点匹配成功。

6.如权利要求5所述的车牌识别方法，其特征在于，所述搜索每个特征点的最邻近特征点和次邻近特征点包括：

利用最优节点优先BBF算法搜索第一图像中每个特征点在其他图像中的最邻近特征点和次邻近特征点。

7.如权利要求1所述的车牌识别方法，其特征在于，所述当所述特征点匹配结果满足预定条件包括：

当所述图像的第一图像中特征点匹配成功的个数大于预定数量。

8.一种车牌识别装置，其特征在于，包括：

采集模块，用于获取不同的图像采集设备分别采集的图像；

提取模块，用于提取所述各图像的特征点；

匹配模块，用于对所述图像的第一图像的特征点与所述图像的其他图像的特征点进行匹配得到特征点匹配结果；

合成模块，用于当所述特征点匹配满足预定条件时，将所述第一图像与其他图像合成为一帧新的图像；

车牌识别模块，用于对所述新的图像进行车牌识别。

9.如权利要求1所述的车牌识别装置，其特征在于，所述提取模块包括：创建单元，检测单元，过滤单元，确定单元，其中，

创建单元，用于创建金字塔多尺度空间；

检测单元，用于检测所述金字塔多尺度空间的极值点为特征点；

过滤单元，用于对所述特征点进行过滤，精确确定特征点的位置，并给所述特征点指定方向参数；

确定单元，用于利用所述精确确定特征点在预定区域的方向梯度，形成最终特征点。

10.如权利要求1所述的车牌识别装置，其特征在于，所述匹配模块包括：搜索单元，第一计算单元，第二计算单元，判断单元，其中，

搜索单元，用于搜索所述车辆图像的第一图像中每个特征点在所述车辆图像的其他图像中的最邻近特征点和次邻近特征点；

第一计算单元，用于计算特征点与最邻近特征点的第一欧式距离和特征点与次邻近特征点的第二欧式距离；

第二计算单元，用于计算第一欧式距离与第二欧式距离的比率；

判断单元，用于当所述比率小于阈值时，该特征点匹配成功。