CN105787524A - 基于OpenCV的车牌识别方法及*** - Google Patents

Abstract

本发明为基于OpenCV的车牌识别方法及***，方法包括采用背景图像差分法和质心迭代跟踪算法对实时视频进行目标跟踪以采集车辆图像；采用灰度处理获取灰度图像，高斯平滑、亚采样获取一系列采样图像，采用Canny算法进行边缘检测、膨胀处理、二值化分割获取二值图像，采用OpenCV的Contours函数获取车牌区域子图；采用基于Hough线变换校正倾斜图像，采用逐行和逐列扫描去除车牌边框和铆钉噪声，采用连通域标记去除车牌内部噪声，采用结合字符特征和垂直投影进行字符分割；采用BP神经网络获取车牌信息数据库和字符识别阈值，从而识别车牌。***包括采用千兆网相机的前端视频输入单元和主控计算机单元。本发明结构简单、操作方便、能够有效准确的识别车牌、识别正确率可达90％以上。

Description

基于OpenCV的车牌识别方法及***

技术领域

本发明涉及图像识别技术领域，具体地说是基于OpenCV的车牌识别方法及***。

背景技术

随着汽车的普及，交通问题越来越严重，交通状况不断恶化，车辆拥堵，事故频发。在这种环境，产生了新的研究和应用领域：智能交通***，目标就是为了缓解交通阻塞，提高路网通过能力和减少交通事故，降低能源消耗，减少环境污染，提高交通的方便度、舒适度。车牌识别***是智能交通***的一个重要组成部分，是计算机视觉与模式识别在智能交通领域应用的重要研究课题之一。车牌识别***是通过车牌号码的识别确认车辆身份的图像识别技术，它利用计算机对交通视频图像进行处理、分析和识别，从中得到车牌信息。车牌识别技术及***有着广泛的应用前景，如公路收费、停车管理、交通诱导、交通执法、车辆检测等各种场合，节省了大量的人力、物力，促进车辆管理的规范化、科学化。

发明内容

针对现有技术中存在的上述不足之处，本发明要解决的技术问题是提供一种能被应用在公路收费、停车管理、交通诱导、交通执法、车辆检测等各种场合；快速、准确识别车牌、并将图像中的汽车牌照号码识别出来的基于OpenCV的车牌识别方法及***。

本发明为实现上述目的所采用的技术方案是：一种基于OpenCV的车牌识别方法，包括以下步骤：

步骤1：采集车辆视频图像，采用背景图像差分法和质心迭代跟踪算法对输入的图像序列进行移动物体检测和目标跟踪，获取包含车辆信息的图像；

步骤2：对包含车辆信息的图像进行灰度处理、采样处理、二值化处理、获取车牌区域子图；

步骤3：对车牌区域子图进行倾斜校正、噪声去除、字符分割以及归一化处理；

步骤4：车牌字符识别，将分割后的字符分别与车牌信息数据库中的字符图像根据字符识别阈值进行匹配，从而识别车牌中的字符信息。

所述采样处理为用高斯金字塔对图像进行高斯平滑，再进行亚采样获取一系列采样图像。

所述二值化处理为采用Canny算法进行边缘检测、再膨胀处理图像、最后进行二值化分割获取二值图像。

所述获取车牌区域子图为采用OpenCV的Contours函数在二值化处理后的图像中检索矩形或近似矩形子区域，并获取该子区域的位置、宽度和高度，根据宽度和高度的比值确定该子区域为车牌区域，从而将该子区域分割出来。

所述矩形或近似矩形子区域的宽度和高度的比值为3到6之间。

所述倾斜校正采用基于Hough线变换的方法校正倾斜图像。

所述噪声去除采用逐行和逐列扫描的方法去除车牌边框和铆钉噪声，采用连通域标记的方法来去除车牌内部噪声。

所述字符分割采用结合字符特征和垂直投影的方法进行。

所述字符识别阈值的获取方法为：车牌字符分割后的车牌图像由7个字符组成，包括1位汉字、1位大写英文字母、5位大写英文字母或***数字；将字符分割得到的汉字、字母和数字的图像进行特征提取；将字符特征送入BP神经网络进行训练和学习，得到字符识别阈值。

包括前端视频输入单元和主控计算机单元：

所述前端视频输入单元采用千兆网相机，连接主控计算机单元，用于实时采集包含车辆信息的视频图像，并将视频图像输出给主控计算机单元；

所述主控计算机单元用于对接收到的视频图像进行移动物体检测和目标跟踪，对包含车辆信息的图像进行图像预处理与定位、字符分割及字符识别，将识别到的车牌信息存入数据库文件中。

所述主控计算机单元包括：

车辆图片采集模块，采用背景图像差分法和质心迭代跟踪算法对输入的视频图像进行移动物体检测和目标跟踪，当车辆到达视频图像的中间区域，获取有车辆信息的图像，并将该图像保存；

车牌图像预处理与定位模块，把图像转换为灰度图，用高斯金字塔通过高斯平滑和亚采样获得一系列采样图像，用Canny算法进行边缘检测，膨胀图像，进行二值化分割获得二值图像，通过Contours在二值图像中检索矩形或近似矩形区域，并得到该区域的位置、宽度和高度，如果宽度和高度的比值在设定阈值之间，则认为该区域为车牌区域，将该区域分割出来即可获得车牌区域子图；

车牌字符分割模块，采用基于Hough线变换的方法进行倾斜校正；采用逐行和逐列扫描的方法去除车牌边框和铆钉噪声，采用连通域标记的方法来去除车牌内部噪声；采用结合字符特征和垂直投影的方法进行字符分割，将分割后的字符进行归一化，以便字符识别；

车牌字符识别模块，将字符分割得到的汉字、字母和数字进行特征提取，并将字符特征送入BP神经网络进行训练和学习，得到识别阈值，然后将未知的车牌字符与得到的识别阈值进行计算得到车牌识别的信息，将得到的车牌信息存入数据库文件中，以便检索和后台管理。

本发明具有以下优点及有益效果：

1.本发明中信息采集便利，可以在汽车不作任何改动的情况下实现车辆牌照信息的自动登记及验证。

2.本发明识别车辆牌照号码作为车辆身份，车辆牌照号码具有唯一性和规范性的特点。

3.本发明采用开源的OpenCV计算机视觉库，源代码是完全免费的，而且源代码的编写简洁高效，特别是其中大部分的函数都已经过汇编最优化，英特尔厂商的支持，提高了运算速度。

4.本发明采用千兆网相机，具有图像清晰度高，抗干扰性好，传输距离远等特点。

5.本发明结构简单，操作方便，识别正确率可达90％以上。

附图说明

图1为本发明方法步骤流程图；

图2为本发明***组成示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

如图1所示，基于OpenCV的车牌识别方法，包括以下步骤：

步骤1：采集车辆图像，包括采用背景图像差分法和质心迭代跟踪算法对输入的视频图像进行移动物体检测和目标跟踪。

步骤2：车牌图像预处理与定位，包括获取灰度图像、采样图像、获取二值图像、获取车牌区域子图。所述获取灰度图像为对图像进行灰度处理；所述获取采样图像为用高斯金字塔对图像进行高斯平滑，再进行亚采样获取一系列采样图像；所述获取二值图像为采用Canny算法进行边缘检测、再膨胀处理图像、最后进行二值化分割获取二值图像；所述获取车牌区域子图为采用OpenCV的Contours函数在二值图像中检索矩形或近似矩形区域，并获取该区域的位置、宽度和高度，根据宽度和高度的比值为3到6之间确定该区域为车牌区域，从而将该区域分割出来。

步骤3：车牌字符分割，包括倾斜校正、噪声去除、字符分割以及归一化。所述倾斜校正采用基于Hough线变换的方法校正倾斜图像；所述噪声去除采用逐行和逐列扫描的方法去除车牌边框和铆钉噪声，采用连通域标记的方法来去除车牌内部噪声，采用结合字符特征和垂直投影的方法进行字符分割，将分割后的字符进行归一化。

步骤4：车牌字符识别，为对分割后的字符分别与车牌信息数据库中的字符图像根据字符识别阈值进行匹配，从而识别车牌。所述字符识别阈值的获取方法为：车牌字符分割后的车牌图像由7个字符组成，包括1位汉字、1位大写英文字母、5位大写英文字母或***数字；将字符分割得到的大量的汉字、字母和数字的图像进行特征提取；将字符特征送入BP神经网络进行训练和学习，通过大量实验得到合适的字符识别阈值。所述车牌信息数据库由满足字符识别阈值的字符图像组成。

如图2所示，基于OpenCV的车牌识别***，包括前端视频输入单元和主控计算机单元。所述前端视频输入单元采用千兆网相机，连接主控计算机单元，用于实时采集包含车辆信息的视频图像，并将视频图像输出给主控计算机单元。所述主控计算机单元包括主机、显示器、键盘及鼠标，用于对接收到的视频图像进行车牌图像识别。所述主机处理器采用英特尔酷瑞i7第三代处理器。前端视频输入单元安装在合适位置上，将实时视频图像传输到主控计算机中。车牌识别软件从视频中获取包含车辆信息的图像，进行图像预处理与定位、字符分割及字符识别，将识别到的车牌信息存入数据库文件中。

所述前端视频输入单元是选定的千兆网相机，将其安装在有利于图像抓取的合适位置，实时获取包含车辆信息的视频图像，并将视频图像传输到主控计算机中。

所述主控计算机单元包括主机、显示器、键盘及鼠标等，用于对视频图像进行处理。

所述车牌识别软件获取包含车辆信息的图像并将图像中的汽车牌照号码识别成文本并存储，由车辆图片采集、车牌图像预处理与定位、车牌字符分割和车牌字符识别等四个模块组成。

所述车辆图片采集模块采用背景图像差分法和质心迭代跟踪算法对输入的视频图像进行移动物体检测和目标跟踪，当车辆到达视频图像的中间区域，获取有车辆信息的图像，并将该图像保存。

所述车牌图像预处理与定位模块把图像转换为灰度图，用高斯金字塔通过高斯平滑和亚采样获得一系列采样图像，用Canny算法进行边缘检测，膨胀图像，进行二值化分割获得二值图像。由于车牌区域是固定比例的矩形，所以通过Contours在二值图像中检索矩形或近似矩形区域，并得到该区域的位置、宽度和高度，如果宽度和高度的比值在3到6之间，则可以认为该区域为车牌区域，将该区域分割出来即可获得车牌区域子图。

所述车牌字符分割模块包括倾斜校正、噪声去除和字符分割三个部分。采用基于Hough线变换的方法进行倾斜校正；采用逐行和逐列扫描的方法去除车牌边框和铆钉噪声，采用连通域标记的方法来去除车牌内部噪声；采用结合字符特征和垂直投影的方法进行字符分割。将分割后的字符进行归一化，以便字符识别。

所述车牌字符识别模块采用BP神经网络对分割后的字符进行识别。字符分割后的车牌由7个字符组成，包括1位汉字，1位大写英文字母，5位大写英文字母或***数字。将字符分割得到的大量的汉字、字母和数字进行特征提取，并将字符特征送入BP神经网络进行训练和学习，通过大量实验得到合适的识别阈值，然后将未知的车牌字符与得到的识别阈值进行计算，就会得到车牌识别的信息，将得到的车牌信息存入数据库文件中，以便检索和后台管理。采用BP神经网络识别车牌字符，关键在于计算识别阈值，这取决于样本的多样性。在实际应用中，有必要获取大量的训练样本和不同环境下的训练样本，以增加识别的稳定性，提高识别的准确率。

本实施例中前端视频输入单元采用千兆网相机；

主控计算机单元采用英特尔酷瑞i7第三代处理器；

车牌识别软件采用OpenCV2.3.0与MicrosoftVisualStudio2010开发。

本发明***的工作过程如下：前端视频输入单元安装在有利于图像抓取的合适位置，将实时视频图像传输到计算机中进行车牌图像识别。当有车辆经过并到达图像中间区域时，采集车辆图像，进行车牌图像预处理与定位得到车牌区域子图，在获得的车牌区域子图上进行倾斜校正、去除噪声和字符分割、归一化处理，再进车牌字符识别，最后将识别到的车牌信息存入数据库文件中，以便检索和后台管理。

Claims (11)

1.一种基于OpenCV的车牌识别方法，其特征在于，包括以下步骤：

步骤1：采集车辆视频图像，采用背景图像差分法和质心迭代跟踪算法对输入的图像序列进行移动物体检测和目标跟踪，获取包含车辆信息的图像；

步骤2：对包含车辆信息的图像进行灰度处理、采样处理、二值化处理、获取车牌区域子图；

步骤3：对车牌区域子图进行倾斜校正、噪声去除、字符分割以及归一化处理；

步骤4：车牌字符识别，将分割后的字符分别与车牌信息数据库中的字符图像根据字符识别阈值进行匹配，从而识别车牌中的字符信息。

2.根据权利要求1所述的基于OpenCV的车牌识别方法，其特征在于，所述采样处理为用高斯金字塔对图像进行高斯平滑，再进行亚采样获取一系列采样图像。

3.根据权利要求1所述的基于OpenCV的车牌识别方法，其特征在于，所述二值化处理为采用Canny算法进行边缘检测、再膨胀处理图像、最后进行二值化分割获取二值图像。

4.根据权利要求1所述的基于OpenCV的车牌识别方法，其特征在于，所述获取车牌区域子图为采用OpenCV的Contours函数在二值化处理后的图像中检索矩形或近似矩形子区域，并获取该子区域的位置、宽度和高度，根据宽度和高度的比值确定该子区域为车牌区域，从而将该子区域分割出来。

5.根据权利要求4所述的基于OpenCV的车牌识别方法，其特征在于，所述矩形或近似矩形子区域的宽度和高度的比值为3到6之间。

6.根据权利要求1所述的基于OpenCV的车牌识别方法，其特征在于，所述倾斜校正采用基于Hough线变换的方法校正倾斜图像。

7.根据权利要求1所述的基于OpenCV的车牌识别方法，其特征在于，所述噪声去除采用逐行和逐列扫描的方法去除车牌边框和铆钉噪声，采用连通域标记的方法来去除车牌内部噪声。

8.根据权利要求1所述的基于OpenCV的车牌识别方法，其特征在于，所述字符分割采用结合字符特征和垂直投影的方法进行。

9.根据权利要求1所述的基于OpenCV的车牌识别方法，其特征在于，所述字符识别阈值的获取方法为：车牌字符分割后的车牌图像由7个字符组成，包括1位汉字、1位大写英文字母、5位大写英文字母或***数字；将字符分割得到的汉字、字母和数字的图像进行特征提取；将字符特征送入BP神经网络进行训练和学习，得到字符识别阈值。

10.一种基于OpenCV的车牌识别***，其特征在于，包括前端视频输入单元和主控计算机单元：

所述前端视频输入单元采用千兆网相机，连接主控计算机单元，用于实时采集包含车辆信息的视频图像，并将视频图像输出给主控计算机单元；

所述主控计算机单元用于对接收到的视频图像进行移动物体检测和目标跟踪，对包含车辆信息的图像进行图像预处理与定位、字符分割及字符识别，将识别到的车牌信息存入数据库文件中。

11.根据权利要求10所述的基于OpenCV的车牌识别***，其特征在于，所述主控计算机单元包括：

车辆图片采集模块，采用背景图像差分法和质心迭代跟踪算法对输入的视频图像进行移动物体检测和目标跟踪，当车辆到达视频图像的中间区域，获取有车辆信息的图像，并将该图像保存；

车牌图像预处理与定位模块，把图像转换为灰度图，用高斯金字塔通过高斯平滑和亚采样获得一系列采样图像，用Canny算法进行边缘检测，膨胀图像，进行二值化分割获得二值图像，通过Contours在二值图像中检索矩形或近似矩形区域，并得到该区域的位置、宽度和高度，如果宽度和高度的比值在设定阈值之间，则认为该区域为车牌区域，将该区域分割出来即可获得车牌区域子图；

车牌字符分割模块，采用基于Hough线变换的方法进行倾斜校正；采用逐行和逐列扫描的方法去除车牌边框和铆钉噪声，采用连通域标记的方法来去除车牌内部噪声；采用结合字符特征和垂直投影的方法进行字符分割，将分割后的字符进行归一化，以便字符识别；

车牌字符识别模块，将字符分割得到的汉字、字母和数字进行特征提取，并将字符特征送入BP神经网络进行训练和学习，得到识别阈值，然后将未知的车牌字符与得到的识别阈值进行计算得到车牌识别的信息，将得到的车牌信息存入数据库文件中，以便检索和后台管理。