CN102096821B - 基于复杂网络理论的强干扰环境下的车牌识别方法 - Google Patents

Abstract

本发明公开了一种基于复杂网络理论的强干扰环境下的车牌识别方法，该方法首先采用基于分块和灰度特征线的自适应多阈值法对车牌图像进行快速二值化；然后利用区域标记法结合车牌先验知识对车牌图像中的字符进行准确定位与分割；最后提取字符骨架特征，建立字符骨架的复杂网络模型，基于动态演化的复杂网络度特征来描述字符骨架，进而采用特征模板匹配法识别字符，再将字符组合得到车牌号码。本发明的方法，能够很好的克服光照不均、天气变化、车牌污损、车牌倾斜、铆钉黏连、图像模糊等强干扰对车牌图像的影响，具有较强的抗干扰能力和鲁棒性，方法实现简单，识别率高、速度快。

Description

基于复杂网络理论的强干扰环境下的车牌识别方法

技术领域

本发明属于图像处理技术领域，涉及一种基于复杂网络理论的强干扰环境下的车牌识别方法。

背景技术

基于光学字符识别(OCR)技术对车牌进行识别来辨识车辆身份，是智能交通系统(ITS)的关键技术之一。在公共安全、交通管理及军事部门有着极其重要的应用价值。车牌识别的研究，最早始于20世纪80年代，可以粗略地计算出车辆的速度、车流量、道路负载等数据，识别过程需要人工干预。随着计算机技术的进一步发展，国内外对汽车牌照识别系统的研究工作已经有了很大进展。目前，车牌识别的方法有很多种，常用的有基于支持向量机的识别方法、基于神经网络的识别方法以及模板匹配法三大类。支持向量机可以自动寻找对分类有较好区分能力的支持向量，由此构成的分类器可以最大化类间间隔，达到正确区分类别的目的，在解决有限样本、非线性及高维模式识别问题中表现出了许多特有的优越性能，且具有适应性强和效率高的特点；基于神经网络的字符识别，具有良好的容错能力、分类能力、并行能力及自学习能力，可处理环境信息复杂，背景知识不清楚，推理规则不明确情况下的问题；模板匹配法因为其算法相对简单，速度较快，在车牌识别领域也得到了广泛的应用。

目前很多车牌识别方法已取得了较好的识别效果，例如，文献[1]和[2]分别采用支持向量机和神经网络的方法，对实际拍摄的车牌图像进行字符识别，获得了较高的字符识别率和较快的识别速度；文献[3]采用图像处理结合模板匹配的方法对强噪声干扰下的字符识别进行了研究，有效地提高了受随机噪声点干扰的图像的字符识别效果；文献[4]和[5]针对复杂背景下的车牌定位与识别问题，分别采用了卷积神经网络和形态学特征配合传统模式匹配技术进行了研究，也取得了较好的识别效果。

但是这些方法均存在一些不足：支持向量机方法对于大规模训练样本难以实施，而且解决多分类问题存在困难；神经网络方法样本训练速度慢，尤其是某些强噪声甚至会破坏算法的收敛性，误差准则固定，不能随着环境的变化而进行相应的调整或改变；模板匹配方法对于字符有断裂和粘连等情况容易造成误识别。尤其是当车牌图像不可避免的受到天气、光照、噪声、复杂背景等多种干扰的影响时，这些方法的识别效果明显变差。存在强干扰环境下识别率低是车牌识别系统面临的主要问题[6]。

复杂网络理论作为一个新的研究领域，它的基本理论正渗透到从数理科学到生命科学、工程科学甚至社会科学等众多不同的领域中去，已经成为了近年来全世界在不同学科领域的科学家们的研究热点[7-9]。现实世界中，有很多问题都可以用描述个体以及个体之间关系的复杂网络来刻画。用复杂网络理论特性分析和理解图像，开拓基于复杂网络理论处理和识别图像的新方法，可以更好地解决图像处理中的难题。

以下是申请人给出的参考文献：

[1]吴进军,杜树新.SVM在车牌字符识别中的应用[J].电路与系统学报,2008.2,13(1):84-87；

[2]李孟歆,吴成东.基于分级网络的车牌字符识别算法[J].计算机应用研究,2009.5,26(5):1703-1705；

[3]王永茂,刘贺平.强噪声车牌图像中的字符识别[J].计算机仿真,2006.12,23(12):244-246；

[4]王练术,辛永红,冶建科.基于复杂背景的车牌字符快速识别方法[J].微计算机信息，2009，25(8-1):184-186；

[5]白洪亮,娄正良,邹明福,刘昌平.复杂背景下基于形态学的车牌识别系统[J].公路交通科技,2004.10,21(10):117-120；

[6]李连昌,兰志强,丛奎荣,亓学鹏.车牌自动识别技术研究进展[J]；

[7]汪小帆,李翔,陈关荣.复杂网络理论及其应用[M].北京：清华大学出版社，2006；

[8]陈关荣.复杂网络及其新近研究进展简介[J].力学进展,2008,38(6):653-662；

[9]Dr.Bruce Alberts et al.Complex Systems and Networks[J].Science,2009.7,325(5939):357-504；

[10]中华人民共和国公共安全行业标准GA36-2007.中华人民共和国机的车号牌[S].3-4；

[11]A.R.Backes et al.A complex network-based approach for boundaryshape analysis[J].Pattern Recognition,2009,42:54-67。

发明内容

本发明的目的是提供一种基于复杂网络理论的强干扰环境下的车牌识别方法，解决了现有技术在强干扰环境下，车牌图像识别率低的问题，实现了车牌字符的快速准确识别。

本发明所采用的技术方案是，一种基于复杂网络理论的强干扰环境下的车牌识别方法，该方法在采用数字图像处理技术提取字符特征的基础上，建立字符特征的复杂网络模型，利用复杂网络特性分析和刻画字符特征，进而采用特征模板匹配方法进行字符识别，最后将字符组合得到车牌号码，具体包括下列步骤：

第一步：对车牌图像进行二值化处理

采用基于分块和灰度特征线的自适应多阈值快速二值化方法,将车牌图像分割成前景和背景两部分；

第二步：对车牌字符进行定位与分割

通过区域标记及字符间距先验知识，获得每个字符所在位置，实现字符准确定位，然后根据标准规定的车牌字符尺寸比例参数，计算得到字符区域，对字符进行分割；

第三步：提取字符骨架，并建立字符骨架的复杂网络模型

采用细线化方法提取每个字符图像的骨架，然后以字符图像骨架像素点为网络节点，以像素点间相对位置关系为网络连边，构建字符骨架特征的复杂网络模型；

第四步：基于复杂网络特征对字符进行识别

用动态演化的复杂网络度特征来描述字符骨架，并计算每个字符对应的动态演化复杂网络度特征向量，然后在标准模板字符对应的复杂网络度特征向量库中进行特征匹配，所得最佳匹配所对应的字符即为识别结果，最后将识别出的字符组合得到车牌号码。

本发明的方法结合数字图像处理方法和复杂网络理论特性，获得了能够适应天气变化、光照不均、车牌污损、复杂背景等多种强干扰环境下的车牌识别。该方法充分利用复杂网络所具有的大小不变性、旋转不敏感性、强抗干扰能力和鲁棒性等优良特性，实现简单、识别速度快、识别率高，特别是在多种强干扰环境下仍能够获得较高的识别率，在识别效果和识别速度上均优于现有其他车牌识别方法。

附图说明

图1是本发明方法中的灰度特征线和分块示意图；

图2是二值化方法处理效果比较，其中a为现有的全局动态自适应阈值二值化效果（阈值:Th＝154），b为本发明方法采用的二值化方法的效果（阈值分别为:Th₁＝157,Th₂＝152,Th₃＝101）；

图3是本发明方法中的车牌字符定位及分割处理示意图，其中a为确定的字符中心穿越线的位置，b为确定的字符所在区域，c为字符定位结果，d为字符分割结果；

图4是本发明方法中的不同干扰下的字符定位及分割效果，其中a为铆钉黏连、倾斜，b为高光、噪声，c为模糊、倾斜，d为倾斜、畸变、铆钉黏连，e为模糊、残缺，f为大角度倾斜；

图5是本发明方法中的强干扰下的骨架特征提取效果图；

图6是本发明方法中的网络中两个节点间权值的计算示意图；

图7是本发明方法中的字符骨架的动态演化复杂网络描述示意图；

图8是本发明方法中的归一化前后字符‘0’的骨架图像尺寸对其复杂网络度特性的影响比较，其中a为归一化前示意图，b为归一化后示意图；

图9是本发明方法中的旋转不敏感性示意图；

图10是本发明方法中的多种强干扰下不同字符对应的动态复杂网络度特性曲线图，其中a为强干扰字符图像及其骨架图像，b为a中字符骨架对应的动态复杂网络度特性曲线；

图11是本发明方法中的基于复杂网络理论的车牌字符识别流程图；

图12是本发明方法中的相似字符骨架提取效果，其中a为字符‘0’和‘D’的原图及骨架图像，b为字符‘8’和‘B’的原图及骨架图像；

图13是本发明方法中的相似字符的骨架特征和外轮廓特征的比较，其中a为字符‘0’和‘D’的原图、骨架图和外轮廓图，b为字符‘8’和‘B’的原图、骨架图和外轮廓图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的基于复杂网络理论的强干扰环境下的车牌识别方法，结合了数字图像处理方法和复杂网络理论特性，在采用数字图像处理技术提取字符特征的基础上，建立字符特征的复杂网络模型，利用复杂网络特性分析和刻画字符特征，进而采用特征模板匹配方法进行识别，最后将识别出的字符组合得到车牌号码，实施步骤如下：

第一步：车牌图像二值化

采用基于分块和灰度特征线的自适应多阈值快速二值化方法，将车牌图像分割成前景和背景两部分，突出字符特征，减小背景干扰；分块自适应多阈值，可以适应光照不均、亮度变化等干扰；利用灰度特征线计算各块二值化阈值，大大减小数据量，提高算法处理速度；

第二步：车牌字符定位与分割

针对车牌字符特点，采用连通区域标记和车牌先验知识相结合的方法，实现对车牌图像中字符的定位与分割，首先，通过区域标记及字符间距先验知识，获得每个字符所在位置，实现字符准确定位；然后根据标准规定的车牌字符尺寸比例参数，计算得到字符区域，对字符进行有效分割；

第三步：提取字符骨架，并建立字符骨架的复杂网络模型

采用细线化方法提取每个字符图像的骨架，以突出字符特征、减少数据量冗余，并且可以减小噪声及干扰的影响，提高抗干扰能力，增强算法鲁棒性；然后以字符图像骨架像素点为网络节点，以像素点间相对位置关系为网络连边，构建字符骨架特征的复杂网络模型；

第四步：基于复杂网络特征的字符识别

用动态演化的复杂网络度特征来描述字符骨架，并计算每个字符对应的动态演化复杂网络度特征向量，然后在标准模板字符对应的复杂网络度特征向量库中进行特征匹配，所得最佳匹配所对应的字符即为识别结果，最后将字符组合得到车牌号码。

针对基于骨架特征容易误识别的字符，如‘0’和‘D’，‘8’和‘B’，在提取骨架特征的基础上，可以再增加外轮廓特征作为辅助特征进行识别，进一步提高识别率。

下面以具体实例结合附图，对本发明的各个步骤作详细说明。

第一步：车牌图像二值化

根据车牌图像的特点，本发明采用基于分块和灰度特征线的自适应多阈值快速二值化方法，其基本做法是：将车牌图像分成几个尺寸相等的子图块，每个子图块分别根据各自的灰度分布自适应计算阈值，采用不同的阈值进行二值化；另外，为了提高算法速度，根据车牌图像水平灰度分布相似的特点，在计算二值化阈值时，采用抽样的方法，抽取每个子图块水平方向三条灰度特征线，只计算这些灰度特征线的灰度阈值，以这些灰度特征线阈值的均值作为该子图块的最终二值化阈值。

灰度特征线及分块示意图如图1所示，设原始图像大小为M行N列，具体实现步骤：

1.1）将原图划分成左中右三个尺寸相等的子图块；

1.2）从每个子图块中抽取三条水平灰度特征线，其位置分别为： $l_1=\frac{M}{2}-L,l_2=\frac{M}{2},l_3=\frac{M}{2}+L,$ L为灰度特征线间隔；

1.3）采用自适应迭代阈值法求取各子图块中每条灰度特征线的阈值th_ij，其中th_ij表示第i个子图块中第j条灰度特征线的阈值，i,j＝1,2,3；

1.4）计算各子图块的阈值：Th_i＝(th_i1+th_i2+th_i3)/3，Th_i表示第i个子图块的二值化阈值；

1.5）各子图块分别采用各自的阈值进行二值化，最终得到整幅图像的二值化结果。

采用分块和自适应多阈值二值化方法，可以适应亮度变化、光照不均等的干扰。根据车牌图像灰度分布特性，抽取灰度特征线计算阈值，相对于处理整幅图像，极大地减小了处理的数据量，提高了处理速度。抽取多条灰度特征线分别计算阈值，再求取均值作为最终的阈值，保证了所求取阈值的可靠性。图2是二值化方法处理效果比较，其中图a为现有的全局动态自适应阈值二值化效果(阈值:Th＝154)，图b为本发明方法采用的二值化方法的效果(阈值分别为:Th₁＝157,Th₂＝152,Th₃＝101)。从图2a和图2b中的处理效果比较可看出，当存在光照不均时，传统的全局自适应阈值法效果很不理想，出现了字符缺失的现象，而基于灰度特征线和分块的自适应多阈值方法，获得了良好的二值化效果。

第二步：对车牌字符进行定位与分割

《中华人民共和国机动车号牌》GA36-1992标准[10]中规定了车牌字符的长宽尺寸、字符间距等参数，车牌字符除了汉字外，都具有连通性。针对车牌字符这些特点，采用连通区域标记和车牌先验知识相结合的方法，实现对车牌图像中字符的定位与分割。

图3是本发明方法中的车牌字符定位及分割处理示意图，其中图a为确定字符中心穿越线的位置，图b为确定字符所在区域，图c为字符定位结果，图d为字符分割结果。

2.1）首先对二值化后的车牌图像贴标签，标记出所有连通区域，并获得连通区域的长宽及面积信息，根据上述国家标准中规定的字符长宽比例和相对面积大小，找出最可能是字符的两个连通区域，计算出这两个连通区域中心位置点坐标，以此两个坐标点确定出穿过所有字符中心点的穿越线，如图3a所示。

2.2）然后根据穿越线的斜率及字符相对高度确定出字符所在区域，如图3b所示。接着在字符区域内，根据穿越线及规定的字符间隔尺寸比例，计算出所有字符所在的区域，实现字符定位。

2.3）最后再根据字符相对长宽比例参数，分割得到单个字符图像，实现对字符的分割。定位及分割效果如图3c和图3d所示。

字符定位与分割方法，根据车牌字符特点，综合连通域和车牌尺寸比例常规设置的先验知识，通过计算得到每个字符所在区域，能够很好的克服多种干扰的影响。图4是本发明方法中的不同干扰下的字符定位及分割效果，其中图a为铆钉黏连、倾斜干扰下的图像，图b为高光、噪声干扰下的图像，图c为模糊、倾斜干扰下的图像，图d为倾斜、畸变、铆钉黏连干扰下的图像，图e为模糊、残缺干扰下的图像，图f为大角度倾斜干扰下的图像。从图4中也可以看出，在车牌图像存在铆钉黏连、倾斜、畸变、模糊、残缺、高光、噪声等多种不同干扰的情况下，该方法仍然获得了良好的定位与分割效果。

第三步：提取字符骨架，并建立字符骨架的复杂网络模型

在分割得到每个字符图像后，采用细线化方法提取字符图像骨架特征。提取字符骨架不但可以突出区分字符的本质特征、减少数据量冗余，而且更重要的是可以减小噪声及干扰的影响，提高抗干扰能力，增强算法的鲁棒性。图5是本发明方法中的强干扰下的骨架特征提取效果，从图5中可看出，采用细线化方法可以很好的克服字符部分缺损、粗细不均等影响，大大减小铆钉黏连、背景噪声等干扰，在强干扰情况下仍然能够获得良好的字符特征。

构建字符骨架特征的复杂网络模型，用复杂网络特性来描述字符骨架特征。先按一定的间隔对字符骨架采样离散化，得到能反映字符骨架特征的像素点集S＝{s₁,s₂,…,s_N}，N为采样所得像素点个数，s_i＝(x_i,y_i)表示第i个点的坐标。以点集S中每个像素点作为网络中的节点，节点集V＝S，用连边集合E连接每两个节点构成网络拓扑图G＝(V,E)，每两个节点s_i和节点s_j间的连边，用它们各自相对于参考点（原点）的欧氏距离差来刻画，如图6所示，图6是本发明方法中的网络中两个节点间权值的计算示意图，则有：

$\left\{\begin{array}{c}d(s_i,s_j)=d\left(s_i\right)-d\left(s_j\right)\\ d(s_j,s_i)=d\left(s_j\right)-d\left(s_i\right)\end{array}\right.---\left(1\right)$

其中， $d\left(s_i\right)=\sqrt{({x_i}^2+{y_i}^2)},d\left(s_j\right)=\sqrt{({x_j}^2+{y_j}^2)},$ 于是网络便可以用一个N×N的权值矩阵W来表示：W(i,j)＝d(s_i,s_j)，并将其归一化到[-1,1]区间内得：

$W=\frac{W}{\max (w_{\mathrm{ij}}\∈W)}---\left(2\right)$

由此便构建了一个有向权值网络，为了体现节点间的连接关系，给定一个阈值T∈[-1,1]，对网络按权值进行划分，当两个节点间的连接权值大于等于T时，表明两个节点间关系不紧密，认为没有连边，反之有连边，具体如式(3)所示，由此便生成了一个由骨架像素点和这些像素点间位置关系构成的复杂网络，

式中A_T是阈值为T时得到的复杂网络的邻接矩阵，A_T中的元素a_ij＝1表示节点s_i和s_j间有连边，a_ij＝0表示两个节点间没有连边。

第四步：基于复杂网络特征对字符进行识别

采用不同的阈值T对有向权值网络G进行划分，会得到不同的复杂网络。给定一个初始阈值T₀，并按一定的间隔ΔT递增，便形成一个阈值集合T＝{T₀,T₁,…,T_n}，其中T_n＝T_n-1+ΔT，用阈值集合T对网络进行划分，便会形成字符骨架的动态演化复杂网络，如图7所示，图7是本发明方法中的字符骨架的动态演化复杂网络描述示意图，在复杂网络随阈值动态演化过程中，随着阈值从小到大变化，得到具有不同网络连接特性的复杂网络，正好充分体现了字符骨架从细节到整体的不同特征。而不同的字符骨架在动态演化过程中，会有不同的网络特性，于是可以采用动态演化复杂网络的特性来描述字符骨架，本发明采用复杂网络的度特征来描述，复杂网络中节点s_i的度k_i是指与该节点连接的其他节点的数目，为了使度特性不受网络规模N（即节点总数）的影响，采用归一化度的定义，进而还可得到复杂网络的平均度和最大度的定义分别如下：

归一化度： $k_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{a}_{\mathrm{ij}},$

平均度： $k_{\mathrm{\μ}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{k}_i,$

最大度： $k_{\max }=\underset{i}{\max }{k}_i.$

本发明方法中采用动态演化复杂网络平均度和最大度特征来描述字符骨架，动态演化描述了字符骨架从细节到整体的变化特征，并采用四个参考点（即字符图像的四个顶点）从四个方位对骨架进行全面刻画，使得该特征描述方法同时具有大小不变性、旋转不敏感性、较强的抗噪能力和鲁棒性：

大小不变性：不同大小的相同字符骨架图像，其骨架形状特征是相同的，不同的是骨架像素点的数目，对应复杂网络的规模不同。图8是本发明方法中的归一化前后字符‘0’的骨架图像尺寸对其复杂网络度特性的影响比较，其中图a为归一化前示意图，图b为归一化后示意图，从图8可看到，相同阈值下，不同大小的同一字符图像，对应的复杂网络规模不同，其最大度和平均度都差异很大。但归一化后，其最大度和平均度几乎是相等的，即网络特性不受网络规模的影响，亦即不受图像尺寸的影响；

旋转不敏感性：复杂网络连边的构造时，采用的是相对原点的欧氏距离差值，刻画的是节点之间的相对参考点的距离关系，因此具有对较小旋转角度的不敏感性，既能适应字符倾斜的影响，又能区分中心对称字符如“6”和“9”等，如图9所示，图9是本发明方法中的旋转不敏感性示意图；

抗噪能力：在建立复杂网络模型时，用采样离散化后的字符骨架像素作为网络中的节点，这便容许图像存在噪声及骨架畸变。并且采用整个网络的最大度和平均度特征来刻画字符骨架，使得噪声点对整体度特性影响很小，因此算法具有较强的抗干扰能力；

鲁棒性：所构建的复杂网络没有包含完全绝对的空间和节点次序信息，只需要能代表字符骨架大体特征的一些离散点就能够比较好的刻画出字符特征。这便使得算法对字符位移、畸变、缺失等干扰具有较强的鲁棒性。

图10是本发明方法中的多种强干扰下不同字符对应的动态复杂网络度特性曲线图，其中图a为强干扰字符图像及其骨架图像，图b为图a中字符骨架对应的动态复杂网络度特性曲线。从图10可看出，在字符畸变、倾斜、缺失、低分辨率及强噪声等干扰下，相同的字符对应的复杂网络，在动态演化过程中仍能够表现出非常相近的度特性，而不同字符间度特性差异明显。由此可见，基于动态演化复杂网络度特性的字符骨架特征描述算法，本身具有很好的聚集同类和区分异类的特征，而且具有较强的抗噪能力和鲁棒性。

鉴于复杂网络度描述字符骨架特征的优良特性，字符识别采用特征匹配法，匹配规则采用简单的最小距离判别法，设待识别字符的特征向量为X＝(x₁,x₂…,x_n)，匹配库中某一样本（模板）的特征向量为U_i＝(u_i1,u_i2…,u_in)，其中n为特征向量维数，则定义它们之间的距离为：

$d(X,U_i)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|x_j-u_{\mathrm{ij}}|---\left(4\right)$

匹配规则为：

如果，其中k为匹配库中样本（模板）字符个数，ε是一个上限常数，则，X被识别为U_i对应的字符；

否则，当

表明匹配库中没有与X相匹配的字符，做拒识别处理；

识别出每个字符之后，再按顺序组合起来就得到了车牌号码。

上述四个步骤如图11所示，即为本发明方法的基于复杂网络理论的车牌字符识别流程。

对于相似字符识别的原则

如图12所示，图12是本发明方法中的相似字符骨架提取效果，其中图a为字符‘0’和‘D’的原图及骨架图像，图b为字符‘8’和‘B’的原图及骨架图像，在受干扰情况下，相似字符如‘0’和‘D’、‘8’和‘B’，提取骨架特征后会变得难以区分，容易被误识别。为了进一步提高识别率，针对这些相似字符采取如下方法进行识别：首先提取其字符图像骨架特征进行识别，如果识别结果是这些相似字符中的字符时，再提取原字符的外轮廓特征，图13是本发明方法中的相似字符的骨架特征和外轮廓特征的比较，其中图a为字符‘0’和‘D’的原图、骨架图和外轮廓图，图b为字符‘8’和‘B’的原图、骨架图和外轮廓图。如图13所示，可看到这些相似字符的外轮廓特征比骨架特征的区分性更强，以此特征作为辅助特征再进行识别，进一步提高了识别率。

实验测试与比较：

从实际中拍摄以及从网上获取车牌图像共100幅，其中包括污损、倾斜、模糊、残缺、铆钉黏连、光照不均等干扰的车牌图像，通过直接定位及分割，获得700幅字符图像。另外从中挑选受强干扰的图片，并通过旋转、缩放、模糊化、局部去除、加强噪声等处理，获得1400幅受强干扰的图像。测试中复杂网络动态演化阈值取T＝[-0.9,-0.7,-0.5,-0.3,-0.1,0.1,0.3,0.5,0.7,0.9]，每个字符提取80维网络度特征，按照本发明的方法进行车牌识别，最后的结果如表1-3。

表1字符平均识别率

表2车牌整体识别结果

表3算法比较

测试结果显示，本发明的方法对实拍图像字符的平均识别率达到了97%以上，车牌字符完全识别正确率也达到了92%。特别是，在字符图像大小变化、倾斜、污损、残缺、畸变、模糊及强噪声等干扰下，仍能够获得92%以上的平均字符识别率。在1.8GHz主频PC，VC++6.0环境下，测得识别速度平均约为9ms/字符。从表3可看出，与其他识别方法相比，本发明的方法在识别率及识别速度方面，都具有较明显的优势。理论分析及实验结果均表明，本发明的车牌识别方法具有较强的抗干扰能力和鲁棒性，在多种强干扰环境下也能获得较高的识别率，且方法简单易行，识别速度快，具有很好的应用前景。

Claims (2)

1.一种基于复杂网络理论的强干扰环境下的车牌识别方法，该方法在采用数字图像处理技术提取字符特征的基础上，建立字符特征的复杂网络模型，利用复杂网络特性分析和刻画字符特征，进而采用特征模板匹配方法进行字符识别，最后将识别好的字符组合得到车牌号码，其特征在于，具体包括下列步骤：

第一步：对车牌图像进行二值化处理

采用基于分块和灰度特征线的自适应多阈值快速二值化方法,将车牌图像分割成前景和背景两部分，

对车牌图像进行二值化处理，是将车牌图像分成三个尺寸相等的子图块，每个子图块分别根据各自的灰度分布自适应计算阈值，采用不同的阈值进行二值化；另外，根据车牌图像水平灰度分布相似的特点，在计算二值化阈值时，采用抽样的方法，抽取每个子图块水平方向三条灰度特征线，只计算这些灰度特征线的灰度阈值，以这些灰度特征线阈值的均值作为该子图块的最终二值化阈值，设原始图像大小为M行N列，具体实现步骤是：

1.1）将原图划分成左中右三个尺寸相等的子图块；

1.2）从每个子图块中抽取三条水平灰度特征线，其位置分别为： $l_1=\frac{M}{2}-L,l_2=\frac{M}{2},l_3=\frac{M}{2}+L,$ L为灰度特征线间隔；

1.3）采用自适应迭代阈值法求取各子图块中每条灰度特征线的阈值th_ij，其中th_ij表示第i个子图块中第j条灰度特征线的阈值，i,j＝1,2,3；

1.4）计算各子图块的阈值：Th_i＝(th_il+th_i2+th_i3)/3，Th_i表示第i个子图块的二值化阈值；

1.5）各子图块分别采用各自的阈值进行二值化，最终得到整幅图像的二值化结果；

第二步：对车牌字符进行定位与分割

通过区域标记及字符间距先验知识，获得每个字符所在位置，实现字符准确定位，然后根据标准规定的车牌字符尺寸比例参数，计算得到字符区域，对字符进行分割，具体步骤为：

2.1）首先对步骤1.5）得到的二值化后的车牌图像贴标签，标记出所有连通区域，并获得连通区域的长宽及面积信息，根据《中华人民共和国机动车号牌》GA36-1992标准中规定的字符长宽比例和相对面积大小，找出最可能是字符的两个连通区域，计算出这两个连通区域中心位置点坐标，以此两个坐标点确定出穿过所有字符中心点的穿越线；

2.2）然后根据穿越线的斜率及字符相对高度确定出字符所在区域，接着在字符区域内，根据穿越线及规定的字符间隔尺寸比例，计算出所有字符所在的区域，实现字符定位；

2.3）最后再根据字符相对长宽比例参数，分割得到单个字符图像，实现对字符的分割；

第三步：提取字符骨架，并建立字符骨架的复杂网络模型

采用细线化方法提取每个字符图像的骨架，然后以字符图像骨架像素点为网络节点，以像素点间相对位置关系为网络连边，构建字符骨架特征的复杂网络模型，具体步骤为：

先按一定的间隔对字符骨架采样离散化，得到能反映字符骨架特征的像素点集S＝{s₁,s₂,…,s_N}，N为采样所得像素点个数，s_i＝(x_i,y_i)表示第i个点的坐标，以点集S中每个像素点作为网络中的节点，节点集V＝S，用连边集合E连接每两个节点构成网络拓扑图G＝(V,E)，每两个节点s_i和节点s_j间的连边，用它们各自相对于参考点的欧氏距离差来刻画，网络中两个节点间权值的计算是：

$\left\{\begin{array}{c}d(s_i,s_j)=d\left(s_i\right)-d\left(s_j\right)\\ d(s_j,s_i)=d\left(s_j\right)-d\left(s_i\right)\end{array}\right.---\left(1\right)$

其中， $d\left(s_i\right)=\sqrt{({x_i}^2+{y_i}^2)},d\left(s_j\right)=\sqrt{({x_j}^2+{y_j}^2)},$ 于是网络便可以用一个N×N的权值矩阵W来表示：W(i,j)＝d(s_i,s_j)，并将其归一化到[-1,1]区间内得：

$W=\frac{W}{\max (w_{\mathrm{ij}}\∈W)}---\left(2\right)$

由此便构建了一个有向权值网络，为了体现节点间的连接关系，给定一个阈值T∈[-1,1]，对网络按权值进行划分，当两个节点间的连接权值大于等于T时，表明两个节点间关系不紧密，认为没有连边，反之有连边，具体如式(3)所示，由此便生成了一个由骨架像素点和这些像素点间位置关系构成的复杂网络，

式中A_T是阈值为T时得到的复杂网络的邻接矩阵，A_T中的元素a_ij＝1表示节点s_i和s_j间有连边，a_ij＝0表示两个节点间没有连边；

第四步：基于复杂网络特征对字符进行识别

用动态演化的复杂网络度特征来描述字符骨架，并计算每个字符对应的动态演化复杂网络度特征向量，然后在标准模板字符对应的复杂网络度特征向量库中进行特征匹配，所得最佳匹配所对应的字符即为识别结果，最后将识别出的字符组合得到车牌号码，具体步骤为：

采用不同的阈值T对步骤三得到的有向权值网络G进行划分，得到不同的复杂网络，给定一个初始阈值T₀，并按一定的间隔ΔT递增，便形成一个阈值集合T＝{T₀,T₁,…,T_n}，其中T_n＝T_n-1+ΔT，用阈值集合T对网络进行划分，便形成字符骨架的动态演化复杂网络，复杂网络中节点s_i的度k_i是指与该节点连接的其他节点的数目，为了使度特性不受网络规模N的影响，N即节点总数，采用归一化度的定义，得到复杂网络的平均度和最大度的定义分别是：

归一化度： $k_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{a}_{\mathrm{ij}},$

平均度： $k_{\mathrm{\μ}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{k}_i,$

最大度： $k_{\max }=\underset{i}{\max }{k}_i;$

鉴于复杂网络度描述字符骨架特征的优良特性，字符识别采用特征匹配法，匹配规则采用简单的最小距离判别法，设待识别字符的特征向量为X＝(x₁,x₂…,x_n)，匹配库中某一样本的特征向量为U_i＝(u_i1,u_i2…,u_in)，所述样本即为模板，其中n为特征向量维数，则定义它们之间的距离为：

$d(X,U_i)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|x_j-u_{\mathrm{ij}}|---\left(4\right)$

匹配规则为：

如果，其中k为匹配库中字符个数，ε是一个上限常数，则，X被识别为U_i对应的字符；

否则，当

时，表明匹配库中没有与X相匹配的字符，做拒识别处理。

2.按照权利要求1所述的车牌识别方法，其特征在于，针对基于骨架特征容易误识别的字符，在提取骨架特征的基础上，再增加外轮廓特征作为辅助特征进行识别，进一步提高识别率。

Images