CN102364496A - 一种基于图像分析的汽车车牌自动识别方法及系统 - Google Patents
一种基于图像分析的汽车车牌自动识别方法及系统 Download PDFInfo
- Publication number
- CN102364496A CN102364496A CN2011103790060A CN201110379006A CN102364496A CN 102364496 A CN102364496 A CN 102364496A CN 2011103790060 A CN2011103790060 A CN 2011103790060A CN 201110379006 A CN201110379006 A CN 201110379006A CN 102364496 A CN102364496 A CN 102364496A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- gained
- character
- license
- 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.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于图像分析的汽车车牌自动识别方法及系统,该方法包括:从采集所得包含车牌信息的车辆图像中,确定包含车牌信息的车牌区域图像;在确定所得车牌区域中,保留汉子、字母和数字信息,同时去除其它部分;在保留所得车牌信息中,提取单个字符;对提取所得单个字符,进行实时识别处理。本发明所述基于图像分析的汽车车牌自动识别方法及系统,可以克服现有技术中辅助工作量大、可控性差与不利于管理等缺陷,以实现辅助工作量小、可控性好与利于管理的优点。
Description
技术领域
本发明涉及智能交通管理系统领域,具体地,涉及一种基于图像分析的汽车车牌自动识别方法及系统。
背景技术
目前,车牌自动识别技术是计算机视觉、图像处理技术与模式识别技术的融合,是智能交通系统中一项非常重要的技术。通过摄像机摄取包含车牌的汽车图像,经过一系列图像处理和模式识别过程,输出车牌号码字符串。此技术在高速公路及桥梁的收费管理站,大型停车场,交通部门的违章监测,追缉肇事车辆等方面有着广泛的应用前景。
在近几年中,基于图像理解的识别技术引起了广泛关注,主要是因为其在智能交通管理系统领域具有发展前途的应用。主要包括数字摄像技术和计算机信息管理技术,采用先进的图像处理、模式识别和人工智能技术,通过对图像的采集和处理,获得更多的信息,从而达到更高的智能化管理程度。
汽车车牌自动识别技术分为图像分割、特征提取和模板构造、字符识别。利用不同阈值对应的直方图不同,经过大量统计实验,确定出车牌位置的图像直方图的阈值范围,然后根据特定阈值对应的直方图分割出车牌,再利用预先设置的标准字符模板进行模式匹配识别出字符。
但是,现有技术中,使用智能交通管理系统时,需要对现有的车辆系统进行大幅度的改造,例如需要在汽车上安装条形码或无线电发送装置。
在实现本发明的过程中,发明人发现现有技术中至少存在辅助工作量大、可控性差与不利于管理等缺陷。
发明内容
本发明的目的在于,针对上述问题,提出一种基于图像分析的汽车车牌自动识别方法,以实现辅助工作量小、可控性好与利于管理的优点。
为实现上述目的,本发明采用的技术方案是:一种基于图像分析的汽车车牌自动识别方法,包括:
从采集所得包含车牌信息的车辆图像中,确定包含车牌信息的车牌区域图像;
在确定所得车牌区域中,保留汉子、字母和数字信息,同时去除其它部分;
在保留所得车牌信息中,提取单个字符;
对提取所得单个字符,进行实时识别处理。
进一步地,所述从采集所得包含车牌信息的车辆图像中,确定包含车牌信息的车牌区域图像的操作,包括:
基于采集所得包含车牌信息的车辆图像,采用颜色二值化法或梯度定位法,粗略确定车牌在车辆图像中的位置;
采用投影法,从车牌图像中车牌所在位置处,精确定位用于字符切分的包含车牌信息的车牌区域图像。
进一步地,所述基于采集所得包含车牌信息的车辆图像,采用颜色二值化法或梯度定位法,粗略确定车牌在车辆图像中的位置的操作,包括:
基于采集所得包含车牌信息的车辆图像,判断相应车牌是否为黄蓝色车牌:
若是,则采用颜色二值化法,对相应车牌图像进行形态学处理后,再确定相应车牌在车辆图像中的位置;
否则,则采用梯度变换法,确定相应车牌在车辆图像中的位置。
进一步地,所述在确定所得车牌区域中,保留汉子、字母和数字信息,同时去除其它部分的操作,包括:
基于精确定位所得车牌区域图像,采用加权平均值法,对所述车牌区域图像进行灰度变换处理;
基于灰度变换处理所得灰度车牌图像,采用灰度拉伸法,对所述灰度车牌图像进行灰度拉伸处理;
将灰度拉伸处理所得灰度拉伸车牌图像,矫正在水平方向上、并去除干扰后,保留所得车牌图像中的汉子、字母和数字信息,并去除所述车牌图像中的其它部分。
进一步地,所述在保留所得车牌信息中,提取单个字符的操作,包括:
基于保留所得车牌信息,采用字符连通域分割法,从所述车牌信息中,提取用于后续识别的单个字符。
进一步地,所述对提取所得单个字符,进行实时识别处理的操作,包括:
基于提取所得单个字符,通过字符规范化处理,将所述单个字符的大小,调整为与字符规范化规定的模板字符相同的规格;
基于字符规范化处理所得单个规范字符,采用模板匹配和字符特征提取法,对所述单个规范字符进行实时识别处理。
同时,本发明采用的另一技术方案是:一种基于图像分析的汽车车牌自动识别系统,包括车牌定位模块、车牌预处理模块、车牌字符分割模块与车牌字符识别模块,其中:
所述车牌定位单元,用于从采集所得包含车牌信息的车辆图像中,确定包含车牌信息的车牌区域图像;
所述车牌预处理单元,用于在确定所得车牌区域中,保留汉子、字母和数字信息,同时去除其它部分;
所述车牌字符分割单元,用于在保留所得车牌信息中,提取单个字符;
所述车牌字符识别单元,用于对提取所得单个字符,进行实时识别处理。
进一步地,所述车牌定位单元,包括车牌区域图像粗定位模块与车牌区域图像精确定位模块,其中:
所述车牌区域图像粗定位模块,用于基于采集所得包含车牌信息的车辆图像,采用颜色二值化法或梯度定位法,粗略确定车牌在车辆图像中的位置;
所述车牌区域图像精确定位模块,用于采用投影法,从车牌图像中车牌所在位置处,精确定位用于字符切分的包含车牌信息的车牌区域图像。
进一步地,所述车牌预处理单元,包括灰度变换模块、灰度拉伸模块、矫正模块与滤除模块,其中:
所述灰度变换模块,用于基于精确定位所得车牌区域图像,采用加权平均值法,对所述车牌区域图像进行灰度变换处理;
所述灰度拉伸模块,用于基于灰度变换处理所得灰度车牌图像,采用灰度拉伸法,对所述灰度车牌图像进行灰度拉伸处理;
所述矫正模块,用于将灰度拉伸处理所得灰度拉伸车牌图像,矫正在水平方向上、并去除干扰;
所述滤除模块,用于基于去除干扰后的车牌图像,保留所得车牌图像中的汉子、字母和数字信息,并去除所述车牌图像中的其它部分。
进一步地,所述车牌字符识别单元,包括字符规格调整模块与字符识别模块,其中:
所述字符规格调整模块,用于基于提取所得单个字符,通过字符规范化处理,将所述单个字符的大小,调整为与字符规范化规定的模板字符相同的规格;
所述字符识别模块,用于基于字符规范化处理所得单个规范字符,采用模板匹配和字符特征提取法,对所述单个规范字符进行实时识别处理。
经验证,使用上述实施例的基于图像分析的汽车车牌自动识别方法及系统,在对近8000张车牌识别的测试中,准确率达到95%以上。
本发明各实施例的基于图像分析的汽车车牌自动识别方法及系统,由于该方法包括:从采集所得包含车牌信息的车辆图像中,确定包含车牌信息的车牌区域图像;在确定所得车牌区域中,保留汉子、字母和数字信息,同时去除其它部分;在保留所得车牌信息中,提取单个字符;对提取所得单个字符,进行实时识别处理;可以有效的识别出多种车牌格式(例如军车、警车、普通车等)汽车车牌的底色和字符;从而可以克服现有技术中辅助工作量大、可控性差与不利于管理的缺陷,以实现辅助工作量小、可控性好与利于管理的优点。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为根据本发明基于图像分析的汽车车牌自动识别方法的流程示意图;
图2为根据本发明基于图像分析的汽车车牌自动识别方法优选实施方式的工作流程示意图;
图3为根据本发明基于图像分析的汽车车牌自动识别系统的工作原理示意图;
图4a为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式一的原始图像;
图4b为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式一中经颜色二值化处理后的图像;
图4c为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式一中用投影法得到的车牌区域;
图4d为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式一中截取后的车牌图像;
图4e为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式一中用平均灰度值二值化法得到的车牌图像(也是矫正前的车牌二值化图像);
图4f为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式一中矫正后的车牌二值化图像(也是去干扰前的车牌图像);
图4g为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式一中去干扰后的车牌图像(即预处理后的车牌图像);
图4h为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式一中用连通域分割法得到的车牌字符图像;
图4i为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式一中经规范化处理后的车牌字符图像;
图5a为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式二的原始图像;
图5b为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式二中经梯度变换处理后的图像;
图5c为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式二中经特征提取后的车牌区域(也是去干扰前的车牌图像);
图5b为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式二中截取后的车牌图像;
图5e为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式二中去干扰后的车牌图像(即预处理后的车牌图像);
图5f为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式二中用连通域分割法得到的车牌字符图像;
图5g为根据本发明基于图像分析的汽车车牌自动识别方法具体实施方式二中经规范化处理后的车牌字符图像。
结合附图,本发明实施例中附图标记如下:
1-车牌图像采集单元;2-车牌定位单元;21-车牌区域图像粗定位模块;22-车牌区域图像精确定位模块;3-车牌预处理单元;31-灰度变换模块;32-灰度拉伸模块;33-矫正模块;34-滤除模块;4-车牌字符分割单元;5-车牌字符识别单元;51-字符规格调整模块;52-字符识别模块;6-实时显示单元;7-实时存储单元。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
方法实施例
根据本发明实施例,如图1、图2、图4a-图4i、以及图5a-图5g所示,提供了一种基于图像分析的汽车车牌自动识别方法;其中,具体的车牌识别过程,如图4a-图4i、以及图5a-图5g所示。
如图1所示,本实施例的基于图像分析的汽车车牌自动识别方法,包括以下步骤:
步骤100:采集并获取包含车牌信息的车辆图像;
步骤101:从步骤100采集所得包含车牌信息的车辆图像中,确定包含车牌信息的车牌区域图像;
步骤102:在步骤101确定所得车牌区域图像中,保留汉子、字母和数字等车牌信息,同时去除其它部分及干扰;
步骤103:在步骤102保留所得车牌信息中,提取单个字符;
步骤104:对步骤103提取所得单个字符,进行实时识别处理;
步骤105:对步骤104实时识别处理所得结果,进行实时存储,并实时显示。
优选地,如图2所示,上述实施例的基于图像分析的汽车车牌自动识别方法,具体包括以下步骤:
步骤200:采集包含车牌信息的车辆图像,并获取采集所得包含车牌信息的车辆图像;
步骤201:基于步骤200所得包含车牌信息的车辆图像,判断相应车牌是否为黄蓝色车牌;若是,则执行步骤203;否则,则执行步骤202;
步骤202:采用梯度变换法,粗略确定相应车牌在车辆图像中的位置;
在步骤202中,对于那些清晰较差、亮度较低、干扰较多、以及车牌区域相对其它地方颜色较模糊的图像,可以采取梯度变换法进行车牌在车辆图像中的粗略定位。
具体地,在梯度变换法中,需要将原始彩色图像转换为二值图像;它与颜色二值化的区别在于:梯度变换法是要将那些灰度值有明显变化的象素点显示出来,这里令这些点显示为黑色,而其余那些象素点则全部显示为白色。对于车牌区域来说,车牌的四周边框,车牌区域内字符这些都是灰度值变化较大的地方。因此,通过梯度变换法,可以定位出车牌区域;可以将车牌图像进行梯度变换后,再根据车牌区域的特征,将车牌定位出来。
这里,梯度变换原理具体如下:
首先计算灰度图像f中以f(i,j)为中心的N×N(N一般取3或5)的屏蔽窗口内灰度的平均值u,无条件地把灰度u 赋给f(i,j),得到灰度图f1(i,j)。
以顺时针方向把距离像素f1(i,j)为N的8个像素点的灰度值赋给变量H(0)、H(1)……H(7)。规定一阈值T,以得到变量h(0),h(1),h(2),h(3)的值,这四个变量的值由下式确定:
其中T为经验阈值,一般取为20,f(i,j)为原图像点(i,j)的灰度。
当得到h(0),h(1),h(2),h(3)四个值后,可以计算经过处理后点(i,j)的灰度值,这时得到的图像为f2(i,j):
此时图像f2(i,j)分为了三灰度级,灰度级为0的像素点为不确定点,应重新计算灰度。方法为:先分别计算灰度值为128和255像素点的平均灰度t1和t2,若满足abs(f(i,j)-t2)<abs(f(i,j)-t1),则灰度值为0的像素点赋值为255,否则为128。经过上述处理,整幅图像只有二灰度级(128或255),若要二值化为黑白图像,需按如下公式处理:
利用梯度变换方法得到的车牌图像如图5a-图5d所示。
步骤203:采用颜色二值化法,对相应车牌图像进行形态学处理后,再粗略确定相应车牌在车辆图像中的位置;
在步骤203中,颜色二值化法,具体是指:颜色由红绿蓝(R、G、B)3原色组合而成,针对含有某种颜色成分的多少,分成0到255共256个等级,0级表示不含颜色成分,255级表示含有100%的颜色成分。
颜色二值化的条件公式如下:
在步骤202和步骤203中,汽车车牌的定位是指确定车牌在原始图像中的相对位置,其输入是整个原始图像,输出是长方形的车牌图像;可以采取两种车牌定位策略相结合的方法,即颜色二值化法和梯度变换法;
对于那些清晰较高、亮度较高、干扰较少、车牌区域相对其它地方颜色较突出的图像,利用颜色信息对输入图像进行颜色二值化;颜色二值化是指将图像根据颜色的不同分为两类,一类是车牌的颜色,另一类是除去车牌颜色的其它颜色总和;
对于包含车牌颜色的区域显示黑色,不包含车牌颜色的区域显示白色,得到以车牌颜色为特征的一些区域;然后利用投影法得到准确的车牌位置;利用颜色二值化法和投影法得到的车牌图像如图4a-图4d所示;
采用形态学膨胀技术来生成连通区域图像,对图像进行数学形态学的处理,使车牌区域更加明显、完整,定位精确;
车牌区域定位:由于车牌是统一规格,拍摄距离固定,车牌区域在图像中的比例固定,据此初步从图像中删除虚假车牌区域,剩下与车牌区域大小相近的候选块,车牌有可能与周围发生粘连,利用车牌具有长宽比一定的特性,计算实际找到的区域长宽比,调整区域边界,直到得到满意的结果;
步骤204:基于步骤202或步骤203所得车牌区域图像,采用投影法,从车辆图像中车牌所在位置处,精确定位包含车牌信息的车牌区域图像,用于后续字符切分;
车牌精确定位:采用投影直方图的方法定出汽车车牌的上、下、左、右边界。水平投影是对相同水平位置的亮点个数进行累加,垂直投影是对相同垂直位置的亮点个数进行累加。车牌所在的区域在水平和垂直方向上分别对应投影直方图的峰,通过对峰的搜索来确定一个包含车牌的矩形。
步骤205:基于步骤204精确定位所得车牌区域图像,采用加权平均值法,对车牌区域图像进行灰度变换处理;
在步骤205中,加权平均值法,具体是指:根据重要性或其它指标给R、G、B赋予不同的权值,并使R、G、B等于它们的值的加权和平均,即:
步骤206:基于步骤205灰度变换处理所得灰度车牌图像,采用灰度拉伸法,对灰度车牌图像进行恢复拉伸处理;
步骤207:将步骤206灰度拉伸处理所得灰度拉伸车牌图像,矫正在水平方向上、并去除干扰后,保留所得车牌图像中的汉子、字母和数字等车牌信息,并去除车牌图像中的其它部分及干扰;
在步骤205-步骤207中,车牌定位后,要对车牌进行预处理,主要操作包括:图像灰度化、图像灰度拉伸、图像二值化、图像确认、以及车牌图像矫正。
灰度图像处理:数字图像分为彩色图像和灰度图像。在RGB模型中, R=G=B的值叫做灰度值。由彩色转换为灰度的过程叫做灰度化处理。彩色图像的存储占用很大的空间,将彩色图像转化为灰度图像,加快后继的处理速度。
灰度拉伸:图像对比度的大小对阈值选取影响较大,对比度大小反映到图像直方图分布上是背景点组成的峰和目标点组成的峰融合在了一起,虽然直方图呈现出了双峰结构,但在很大一部分灰度范围内没有图像像素。
把灰度范围放大到[0,255],会提高图像的质量,且有利于图像的分割。设变换前的图像为f,变换后的图像为g,把对比度展宽,把f逐点的映射到g,其中f和g均在[0,255]之间变化,其对应的关系如下式:
车牌二值化:二值化是指使车牌区域内的字符特征信息显示出来。对于利用颜色二值化法定位出来的车牌,计算出整个车牌区域内的平均灰度值,以这个值作为二值化的阈值,大于这的值的象素点显示为黑(或白),低于这个值的象素点显示为白(或黑)。而对于利用梯度变换方法定位出来的车牌,二值化这个步骤可以省略。利用平均灰度值二值化方法得到的车牌图像如图4d和图4e所示。
确认白底黑字图像:经过二值化处理后,有的图像呈现出白底黑字,有的为黑底白字,将大于阈值T的灰度级范围变换为1(表示白色),小于阈值T的灰度级范围变换为0(表示黑色),系统规定二值化后的车牌为白底黑字,具体处理方法如下:底色是车牌中像素最多的颜色,直方图中最高峰对应的颜色认为是底色。蓝色和黑色在灰度图中的灰度值很低,白色和黄色的灰度值较高,形成直方图时,前者分布在灰度值127的左边,后者分布在右边。据此可以确定底色和何时进行反色处理。
车牌矫正:对车牌图像的矫正解决了大部分车牌图像都存在较小的倾斜度的问题,矫正后的车牌图像在水平方向上具有很好的效果。车牌矫正效果图如图4e和图4f所示。
车牌图像去干扰:去干扰是将车牌区域内的汉字,保留字母和数字信息,去除车牌区域其它部分。主要操作包括车牌边框的去除,清除孤岛,实现连通域算法。车牌去干扰效果图如图4f、图4g、图5c和图5e所示;
步骤208:基于步骤207保留所得车牌信息,采用字符连通域分割法,从车牌信息中,提取单个字符,用于后续识别;
在步骤208中,连通域分割法,具体是指:在车牌图像中,每个字符都是一个独立的黑象素点的连通域,找到每个连通域的四个顶角坐标,确定字符的边界。在做连通区域标记的时采取八邻域连通区域标记的办法,把一个个字符区域与车牌背景、车牌边框分开,形成一个个独立的区域,以提取特征,进行下一步的处理;图4g、图4h、图5e和图5f为本发明用连通域分割方法得到的车牌字符图像;
步骤209:基于步骤208提取所得单个字符,通过字符规范化处理,将单个字符的大小,调整为与字符规范化规定的模板字符相同的规格;
在步骤209中,特征提取法,具体是指:对切割字符和模板字符提取相同的特征,比较两者之间的差异,差异越小,匹配度越高。这里,具体可以采用粗网格法、笔划密度法、四边框法、四边角法与特征比较法;
步骤210:基于步骤209字符规范化处理所得单个规范字符,采用模板匹配和字符特征提取法,对单个规范字符(如英文字母和数字)进行实时识别处理;
在步骤209和步骤210中,车牌字符的识别基本思想是匹配判别。抽取代表未知字符模式本质的表达形式(如各种特征)和预先存储在机器中的标准字符模式表达形式的集合(可以称为字典)逐一匹配,用一定的准则进行判别,在机器存储的标准字符模式表达形式的集合中,找出最接近输入字符模式的表达形式,对应出识别结果。
对于具有统一大小规格的模板字符而言,在进行车牌字符识别之前进行字符规范化,将所有切割下来的字符都变为与模板字符相同的大小规格,车牌字符规范化,然后采取模板匹配法;图4h、图4i、图5f和图5g为用规范化方法得到的车牌字符图像。
模板匹配法:具体可以采取两种匹配方法相结合的方式,即覆盖法和特征提取法。
覆盖法:用分割出来的字符与此字符的模板进行每个象素点的比较,计算出位置相同的黑象素点的个数总和,再用这个数除以模板字符所包含的所有黑象素点个数的总和,得到的比例数即为切割字符与模板字符的匹配度。
对于那些识别错误的字符进行第二次识别,采用特征提取法。
特征提取法是同时对切割字符和模板字符提取相同的特征,比较两者之间的差异,差异越小,匹配度越高;可以采用粗网格法、笔划密度法、四边框法、四边角法、以及特征比较法;
步骤211:对步骤210实时识别处理所得结果,进行实时存储,并实时显示。
具体实施上述如图1和图2所示的基于图像分析的汽车车牌自动识别方法时,可以配备感应设备、图像采集设备、计算机、以及嵌入在计算机中的辅助图像处理软件;例如:
当感应到有车辆通过时(可以通过埋地感应线圈或光束进行检测),触发图像采集设备,驱动图像采集设备中的CCD摄像机,摄取包含车辆车牌的图像,将图像通过视频卡输入计算机进行预处理;再由检索模块对车牌进行搜索、检测、定位,并分割出包含车牌字符的矩形区域,对车牌字符进行二值化处理,并将其分割为单个字符,归一化后输入字符识别子系统进行识别。
以上述实施例应用在TI最近推出的达芬奇产品线的数字信号处理器TMS320DM6467为例,大大提升了DSP的运算能力,在它的支持下,基于这些DSP的NVR与DVR等高级摄像头系统可实现视频内容分析功能,允许在整体网络视频监控系统中集成更高的灵活性、可升级性以及智能性。由于本发明具有对视频处理实时性高的优势,即对每帧的消耗时间能控制在4ms/帧,可以很好的实现在一颗主频600M的DM6467芯片上进行8路实时图像处理功能的任务,降低了DVR的BOM成本,并使DVR设计方案更便于实现简约化。
以上述实施例为应用的汽车车牌识别系统具有很好的识别功能,针对目前我国国情的不同,可以有效的识别出多种车牌格式(例如军车、警车、普通车等)汽车车牌的底色和字符,在对近8000张车牌识别的测试中,准确率达到95%以上。
系统实施例
根据本发明实施例,提供了一种基于图像分析的汽车车牌自动识别系统。如图3所示,本实施例包括车牌图像采集单元1、车牌定位模块、车牌预处理模块、车牌字符分割模块、车牌字符识别模块52、实时存储单元7与实时显示单元6,车牌图像采集单元1、车牌定位模块、车牌预处理模块、车牌字符分割模块、车牌字符识别模块52与实时显示单元6依次信号连接,实时存储单元7与车牌字符识别单元5信号连接。
在图3中,车牌图像采集单元1,用于采集包含车牌信息的车辆图像;车牌定位单元2,用于从采集所得包含车牌信息的车辆图像中,确定包含车牌信息的车牌区域图像;车牌预处理单元3,用于在确定所得车牌区域中,保留汉子、字母和数字信息,同时去除其它部分;车牌字符分割单元4,用于在保留所得车牌信息中,提取单个字符;车牌字符识别单元5,用于对提取所得单个字符,进行实时识别处理;实时显示单元6,用于实时显示实时识别处理所得结果;实时存储单元7,用于实时存储实时识别处理所得结果,以便于查阅和调用。
在上述实施例中,车牌定位单元2,包括车牌区域图像粗定位模块21与车牌区域图像精确定位模块22,其中:车牌区域图像粗定位模块21,用于基于采集所得包含车牌信息的车辆图像,采用颜色二值化法或梯度定位法,粗略确定车牌在车辆图像中的位置;车牌区域图像精确定位模块22,用于采用投影法,从车牌图像中车牌所在位置处,精确定位用于字符切分的包含车牌信息的车牌区域图像。
在上述实施例中,车牌预处理单元3,包括灰度变换模块31、灰度拉伸模块32、矫正模块33与滤除模块34,其中:灰度变换模块31,用于基于精确定位所得车牌区域图像,采用加权平均值法,对所述车牌区域图像进行灰度变换处理;灰度拉伸模块32,用于基于灰度变换处理所得灰度车牌图像,采用灰度拉伸法,对所述灰度车牌图像进行灰度拉伸处理;矫正模块33,用于将灰度拉伸处理所得灰度拉伸车牌图像,矫正在水平方向上、并去除干扰;滤除模块34,用于基于去除干扰后的车牌图像,保留所得车牌图像中的汉子、字母和数字信息,并去除所述车牌图像中的其它部分。
在上述实施例中,车牌字符识别单元5,包括字符规格调整模块51与字符识别模块52,其中:字符规格调整模块51,用于基于提取所得单个字符,通过字符规范化处理,将所述单个字符的大小,调整为与字符规范化规定的模板字符相同的规格;字符识别模块52,用于基于字符规范化处理所得单个规范字符,采用模板匹配和字符特征提取法,对所述单个规范字符进行实时识别处理。
使用上述实施例的基于图像分析的汽车车牌自动识别系统时,当发现有车辆通过时(通过埋地感应线圈或光束检测),触发车牌图像采集单元1,可以在车牌图像采集单元1中设置CCD摄像机;CCD摄像机摄取包含车辆车牌的图像,将图像通过车牌定位单元2进行定位后,再通过车牌预处理单元3进行预处理;然后通过车牌字符分割单元4和车牌字符识别单元5,分割出包含车牌字符的矩形区域,对车牌字符进行二值化并将其分割为单个字符,归一化后输入字符识别子系统进行识别。
通过上述实施例的基于图像分析的汽车车牌自动识别系统,可以利用每一辆合法车辆都配有车牌的特点,无需在汽车上安装条形码或无线电发送装置,避免了对现有的车辆系统进行大幅度的改造的弊病;并且基于图像理解的汽车车牌识别技术依赖于视觉和图像理解,通过人机界面,加入人为干预,提高系统性能。
上述实施例的基于图像分析的汽车车牌自动识别系统,对于车牌字符中的英文和数字具有很好的识别率,能够自动、实时地检测车辆经过和识别汽车车牌。针对我国国情造成的一些特殊情况,相对于其它有相同功能的算法,采用该基于图像分析的汽车车牌自动识别系统,可以有效的识别出多种车牌格式(例如军车、警车、普通车等)汽车车牌的底色和字符;通过上述实施例的基于图像分析的汽车车牌自动识别系统,可以对于车牌字符中的英文和数字具有很好的识别率,能够自动、实时地检测和识别汽车车牌。
综上所述,本发明各实施例的基于图像分析的汽车车牌自动识别方法及系统,由于该方法包括:从采集所得包含车牌信息的车辆图像中,确定包含车牌信息的车牌区域图像;在确定所得车牌区域中,保留汉子、字母和数字信息,同时去除其它部分;在保留所得车牌信息中,提取单个字符;对提取所得单个字符,进行实时识别处理;可以有效的识别出多种车牌格式(例如军车、警车、普通车等)汽车车牌的底色和字符;从而可以克服现有技术中辅助工作量大、可控性差与不利于管理的缺陷,以实现辅助工作量小、可控性好与利于管理的优点。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像分析的汽车车牌自动识别方法,其特征在于,包括:
从采集所得包含车牌信息的车辆图像中,确定包含车牌信息的车牌区域图像;
在确定所得车牌区域中,保留汉子、字母和数字信息,同时去除其它部分;
在保留所得车牌信息中,提取单个字符;
对提取所得单个字符,进行实时识别处理。
2.根据权利要求1所述的基于图像分析的汽车车牌自动识别方法,其特征在于,所述从采集所得包含车牌信息的车辆图像中,确定包含车牌信息的车牌区域图像的操作,包括:
基于采集所得包含车牌信息的车辆图像,采用颜色二值化法或梯度定位法,粗略确定车牌在车辆图像中的位置;
采用投影法,从车牌图像中车牌所在位置处,精确定位用于字符切分的包含车牌信息的车牌区域图像。
3.根据权利要求2所述的基于图像分析的汽车车牌自动识别方法,其特征在于,所述基于采集所得包含车牌信息的车辆图像,采用颜色二值化法或梯度定位法,粗略确定车牌在车辆图像中的位置的操作,包括:
基于采集所得包含车牌信息的车辆图像,判断相应车牌是否为黄蓝色车牌:
若是,则采用颜色二值化法,对相应车牌图像进行形态学处理后,再粗略确定相应车牌在车辆图像中的位置;
否则,则采用梯度变换法,粗略确定相应车牌在车辆图像中的位置。
4.根据权利要求1-3中任一项所述的基于图像分析的汽车车牌自动识别方法,其特征在于,所述在确定所得车牌区域中,保留汉子、字母和数字信息,同时去除其它部分的操作,包括:
基于精确定位所得车牌区域图像,采用加权平均值法,对所述车牌区域图像进行灰度变换处理;
基于灰度变换处理所得灰度车牌图像,采用灰度拉伸法,对所述灰度车牌图像进行灰度拉伸处理;
将灰度拉伸处理所得灰度拉伸车牌图像,矫正在水平方向上、并去除干扰后,保留所得车牌图像中的汉子、字母和数字信息,并去除所述车牌图像中的其它部分。
5.根据权利要求4所述的基于图像分析的汽车车牌自动识别方法,其特征在于,所述在保留所得车牌信息中,提取单个字符的操作,包括:
基于保留所得车牌信息,采用字符连通域分割法,从所述车牌信息中,提取用于后续识别的单个字符。
6.根据权利要求5所述的基于图像分析的汽车车牌自动识别方法,其特征在于,所述对提取所得单个字符,进行实时识别处理的操作,包括:
基于提取所得单个字符,通过字符规范化处理,将所述单个字符的大小,调整为与字符规范化规定的模板字符相同的规格;
基于字符规范化处理所得单个规范字符,采用模板匹配和字符特征提取法,对所述单个规范字符进行实时识别处理。
7.一种基于图像分析的汽车车牌自动识别系统,其特征在于,包括车牌定位模块、车牌预处理模块、车牌字符分割模块与车牌字符识别模块,其中:
所述车牌定位单元,用于从采集所得包含车牌信息的车辆图像中,确定包含车牌信息的车牌区域图像;
所述车牌预处理单元,用于在确定所得车牌区域中,保留汉子、字母和数字信息,同时去除其它部分;
所述车牌字符分割单元,用于在保留所得车牌信息中,提取单个字符;
所述车牌字符识别单元,用于对提取所得单个字符,进行实时识别处理。
8.根据权利要求7所述的基于图像分析的汽车车牌自动识别系统,其特征在于,所述车牌定位单元,包括车牌区域图像粗定位模块与车牌区域图像精确定位模块,其中:
所述车牌区域图像粗定位模块,用于基于采集所得包含车牌信息的车辆图像,采用颜色二值化法或梯度定位法,粗略确定车牌在车辆图像中的位置;
所述车牌区域图像精确定位模块,用于采用投影法,从车牌图像中车牌所在位置处,精确定位用于字符切分的包含车牌信息的车牌区域图像。
9.根据权利要求7或8所述的基于图像分析的汽车车牌自动识别系统,其特征在于,所述车牌预处理单元,包括灰度变换模块、灰度拉伸模块、矫正模块与滤除模块,其中:
所述灰度变换模块,用于基于精确定位所得车牌区域图像,采用加权平均值法,对所述车牌区域图像进行灰度变换处理;
所述灰度拉伸模块,用于基于灰度变换处理所得灰度车牌图像,采用灰度拉伸法,对所述灰度车牌图像进行灰度拉伸处理;
所述矫正模块,用于将灰度拉伸处理所得灰度拉伸车牌图像,矫正在水平方向上、并去除干扰;
所述滤除模块,用于基于去除干扰后的车牌图像,保留所得车牌图像中的汉子、字母和数字信息,并去除所述车牌图像中的其它部分。
10.根据权利要求9所述的基于图像分析的汽车车牌自动识别系统,其特征在于,所述车牌字符识别单元,包括字符规格调整模块与字符识别模块,其中:
所述字符规格调整模块,用于基于提取所得单个字符,通过字符规范化处理,将所述单个字符的大小,调整为与字符规范化规定的模板字符相同的规格;
所述字符识别模块,用于基于字符规范化处理所得单个规范字符,采用模板匹配和字符特征提取法,对所述单个规范字符进行实时识别处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110379006.0A CN102364496B (zh) | 2011-11-24 | 2011-11-24 | 一种基于图像分析的汽车车牌自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110379006.0A CN102364496B (zh) | 2011-11-24 | 2011-11-24 | 一种基于图像分析的汽车车牌自动识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102364496A true CN102364496A (zh) | 2012-02-29 |
CN102364496B CN102364496B (zh) | 2015-06-17 |
Family
ID=45691062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110379006.0A Active CN102364496B (zh) | 2011-11-24 | 2011-11-24 | 一种基于图像分析的汽车车牌自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102364496B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880874A (zh) * | 2012-09-29 | 2013-01-16 | 重庆新媒农信科技有限公司 | 字符识别方法和字符识别器 |
CN102880859A (zh) * | 2012-08-30 | 2013-01-16 | 华南理工大学 | 一种车牌识别方法 |
CN103065148A (zh) * | 2012-12-03 | 2013-04-24 | 黄敏 | 获取视频中服装二维码的方法和装置 |
CN103870844A (zh) * | 2014-03-24 | 2014-06-18 | 陕西科技大学 | 一种基于vbai模板匹配的工件号码识别方法 |
CN105005780A (zh) * | 2015-06-29 | 2015-10-28 | 叶秀兰 | 一种车牌识别方法 |
CN105022991A (zh) * | 2015-06-29 | 2015-11-04 | 叶秀兰 | 一种车牌处理与自动识别方法 |
CN105022992A (zh) * | 2015-06-29 | 2015-11-04 | 叶秀兰 | 一种车牌自动鉴别方法 |
CN105046208A (zh) * | 2015-06-29 | 2015-11-11 | 叶秀兰 | 一种车牌自动识别系统 |
CN105205489A (zh) * | 2015-08-27 | 2015-12-30 | 华南理工大学 | 基于颜色纹理分析器与机器学习的车牌检测方法 |
CN105684058A (zh) * | 2016-01-19 | 2016-06-15 | 冯旋宇 | 智能交通的号牌识别方法及系统 |
CN106127202A (zh) * | 2016-06-21 | 2016-11-16 | 福建富士通信息软件有限公司 | 一种图片中字符识别的方法以及装置 |
CN106446891A (zh) * | 2016-08-29 | 2017-02-22 | 昆山邦泰汽车零部件制造有限公司 | 一种机动车车牌的自动识别方法 |
CN106446898A (zh) * | 2016-09-14 | 2017-02-22 | 宇龙计算机通信科技(深圳)有限公司 | 一种图像中文字信息的提取方法及装置 |
CN107085726A (zh) * | 2017-01-04 | 2017-08-22 | 安阳师范学院 | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 |
CN107423735A (zh) * | 2017-04-07 | 2017-12-01 | 西华师范大学 | 一种利用水平梯度和饱和度的车牌定位算法 |
CN107730620A (zh) * | 2017-02-13 | 2018-02-23 | 西安艾润物联网技术服务有限责任公司 | 停车场计费异常处理方法及装置 |
CN108009545A (zh) * | 2017-12-22 | 2018-05-08 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号视觉自动识别方法 |
CN108108735A (zh) * | 2017-12-22 | 2018-06-01 | 大连运明自动化技术有限公司 | 一种汽车车牌号自动识别方法 |
CN108171991A (zh) * | 2018-02-09 | 2018-06-15 | 武汉市技领科技有限公司 | 一种识别控制器及车牌识别系统 |
CN109086769A (zh) * | 2018-07-19 | 2018-12-25 | 武汉科技大学 | 一种断裂粘连激光印刷数字串识别方法 |
TWI676965B (zh) * | 2018-04-11 | 2019-11-11 | 大眾電腦股份有限公司 | 物件影像辨識系統及物件影像辨識方法 |
CN114241472A (zh) * | 2022-02-25 | 2022-03-25 | 南京甄视智能科技有限公司 | 基于底库的车牌识别方法、装置、存储介质及设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203351A (zh) * | 2016-07-13 | 2016-12-07 | 南京工大建设工程技术有限公司 | 裂缝智能识别分类的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334837A (zh) * | 2008-07-31 | 2008-12-31 | 重庆大学 | 一种多方法融合的车牌图像定位方法 |
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101763505A (zh) * | 2009-12-29 | 2010-06-30 | 重庆大学 | 基于投影对称性的车牌字符特征提取及分类方法 |
-
2011
- 2011-11-24 CN CN201110379006.0A patent/CN102364496B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101334837A (zh) * | 2008-07-31 | 2008-12-31 | 重庆大学 | 一种多方法融合的车牌图像定位方法 |
CN101763505A (zh) * | 2009-12-29 | 2010-06-30 | 重庆大学 | 基于投影对称性的车牌字符特征提取及分类方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880859A (zh) * | 2012-08-30 | 2013-01-16 | 华南理工大学 | 一种车牌识别方法 |
CN102880874B (zh) * | 2012-09-29 | 2016-04-13 | 重庆新媒农信科技有限公司 | 字符识别方法和字符识别器 |
CN102880874A (zh) * | 2012-09-29 | 2013-01-16 | 重庆新媒农信科技有限公司 | 字符识别方法和字符识别器 |
CN103065148A (zh) * | 2012-12-03 | 2013-04-24 | 黄敏 | 获取视频中服装二维码的方法和装置 |
CN103870844A (zh) * | 2014-03-24 | 2014-06-18 | 陕西科技大学 | 一种基于vbai模板匹配的工件号码识别方法 |
CN105022991A (zh) * | 2015-06-29 | 2015-11-04 | 叶秀兰 | 一种车牌处理与自动识别方法 |
CN105022992A (zh) * | 2015-06-29 | 2015-11-04 | 叶秀兰 | 一种车牌自动鉴别方法 |
CN105046208A (zh) * | 2015-06-29 | 2015-11-11 | 叶秀兰 | 一种车牌自动识别系统 |
CN105005780A (zh) * | 2015-06-29 | 2015-10-28 | 叶秀兰 | 一种车牌识别方法 |
CN105205489A (zh) * | 2015-08-27 | 2015-12-30 | 华南理工大学 | 基于颜色纹理分析器与机器学习的车牌检测方法 |
CN105205489B (zh) * | 2015-08-27 | 2018-07-20 | 华南理工大学 | 基于颜色纹理分析器与机器学习的车牌检测方法 |
CN105684058A (zh) * | 2016-01-19 | 2016-06-15 | 冯旋宇 | 智能交通的号牌识别方法及系统 |
CN106127202A (zh) * | 2016-06-21 | 2016-11-16 | 福建富士通信息软件有限公司 | 一种图片中字符识别的方法以及装置 |
CN106446891A (zh) * | 2016-08-29 | 2017-02-22 | 昆山邦泰汽车零部件制造有限公司 | 一种机动车车牌的自动识别方法 |
CN106446898A (zh) * | 2016-09-14 | 2017-02-22 | 宇龙计算机通信科技(深圳)有限公司 | 一种图像中文字信息的提取方法及装置 |
CN107085726A (zh) * | 2017-01-04 | 2017-08-22 | 安阳师范学院 | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 |
CN107730620A (zh) * | 2017-02-13 | 2018-02-23 | 西安艾润物联网技术服务有限责任公司 | 停车场计费异常处理方法及装置 |
CN107423735A (zh) * | 2017-04-07 | 2017-12-01 | 西华师范大学 | 一种利用水平梯度和饱和度的车牌定位算法 |
CN107423735B (zh) * | 2017-04-07 | 2020-11-06 | 西华师范大学 | 一种利用水平梯度和饱和度的车牌定位方法 |
CN108009545A (zh) * | 2017-12-22 | 2018-05-08 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号视觉自动识别方法 |
CN108108735A (zh) * | 2017-12-22 | 2018-06-01 | 大连运明自动化技术有限公司 | 一种汽车车牌号自动识别方法 |
CN108171991A (zh) * | 2018-02-09 | 2018-06-15 | 武汉市技领科技有限公司 | 一种识别控制器及车牌识别系统 |
TWI676965B (zh) * | 2018-04-11 | 2019-11-11 | 大眾電腦股份有限公司 | 物件影像辨識系統及物件影像辨識方法 |
CN109086769A (zh) * | 2018-07-19 | 2018-12-25 | 武汉科技大学 | 一种断裂粘连激光印刷数字串识别方法 |
CN109086769B (zh) * | 2018-07-19 | 2021-11-02 | 武汉科技大学 | 一种断裂粘连激光印刷数字串识别方法 |
CN114241472A (zh) * | 2022-02-25 | 2022-03-25 | 南京甄视智能科技有限公司 | 基于底库的车牌识别方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102364496B (zh) | 2015-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102364496B (zh) | 一种基于图像分析的汽车车牌自动识别方法及系统 | |
CN103824066B (zh) | 一种基于视频流的车牌识别方法 | |
CN103077407B (zh) | 车标定位识别方法及系统 | |
CN101334836B (zh) | 一种融合色彩、尺寸和纹理特征的车牌定位方法 | |
CN108364010A (zh) | 一种车牌识别方法、装置、设备及计算机可读存储介质 | |
CN101872416B (zh) | 对道路图像进行车牌识别的方法和系统 | |
CN102708356B (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
CN103116751B (zh) | 一种车牌字符自动识别方法 | |
CN103136528B (zh) | 一种基于双边缘检测的车牌识别方法 | |
CN102375982B (zh) | 一种融合多字符特征的车牌定位方法 | |
CN105373794A (zh) | 一种车牌识别方法 | |
CN102867417B (zh) | 一种出租车防伪系统及方法 | |
CN202563526U (zh) | 一种基于视频的交通车辆检测识别系统 | |
CN102637257A (zh) | 一种基于视频的交通车辆检测识别系统和方法 | |
CN103500322A (zh) | 基于低空航拍图像的车道线自动识别方法 | |
CN104616009A (zh) | 一种字符切割识别方法 | |
CN108198417B (zh) | 一种基于无人机的道路巡检系统 | |
CN104951784A (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
CN111209780A (zh) | 车道线属性检测方法、装置、电子设备及可读存储介质 | |
CN102902957A (zh) | 一种基于视频流的自动车牌识别方法 | |
CN100385452C (zh) | 一种车牌字符分割方法 | |
CN102298693A (zh) | 基于计算机视觉的高速公路弯道检测方法 | |
CN104112139A (zh) | 一种lpr车牌精确定位的方法和系统 | |
CN103093201A (zh) | 车标定位识别方法及系统 | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C56 | Change in the name or address of the patentee | ||
CP03 | Change of name, title or address |
Address after: 214174 Tsinghua innovation building, No. 1, wisdom road, Huishan Economic Development Zone, Jiangsu, Wuxi province A1501-A1509 Patentee after: ABD SMART EYE ELECTRONICS CO., LTD. Address before: 214174, Jiangsu, Huishan Economic Development Zone, Wuxi, 1, 15 Jiangsu Road, digital knowledge industry park, Tsinghua innovation building, building No. Patentee before: Wuxi Eye Technology Co., Ltd. |