CN105117725A - 一种基于车牌可信度的车牌自纠正识别方法 - Google Patents

Abstract

本发明属于可信度车牌识别领域，具体涉及一种基于车牌可信度的车牌自纠正识别方法。本方法包括对车牌识别结果提供的可信度进行判断，设置各初始可信度阈值并提供默认省份汉字设置；获得可信度对调整之后准确度的影响，找出T1；获得可信度高于T1的识别结果，再找出容易识别错误的汉字替换；在T1的基础上再获取各初始可信度阈值，将可信度在T1与T2之间的车牌号码处省份汉字纠正为前述默认省份汉字；再找出影响最大点的可信度阈值T2，得到最终纠正后的结果。本方法能够在目前车牌识别算法所提供结果的基础上，实现其识别结果的进一步优化，以进一步提升其识别结果的精确度，其识别可靠性亦可得到有效保证。

Description

一种基于车牌可信度的车牌自纠正识别方法

技术领域

本发明属于可信度车牌识别领域，具体涉及应用于当前车牌识别算法基础上，以进一步提升该识别算法准确度的一种基于车牌可信度的车牌自纠正识别方法。

背景技术

智能交通系统(IntelligentTransportationSysteln，简称ITS)是21世纪道路交通管理的发展趋势。而车辆牌照是车辆的唯一身份标识，车辆牌照识别系统(LPRS)作为智能交通系统中重要的一部分，近年来引起专家们的重视，并已有产品投入使用，以期提高交通管理效率与水平，节省人力、物力和实现车辆的科学化、规范化管理。然而，由于目前车辆牌照识别系统的不成熟性，在实际使用过程中，仍然存在着系统移植性差、对光照的适应性差、准确率不够高等缺点。目前克服上述缺点的措施，是在提供识别结果的同时加入可信度这一参数，从而以标签的形式标明该车牌号码的机器识别可靠程度。在必要时，甚至需要后期对过低可信度的车牌号码进行二次的人工辨识，以提升整体数据的辨识准确性，劳动强度较大；当然，该处的“过低”可信度的分水线也都为凭经验决定。尤其是在我国，管理交通中大量存在摄像机分辨率仅为720P的低分辨率摄像头，抓取车牌比较模糊，特别是汉字部分；并且部分车牌倾斜角度较高，进一步的导致照片的分辨效果极低。以目前的车辆牌照识别结果而言，自然的统归于低可信度的范畴，进而进一步的降低了车辆牌照识别系统的辨识准确度。如何寻求一种基于目前车牌识别基础上的纠正识别方法，能在不更改目前既定车牌识别系统的基础上，能利用其识别结果而实现识别准确度的进一步优化，以在降低人工辨识强度的同时获得更高准确度的识别结果，以进一步城市安全管理水平和快速反应能力，为本领域近年来所亟待解决的技术难题。

发明内容

本发明的目的为克服上述现有技术的不足，提供一种更为高效快捷的基于车牌可信度的车牌自纠正识别方法，本方法能够在目前车牌识别算法所提供结果的基础上，实现该识别结果的进一步优化，以在降低人工劳动强度的同时进一步提升其系统识别的精确度，其识别可靠性亦可得到有效保证。

为实现上述目的，本发明采用了以下技术方案：

一种基于车牌可信度的车牌自纠正识别方法，其特征在于包括以下步骤：

1)、在车牌识别结果数据库内随机取样，获得至少包括车牌号码及可信度在内的车牌识别结果参数；肉眼辨识该随机取样，获得各正确的车牌号码；

2)、在可信度区间内，于取样数据中任取一个可信度作为初始可信度阈值，进入步骤3)；

3)、进行该当前取样数据内车牌号码的纠正识别判断，具体步骤为：当该当前取样数据内某一车牌号码对应的可信度大于或等于该初始可信度阈值，该车牌号码不变；当该当前取样数据内某一车牌号码对应的可信度小于该初始可信度阈值，将该车牌号码的汉字省份替换为当前取样数据中出现最多的省份汉字；进入步骤4)；

4)、获得步骤3)处理后的取样数据，以该处理后的取样数据为蓝本，对比1)步骤中原始取样数据中的肉眼判断结果，获得经过处理后取样数据的样本正确数，并以下式获得处理后的取样数据准确度：

不断重复步骤2)及3)，直至获得取样数据内可信度区间内的所有初始可信度阈值的准确度，作其准确度与相应初始可信度阈值的关系曲线图，进入步骤5)；

5)、对比上述关系曲线图，获得最高准确度下的初始可信度阈值取值，令其为最佳初始可信度阈值T1；

6)、在最佳初始可信度阈值T1下所处理后的取样数据中，将该取样数据内与前述出现最多的省份汉字间易于混淆的省份汉字，替换为前述出现最多的省份汉字；重新在T1至最高可信度的区间内进行初始可信度阈值取值，重复进行步骤3)及步骤4)，获得T1至最高可信度的区间内的准确度与相应初始可信度阈值的关系曲线图；根据该关系曲线图，获得当前最高准确度下的可信度阈值取值，令其为最佳可信度阈值T2；

7)、将T1、T2依次代入步骤1)的车牌识别结果数据库内：当车牌识别结果数据库内某一车牌号码对应的可信度大于或等于T1，该车牌号码不变；当车牌识别结果数据库内某一车牌号码对应的可信度小于T1，将该车牌号码的汉字省份替换为当前取样数据中出现最多的省份汉字；之后再进行易于混淆的省份汉字判断，也即在经过上述T1代入并更新后的车牌识别结果数据库基础上，当车牌识别结果数据库内某一车牌号码对应的可信度大于或等于T2，该车牌号码不变；当车牌识别结果数据库内车牌号码对应的可信度大于或等于T1而小于T2，将该范围内易于混淆的省份汉字替换为当前取样数据中出现最多的省份汉字；完成当前车牌识别结果数据库下的车牌自动纠正识别。

步骤1)中的可信度区间，为当前车牌识别结果数据库内的最低可信度至最高可信度之间所涵盖的范围。

步骤4)中的不断重复步骤2)及3)是指：在可取值区间内以小数点后两位进行所述初始可信度阈值的逐一取值。

所述步骤5)及步骤6)中的获得关系曲线图以进行当前最高准确度下的可信度阈值取值是指：建立xy轴坐标系，以准确度为y轴而以所取各初始可信度阈值为x轴，在当前关系曲线图的曲线峰顶处取相应x轴数值；如该x轴数值刚好对应相应坐标系上初始可信度阈值刻度，即可获得T1；如该x轴数值无相应初始可信度阈值刻度对应，则以最接近该数值的初始可信度阈值为T1。

步骤6)中的与出现最多的省份汉字间易于混淆的省份汉字的判断，是通过获得可信度大于T1的错误识别结果中，错误识别成出现最多的省份汉字的其他省份汉字的出现频率得到，高于指定出现频率的其他省份汉字即判断为易于混淆的省份汉字。

本发明的主要优点在于：

1)、本发明通过在原始数据库内进行随机取样，从而获得带有车牌号码及可信度标签的样本，随之对该样本进行最佳可信度阈值判定。在获取最佳初始可信度阈值T1和最佳可信度阈值T2后，再将该T1及T2反馈至原始数据库内，从而使车辆牌照识别系统的总体辨识准确度得以进一步提升。本发明通过上述取样反馈流程，在车牌识别结果数据库内的原始参数基础上进行阈值选取，实现其可供识别参数的进一步优化；且由于只需进行取样数据的肉眼辨识，之后就无需对数据库内海量其他数据进行判断，只需T1及T2值代入即可；因而在降低了人工劳动强度的同时，又简洁而有效的提升了车辆牌照识别系统的识别效率和准确度。尤其对于某些大量存在低分辨车牌图片的数据库识别而言提升更为巨大，极为符合目前国内的高效率和高准确度的车牌辨识需求。

附图说明

图1为本发明的T1及的T2取值流程示意简图；

图2为车牌可信度与经最佳初始可信度阈值T1调整后准确度的关系曲线图；

图3为车牌可信度与最佳可信度阈值T2调整后准确度的关系曲线图。

具体实施方式

为便于理解，此处结合图1-3对本发明的具体实施过程作以下进一步描述：

一种基于车牌可信度自动纠正车牌识别的方法，该方法包括下列顺序的步骤：

1)、对车牌识别结果提供的可信度进行判断，设置各初始可信度阈值并提供默认省份汉字设置。因汉字是识别率低的主要原因，故纠正可信度低于各初始可信度阈值的识别结果中的汉字，置为默认省份汉字。此处默认省份汉字即为当前随机取样数据内出现次数最多的省份汉字。

2)、获得可信度对调整之后准确度的影响，找出影响最大点的最佳初始可信度阈值T1；

3)、获得可信度高于T1的识别结果，再找出容易识别错误的汉字，置为易错字；在T1的基础上再获取各初始可信度阈值，将可信度在T1与T2之间的车牌号码处省份汉字纠正为前述默认省份汉字；

4)、获得经过步骤3)调整的各初始可信度阈值对准确度的影响，找出影响最大点的可信度阈值T2，得到最终纠正后的结果，最终获得经过优化处理后的车牌识别结果数据库。以该优化处理后的车牌识别结果数据库进行车牌识别系统的取值辨识，即可有效提升其辨识准确度及辨识效率。

本方法需要事先提取较大数据量的车牌识别结果进行取样以确定可信度阈值；车牌分辨率为截取车牌图片的像素点总和，通常为图片长乘宽的结果，本方法最低支持60个像素点的车牌图片。

所述车牌识别结果包括车牌号码、车牌颜色、车牌种类、可信度，因车牌号码是车牌最重要的信息，本方法主要是对车牌号码就行纠正。可信度为车牌识别结果中车牌号码的准确程度，有车牌识别算法原始提供并自动作为参数存入数据库内的。由于是机器测算，必然与人为观测的结果存在一定差异。所述默认省份汉字为各个省份的汉字缩写，规范参考GA36-2007。由于目前发现汉字为车牌号码识别错误的主要原因，故本发明最终的小于T1的车牌应纠正汉字部分为默认省份汉字，而在该基础上的大于等于T1并小于T2的部分，则仅进行易混淆省份汉字的替换即可，从而达到在当前即得车辆识别结果数据库基础上的最佳准确度辨识目的。

实施例：

如图1所示，首先获取车牌识别结果。本方法的阈值选取部分与当地的默认省份有关。以安徽省合肥市为例，默认省份为“皖”，本方法随机抽取平安合肥虚拟卡口系统检测到的共165515张车牌作为样本。每一条车牌识别结果的自带参数包括车牌号码、车牌颜色、车牌种类、可信度。其中，可信度为算法识别车牌号码是否准确的可信任程度，可信度与识别准确度存在着一定的关系。上述样本中有很大一部分车牌图片分辨率较低，采集自720P摄像机97693张，该部分原有车牌识别率仅68.8％，其余为1080P摄像机采集结果。采集自720P摄像机的车牌汉字部分较为模糊，有些还有一定角度的倾斜，算法识别难度大，是识别率下降的主要原因；部分1080P摄像机的车牌部分也有部分存在汉字识别难度。经肉眼识别统计，该样本中因汉字识别错误而机器判断出错的车牌有34696张，占总识别错误结果的96.6％，因而本方法主要是对车牌汉字部分进行纠正。

统计可信度对调整之后准确度的影响，找出影响最大点处的最佳初始可信度阈值T1，如图2所示。当可信度小于T1时，自动纠正车牌的汉字部分为默认省份汉字，也即“皖”。图2中所示准确度为T1等于该点对应的可信度时，按上述规则纠正之后的车牌识别结果的人为观察识别率。对应的统计数据如表一所示，其中，遵循传统车牌识别算法规定，可信度精确到小数点后两位，且可信度最低值为0.75，最高值为1。

表一

(注：样本总值：165515张，可信度最低值为0.75。)

表一中所示调整后的准确度的计算公式为：

(公式1-1)

由图2以及表一的数据可以看出，调整后的准确度开始随着可信度的增加而增加，到达顶点之后出现下降，这是由于将正确的非默认省份汉字修改为默认省份汉字造成的。对比连续三点可信度较大值点T1＝0.89、0.90、0.91后,可知当T1取0.90时，调整后的识别准确度最高，因而选取阈值T1＝0.90。此时的识别率可达到88.1％，比T1＝0.75时识别率提升了9.8％，有效的提升了识别率。

如图2所示，可信度≥T1的部分仍然有比较大的一部分车牌识别错误。如样本中汉字“皖”容易被识别成“甘”、“琼”、“赣”、“新”，造成识别出错，将以上几个字设为易错字。

获得经过T1阈值操作后，可信度与修改后的准确度之间的关系，找出影响最大时的最佳可信度阈值T2，如图3所示。当T1≤可信度<T2时，对各易错字也即易于混淆的省份汉字进行纠正，无论是否辨识正确，统一纠正为默认省份汉字，也即“皖”。图3中所示准确度，为T2等于该点可信度时，按上述规则纠正之后的车牌识别结果的于人为观测结果比对后的准确度。调整后的准确度计算公式同公式1-1。对应图3的数据统计结果如表二所示。

表二

(注：样本总值：165515张)

由图3以及表二的数据可以看出，调整后的准确度起初随着可信度的增加而增加，到达顶点之后出现下降，这是由于将正确辨识的车牌的识别结果中易错字修改成默认省份汉字造成的。对比连续三点可信度较大值点T2＝0.96、0.97、0.98后,可知当T2取0.97时，调整后的识别率最高，因而选取阈值T2＝0.97。此时的识别率可达到91.9％，比最佳初始可信度阈值T1＝0.90调整后，提升了3.8％，进一步提升了识别率，总体提升了13.6％的识别率，效果明显。该实施例的91.9％的识别率即为本方法最终的结果，已经明显优于当前系统的识别准确度。此时即可将T1及T2按照先后顺序依次代入原始的车牌识别结果数据库内进行统一处理，获得处理后的车牌识别结果数据库。实际数据实践表明，经过上述处理后的车牌识别结果数据库的辨识精确度较之原始的数据库而言，辨识准确度得以显著提升。

Claims (5)

1.一种基于车牌可信度的车牌自纠正识别方法，其特征在于包括以下步骤：

1)、在车牌识别结果数据库内随机取样，获得至少包括车牌号码及可信度在内的车牌识别结果参数；肉眼辨识该随机取样，获得各正确的车牌号码；

2)、在可信度区间内，于取样数据中任取一个可信度作为初始可信度阈值，进入步骤3)；

3)、进行该当前取样数据内车牌号码的纠正识别判断，具体步骤为：当该当前取样数据内某一车牌号码对应的可信度大于或等于该初始可信度阈值，该车牌号码不变；当该当前取样数据内某一车牌号码对应的可信度小于该初始可信度阈值，将该车牌号码的汉字省份替换为当前取样数据中出现最多的省份汉字；进入步骤4)；

4)、获得步骤3)处理后的取样数据，以该处理后的取样数据为蓝本，对比1)步骤中原始取样数据中的肉眼判断结果，获得经过处理后取样数据的样本正确数，并以下式获得处理后的取样数据准确度：

不断重复步骤2)及3)，直至获得取样数据内可信度区间内的所有初始可信度阈值的准确度，作其准确度与相应初始可信度阈值的关系曲线图，进入步骤5)；

5)、对比上述关系曲线图，获得最高准确度下的初始可信度阈值取值，令其为最佳初始可信度阈值T1；

6)、在最佳初始可信度阈值T1下所处理后的取样数据中，将该取样数据内与前述出现最多的省份汉字间易于混淆的省份汉字，替换为前述出现最多的省份汉字；重新在T1至最高可信度的区间内进行初始可信度阈值取值，重复进行步骤3)及步骤4)，获得T1至最高可信度的区间内的准确度与相应初始可信度阈值的关系曲线图；根据该关系曲线图，获得当前最高准确度下的可信度阈值取值，令其为最佳可信度阈值T2；

7)、将T1、T2依次代入步骤1)的车牌识别结果数据库内：当车牌识别结果数据库内某一车牌号码对应的可信度大于或等于T1，该车牌号码不变；当车牌识别结果数据库内某一车牌号码对应的可信度小于T1，将该车牌号码的汉字省份替换为当前取样数据中出现最多的省份汉字；之后再进行易于混淆的省份汉字判断，也即在经过上述T1代入并更新后的车牌识别结果数据库基础上，当车牌识别结果数据库内某一车牌号码对应的可信度大于或等于T2，该车牌号码不变；当车牌识别结果数据库内车牌号码对应的可信度大于或等于T1而小于T2，将该范围内易于混淆的省份汉字替换为当前取样数据中出现最多的省份汉字；完成当前车牌识别结果数据库下的车牌自动纠正识别。

2.根据如权利要求1所述的一种基于车牌可信度的车牌自纠正识别方法，其特征在于：步骤1)中的可信度区间，为当前车牌识别结果数据库内的最低可信度至最高可信度之间所涵盖的范围。

3.根据如权利要求1或2所述的一种基于车牌可信度的车牌自纠正识别方法，其特征在于步骤4)中的不断重复步骤2)及3)是指：在可取值区间内以小数点后两位进行所述初始可信度阈值的逐一取值。

4.根据如权利要求3所述的一种基于车牌可信度的车牌自纠正识别方法，其特征在于所述步骤5)及步骤6)中的获得关系曲线图以进行当前最高准确度下的可信度阈值取值是指：建立xy轴坐标系，以准确度为y轴而以所取各初始可信度阈值为x轴，在当前关系曲线图的曲线峰顶处取相应x轴数值；如该x轴数值刚好对应相应坐标系上初始可信度阈值刻度，即可获得T1；如该x轴数值无相应初始可信度阈值刻度对应，则以最接近该数值的初始可信度阈值为T1。

5.根据如权利要求1或2所述的一种基于车牌可信度的车牌自纠正识别方法，其特征在于步骤6)中的与出现最多的省份汉字间易于混淆的省份汉字的判断，是通过获得可信度大于T1的错误识别结果中，错误识别成出现最多的省份汉字的其他省份汉字的出现频率得到，高于指定出现频率的其他省份汉字即判断为易于混淆的省份汉字。