CN106023173A - 一种基于支持向量机的号码牌识别方法 - Google Patents

Abstract

一种基于支持向量机的号码牌识别方法，包括如下步骤：1)获取号码牌图像I₁；2)对图像进行颜色预处理，得到灰度图像I₄；3)对图像I₄进行Canny算子边缘检测，得到边缘图像I₅；4)对边缘图像I₅进行数字区域矩形框定，得到包含数字的轮廓集合5)对各个包含数字的轮廓集合结合原始图像I₁，利用训练好的数字分类器进行识别，获得具体数字。本发明能够替代传统的人工分类，提升对马拉松照片的分类速度，同时对号码牌的柔性材质有较强适应性，能保持较高识别率。

Description

一种基于支持向量机的号码牌识别方法

技术领域

本发明涉及神经网络、计算机视觉、图像处理、模式识别等技术领域，尤其是一种针对拍摄的图片，实现图片中号码牌的识别方法，该方法可用于各类赛事，如马拉松、运动会等。

背景技术

随着中国人民体质健康问题的不断加剧，全民健身再度成为热点议题。城市马拉松的蓬勃发展，使全民健身模式逐渐取代原有的室内健身或不健身模式。近年来中国马拉松赛事呈现指数级的增长，同时也带动了与之相关的运动装备、旅游行业甚至于马拉松照片销售的发展。在这样的大背景下，市场对马拉松服务平台产生了迫切的需求，尤其是对马拉松纪念照的需求。

马拉松赛事举办方普遍没有较好的技术背景，对纪念照的筛选还停留在传统的人工分类水平，效率较低。号码牌不同于车牌等刚性的物体，容易产生较大的形变、遮挡及干扰(如手部、装饰物)等情况，传统的车牌识别技术对号码牌的识别准确率不高，缺乏实用价值。

针对号码牌与遮挡情况开发的算法，除了对柔性物体有较高的识别能力外，也对刚性物体有很强的识别能力。这样的算法能被推广到车牌识别、门牌识别，甚至是娱乐游戏(如扑克牌、麻将、象棋等)的识别等领域，大幅度提高人工识别分类的效率。

发明内容

为了克服已有号码牌识别方式的人工分类、分类速度慢、识别率较低的不足，本发明提供一种能够替代传统的人工分类，提升对马拉松照片的分类速度，同时对号码牌的柔性材质有较强适应性，能保持较高识别率的基于支持向量机的号码牌识别方法。

本发明解决其技术问题所采用的技术方案是：

一种基于支持向量机的号码牌识别方法，所述号码牌识别方法包括如下步骤：

1)获取号码牌图像I₁；

2)对图像进行颜色预处理，具体步骤如下：

2.1)将图像I₁进行色彩空间转换，得到HSV颜色空间的图像I₂；

2.2)将图像I₂进行直方图均衡化，得到图像I₃；

2.3)将图像I₃根据明度阈值进行处理，得到灰度图像I₄；

3)对图像I₄进行Canny算子边缘检测，得到边缘图像I₅；

4)对边缘图像I₅进行数字区域矩形框定，具体步骤如下：

4.1)通过对边缘图像I₅进行轮廓提取，得到轮廓信息K_i；

4.2)对获取的轮廓信息K_i进行矩形规格化，剔除不符合规范的矩形后得到轮廓信息

4.3)对各个符合规范的轮廓结合原始图像I₁，利用训练好的数字判别器进行检测，判断内容是否为数字；若不属于数字，则剔除这个轮廓；最终得到包含数字的轮廓集合

5)对各个包含数字的轮廓集合结合原始图像I₁，利用训练好的数字分类器进行识别，获得具体数字。

进一步，所述号码牌识别方法还包括如下步骤：

6)将步骤5)中得到的数字进行漏检测与定位，剔除误判数字，并将遗漏的数字矩形重复进行步骤5)；

7)归纳得到的数字，最终拼凑出号码牌序号并输出。

再进一步，所述步骤3)中，Canny算子边缘检测中，利用高斯滤波器平滑图像，高斯滤波器中用到的卷积滤波方程为：

$G(x,y,\mathrm{\σ})=\frac{e^{-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}}}{2{\mathrm{\π\σ}}^2}$

其中，σ为高斯分布参数，x,y为图像中某一像素距离中心的距离；

平滑后的图像通过Sobel算子获得单位像素点的梯度幅值与梯度方向，其中二范数由横纵模板的无穷大范数代替；其中，横纵梯度模板的近似值与梯度方向公式如下所示：

$G=\sqrt[2]{G_x^2+G_y^2},\mathrm{\θ}={\tan }^{-1}\frac{G_y}{G_x}$

其中，G为梯度度量值，θ为梯度方向，G_x为检测水平边沿的横向模板，G_y为检测垂直边沿的纵向模板；

相邻像素间的梯度幅值通过插值得到，并通过与高低阈值比较，得到细化为1像素宽度的图像边缘。

更进一步，所述步骤4.3)中，所述数字判别器使用HOG特征提取，并对提取出的特征利用SVM支持向量机进行判别，其中，每个待判断的图片区块都被缩放归一到90×45的大小，HOG描述子采样同等的窗口大小，以45×15作为块大小，并以15×5作为胞元大小，经过HOG处理后的特征数据作为一维向量输入SVM，SVM采用C_SVC模型以及线性核函数。

所述步骤5)中，所述数字分类器器使用HOG特征提取，并对提取出的特征利用SVM支持向量机进行判别，其中，每个待判断的图片区块都被缩放归一到90×45的大小，HOG描述子采样同等的窗口大小，以45×15作为块大小，并以15×5作为胞元大小，经过HOG处理后的特征数据作为一维向量输入SVM，SVM采用C_SVC模型以及线性核函数。

所述步骤6)，漏检测与定位过程如下：根据每个数字的位置关系，将距离小于设定阈值的数字归为一组，判断组内数字个数，若小于两个则视为误判，将其剔除；对于其余的数字组，通过最小二乘法将各数字坐标拟合，得到号码牌数字所在直线，并根据现有数字坐标计算得到预测的遗漏数字矩形区域，重新进行检测。

本发明的技术构思为：相较传统的数字识别算法，该方法采用了Canny算子进行边缘检测，能较好地应对号码牌的柔性材质。同时，该方法采用的漏检测与重定位策略增强了对遮挡物的鲁棒性，提高了识别准确率。

本发明的有益效果主要表现在：对号码牌柔性材质、遮挡物鲁棒性强，识别准确度较高。

附图说明

图1是的基于支持向量机的号码牌识别方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，一种基于支持向量机的号码牌识别方法，所述识别方法包括如下步骤：

1)获取号码牌图像I₁；

2)对图像进行颜色预处理，具体步骤如下：

2.1)将图像I₁进行色彩空间转换，得到HSV颜色空间的图像I₂；

2.2)将图像I₂进行直方图均衡化，得到图像I₃；

2.3)将图像I₃根据明度阈值进行处理，得到灰度图像I₄；

3)对图像I₄进行Canny算子边缘检测，得到边缘图像I₅；

4)对边缘图像I₅进行数字区域矩形框定，具体步骤如下：

4.1)通过对边缘图像I₅进行轮廓提取，得到轮廓信息K_i；

4.2)对获取的轮廓信息K_i进行矩形规格化，剔除不符合规范的矩形后得到轮廓信息

4.3)对各个符合规范的轮廓结合原始图像I₁，缩放归一化后得到90×45的图片块，再利用训练好的数字判别器进行检测，判断内容是否为数字。若不属于数字，则剔除这个轮廓。最终得到包含数字的轮廓集合

5)对各个包含数字的轮廓矩形结合原始图像I₁，缩放归一化后得到90×45的图片块，再利用训练好的数字分类器进行识别，获得具体数字；

6)将步骤5)中得到的数字进行漏检测与定位，具体步骤如下：

6.1)根据每个数字的位置关系，将距离小于一定阈值的数字归为一组。判断组内数字个数，若小于两个则视为误判，将其剔除；

6.2)对于步骤6.1)中剩余的数字组，通过最小二乘法将数字坐标拟合，得到号码牌数字所在直线，并根据现有数字坐标计算得到遗漏的数字矩形区域。将遗漏矩形加入重复步骤5)；

6.3)若遗漏已超出限制，终止漏检测；

7)归纳得到的数字，最终拼凑出号码牌序号并输出。

本实施例中，Canny算子边缘检测：Canny算子先利用高斯滤波器平滑图像，减少由天气、器材等因素引入的噪点。其中，高斯滤波器中用到的卷积滤波方程为：

$G(x,y,\mathrm{\σ})=\frac{e^{-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}}}{2{\mathrm{\π\σ}}^2}$

其中，σ为高斯分布参数，x,y为图像中某一像素距离中心的距离；

平滑后的图像通过Sobel算子获得单位像素点的梯度幅值与梯度方向，其中二范数由横纵模板的无穷大范数代替。其中，横纵梯度模板的近似值与梯度方向公式如下所示：

$G=\sqrt[2]{G_x^2+G_y^2},\mathrm{\θ}={\tan }^{-1}\frac{G_y}{G_x}$

其中，G为梯度度量值，θ为梯度方向，G_x为检测水平边沿的横向模板，G_y为检测垂直边沿的纵向模板；

相邻像素间的梯度幅值通过插值得到，并通过与高低阈值比较，得到细化为1像素宽度的图像边缘。

相较普通的算子，Canny算子虽然运算量较大，但具有较高的抗干扰性，对柔性材质的检测更为准确。

数字判别器与数字分类器：为了保证判别与分类的正确率，数字判别器与数字分类器使用HOG特征提取，并对提取出的特征利用SVM支持向量机进行判别。其中，每个待判断的图片区块都被缩放归一到90×45的大小，HOG描述子采样同等的窗口大小，以45×15作为块大小，并以15×5作为胞元大小。经过HOG处理后的特征数据作为一维向量输入SVM，SVM采用C_SVC模型以及线性核函数。HOG特征的优势在于，能容许特征内容的细微形变。而SVM的优势在于，相较传统神经网络，其训练更快，逼近能力更强，保证了算法的全局最优性。采用这样的算法，能提高数字判断准确率。

漏检测与定位策略：根据每个数字的位置关系，将距离小于一定阈值的数字归为一组。判断组内数字个数，若小于两个则视为误判，将其剔除。对于其余的数字组，通过最小二乘法将各数字坐标拟合，得到号码牌数字所在直线，并根据现有数字坐标计算得到预测的遗漏数字矩形区域，重新进行检测。这样提高了抗干扰能力，增强了对遮挡物的鲁棒性。

Claims (6)

1.一种基于支持向量机的号码牌识别方法，其特征在于：所述号码牌识别方法包括如下步骤：

1)获取号码牌图像I₁；

2)对图像进行颜色预处理，具体步骤如下：

2.1)将图像I₁进行色彩空间转换，得到HSV颜色空间的图像I₂；

2.2)将图像I₂进行直方图均衡化，得到图像I₃；

2.3)将图像I₃根据明度阈值进行处理，得到灰度图像I₄；

3)对图像I₄进行Canny算子边缘检测，得到边缘图像I₅；

4)对边缘图像I₅进行数字区域矩形框定，具体步骤如下：

4.1)通过对边缘图像I₅进行轮廓提取，得到轮廓信息K_i；

4.2)对获取的轮廓信息K_i进行矩形规格化，剔除不符合规范的矩形后得到轮廓信息

4.3)对各个符合规范的轮廓结合原始图像I₁，利用训练好的数字判别器进行检测，判断内容是否为数字；若不属于数字，则剔除这个轮廓；最终得到包含数字的轮廓集合

5)对各个包含数字的轮廓集合结合原始图像I₁，利用训练好的数字分类器进行识别，获得具体数字。

2.如权利要求1所述的一种基于支持向量机的号码牌识别方法，其特征在于：所述号码牌识别方法还包括如下步骤：

6)将步骤5)中得到的数字进行漏检测与定位，剔除误判数字，并将遗漏的数字矩形重复进行步骤5)；

7)归纳得到的数字，最终拼凑出号码牌序号并输出。

3.如权利要求1或2所述的一种基于支持向量机的号码牌识别方法，其特征在于：所述步骤3)中，Canny算子边缘检测中，利用高斯滤波器平滑图像，高斯滤波器中用到的卷积滤波方程为：

$G(x,y,\mathrm{\σ})=\frac{e^{-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}}}{2{\mathrm{\π\σ}}^2}$

其中，σ为高斯分布参数，x,y为图像中某一像素距离中心的距离；

平滑后的图像通过Sobel算子获得单位像素点的梯度幅值与梯度方向，其中二范数由横纵模板的无穷大范数代替；其中，横纵梯度模板的近似值与梯度方向公式如下所示：

$G=\sqrt[2]{G_x^2+G_y^2},\mathrm{\θ}={\tan }^{-1}\frac{G_y}{G_x}$

其中，G为梯度度量值，θ为梯度方向，G_x为检测水平边沿的横向模板，G_y为检测垂直边沿的纵向模板；

相邻像素间的梯度幅值通过插值得到，并通过与高低阈值比较，得到细化为1像素宽度的图像边缘。

4.如权利要求1或2所述的一种基于支持向量机的号码牌识别方法，其特征在于：所述步骤4.3)中，所述数字判别器使用HOG特征提取，并对提取出的特征利用SVM支持向量机进行判别，其中，每个待判断的图片区块都被缩放归一到90×45的大小，HOG描述子采样同等的窗口大小，以45×15作为块大小，并以15×5作为胞元大小，经过HOG处理后的特征数据作为一维向量输入SVM，SVM采用C_SVC模型以及线性核函数。

5.如权利要求1或2所述的一种基于支持向量机的号码牌识别方法，其特征在于：所述步骤5)中，所述数字分类器器使用HOG特征提取，并对提取出的特征利用SVM支持向量机进行判别，其中，每个待判断的图片区块都被缩放归一到90×45的大小，HOG描述子采样同等的窗口大小，以45×15作为块大小，并以15×5作为胞元大小，经过HOG处理后的特征数据作为一维向量输入SVM，SVM采用C_SVC模型以及线性核函数。

6.如权利要求2所述的一种基于支持向量机的号码牌识别方法，其特征在于：所述步骤6)，漏检测与定位过程如下：根据每个数字的位置关系，将距离小于设定阈值的数字归为一组，判断组内数字个数，若小于两个则视为误判，将其剔除；对于其余的数字组，通过最小二乘法将各数字坐标拟合，得到号码牌数字所在直线，并根据现有数字坐标计算得到预测的遗漏数字矩形区域，重新进行检测。