CN106778735A - 一种车牌识别方法及装置 - Google Patents

一种车牌识别方法及装置 Download PDF

Info

Publication number
CN106778735A
CN106778735A CN201611052093.8A CN201611052093A CN106778735A CN 106778735 A CN106778735 A CN 106778735A CN 201611052093 A CN201611052093 A CN 201611052093A CN 106778735 A CN106778735 A CN 106778735A
Authority
CN
China
Prior art keywords
picture
license plate
model
recognition
characteristic information
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
Application number
CN201611052093.8A
Other languages
English (en)
Other versions
CN106778735B (zh
Inventor
袁誉乐
赵勇
王新安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University Shenzhen Graduate School
Original Assignee
Peking University Shenzhen Graduate School
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University Shenzhen Graduate School filed Critical Peking University Shenzhen Graduate School
Priority to CN201611052093.8A priority Critical patent/CN106778735B/zh
Publication of CN106778735A publication Critical patent/CN106778735A/zh
Application granted granted Critical
Publication of CN106778735B publication Critical patent/CN106778735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/158—Segmentation of character regions using character size, text spacings or pitch estimation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Character Input (AREA)

Abstract

本发明实施例提供了一种车牌识别方法，该方法包括：获取待识别车牌图片的图片特征信息；对获取的图片特征信息进行归一化；将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。本发明实施例提供的车牌识别方法，不仅能够识别出出牌颜色还能够识别出车牌类型，能够更有助于对车牌的快速、精准判别。

Description

一种车牌识别方法及装置
技术领域
本发明涉及图像处理技术领域，具体涉及一种车牌识别方法及装置。
背景技术
智能交通是智慧城市的核心关键技术。目前，车牌识别广泛应用于高速路卡口抓拍系统、智能停车场系统以及社区车辆管理系统中。车牌识别是这些系统的核心技术。
由于不同类型车辆的车牌具有不同的特征，因此，对车牌的识别有助于快速定位车辆类型。现有的车牌识别方法大多是对车牌颜色进行识别，从而判别车辆类型，但是，现有车牌不仅仅有颜色上的不同，很多颜色相同的车牌在字符个数、字符排列方式等等上不尽相同，因此，通过这种方式所实现的车牌识别较为粗略，无法对车牌进行精准识别。
发明内容
为了解决现有技术中存在的问题，本发明实施例期望提供一种车牌识别方法及装置。
本发明实施例提供了一种车牌识别方法，包括：
获取待识别车牌图片的图片特征信息；
对获取的图片特征信息进行归一化；
将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。
上述方案中，所述将归一化后的图片特征信息输入识别模型中进行识别之前，所述方法还包括：通过以下方法生成识别模型：
提取多个车牌图片样本；
按照颜色和车牌类型将车牌图片分为多个样本集；
获取各个样本集中的每个车牌图片的图片特征信息；
对各个样本集中的每个车牌图片的图片特征信息进行归一化；
分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型，所述学习模型为支持向量机SVM模型或BP神经网络模型。
上述方案中，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。
上述方案中，所述图片的方差特征X1通过下式确定：
其中，I(x,y)为当前像素灰度值；u为待识别车牌图片的灰度值的均值；w为图片的宽度值；h为图片的高度值。
上述方案中，所述图片的重心比率特征通过下式确定：
其中，X2为宽度方向上的重心比率特征；X3为高度方向上的重心比率特征；w为图片的宽度值；h为图片的宽度值。
上述方案中，所述图片的连通区域特征通过以下方法确定：
对图片进行二值化处理；
统计出满足预设条件的字符区域的个数X4；
所述预设条件包括：
w/4<CW<w/7；
CH>h/2；
其中，CW为字符区域宽度；CH为字符区域高度。
上述方案中，所述对图片特征信息进行归一化包括：
X[i]＝X[i]/(MAX-MIN)；
其中，i为整数，且i∈[1，6]；MAX为X[i]的最大值；MIN为X[i]的最小值。
本发明提供了一种车牌识别装置，所述装置包括：获取模块、归一化模块和输入模块；其中，
所述获取模块，用于获取待识别车牌图片的图片特征信息；
所述归一化模块，用于对获取的图片特征信息进行归一化；
所述输入模块，用于将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。
上述方案中，所述装置还包括：模型生成模块，用于在输入模块将归一化后的图片特征信息输入识别模型中进行识别之前，生成识别模型；
所述模型生成模块，包括：
提取子模块，用于提取多个车牌图片样本；
分类子模块，用于按照颜色和车牌类型将车牌图片分为多个样本集；
获取子模块，用于获取各个样本集中的每个车牌图片的图片特征信息；
归一化子模块，用于对各个样本集中的每个车牌图片的图片特征信息进行归一化；
训练子模块，用于分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型，所述学习模型为支持向量机SVM模型或BP神经网络模型。
上述方案中，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。
与现有技术相比，本发明实施例至少具备以下优点：
根据本发明实施例提供的车牌识别方法，能够将归一化后的车牌图片的图片特征信息输入到识别模型中进行识别之后，不仅能够识别出出牌颜色还能够识别出车牌类型，可见，相较于现有技术中仅对车牌颜色进行识别的方法，本发明实施例所提供的车牌识别方法，其识别出的车牌信息更多，更有助于对车牌的快速、精准判别。
附图说明
图1为本发明车牌识别方法在一种实施方式中的流程图；
图2为本发明车牌识别装置在一种实施方式中的基本结构图；
图3为本发明车牌识别装置中的模型生成模块在一种实施方式中的基本结构图；
图4为本发明车牌识别装置中的获取模块在一种实施方式中的基本结构图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
实施例一
参照图1，示出了本发明一种车牌识别方法的步骤流程图，该方法具体可以包括：
步骤101、获取待识别车牌图片的图片特征信息；
具体的，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。
在本发明的一种可选实施例中，所述图片的方差特征X1通过下式确定：
其中，I(x,y)为当前像素灰度值；u为待识别车牌图片的灰度值的均值；w为图片的宽度值；h为图片的高度值。
在本发明的一种可选实施例中，所述图片的重心比率特征通过下式确定：
其中，X2为宽度方向上的重心比率特征；X3为高度方向上的重心比率特征；w为图片的宽度值；h为图片的宽度值。
在本发明的一种可选实施例中，所述图片的连通区域特征通过以下方法确定：
对图片进行二值化处理；
统计出满足预设条件的字符区域的个数X4；
所述预设条件包括：
w/4<CW<w/7；
CH>h/2；
其中，CW为字符区域宽度；CH为字符区域高度；w为图片的宽度值；h为图片的高度值。
车牌图片中通常包括多个字符，根据我国车牌特点，车牌字符数通常在5个至12个之间。由于车牌中的字符在高度和宽度上有一定的标准，其高度与车牌区域的高度有一定的比例，其宽度也与车牌区域的宽度有一定的比例，因此，可以基于这些特点，通过上述预设条件确定出符合条件的字符区域，并统计出字符区域的个数。
在本发明的一种可选实施例中，所述图片波峰波谷特征通过下式确定：
对图片中的像素点在垂直方向上进行投影计算；
根据投影计算结果对像素点进行标记；
所述根据投影计算结果对像素点进行标记包括：
将投影计算结果小于投影均值的像素点标记为0；
将投影计算结果大于投影均值的像素点标记为1；
统计出像素点的标记结果中从0跳变为1的次数X5以及像素点的标记结果中从1跳变为0的次数X6；
将X5确定为图片波峰特征；
将X6确定为图片波谷特征。
具体的，所述对图片中的像素点在垂直方向上进行投影计算是指对图片中的像素点的灰度值在垂直方向上进行累加。投影均值是指垂直方向上所有投影结果的平均值。
在本发明的一种可选实施例中，所述图片的颜色特征通过以下方法确定：
提取图片三十二维颜色特征；
具体的，将图片在HSV空间划分为三十二个颜色分量；这三十二个颜色分量通过以下方式进行划分：将色调H空间划分为八个分区，将饱和度S和亮度V空间分别划分为两个分区；
之后，在每一个维度上统计车牌连通区域的HSV空间颜色直方图分量信息。
步骤102、对获取的图片特征信息进行归一化；
具体的，所述对图片特征信息进行归一化包括：
X[i]＝X[i]/(MAX-MIN)；
其中，i为整数，且i∈[1，6]；MAX为X[i]的最大值；MIN为X[i]的最小值。
步骤103、将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。
在本发明的一种可选实施例中，所述将归一化后的图片特征信息输入识别模型中进行识别之前，所述方法还包括：通过以下方法生成识别模型：
提取多个车牌图片样本；
按照颜色和车牌类型将车牌图片分为多个样本集；
获取各个样本集中的每个车牌图片的图片特征信息；
对各个样本集中的每个车牌图片的图片特征信息进行归一化；
分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型。
在本发明的一种可选实施例中，所述学习模型可以选择支持向量机SVM模型或BP神经网络模型。
这一步骤中，针对多个车牌图片样本，按照颜色和车牌类型对车牌图片进行分类之后，得到多个不同的样本集。在我国，车牌颜色大致分为蓝色、白色、黄色和黑色；而按照类型可以将车牌分为单栏车牌和双栏车牌，双栏车牌是指车牌上的字符分上下两栏排布的车牌，而单栏车牌是指车牌上的字符排布在一栏。例如，很多黄色车牌中的字符会分两栏进行排列，很多香港地区的白色车牌上的字符也会分两栏进行排列。
上述按照颜色和车牌类型将车牌图片分为多个样本集的方案，同时考虑了车牌的颜色和类型，能够对车牌进行更加科学的分类，进而依据通过这种分类方式产生的样本集来对学习模型进行训练时，能够得到更优化的识别模型，该识别模型能够识别出车牌的颜色和类型，实现对车牌的精准识别。
具体的，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。
各种图片特征信息的确定方法与步骤101中所给出的方法相同，这里不再赘述。
这一步骤中，将归一化后的图片特征信息输入识别模型中进行识别之后，得到识别结果，所述识别结果包括车牌颜色和车牌类型。
综上，本发明实施例提供的车牌识别方法，能够将归一化后的车牌图片的图片特征信息输入到识别模型中进行识别之后，不仅能够识别出出牌颜色还能够识别出车牌类型，可见，相较于现有技术中仅对车牌颜色进行识别的方法，本发明实施例所提供的车牌识别方法，其识别出的车牌信息更多，更有助于对车牌的快速、精准判别。
实施例二
参照图2，示出了本发明一种车牌识别装置实施例的结构框图，所述装置包括：获取模块21、归一化模块22和输入模块23；其中，
所述获取模块21，用于获取待识别车牌图片的图片特征信息；
所述归一化模块22，用于对获取的图片特征信息进行归一化；
所述输入模块23，用于将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。
具体的，所述车牌类型包括：单栏车牌和双栏车牌，双栏车牌是指车牌上的字符分上下两栏排布的车牌，而单栏车牌是指车牌上的字符排布在一栏的车牌。
在本发明的一种可选实施例中，所述装置还包括：模型生成模块24，用于在输入模块将归一化后的图片特征信息输入识别模型中进行识别之前，生成识别模型；
具体的，如图3所示，所述模型生成模块24，包括：
提取子模块2401，用于提取多个车牌图片样本；
分类子模块2402，用于按照颜色和车牌类型将车牌图片分为多个样本集；
获取子模块2403，用于获取各个样本集中的每个车牌图片的图片特征信息；
归一化子模块2404，用于对各个样本集中的每个车牌图片的图片特征信息进行归一化；
训练子模块2405，用于分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型。
具体的，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。
具体的，如图4所示，所述获取模块21包括：方差特征确定子模块2101，用于通过下式确定图片的方差特征X1：
其中，I(x,y)为当前像素灰度值；u为待识别车牌图片的灰度值的均值；w为图片的宽度值；h为图片的高度值。
具体的，所述获取模块21包括重心比率特征确定子模块2102，用于通过下式确定所述图片的重心比率特征：
其中，X2为宽度方向上的重心比率特征；X3为高度方向上的重心比率特征；w为图片的宽度值；h为图片的宽度值。
具体的，所述获取模块21包括连通区域特征确定子模块2103，用于确定所述图片的连通区域特征。
所述连通区域确定子模块，包括：
二值化处理单元，用于对图片进行二值化处理；
第一统计单元，用于统计出满足预设条件的字符区域的个数X4；
所述预设条件包括：
w/4<CW<w/7；
CH>h/2；
其中，CW为字符区域宽度；CH为字符区域高度。
具体的，所述获取模块21包括波峰波谷特征确定子模块2104，用于确定所述图片波峰波谷特征。
所述波峰波谷特征确定子模块2104，包括：
投影单元，用于对图片中的像素点在垂直方向上进行投影计算；
标记单元，用于根据投影计算结果对像素点进行标记；所述根据投影计算结果对像素点进行标记包括：将投影计算结果小于投影均值的像素点标记为0；将投影计算结果大于投影均值的像素点标记为1；
第二统计单元，用于统计出像素点的标记结果中从0跳变为1的次数X5以及像素点的标记结果中从1跳变为0的次数X6；
第一确定单元，用于将X5确定为图片波峰特征；还用于将X6确定为图片波谷特征。
具体的，所述获取模块21包括颜色特征确定子模块2105，用于通过以下方法确定所述图片的颜色特征：
具体的，所述颜色特征确定子模块2105包括：
划分单元，用于将图片在HSV空间划分为三十二维颜色分量；
第三统计单元，用于在每一个维度上分别统计车牌连通区域的HSV空间颜色直方图分量信息；
第二确定单元，用于将统计出的HSV空间颜色直方图分量信息确定为所述图片的颜色特征。
具体的，所述归一化模块22，用于通过下式对所述对图片特征信息进行归一化：
X[i]＝X[i]/(MAX-MIN)；
其中，i为整数，且i∈[1，6]；MAX为X[i]的最大值；MIN为X[i]的最小值。
具体的，所述学习模型为支持向量机SVM模型或BP神经网络模型。
在具体实施过程中，上述获取模块21、归一化模块22、输入模块23和模型生成模块24均可以由具备数据处理能力的设备内的中央处理器(CPU，Central Processing Unit)、微处理器(MPU，Micro Processing Unit)、数字信号处理器(DSP，Digital SignalProcessor)或可编程逻辑阵列(FPGA，Field－Programmable Gate Array)来实现。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种车牌识别方法及装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，根据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种车牌识别方法，其特征在于，所述方法包括：
获取待识别车牌图片的图片特征信息；
对获取的图片特征信息进行归一化；
将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。
2.根据权利要求1所述的方法，其特征在于，所述将归一化后的图片特征信息输入识别模型中进行识别之前，所述方法还包括：通过以下方法生成识别模型：
提取多个车牌图片样本；
按照颜色和车牌类型将车牌图片分为多个样本集；
获取各个样本集中的每个车牌图片的图片特征信息；
对各个样本集中的每个车牌图片的图片特征信息进行归一化；
分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型，所述学习模型为支持向量机SVM模型或BP神经网络模型。
3.根据权利要求1或2所述的方法，其特征在于，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。
4.根据权利要求3所述的方法，其特征在于，所述图片的方差特征X1通过下式确定：
X 1 = 1 w &times; h &Sigma; x = 0 , y = 0 w , h ( I ( x , y ) - u ) 2 ;
其中，I(x,y)为当前像素灰度值；u为待识别车牌图片的灰度值的均值；w为图片的宽度值；h为图片的高度值。
5.根据权利要求3所述的方法，其特征在于，所述图片的重心比率特征通过下式确定：
X 2 = &Integral; &Integral; x &times; I ( x , y ) d x d y &Integral; &Integral; I ( x , y ) d x d y &times; w ;
X 3 = &Integral; &Integral; y &times; I ( x , y ) d x d y &Integral; &Integral; I ( x , y ) d x d y &times; h ;
其中，X2为宽度方向上的重心比率特征；X3为高度方向上的重心比率特征；w为图片的宽度值；h为图片的宽度值。
6.根据权利要求3所述的方法，其特征在于，所述图片的连通区域特征通过以下方法确定：
对图片进行二值化处理；
统计出满足预设条件的字符区域的个数X4；
所述预设条件包括：
w/4<CW<w/7；
CH>h/2；
其中，CW为字符区域宽度；CH为字符区域高度；w为图片的宽度值；h为图片的高度值。
7.根据权利要求4至6其中任一项所述的方法，其特征在于，所述对图片特征信息进行归一化包括：
X[i]＝X[i]/(MAX-MIN)；
其中，i为整数，且i∈[1，6]；MAX为X[i]的最大值；MIN为X[i]的最小值。
8.一种车牌识别装置，其特征在于，所述装置包括：获取模块、归一化模块和输入模块；其中，
所述获取模块，用于获取待识别车牌图片的图片特征信息；
所述归一化模块，用于对获取的图片特征信息进行归一化；
所述输入模块，用于将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：模型生成模块，用于在输入模块将归一化后的图片特征信息输入识别模型中进行识别之前，生成识别模型；
所述模型生成模块，包括：
提取子模块，用于提取多个车牌图片样本；
分类子模块，用于按照颜色和车牌类型将车牌图片分为多个样本集；
获取子模块，用于获取各个样本集中的每个车牌图片的图片特征信息；
归一化子模块，用于对各个样本集中的每个车牌图片的图片特征信息进行归一化；
训练子模块，用于分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型，所述学习模型为支持向量机SVM模型或BP神经网络模型。
10.根据权利要求8或9所述的装置，其特征在于，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。
CN201611052093.8A 2016-11-25 2016-11-25 一种车牌识别方法及装置 Active CN106778735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611052093.8A CN106778735B (zh) 2016-11-25 2016-11-25 一种车牌识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611052093.8A CN106778735B (zh) 2016-11-25 2016-11-25 一种车牌识别方法及装置

Publications (2)

Publication Number Publication Date
CN106778735A true CN106778735A (zh) 2017-05-31
CN106778735B CN106778735B (zh) 2020-04-21

Family

ID=58912387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611052093.8A Active CN106778735B (zh) 2016-11-25 2016-11-25 一种车牌识别方法及装置

Country Status (1)

Country Link
CN (1) CN106778735B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229474A (zh) * 2017-12-29 2018-06-29 北京旷视科技有限公司 车牌识别方法、装置及电子设备
CN110852436A (zh) * 2019-10-18 2020-02-28 桂林力港网络科技股份有限公司 一种电子扑克游戏的数据处理方法、装置及存储介质
CN112712626A (zh) * 2019-10-24 2021-04-27 上海际链网络科技有限公司 基于车牌信息的车辆验证方法、装置、计算机设备及存储介质
CN112733856A (zh) * 2020-12-31 2021-04-30 成都福立盟环保大数据有限公司 一种大型车辆放大车牌的识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101504717A (zh) * 2008-07-28 2009-08-12 上海高德威智能交通系统有限公司 特征区域的定位方法、车身深浅色与车身颜色的识别方法
US20100189364A1 (en) * 2009-01-23 2010-07-29 Industrial Technology Research Institute Method and system for image identification and identification result output
CN103413147A (zh) * 2013-08-28 2013-11-27 庄浩洋 一种车牌识别方法和系统
CN103971114A (zh) * 2014-04-23 2014-08-06 天津航天中为数据系统科技有限公司 基于航空遥感的森林火灾探测方法
CN104809453A (zh) * 2015-05-19 2015-07-29 成都英力拓信息技术有限公司 一种基于指纹的认证方法
CN104834923A (zh) * 2015-06-01 2015-08-12 西安电子科技大学 基于全局信息的指纹图像配准方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101504717A (zh) * 2008-07-28 2009-08-12 上海高德威智能交通系统有限公司 特征区域的定位方法、车身深浅色与车身颜色的识别方法
US20100189364A1 (en) * 2009-01-23 2010-07-29 Industrial Technology Research Institute Method and system for image identification and identification result output
CN103413147A (zh) * 2013-08-28 2013-11-27 庄浩洋 一种车牌识别方法和系统
CN103971114A (zh) * 2014-04-23 2014-08-06 天津航天中为数据系统科技有限公司 基于航空遥感的森林火灾探测方法
CN104809453A (zh) * 2015-05-19 2015-07-29 成都英力拓信息技术有限公司 一种基于指纹的认证方法
CN104834923A (zh) * 2015-06-01 2015-08-12 西安电子科技大学 基于全局信息的指纹图像配准方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴金勇等: "基于多粒度感知SVM 的复杂场景人车分类方法", 《北京大学学报(自然科学版)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229474A (zh) * 2017-12-29 2018-06-29 北京旷视科技有限公司 车牌识别方法、装置及电子设备
CN108229474B (zh) * 2017-12-29 2019-10-01 北京旷视科技有限公司 车牌识别方法、装置及电子设备
CN110852436A (zh) * 2019-10-18 2020-02-28 桂林力港网络科技股份有限公司 一种电子扑克游戏的数据处理方法、装置及存储介质
CN112712626A (zh) * 2019-10-24 2021-04-27 上海际链网络科技有限公司 基于车牌信息的车辆验证方法、装置、计算机设备及存储介质
CN112733856A (zh) * 2020-12-31 2021-04-30 成都福立盟环保大数据有限公司 一种大型车辆放大车牌的识别方法

Also Published As

Publication number Publication date
CN106778735B (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN106778735B (zh) 一种车牌识别方法及装置
WO2019223586A1 (zh) 车位使用状况的检测方法、装置、电子设备及存储介质
Omachi et al. Detection of traffic light using structural information
Türkyılmaz et al. License plate recognition system using artificial neural networks
CN108108734B (zh) 一种车牌识别方法及装置
CN108268867B (zh) 一种车牌定位方法及装置
CN106991820B (zh) 违规车辆处理方法及装置
WO2016065701A1 (zh) 图像文字识别方法及装置
CN112016605B (zh) 一种基于边界框角点对齐和边界匹配的目标检测方法
CN111178355B (zh) 印章识别方法、装置和存储介质
CN103456003A (zh) 对象跟踪装置及方法以及错误特征点剔除装置及方法
CN104766042A (zh) 交通标志板识别方法及装置
KR101246120B1 (ko) 전후면 번호판 영상 기반 차량번호 인식 시스템
CN112613344B (zh) 车辆占道检测方法、装置、计算机设备和可读存储介质
Azad et al. New method for optimization of license plate recognition system with use of edge detection and connected component
CN108537223B (zh) 一种车牌检测方法、系统及设备和存储介质
CN112257541A (zh) 车牌识别方法以及电子设备、计算机可读存储介质
CN115100450B (zh) 基于人工智能的智慧交通品牌汽车大数据检测方法及系统
CN108090484B (zh) 一种车牌识别方法及装置
CN109635637A (zh) 一种车牌识别方法、装置和计算设备
CN104636748B (zh) 一种号牌识别的方法及装置
CN109101922A (zh) 作业人员着装分析方法、装置及电子设备
CN105069455B (zh) 一种发票公章过滤的方法及装置
Liu et al. A novel SVM network using HOG feature for prohibition traffic sign recognition
CN108205670B (zh) 一种车牌识别方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant