CN107273889B - 一种基于统计的车牌识别方法 - Google Patents

Abstract

本发明公开了一种基于统计的车牌识别方法，应用于车牌识别系统，可以显著改善系统处理清晰度较差的车牌图像的能力。与已有的基于统计的方法相比，它的优点在于：(1)本发明引入了图像的重复帧数属性，既能保证该方法是基于连续多帧的图像样本的统计方法，又能避免相同图像的重复处理情况，提升了该方法对处理有静止状态的车辆的识别效率；(2)本发明不但改善了车牌字母和数字的识别率，同时通过使用改进的基于权重的统计方法，显著的提升了汉字的识别率。

Description

一种基于统计的车牌识别方法

技术领域

本发明涉及智能交通领域，具体是一种基于统计的车牌识别方法。

技术背景

现有的车牌识别系统对于处理质量较好的车牌图像已能实现较高的准确率，但是对于处理交通监控相机拍摄的车牌图像，识别准确率并不乐观，主要是因为实际交通监控相机的清晰度不够高，同时由于拍摄的是运动中的车辆，因此车牌图像的可识别性比较差。通过实验分析发现，对于实际交通监控系统拍摄到的清晰度不高车牌图像，字母和数字的识别率较好，明显优于汉字的识别准确率。

对于清晰度较差的车牌图像，希望通过改善识别算法提升系统的识别率是较为困难的，同时因为基于单张车牌的识别方法可靠性比较低，因此基于统计的车牌识别方法成为改善识别率的可行方案，该方法通过一定的统计方法对车辆的多张车牌图像的识别结果进行统计分析，得出更为可靠的识别结果，从而提升识别的准确率。

目前对基于统计的车牌识别方法的研究较少，其中与本发明最接近的技术方案为：发明专利(申请号：201410794631，名称：一种基于多摄像头的车牌识别方法)提出了基于多摄像头的车牌识别方法，该方法对多个角度、位置上的车牌识别结果进行统计，统计方式为将所有车牌识别结果根据识别结果的相似度进行分组，然后计算出每组的某一特征值，从而根据特征值找到最佳分组，最后对最佳分组中每个车牌字符位置进行单字符统计，确定最佳车牌结果，这一方法能在一定程度上改善车牌识别的准确率。与本发明不同的地方在于：(1)该方法的图像获取是基于多摄像头的；(2)该方法对每个摄像头的每帧图像都进行了分析，对于处理存在静止状态的车辆，会出现图像重复处理的问题；(3)该方法的主要思路是筛选出质量较好的车牌进行单字符统计，从而改善每个字符的识别准确率，并没有给出针对改善汉字的识别率的方案。

综上所述，当前基于统计的车牌识别方法的存在不足之处包括：(1)存在相同车牌图像重复处理的情况；(2)汉字与其他字符的统计方式一致，不能显著的提升汉字的识别准确率。

发明内容

基于上述背景，本发明为改善实际交通监控中的车牌识别率，提出了一种基于统计的车牌识别方法。该方法首先通过单字符统计的方法得到识别准确率较高的车牌字符，然后根据已识别出来的字符进行车牌可靠性的判断，最后用带权重的单字符统计方法确定识别准确率较低的车牌字符。

本发明包括如下步骤：

步骤1：进行车辆跟踪，获取该车辆的多张视频图像，并得到所获取图像集所对应的重复帧数集N＝{(p_i,n_i)|i∈{0,1,…,A-1}}，其中，p_i表示该车辆的第i 张图像，n_i表示该车辆第i张图像出现的次数，A表示最终获取的视频图像张数，具体图像获取步骤为：当车辆完全进入给定监控区域后，置i＝0，A＝1,保留第一帧视频图像为p_i，置n_i＝1，将(p_i,n_i)加入集合N中；对于之后的每帧图像，需要先分析图像中该车辆与前一帧相比是否发生了位移，如果发生位移，则i＝i+1 并保留该帧图像为p_i，置n_i＝1，A＝A+1，并将(p_i,n_i)加入集合N中，否则，将集合中(p_i,n_i)的n_i更新为n_i＝n_i+1，p_i保持不变；当满足以下两个条件之一时，完成图像获取：(1)

(2)车辆完全消失在给定监控区域之外；其中，L是事先设定的最大分析帧数；

步骤2：对步骤1中获取的图像集进行车牌定位和车牌识别操作，得到一组车牌识别结果集R＝{r_i|i＝0,1,…,A-1}，其中，

表示第i张视频图像的车牌识别结果，

表示识别结果r_i中的7个字符；

步骤3：通过统计分析，确定车牌每个字符的识别结果，保存至识别结果集 C＝{c₀,c₁,…,c₆}中，具体为：

步骤3.1：首先确定车牌后六个字符的识别结果{c₁,c₂,…,c₆}，具体为：

步骤3.1.1：将集合R中所有车牌的字符，根据字符在车牌中的位置进行分组，得到7个单字符集合G₀,G₁,…,G₆，其中

表示集合R中第i个识别结果的第k个字符；

步骤3.1.2：对每个字符集G_k,k＝1,2…,6，根据步骤(a)、(b)分别进行统计分析，得到车牌后六个字符的识别结果{c₁,c₂,…,c₆}：

(a)将集合G_k中相同的字符进行归类，得到m_k个类别的集合

其中

表示第j个类别对应的字符，

表示对应于字符

的总样本数，根据式(1)计算

(b)找到

中值最大的元素，设为

则其对应的识别结果

即为字符c_k的识别结果，即

步骤3.2：确定第一个汉字字符的识别结果c₀，具体为：

步骤3.2.1：如公式(2)所示，将集合R中每个车牌识别结果r_i,i＝0,1,…,A-1的后六位

与已确定的车牌后六位识别结果c₁c₂c₃c₄c₅c₆进行字符匹配，根据字符匹配率对集合R进行聚类，可以得到满足式(2)的7个子集P_k,k＝0,1,…,6；

为集合P_k,k＝0,1,…,6所对应的样本数集，其中，

表示集合P_k中第i个元素的样本数，o_k表示集合P_k中元素的个数；

其中，

表示集合R中第i个车牌识别结果r_i的后六位与c₁c₂c₃c₄c₅c₆的字符匹配数；

步骤3.2.2：将每个集合P_k,k＝0,1,…,6根据相同汉字识别结果进行归类，可以得到d_k个类别的归类集合

表示集合P_k中第i类对应的汉字，

表示集合P_k中第i类汉字

的对应的样本数，根据式(3)计算

步骤3.2.3：确定集合R对应的汉字类别集合H＝{h_i|i＝0,1,…,N_h-1}，其中h_i表示第i类对应的汉字，N_h表示集合R中汉字的类别数；根据公式(4)，确定汉字类别集合H所对应的样本数集K：

其中，w_k表示权重系数，{w₀,w₁,w₂,w₃,w₄,w₅,w₆}＝{0.01,0.02,0.02,0.14,0.3,0.5}；

步骤3.2.4：找到集合K中最大的元素,设为k_x，则其对应的识别结果h_x即为汉字识别结果，即c₀＝h_x。

本发明的优点是：本发明应用于车牌识别系统，可以显著改善系统处理清晰度较差的车牌图像的能力。与已有的基于统计的方法相比，它的优点在于：(1) 本发明引入了图像的重复帧数属性，既能保证该方法是基于连续多帧的图像样本的统计方法，又能避免相同图像的重复处理情况，提升了该方法对处理有静止状态的车辆的识别效率；(2)本发明不但改善了车牌字母和数字的识别率，同时通过使用改进的基于权重的统计方法，显著的提升了汉字的识别率。

附图说明

图1是经过车牌定位操作后得到一组车牌二值化图。

具体实施方式

下面结合具体实例，对本发明的具体实施过程进行详细的说明。

本发明的基于统计的车牌识别方法，包括如下步骤：

步骤1：进行车辆跟踪，获取该车辆的多张视频图像，并得到所获取图像集所对应的重复帧数集N＝{(p_i,n_i)|i∈{0,1,…,A-1}}，其中，p_i表示该车辆的第i 张图像，n_i表示该车辆第i张图像出现的次数，A表示最终获取的视频图像张数，具体图像获取步骤为：当车辆完全进入给定监控区域后，置i＝0，A＝1,保留第一帧视频图像为p_i，置n_i＝1，将(p_i,n_i)加入集合N中；对于之后的每帧图像，需要先分析图像中该车辆与前一帧相比是否发生了位移，如果发生位移，则i＝i+1 并保留该帧图像为p_i，置n_i＝1，A＝A+1，并将(p_i,n_i)加入集合N中，否则，将集合中(p_i,n_i)的n_i更新为n_i＝n_i+1，p_i保持不变；当满足以下两个条件之一时，完成图像获取：(1)

(2)车辆完全消失在给定监控区域之外；其中，L是事先设定的最大分析帧数。

通过车辆跟踪，确定的图像重复帧数集N＝{(p₀,1),(p₁,1),(p₂,1),(p₃,1),(p₄,1), (p₅,1),(p₆,1),(p₇,1),(p₈,1),(p₉,1)}，图像总张数A＝10。

步骤2：对步骤1中获取的图像集进行车牌定位和车牌识别操作，得到一组车牌识别结果集R＝{r_i|i＝0,1,…,A-1}，其中，

表示第i张视频图像的车牌识别结果，

表示识别结果r_i中的7个字符。

经过车牌定位之后得到的10张车牌的二值化图像如图1所示，这些车牌的车牌识别结果集为R＝{“卢K8675B”,“相K8675B”,“素K8675B”,“素 UW88JU”,“哲K86750”,“穿K8675B”,“穿K8615B”,“穿K8675C”,“哲K8675B”, “哲K8675B”}，上述车牌二值化图像和车牌识别结果只用于进行算法说明，并非真实结果。

步骤3：通过统计分析，确定车牌每个字符的识别结果，保存至识别结果集 C＝{c₀,c₁,…,c₆}中，具体为：

步骤3.1：首先确定车牌后六个字符的识别结果{c₁,c₂,…,c₆}，具体为：

步骤3.1.1：将集合R中所有车牌的字符，根据字符在车牌中的位置进行分组，得到7个单字符集合G₀,G₁,…,G₆，其中

表示集合R中第i个识别结果的第k个字符。

根据步骤3.1.1，对集合R进行分组，得到7个单字符集合G₀,G₁,…,G₆，其中G₀＝{卢,相,素,素,哲,穿,穿,穿,哲,哲}，G₁＝{K,K,K,U,K,K,K,K,K,K}， G₂＝{8,8,8,W,8,8,8,8,8,8}，G₃＝{6,6,6,8,6,6,1,6,6,6}，G₄＝{7,7,7,8,7,7,7,7,7,7}， G₅＝{5,5,5,J,5,5,5,5,5,5}，G₆＝{B,B,B,U,0,B,B,C,B,B}。

步骤3.1.2：对每个字符集G_k,k＝1,2…,6，根据步骤(a)、(b)分别进行统计分析，得到车牌后六个字符的识别结果{c₁,c₂,…,c₆}：

(a)将集合G_k中相同的字符进行归类，得到m_k个类别的集合

其中

表示第j个类别对应的字符，

表示对应于字符

的总样本数，根据式(1)计算

根据步骤(a)，将集合G₁归类可以得到两个类别的集合{{‘K’,9},{‘U’,1}}，将集合G₂归类可以得到两个类别的集合{{‘8’,9},{W,1}}，将集合G₃归类可以得到三个类别的集合{{‘6’,8},{‘8’,1},{‘1’,1}}，将集合G₄归类可以得到两个类别的集合{{‘7’,9},{‘8’,1}}，将集合G₅归类可以得到两个类别的集合{{‘5’,9},{‘J’,1}}，将集合G₆归类可以得到四个类别的集合{{‘B’,7},{‘U’,1},{‘0’,1},{‘C’,1}}。

(b)找到

中值最大的元素，设为

则其对应的识别结果

即为字符c_k的识别结果，即

根据步骤(b)，可以确定车牌后六个字符{c₁,c₂,…,c₆}为{K,8,6,7,5,B}。

步骤3.2：确定第一个汉字字符的识别结果c₀，具体为：

步骤3.2.1：如公式(2)所示，将集合R中每个车牌识别结果r_i,i＝0,1,…,A-1的后六位

与已确定的车牌后六位识别结果c₁c₂c₃c₄c₅c₆进行字符匹配，根据字符匹配率归对集合R进行聚类，可以得到满足式(2)的7个子集P_k,k＝0,1,…,6；

为集合P_k,k＝0,1,…,6所对应的样本数集，其中，

表示集合P_k中第i个元素的样本数，o_k表示集合P_k中元素的个数。

其中，

表示集合R中第i个车牌识别结果r_i的后六位与c₁c₂c₃c₄c₅c₆的字符匹配数。

根据步骤3.2.1，对集合R进行聚类，得到7个子集{P₀,P₂,…,P₆}，其中P₀＝{“素UW88JU”}，P₀所对应的样本数集Z₀＝{1}；P₅＝{“哲K86750”,“穿K8615B”,“穿 K8675C”}，P₅所对应的样本数集Z₅＝{1,1,1,1}；P₆＝{“卢K8675B”,“相K8675B” ,“素K8675B”,“穿K8675B”,“哲K8675B”,“哲K8675B”}，P₆所对应的样本数集Z₆＝{1,1,1,1,1,1}；P₁、P₂、P₃、P₄为空。

步骤3.2.2：将每个集合P_k,k＝0,1,…,6根据相同汉字识别结果进行归类，可以得到d_k个类别的归类集合

表示集合P_k中第i类对应的汉字，

表示集合P_k中第i类汉字

的对应的样本数，根据式(3)计算

根据步骤3.2.2，对{P₀,P₁,…,P₆}中每个集合分别进行归类，P₀对应的归类集合为{{‘素’,1}}，P₅对应的归类集合为{{‘哲’,1},{‘穿’,2}}，P₆对应的归类集合为 {{‘卢’,1},{‘相’,1},{‘素’,1},{‘穿’,1},{‘哲’,2}}。

步骤3.2.3：确定集合R对应的汉字类别集合H＝{h_i|i＝0,1,…,N_h-1}，其中 h_i表示第i类对应的汉字，N_h表示集合R中汉字的类别数；根据公式(4)，确定汉字类别集合H所对应的样本数集K：

其中，w_k表示权重系数，{w₀,w₁,w₂,w₃,w₄,w₅,w₆}＝{0.01,0.02,0.02,0.14,0.3,0.5}。

根据步骤3.2.3，首先确定集合R对应的汉字类别集合H＝{‘素’,‘穿’,‘卢’,…相’, ‘哲’}，然后根据公式(4)，可以得到汉字类别集合H所对应的样本数集 K＝{0.51,1.1,0.5,0.5,1.3}。

步骤3.2.4：找到集合K中最大的元素,设为k_x，则其对应的识别结果h_x即为汉字识别结果，即c₀＝h_x。

根据步骤3.2.4，可以确定最可能的汉字识别结果为“哲”，即c₀＝“哲”。

根据如上步骤可以确定该车牌为“哲K8675B”，结果正确。

Claims (2)

1.一种基于统计的车牌识别方法，包括如下步骤：

步骤1：进行车辆跟踪，获取该车辆的多张视频图像，并得到所获取图像集所对应的重复帧数集N＝{(p_i,n_i)|i∈{0,1,…,A-1}}，其中，p_i表示该车辆的第i张图像，n_i表示该车辆第i张图像出现的次数，A表示最终获取的视频图像张数；

步骤2：对步骤1中获取的图像集进行车牌定位和车牌识别操作，得到一组车牌识别结果集R＝{r_i|i＝0,1,…,A-1}，其中，r_i＝(r_i ⁰,r_i ¹,…r_i ⁶)表示第i张视频图像的车牌识别结果，r_i ⁰,r_i ¹,…r_i ⁶表示识别结果r_i中的7个字符；

步骤3：通过统计分析，确定车牌每个字符的识别结果，保存至识别结果集C＝{c₀,c₁,…,c₆}中，具体为：

步骤3.1：首先确定车牌后六个字符的识别结果{c₁,c₂,…,c₆}，具体为：

步骤3.1.1：将集合R中所有车牌的字符，根据字符在车牌中的位置进行分组，得到7个单字符集合G₀,G₁,…,G₆，其中G_k＝{r_i ^k|i∈{0,1,…,A-1}},k＝0,1,…,6，r_i ^k表示集合R中第i个识别结果的第k个字符；

步骤3.1.2：对每个单字符集合G_k,k＝1,2…,6，根据步骤(a)、(b)分别进行统计分析，得到车牌后六个字符的识别结果{c₁,c₂,…,c₆}：

(a)将单字符集合G_k中相同的字符进行归类，得到m_k个类别的集合

其中

表示第j个类别对应的字符，

表示对应于字符

的总样本数，根据式(1)计算

(b)找到

中值最大的元素，设为

则其对应的识别结果

即为字符c_k的识别结果，即

步骤3.2：确定第一个汉字字符的识别结果c₀，具体为：

步骤3.2.1：如公式(2)所示，将集合R中每个车牌识别结果r_i,i＝0,1,…,A-1的后六位r_i ¹r_i ²r_i ³r_i ⁴r_i ⁵r_i ⁶与已确定的车牌后六位识别结果c₁c₂c₃c₄c₅c₆进行字符匹配，根据字符匹配率对集合R进行聚类，可以得到满足式(2)的7个子集P_k,k＝0,1,…,6；

为集合P_k,k＝0,1,…,6所对应的样本数集，其中，

表示集合P_k中第s个元素的样本数，o_k表示集合P_k中元素的个数；

其中，PP(r_i ¹r_i ²r_i ³r_i ⁴r_i ⁵r_i ⁶,c₁c₂c₃c₄c₅c₆)表示集合R中第i个车牌识别结果r_i的后六位与c₁c₂c₃c₄c₅c₆的字符匹配数；

步骤3.2.2：将每个集合P_k,k＝0,1,…,6根据相同汉字识别结果进行归类，可以得到d_k个类别的归类集合

表示集合P_k中第i’类对应的汉字，

表示集合P_k中第i’类汉字

的对应的样本数，根据式(3)计算

步骤3.2.3：确定集合R对应的汉字类别集合H＝{h_g'|g'＝0,1,…,N_h-1}，其中h_g'表示第g’类对应的汉字，N_h表示集合R中汉字的类别数；根据公式(4)，确定汉字类别集合H所对应的样本数集Q：

其中，w_k表示权重系数，{w₀,w₁,w₂,w₃,w₄,w₅,w₆}＝{0.01,0.02,0.02,0.14,0.3,0.5}；

步骤3.2.4：找到集合Q中最大的元素,设为q_t，则其对应的识别结果h_t即为汉字识别结果，即c₀＝h_t。

2.如权利要求1所述的基于统计的车牌识别方法，其特征在于：所述步骤1中具体图像获取步骤为：当车辆完全进入给定监控区域后，置i＝0，A＝1,保留第一帧视频图像为p_i，置n_i＝1，将(p_i,n_i)加入集合N中；对于之后的每帧图像，需要先分析图像中该车辆与前一帧相比是否发生了位移，如果发生位移，则i＝i+1并保留当前帧图像为p_i，置n_i＝1，A＝A+1，并将(p_i,n_i)加入集合N中，否则，将集合中(p_i,n_i)的n_i更新为n_i＝n_i+1，p_i保持不变；当满足以下两个条件之一时，完成图像获取：(1)

(2)车辆完全消失在给定监控区域之外；其中，L是事先设定的最大分析帧数；

通过车辆跟踪，确定的图像重复帧数集N＝{(p_i,n_i)|i∈{0,1,…,A-1}}，其中，p_i表示该车辆的第i张图像，n_i表示该车辆第i张图像出现的次数，A表示最终获取的视频图像张数。

Images