CN110046618A - 基于机器学习和最大极值稳定区域的车牌识别方法 - Google Patents
基于机器学习和最大极值稳定区域的车牌识别方法 Download PDFInfo
- Publication number
- CN110046618A CN110046618A CN201910274452.1A CN201910274452A CN110046618A CN 110046618 A CN110046618 A CN 110046618A CN 201910274452 A CN201910274452 A CN 201910274452A CN 110046618 A CN110046618 A CN 110046618A
- Authority
- CN
- China
- Prior art keywords
- rectangle frame
- region
- boundary rectangle
- remaining area
- character
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Character Input (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于机器学习和最大极值稳定区域的车牌识别方法,充分利用最大极值稳定区域具有仿射不变性和对光照的适应性,且适用于文字字符检测提取的特点,直接对原车辆图像中的字符区域进行提取,并结合机器学习和车牌排列规则去除非字符区域,无需再进行车牌定位和字符分割等一系列繁琐操作,提高了车牌识别方法的效率,且适用于复杂环境下的车牌识别,适合于智能交通系统的设计和部署。
Description
技术领域
本发明涉及车牌识别领域,特别是涉及一种基于机器学习和最大极值稳定区域的车牌识别方法。
背景技术
随着信息化和智能化程度的不断提高,智能交通系统也在经历快速的发展。车牌自动识别是智能交通系统设计中的一个重要问题,世界上所有的车辆都有一个车牌号作为其唯一的标识符。由于对车牌自动识别的需求不断增加,在过去十多年里,车牌识别技术已经取得了很大的进步。在中国,汽车的车牌是长方形的,有7个字符,任何车牌上的第一个字符必须是代表该车所属省份的中文字符。由于中文字符的笔画和形状比英文字符和数字复杂,因此中文车牌自动识别任务的复杂度明显较高。因此,准确、鲁棒性强的中文车牌识别系统是在中国部署智能交通系统的一项重要而具有挑战性的任务。
传统的车牌识别技术主要分为车牌定位和字符分割两个部分,车牌定位主要借助边缘检测和颜色匹配来实现,而字符分割则是借助车牌字符的几何特征和排列规则来进行划分。但边缘检测和颜色匹配受环境光照影响大,在复杂环境下往往难以准确定位车牌。
发明内容
发明目的:本发明的目的是提供一种基于机器学习和最大极值稳定区域的车牌识别方法,无需进行车牌区域定位和字符分割,便可直接提取出车牌字符进行识别。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的基于机器学习和最大极值稳定区域的车牌识别方法,包括以下步骤:
S1:对车辆图像进行预处理操作,将彩色的原始图像转换为灰度图像,再将灰度图像进行高斯模糊处理和滤波去噪,得到预处理后的图像;
S2:对预处理后的图像进行最大极值稳定区域提取,然后对提取出的每一个区域取轮廓并外接最小矩形框;
S3:利用车牌字符特有的尺寸特征对提取出的区域进行筛选,去除非字符区域;
S4:将步骤S3筛选出的区域输入训练好的机器学习模型进行判别,去除非字符区域;
S5:对步骤S4中通过机器学习模型筛选出的区域进行去包含操作,得到剩余区域;
S6:计算每个剩余区域的中心坐标,根据每个剩余区域的中心坐标去除孤立的非字符区域;
S7:检查步骤S6得到的剩余区域是否有缺失,若存在缺失,则进行补全;
S8:进行字符识别,输出识别结果。
进一步,所述步骤S5中,去包含操作包括以下步骤:
S51:判断步骤S4筛选出的所有区域中是否有两个区域对应的外接矩形框满足式(1)的条件:如果是,则判定第一区域对应的外接矩形框包含第二区域对应的外接矩形框,然后保留第一区域对应的外接矩形框,去除第二区域对应的外接矩形框;否则,不进行任何操作;
式(1)中,rect1表示第一区域对应的外接矩形框,rect1.x表示第一区域对应的外接矩形框的横坐标,rect1.y表示第一区域对应的外接矩形框的纵坐标,rect1.width表示第一区域对应的外接矩形框的宽度,rect1.height表示第一区域对应的外接矩形框的高度,rect2表示第二区域对应的外接矩形框,rect2.x表示第二区域对应的外接矩形框的横坐标,rect2.y表示第二区域对应的外接矩形框的纵坐标,rect2.width表示第二区域对应的外接矩形框的宽度,rect2.height表示第二区域对应的外接矩形框的高度;
S52:重复执行步骤S51,直至步骤S4筛选出的所有区域中不存在两个区域对应的外接矩形框满足式(1)的条件后结束。
进一步,所述步骤S6中,根据每个剩余区域的中心坐标去除孤立的非字符区域的过程包括按剩余区域中心坐标的纵坐标从上到下进行排序,通过比较相邻纵坐标间的高度差去除竖直方向上孤立的非字符区域的步骤;还包括按剩余区域中心坐标的横坐标从左到右进行排序,通过比较相邻横坐标间的水平距离差去除水平方向上孤立的非字符区域的步骤。
进一步,所述步骤S4中,机器学习模型训练的过程中的训练样本分为字符区域和非字符区域两大类,字符区域分为字母、数字和代表省份的汉字,非字符区域分为非车牌区域上的非字符区域和车牌区域上的非字符区域,且训练样本都是彩色图像。
进一步,所述步骤S7中,补全的过程包括以下步骤:
S71:将步骤S6得到的剩余区域按照外接最小矩形框的左边界从左往右进行排序;
S72:在最靠左的剩余区域左边取一个新区域,记为第一新区域,第一新区域根据式(2)选取:
式(2)中,new表示第一新区域的外接矩形框,new.x表示第一新区域的外接矩形框的横坐标,new.y表示第一新区域的外接矩形框的纵坐标,new.width表示第一新区域的外接矩形框的宽度,new.height表示第一新区域的外接矩形框的高度;k表示系数,根据车牌字符的间距确定;ave_dev表示步骤S6得到的剩余区域中相邻字符区域中心高度偏差的平均值;rects[L]表示最靠左的剩余区域对应的外接矩形框,rects[L].x表示最靠左的剩余区域对应的外接矩形框的横坐标,rects[L].y表示最靠左的剩余区域对应的外接矩形框的纵坐标,rects[L].width表示最靠左的剩余区域对应的外接矩形框的宽度,rects[L].height表示最靠左的剩余区域对应的外接矩形框的高度;
将第一新区域输入到训练好的机器学习模型中,判断第一新区域是否为字符区域:如果是则保留,否则则去除;
S73:在最靠右的剩余区域右边取一个新区域,记为第二新区域,第二新区域根据式(3)选取:
式(3)中,new'表示第二新区域的外接矩形框,new'.x表示第二新区域的外接矩形框的横坐标,new'.y表示第二新区域的外接矩形框的纵坐标,new'.width表示第二新区域的外接矩形框的宽度,new'.height表示第二新区域的外接矩形框的高度,rects[R]表示最靠右的剩余区域对应的外接矩形框,rects[R].x表示最靠右的剩余区域对应的外接矩形框的横坐标,rects[R].y表示最靠右的剩余区域对应的外接矩形框的纵坐标,rects[R].width表示最靠右的剩余区域对应的外接矩形框的宽度,rects[R].height表示最靠右的剩余区域对应的外接矩形框的高度;
将第二新区域输入到训练好的机器学习模型中,判断第二新区域是否为字符区域:如果是则保留,否则则去除;
S74:对于步骤S6得到的剩余区域,依次遍历每两个相邻的剩余区域间的距离,若距离大于这两个相邻剩余区域中外接矩形框宽度最大的剩余区域的外接矩形框宽度的两倍,则对这两个剩余区域执行步骤S72,然后执行步骤S75;
S75:检查步骤S6得到的剩余区域是否全部被补全:如果是,则进行步骤S77;否则,根据式(4)计算第i个剩余区域与第i+1个剩余区域的中心间距dis[i],然后进行步骤S76;
式(4)中,rects[i]表示第i个剩余区域的外接矩形框,rects[i].x表示第i个剩余区域的外接矩形框的横坐标,rects[i].width表示第i个剩余区域的外接矩形框的宽度,rects[i+1]表示第i+1个剩余区域的外接矩形框,rects[i+1].x表示第i+1个剩余区域的外接矩形框的横坐标,rects[i+1].width表示第i+1个剩余区域的外接矩形框的宽度;
S76:如果dis[i]满足式(5)的条件,则判定此时的i=2,从而确定车牌中第2个字符和第3个字符的位置;如果dis[i]满足式(6)的条件,则判定此时的i≠2;
式(5)中,ki表示第一系数,ka表示第二系数,ki和ka根据车牌字符间距确定;
确定了车牌中第2个字符和第3个字符的位置之后,根据车牌字符特定的排列关系确定其他字符的位置,从而确定缺失字符的位置,然后按式(2)进行补全,补全之后执行步骤S77;
S77:结束。
有益效果:本发明公开了一种基于机器学习和最大极值稳定区域的车牌识别方法,充分利用最大极值稳定区域具有仿射不变性和对光照的适应性,且适用于文字字符检测提取的特点,直接对原车辆图像中的字符区域进行提取,并结合机器学习和车牌排列规则去除非字符区域,无需再进行车牌定位和字符分割等一系列繁琐操作,提高了车牌识别方法的效率,且适用于复杂环境下的车牌识别,适合于智能交通系统的设计和部署。
附图说明
图1为本发明具体实施方式中方法的流程示意图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于机器学习和最大极值稳定区域的车牌识别方法,如图1所示,包括以下步骤:
S1:对车辆图像进行预处理操作,将彩色的原始图像转换为灰度图像,再将灰度图像进行高斯模糊处理和滤波去噪,得到预处理后的图像;
S2:对预处理后的图像进行最大极值稳定区域提取,然后对提取出的每一个区域取轮廓并外接最小矩形框;
S3:利用车牌字符特有的尺寸特征对提取出的区域进行筛选,去除非字符区域;在提取的矩形区域中,只要长宽比在1.5~3之间,且占空比大于0.2,就认为它是字符区域;
S4:将步骤S3筛选出的区域输入训练好的机器学习模型进行判别,去除非字符区域;由于机器学习判别的准确率不可能为100%,因此会留下字符区域以及一些残存的非字符区域;
S5:对步骤S4中通过机器学习模型筛选出的区域进行去包含操作,得到剩余区域;
S6:计算每个剩余区域的中心坐标,根据每个剩余区域的中心坐标去除孤立的非字符区域;
S7:检查步骤S6得到的剩余区域是否有缺失,若存在缺失,则进行补全;
S8:进行字符识别,输出识别结果。
步骤S5中,去包含操作包括以下步骤:
S51:判断步骤S4筛选出的所有区域中是否有两个区域对应的外接矩形框满足式(1)的条件:如果是,则判定第一区域对应的外接矩形框包含第二区域对应的外接矩形框,然后保留第一区域对应的外接矩形框,去除第二区域对应的外接矩形框;否则,不进行任何操作;
式(1)中,rect1表示第一区域对应的外接矩形框,rect1.x表示第一区域对应的外接矩形框的横坐标,rect1.y表示第一区域对应的外接矩形框的纵坐标,rect1.width表示第一区域对应的外接矩形框的宽度,rect1.height表示第一区域对应的外接矩形框的高度,rect2表示第二区域对应的外接矩形框,rect2.x表示第二区域对应的外接矩形框的横坐标,rect2.y表示第二区域对应的外接矩形框的纵坐标,rect2.width表示第二区域对应的外接矩形框的宽度,rect2.height表示第二区域对应的外接矩形框的高度;
S52:重复执行步骤S51,直至步骤S4筛选出的所有区域中不存在两个区域对应的外接矩形框满足式(1)的条件后结束。
步骤S6中,根据每个剩余区域的中心坐标去除孤立的非字符区域的过程包括按剩余区域中心坐标的纵坐标从上到下进行排序,通过比较相邻纵坐标间的高度差去除竖直方向上孤立的非字符区域的步骤;还包括按剩余区域中心坐标的横坐标从左到右进行排序,通过比较相邻横坐标间的水平距离差去除水平方向上孤立的非字符区域的步骤。
步骤S4中,机器学习模型为SVM训练模型。机器学习模型训练的过程中的训练样本分为字符区域和非字符区域两大类,字符区域分为字母、数字和代表省份的汉字,非字符区域分为非车牌区域上的非字符区域和车牌区域上的非字符区域,且训练样本都是彩色图像。这样在提取图像特征时,能提取到更多的特征信息。
步骤S7中,补全的过程包括以下步骤:
S71:将步骤S6得到的剩余区域按照外接最小矩形框的左边界从左往右进行排序;
S72:在最靠左的剩余区域左边取一个新区域,记为第一新区域,第一新区域根据式(2)选取:
式(2)中,new表示第一新区域的外接矩形框,new.x表示第一新区域的外接矩形框的横坐标,new.y表示第一新区域的外接矩形框的纵坐标,new.width表示第一新区域的外接矩形框的宽度,new.height表示第一新区域的外接矩形框的高度;k表示系数,根据车牌字符的间距确定;ave_dev表示步骤S6得到的剩余区域中相邻字符区域中心高度偏差的平均值;rects[L]表示最靠左的剩余区域对应的外接矩形框,rects[L].x表示最靠左的剩余区域对应的外接矩形框的横坐标,rects[L].y表示最靠左的剩余区域对应的外接矩形框的纵坐标,rects[L].width表示最靠左的剩余区域对应的外接矩形框的宽度,rects[L].height表示最靠左的剩余区域对应的外接矩形框的高度;
将第一新区域输入到训练好的机器学习模型中,判断第一新区域是否为字符区域:如果是则保留,否则则去除;
S73:在最靠右的剩余区域右边取一个新区域,记为第二新区域,第二新区域根据式(3)选取:
式(3)中,new'表示第二新区域的外接矩形框,new'.x表示第二新区域的外接矩形框的横坐标,new'.y表示第二新区域的外接矩形框的纵坐标,new'.width表示第二新区域的外接矩形框的宽度,new'.height表示第二新区域的外接矩形框的高度,rects[R]表示最靠右的剩余区域对应的外接矩形框,rects[R].x表示最靠右的剩余区域对应的外接矩形框的横坐标,rects[R].y表示最靠右的剩余区域对应的外接矩形框的纵坐标,rects[R].width表示最靠右的剩余区域对应的外接矩形框的宽度,rects[R].height表示最靠右的剩余区域对应的外接矩形框的高度;
将第二新区域输入到训练好的机器学习模型中,判断第二新区域是否为字符区域:如果是则保留,否则则去除;
S74:对于步骤S6得到的剩余区域,依次遍历每两个相邻的剩余区域间的距离,若距离大于这两个相邻剩余区域中外接矩形框宽度最大的剩余区域的外接矩形框宽度的两倍,则对这两个剩余区域执行步骤S72,然后执行步骤S75;
S75:检查步骤S6得到的剩余区域是否全部被补全:如果是,则进行步骤S77;否则,根据式(4)计算第i个剩余区域与第i+1个剩余区域的中心间距dis[i],然后进行步骤S76;
式(4)中,rects[i]表示第i个剩余区域的外接矩形框,rects[i].x表示第i个剩余区域的外接矩形框的横坐标,rects[i].width表示第i个剩余区域的外接矩形框的宽度,rects[i+1]表示第i+1个剩余区域的外接矩形框,rects[i+1].x表示第i+1个剩余区域的外接矩形框的横坐标,rects[i+1].width表示第i+1个剩余区域的外接矩形框的宽度;
S76:在车牌字符中,除了第2个和第3个字符的中心间距约为k1倍字符宽度,其余相邻字符中心间距约为k2倍字符宽度,利用这一点确定出第2个和第3个字符;因此可进行如下的判断:
如果dis[i]满足式(5)的条件,则判定此时的i=2,从而确定车牌中第2个字符和第3个字符的位置;如果dis[i]满足式(6)的条件,则判定此时的i≠2;
式(5)中,ki表示第一系数,ka表示第二系数,ki和ka根据车牌字符间距确定;
确定了车牌中第2个字符和第3个字符的位置之后,根据车牌字符特定的排列关系确定其他字符的位置,从而确定缺失字符的位置,然后按式(2)进行补全,补全之后执行步骤S77;
S77:结束。
本具体实施方式中,k1=1.75,k2=1.26,ki=1.46,ka=2.10。
表1为本发明提出的方法对比传统的边缘检测和颜色检测方法的结果。其中,本发明提出的方法无需进行车牌区域定位,故表中相应栏目为空。可以看到,在最后提取到图像中的车牌字符时,本发明提出的方法明显优于传统的车牌识别方法,字符提取和识别的准确率均更高。
表1三种车牌识别方法对比
Claims (5)
1.基于机器学习和最大极值稳定区域的车牌识别方法,其特征在于:包括以下步骤:
S1:对车辆图像进行预处理操作,将彩色的原始图像转换为灰度图像,再将灰度图像进行高斯模糊处理和滤波去噪,得到预处理后的图像;
S2:对预处理后的图像进行最大极值稳定区域提取,然后对提取出的每一个区域取轮廓并外接最小矩形框;
S3:利用车牌字符特有的尺寸特征对提取出的区域进行筛选,去除非字符区域;
S4:将步骤S3筛选出的区域输入训练好的机器学习模型进行判别,去除非字符区域;
S5:对步骤S4中通过机器学习模型筛选出的区域进行去包含操作,得到剩余区域;
S6:计算每个剩余区域的中心坐标,根据每个剩余区域的中心坐标去除孤立的非字符区域;
S7:检查步骤S6得到的剩余区域是否有缺失,若存在缺失,则进行补全;
S8:进行字符识别,输出识别结果。
2.根据权利要求1所述的基于机器学习和最大极值稳定区域的车牌识别方法,其特征在于:所述步骤S5中,去包含操作包括以下步骤:
S51:判断步骤S4筛选出的所有区域中是否有两个区域对应的外接矩形框满足式(1)的条件:如果是,则判定第一区域对应的外接矩形框包含第二区域对应的外接矩形框,然后保留第一区域对应的外接矩形框,去除第二区域对应的外接矩形框;否则,不进行任何操作;
式(1)中,rect1表示第一区域对应的外接矩形框,rect1.x表示第一区域对应的外接矩形框的横坐标,rect1.y表示第一区域对应的外接矩形框的纵坐标,rect1.width表示第一区域对应的外接矩形框的宽度,rect1.height表示第一区域对应的外接矩形框的高度,rect2表示第二区域对应的外接矩形框,rect2.x表示第二区域对应的外接矩形框的横坐标,rect2.y表示第二区域对应的外接矩形框的纵坐标,rect2.width表示第二区域对应的外接矩形框的宽度,rect2.height表示第二区域对应的外接矩形框的高度;
S52:重复执行步骤S51,直至步骤S4筛选出的所有区域中不存在两个区域对应的外接矩形框满足式(1)的条件后结束。
3.根据权利要求1所述的基于机器学习和最大极值稳定区域的车牌识别方法,其特征在于:所述步骤S6中,根据每个剩余区域的中心坐标去除孤立的非字符区域的过程包括按剩余区域中心坐标的纵坐标从上到下进行排序,通过比较相邻纵坐标间的高度差去除竖直方向上孤立的非字符区域的步骤;还包括按剩余区域中心坐标的横坐标从左到右进行排序,通过比较相邻横坐标间的水平距离差去除水平方向上孤立的非字符区域的步骤。
4.根据权利要求1所述的基于机器学习和最大极值稳定区域的车牌识别方法,其特征在于:所述步骤S4中,机器学习模型训练的过程中的训练样本分为字符区域和非字符区域两大类,字符区域分为字母、数字和代表省份的汉字,非字符区域分为非车牌区域上的非字符区域和车牌区域上的非字符区域,且训练样本都是彩色图像。
5.根据权利要求1所述的基于机器学习和最大极值稳定区域的车牌识别方法,其特征在于:所述步骤S7中,补全的过程包括以下步骤:
S71:将步骤S6得到的剩余区域按照外接最小矩形框的左边界从左往右进行排序;
S72:在最靠左的剩余区域左边取一个新区域,记为第一新区域,第一新区域根据式(2)选取:
式(2)中,new表示第一新区域的外接矩形框,new.x表示第一新区域的外接矩形框的横坐标,new.y表示第一新区域的外接矩形框的纵坐标,new.width表示第一新区域的外接矩形框的宽度,new.height表示第一新区域的外接矩形框的高度;k表示系数,根据车牌字符的间距确定;ave_dev表示步骤S6得到的剩余区域中相邻字符区域中心高度偏差的平均值;rects[L]表示最靠左的剩余区域对应的外接矩形框,rects[L].x表示最靠左的剩余区域对应的外接矩形框的横坐标,rects[L].y表示最靠左的剩余区域对应的外接矩形框的纵坐标,rects[L].width表示最靠左的剩余区域对应的外接矩形框的宽度,rects[L].height表示最靠左的剩余区域对应的外接矩形框的高度;
将第一新区域输入到训练好的机器学习模型中,判断第一新区域是否为字符区域:如果是则保留,否则则去除;
S73:在最靠右的剩余区域右边取一个新区域,记为第二新区域,第二新区域根据式(3)选取:
式(3)中,new'表示第二新区域的外接矩形框,new'.x表示第二新区域的外接矩形框的横坐标,new'.y表示第二新区域的外接矩形框的纵坐标,new'.width表示第二新区域的外接矩形框的宽度,new'.height表示第二新区域的外接矩形框的高度,rects[R]表示最靠右的剩余区域对应的外接矩形框,rects[R].x表示最靠右的剩余区域对应的外接矩形框的横坐标,rects[R].y表示最靠右的剩余区域对应的外接矩形框的纵坐标,rects[R].width表示最靠右的剩余区域对应的外接矩形框的宽度,rects[R].height表示最靠右的剩余区域对应的外接矩形框的高度;
将第二新区域输入到训练好的机器学习模型中,判断第二新区域是否为字符区域:如果是则保留,否则则去除;
S74:对于步骤S6得到的剩余区域,依次遍历每两个相邻的剩余区域间的距离,若距离大于这两个相邻剩余区域中外接矩形框宽度最大的剩余区域的外接矩形框宽度的两倍,则对这两个剩余区域执行步骤S72,然后执行步骤S75;
S75:检查步骤S6得到的剩余区域是否全部被补全:如果是,则进行步骤S77;否则,根据式(4)计算第i个剩余区域与第i+1个剩余区域的中心间距dis[i],然后进行步骤S76;
式(4)中,rects[i]表示第i个剩余区域的外接矩形框,rects[i].x表示第i个剩余区域的外接矩形框的横坐标,rects[i].width表示第i个剩余区域的外接矩形框的宽度,rects[i+1]表示第i+1个剩余区域的外接矩形框,rects[i+1].x表示第i+1个剩余区域的外接矩形框的横坐标,rects[i+1].width表示第i+1个剩余区域的外接矩形框的宽度;
S76:如果dis[i]满足式(5)的条件,则判定此时的i=2,从而确定车牌中第2个字符和第3个字符的位置;如果dis[i]满足式(6)的条件,则判定此时的i≠2;
式(5)中,ki表示第一系数,ka表示第二系数,ki和ka根据车牌字符间距确定;
确定了车牌中第2个字符和第3个字符的位置之后,根据车牌字符特定的排列关系确定其他字符的位置,从而确定缺失字符的位置,然后按式(2)进行补全,补全之后执行步骤S77;
S77:结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910274452.1A CN110046618B (zh) | 2019-04-08 | 2019-04-08 | 基于机器学习和最大极值稳定区域的车牌识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910274452.1A CN110046618B (zh) | 2019-04-08 | 2019-04-08 | 基于机器学习和最大极值稳定区域的车牌识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110046618A true CN110046618A (zh) | 2019-07-23 |
CN110046618B CN110046618B (zh) | 2023-06-13 |
Family
ID=67276348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910274452.1A Active CN110046618B (zh) | 2019-04-08 | 2019-04-08 | 基于机器学习和最大极值稳定区域的车牌识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046618B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612157A (zh) * | 2020-05-22 | 2020-09-01 | 四川无声信息技术有限公司 | 训练方法、文字识别方法、装置、存储介质及电子设备 |
CN112488097A (zh) * | 2020-10-30 | 2021-03-12 | 南京云牛智能科技有限公司 | 一种车牌识别中的缺失字符补全方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134079A (zh) * | 2014-07-31 | 2014-11-05 | 中国科学院自动化研究所 | 一种基于极值区域和极限学习机的车牌识别方法 |
-
2019
- 2019-04-08 CN CN201910274452.1A patent/CN110046618B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134079A (zh) * | 2014-07-31 | 2014-11-05 | 中国科学院自动化研究所 | 一种基于极值区域和极限学习机的车牌识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612157A (zh) * | 2020-05-22 | 2020-09-01 | 四川无声信息技术有限公司 | 训练方法、文字识别方法、装置、存储介质及电子设备 |
CN111612157B (zh) * | 2020-05-22 | 2023-06-30 | 四川无声信息技术有限公司 | 训练方法、文字识别方法、装置、存储介质及电子设备 |
CN112488097A (zh) * | 2020-10-30 | 2021-03-12 | 南京云牛智能科技有限公司 | 一种车牌识别中的缺失字符补全方法 |
CN112488097B (zh) * | 2020-10-30 | 2021-07-27 | 南京云牛智能科技有限公司 | 一种车牌识别中的缺失字符补全方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110046618B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN103198315B (zh) | 基于字符轮廓和模板匹配的车牌字符分割算法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN106650553A (zh) | 车牌识别方法及系统 | |
CN110060238B (zh) | 基于深度学习的pcb板标注印刷质量检测方法 | |
CN106875546B (zh) | 一种增值税发票的识别方法 | |
CN111666938B (zh) | 一种基于深度学习的两地双车牌检测识别方法及系统 | |
CN104392205B (zh) | 一种非正常车牌的识别方法和系统 | |
CN102043950B (zh) | 基于canny算子和边缘点统计的车辆轮廓识别方法 | |
CN103116751B (zh) | 一种车牌字符自动识别方法 | |
CN102375982B (zh) | 一种融合多字符特征的车牌定位方法 | |
CN101398894B (zh) | 机动车车牌自动识别方法及其实现装置 | |
CN109726717B (zh) | 一种车辆综合信息检测系统 | |
CN108564088A (zh) | 车牌识别方法、装置、设备及可读存储介质 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN107273896A (zh) | 一种基于图像识别的车牌检测识别方法 | |
CN105809138A (zh) | 一种基于分块识别的道路警告标志检测与识别方法 | |
CN103226696B (zh) | 车牌的识别系统及方法 | |
CN107066972B (zh) | 基于多通道极值区域的自然场景文本检测方法 | |
CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 | |
CN106709530A (zh) | 基于视频的车牌识别方法 | |
CN107563380A (zh) | 一种基于mser和swt相结合的车辆车牌检测识别方法 | |
CN107832762A (zh) | 一种基于多特征融合的车牌定位与识别方法 | |
CN109034019B (zh) | 一种基于行分割线的黄色双行车牌字符分割方法 | |
CN105809166A (zh) | 车牌识别方法、装置及系统 |
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 |