CN111046876B - 基于纹理检测技术的车牌字符快速识别方法及其系统 - Google Patents

基于纹理检测技术的车牌字符快速识别方法及其系统 Download PDF

Info

Publication number
CN111046876B
CN111046876B CN201911312359.1A CN201911312359A CN111046876B CN 111046876 B CN111046876 B CN 111046876B CN 201911312359 A CN201911312359 A CN 201911312359A CN 111046876 B CN111046876 B CN 111046876B
Authority
CN
China
Prior art keywords
license plate
image
character
gray level
occurrence matrix
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.)
Active
Application number
CN201911312359.1A
Other languages
English (en)
Other versions
CN111046876A (zh
Inventor
祝勇俊
刘文波
沈骞
朱树先
李佳雨
李芸
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.)
Nanjing University of Aeronautics and Astronautics
Suzhou University of Science and Technology
Original Assignee
Nanjing University of Aeronautics and Astronautics
Suzhou University of Science and Technology
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 Nanjing University of Aeronautics and Astronautics, Suzhou University of Science and Technology filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911312359.1A priority Critical patent/CN111046876B/zh
Publication of CN111046876A publication Critical patent/CN111046876A/zh
Application granted granted Critical
Publication of CN111046876B publication Critical patent/CN111046876B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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

Landscapes

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

Abstract

本发明公开了一种车牌识别装置及其算法，包括：通过车牌特征进行车牌定位，提取车牌部分图像；通过Radon变换对车牌进行倾斜矫正；通过阈值化分割及积分投影获取单字符图像；通过多个不同尺寸的扫描窗口，使用灰度共生矩阵提取每个字符图像的特征；通过获得的待检测字符的特征与标准库中的特征比较计算，获取最佳结果。其中针对字符的识别设计了鲁棒性更强的算法，能够在多种不利条件下更加准确的识别车牌上的字符，改善车牌识别系统的识别性能，降低误判率，具有较好的实用价值。

Description

基于纹理检测技术的车牌字符快速识别方法及其系统
技术领域
本发明涉及图像处理分析技术，特别是涉及一种用于车牌字符的快速鲁棒识别方法和系统。
背景技术
车牌识别是安防及门禁中常用的技术，其旨在自动化、智能化识别车辆的标识码(车牌号)。尤其是在高速监控、路口及停车场等场所，又广泛的应用。
由于车牌及其上边的字符均是由交管部门统一规定的，具有很强的规律性，因此目前的车牌识别系统都是在检测到车牌后，计算其中每个字符像素的占空比，以此作为特征与标准库中的数据进行比较，或直接计算单字符的矩阵距离，选取最相近的值作为结果输出。但是这类系统都需要车辆牌照清晰、无遮挡。尽管交规有规定不允许对车辆牌照进行遮挡，但是在一些特定的场合，如经过泥泞区域等，可能存在对车牌上有部分污损的情况，影响传统车牌识别系统的准确度。因此需要一种鲁棒性更强、成本适当且稳定的车牌识别系统。
发明内容
本发明主要解决的技术问题是提供一种鲁棒性更强的基于纹理检测技术的车牌字符快速识别方法及其系统，具备成本可控、稳定、准确度更高等优点，可以轻松部署在现有的车牌识别系统中，在安防及门禁等应用中有着广泛的前景。
为了解决上述技术问题，现提供一种车牌识别方法，其步骤如下：
获取影像，并提取有车辆的关键帧；
检测车牌特征，并将截取车牌图像；
对截取的车牌图像进行倾斜矫正；
对完成倾斜矫正的车牌图像进行二值化处理，并利用腐蚀和膨胀去除部分噪点，形成没有空腔的完整车牌二值图像；
利用积分投影将车牌中的每个字符切割出来
利用纹理检测技术识别每个字符；
输出每个字符的结果，形成车牌识别结果。
一种车牌识别系统，其包括：
图像摄取模块，用于摄取含有车辆的关键帧；
车牌位置检测模块，用于从含有车辆的关键帧中获取含有车牌的像素；
图像标准化模块，用于将检测到的车牌进行标准化操作，将车牌图像进行倾斜矫正、阈值化分割，最终得到车牌图像中的单个字符图像；
纹理检测模块，用于提取单个字符的特征，并与库中的标准特征进行比对，得到最相近结果，输出所识别的车牌号码。
其中一个实施例中，所述车牌位置检测与定位是通过检测车牌的特征来识别车牌的位置。
其中一个实施例中，所述车牌的标准化是通过Radon变换进行车牌倾斜矫正，通过阈值化分割将图像变为二值图像，通过积分投影将每个字符从车牌中分割出来，并将每个字符图像压缩到指定大小；
其中一个实施例中，所述纹理检测技术识别单字符是通过灰度共生矩阵，使用多个尺寸的窗口遍历待检测的字符图像，提取其特征；
其中一个实施例中，所述与标准特征进行比对，是计算待识别字符图像的特征与标准库特征之间的欧式距离，选取最相近的值为识别结果。
上述车牌识别方法和系统，通过利用纹理检测技术提取车牌单字符的特征，较传统的计算方法，如模版匹配、计算占空比的方法鲁棒性更强，即使有污损也可以进行较为准确的识别，大幅提高单字符识别的准确度，并且可以直接嵌入已有车牌识别系统，具有较好的实用价值，整体具有一定的社会应用价值。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
图1为基于纹理检测技术的车牌字符识别系统的流程图；
图2为一实施例的单字符纹理检测的步骤流程图；
图3为一实施例的窗口图像计算示意图；
图4为一实施例的窗口图像的灰度共生矩阵及其特征的计算示意图；
图5为一实施例的污损的图像示意图；
图6为一实施例的污损的图像计算示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例包括如下流程：
步骤S101，获取影像，并通过传感器的信号，截取有车辆的关键帧。
步骤S102，检测车牌特征，定位并截取车牌图像。
步骤S103，图像标准化，利用Rodon算法进行倾斜校正，并利用阈值分割技术将图像二值化处理；同时利用开闭运算去除部分噪点；最后将图像放缩到指定尺寸。
步骤S104，利用积分投影的方法，将车牌像素分别向水平及垂直放进行投影，对于有像素的部分进行切割，实现单字符的分离。
步骤S105，利用灰度共生矩阵检测每个字符的纹理并组合成该图像的特征，并计算该特征与标准图像库中特征的欧式距离。
步骤S106，利用计算出的结果，寻找最小值作为当前字符的索引，并输出该字符，完成车牌字符的识别。
本实施例中，使用灰度共生矩阵的纹理检测技术对单字符进行检测识别，其操作流程图如图2所示。
一实施例中，上述S105步骤可包括如下动作：
(1)使用多尺度的窗口扫描图像，即假定扫描窗口大小为[Hn,Wn]，则窗口图像大小也为[Hn,Wn]，扫描尺度为Si，则所有的扫描窗口根据扫描尺度Si的进行调整。
(2)利用扫描窗口[Hn,Wn]将图像分成多个子图像，如图3所示。
(3)计算窗口内的灰度共生矩阵，即从灰度i出发，统计与距离
Figure BDA0002324887560000041
灰度j的像素同时出现的概率P(i,j|d,θ)，由公式P(i,j|d,θ)＝{(x,y)f(x,y)＝i,f(x+dx,y+dy)＝j}给出；其中f(x,y)表示子图像，dx和dy表示在行和列方向上的位移，i和j表示像素的灰度值。
(4)根据灰度共生矩阵计算行与列的特征值Ahd、Ahd2，由公式
Figure BDA0002324887560000042
Figure BDA0002324887560000043
和
Figure BDA0002324887560000044
给出；其中row和col分别是窗口的行和宽的像素数；由图3中所示矩阵可以利用灰度共生矩阵计算出图4所示的特征值。
(5)根据灰度共生矩阵计算出多个特征对，生成N维的特征向量，每个特征向量为fea(i)＝[Ahd(1),Ahd(2),…,Ahd(N)]，i不同尺寸的窗口种类数，N为某一类的窗口总数。
(6)计算这些特征与标准库特征的欧式距离，由公式
Figure BDA0002324887560000051
给出；其中fea是待检测字符的特征向量，fea_std是标准库特征向量。
(7)输出最小值的索引，并输出该索引的值，即为该待检测字符的值。
如图5所示是一个在车牌字符识别中一个非常极端的例子，极容易被混淆，有部分污损的S，其经过灰度共生矩阵提取特征并于标准库特征进行匹配，各图像相关性如图6所示(数值越小越好)，红色方框标注了该次识别的值，蓝色方框标注了相近值，可以看出识别较为准确；未指出的，传统方法在面对该种极端案例时，识别已经出现混淆。
本发明的上述车牌识别方法和系统，通过利用纹理检测技术提取车牌单字符的特征，较传统的计算方法，如模版匹配、计算占空比的方法鲁棒性更强，即使有污损也可以进行较为准确的识别，大幅提高单字符识别的准确度，并且可以直接嵌入已有车牌识别系统，具有较好的实用价值，整体具有一定的社会应用价值。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此理解为本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权力要求为主。

Claims (7)

1.一种车牌字符识别方法，其特征在于，包括如下步骤：
获取影像，并提取有车辆的关键帧；
检测车牌特征，并将截取车牌图像；
对截取的车牌图像进行倾斜矫正；
对完成倾斜矫正的车牌图像进行二值化处理，并利用腐蚀和膨胀去除部分噪点，形成没有空腔的完整车牌二值图像；
利用积分投影将车牌中的每个字符切割出来；
利用纹理检测技术识别每个字符；
输出每个字符的结果，形成车牌识别结果；
所述利用纹理检测技术识别每个字符是利用灰度共生矩阵检测每个字符的纹理并组合成该图像的特征，并计算该特征与标准图像库中特征的欧式距离；
利用灰度共生矩阵检测每个字符的纹理并组合成该图像的特征，并计算该特征与标准图像库中特征的欧式距离通过以下动作得到：
利用多尺度或单一尺度的窗口遍历标准化的图像，在每个窗口中计算其灰度共生矩阵，并输出为该窗口的特征；
将字符图像的所有特征值连接为多个特征向量，并计算其与标准库特征向量之间的欧式距离，以最小距离的索引为指标，输出该字符的识别值；
所述利用灰度共生矩阵检测每个字符的纹理并组合成该图像的特征，并计算该特征与标准图像库中特征的欧式距离的具体方法包括如下：
(1)使用多尺度的窗口扫描图像，即假定扫描窗口大小为[Hn,Wn]，则窗口图像大小也为[Hn,Wn]，扫描尺度为Si，则所有的扫描窗口根据扫描尺度Si的进行调整；
(2)利用扫描窗口[Hn,Wn]将图像分成多个子图像；
(3)计算窗口内的灰度共生矩阵，即从灰度i出发，统计与距离
Figure FDA0003595736280000011
灰度j的像素同时出现的概率P(i，j|d，θ)，由公式P(i，j|d，θ)＝{(x，y)f(x，y)＝i，f(x+dx，y+dy)＝j}给出；其中f(x，y)表示子图像，dx和dy表示在行和列方向上的位移，i和j表示像素的灰度值；
(4)根据灰度共生矩阵计算行与列的特征值Ahd、Ahd2，由公式
Figure FDA0003595736280000021
和
Figure FDA0003595736280000022
给出；其中row和col分别是窗口的行和宽的像素数；由图3中所示矩阵可以利用灰度共生矩阵计算出特征值；
(5)根据灰度共生矩阵计算出多个特征对，生成N维的特征向量，每个特征向量为fea(i)＝[Ahd(1)，Ahd(2)，...，Ahd(N)]，i不同尺寸的窗口种类数，N为某一类的窗口总数；
(6)计算这些特征与标准库特征的欧式距离，由公式
Figure FDA0003595736280000023
给出；其中fea是待检测字符的特征向量，fea_std是标准库特征向量；
(7)输出最小值的索引，并输出该索引的值，即为该待检测字符的值。
2.根据权利要求1所述的车牌字符识别方法，其特征在于,所述获取影像，并提取有车辆的关键帧是通过传感器的信号，截取有车辆的关键帧。
3.根据权利要求1所述的车牌字符识别方法，其特征在于，所述对截取的车，牌图像进行倾斜矫正的步骤方法为：
图像标准化，利用Rodon算法进行倾斜校正，并利用阈值分割技术将图像二值化处理；同时利用开闭运算去除部分噪点；最后将图像放缩到指定尺寸。
4.根据权利要求1所述的车牌字符识别方法，其特征在于，所述完整车牌二值图像的方法为：利用积分投影的方法，将车牌像素分别向水平及垂直放进行投影，对于有像素的部分进行切割，实现单字符的分离。
5.根据权利要求1所述的车牌字符识别方法，其特征在于,所述输出每个字符的结果，形成车牌识别结果的方法为：利用计算出的结果，寻找最小值作为当前字符的索引，并输出该字符，完成车牌字符的识别。
6.一种基于权利要求1-5中任意一项所述的车牌字符识别方法的识别系统，其特征在于，包括：
图像摄取模块，用于摄取含有车辆的关键帧；
车牌位置检测模块，用于从含有车辆的关键帧中获取含有车牌的像素；
图像标准化模块，用于将检测到的车牌进行标准化操作，将车牌图像进行倾斜矫正、阈值化分割，最终得到车牌图像中的单个字符图像；
纹理检测模块，用于提取单个字符的特征，并与库中的标准特征进行比对，得到最相近结果，输出所识别的车牌号码。
7.根据权利要求6所述的车牌字符识别方法的识别系统，其特征在于，所述纹理检测模块是利用基于灰度共生矩阵计算的纹理检测技术纹理检测；所述纹理检测模块的特征提取和识别通过以下动作得到：
利用多尺度或单一尺度的窗口遍历标准化的图像，在每个窗口中计算其灰度共生矩阵，并输出为该窗口的特征；
将字符图像的所有特征值连接为多个特征向量，并计算其与标准库特征向量之间的欧式距离，以最小距离的索引为指标，输出该字符的识别值。
CN201911312359.1A 2019-12-18 2019-12-18 基于纹理检测技术的车牌字符快速识别方法及其系统 Active CN111046876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911312359.1A CN111046876B (zh) 2019-12-18 2019-12-18 基于纹理检测技术的车牌字符快速识别方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911312359.1A CN111046876B (zh) 2019-12-18 2019-12-18 基于纹理检测技术的车牌字符快速识别方法及其系统

Publications (2)

Publication Number Publication Date
CN111046876A CN111046876A (zh) 2020-04-21
CN111046876B true CN111046876B (zh) 2022-05-31

Family

ID=70237709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911312359.1A Active CN111046876B (zh) 2019-12-18 2019-12-18 基于纹理检测技术的车牌字符快速识别方法及其系统

Country Status (1)

Country Link
CN (1) CN111046876B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783787B (zh) * 2020-07-10 2023-08-25 上海淇毓信息科技有限公司 一种识别图像字符的方法、装置和电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136528A (zh) * 2011-11-24 2013-06-05 同济大学 一种基于双边缘检测的车牌识别方法
CN104156704A (zh) * 2014-08-04 2014-11-19 胡艳艳 一种新的车牌识别方法及系统
CN104299009A (zh) * 2014-09-23 2015-01-21 同济大学 基于多特征融合的车牌字符识别方法
CN107026842A (zh) * 2016-11-24 2017-08-08 阿里巴巴集团控股有限公司 一种安全问题的生成以及身份验证的方法及装置
CN108564079A (zh) * 2018-05-08 2018-09-21 东华大学 一种便携式字符识别装置及方法
CN110490207A (zh) * 2019-08-27 2019-11-22 河北科技大学 基于二值图像灰度共生矩阵的棒材端面字符图像识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9122953B2 (en) * 2013-04-15 2015-09-01 Xerox Corporation Methods and systems for character segmentation in automated license plate recognition applications

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136528A (zh) * 2011-11-24 2013-06-05 同济大学 一种基于双边缘检测的车牌识别方法
CN104156704A (zh) * 2014-08-04 2014-11-19 胡艳艳 一种新的车牌识别方法及系统
CN104299009A (zh) * 2014-09-23 2015-01-21 同济大学 基于多特征融合的车牌字符识别方法
CN107026842A (zh) * 2016-11-24 2017-08-08 阿里巴巴集团控股有限公司 一种安全问题的生成以及身份验证的方法及装置
CN108564079A (zh) * 2018-05-08 2018-09-21 东华大学 一种便携式字符识别装置及方法
CN110490207A (zh) * 2019-08-27 2019-11-22 河北科技大学 基于二值图像灰度共生矩阵的棒材端面字符图像识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Sajith Rajapaksa ; Mark Eramian ; Hema Duddu.Classification of Crop Lodging with Gray Level Co-occurrence Matrix.《2018 IEEE Winter Conference on Applications of Computer Vision (WACV)》.2018, *
基于交通视频分析的自适应摄像控制系统;张洪斌，黄山，印月;《西南交通大学学报》;20180630;全文 *

Also Published As

Publication number Publication date
CN111046876A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
WO2018018788A1 (zh) 一种基于图像识别的计量表抄表装置及其方法
CN109559324B (zh) 一种线阵图像中的目标轮廓检测方法
US9014432B2 (en) License plate character segmentation using likelihood maximization
EP1085456B1 (en) Character segmentation method for vehicle license plate recognition
TWI381321B (zh) 重組多張影像與辨識方法以及影像擷取與辨識系統
CN110866430B (zh) 一种车牌识别方法及装置
CN111382704A (zh) 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
CN106529532A (zh) 一种基于积分特征通道与灰度投影的车牌识别系统
CN110458093B (zh) 一种基于驾驶员监控系统的安全带检测方法以及相应的设备
CN111027544B (zh) 一种基于视觉显著性检测的mser车牌定位方法及系统
CN110992322A (zh) 基于卷积神经网络的贴片掩膜检测系统及检测方法
CN112115800A (zh) 一种基于深度学习目标检测的车辆组合识别系统及方法
CN116704490A (zh) 车牌识别方法、装置和计算机设备
CN117911380A (zh) 基于改进fcos网络的x光安检检测方法
CN117523521B (zh) 一种基于Haar特征和改进HOG特征的车辆检测方法
CN111046876B (zh) 基于纹理检测技术的车牌字符快速识别方法及其系统
KR102489884B1 (ko) 차량 번호판 인식율 개선을 위한 이미지 처리 장치 및 이를 이용한 이미지 처리 방법
CN107977608B (zh) 一种应用于公路视频图像道路区域提取的方法
CN106778675B (zh) 一种视频图像中目标对象的识别方法和装置
CN110348386B (zh) 一种基于模糊理论的人脸图像识别方法、装置及设备
CN110569732B (zh) 一种基于驾驶员监控系统的安全带检测方法以及相应的设备
CN110516547B (zh) 一种基于加权非负矩阵分解的套牌车辆检测方法
CN112329597A (zh) 一种人脸识别的方法和装置
Kodwani et al. Automatic license plate recognition in real time videos using visual surveillance techniques

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