CN111739312A - 一种人工智能物联网交通红绿灯系统 - Google Patents

Abstract

本发明提出了一种人工智能物联网交通红绿灯系统，包括：人脸识别单元，用于识别斑马线两侧的行人；中央控制单元，用于控制行人红绿灯的状态；车牌识别单元，用于识别行车道上的车辆车牌号；所述中央控制单元还用于统计车辆车牌号的数量并计算实时车流量；其中，所述第一预设时长与所述实时车流量呈正相关。本发明可保证在道路无行人通过时始终保持车辆通行，可根据行人的实际通行需求灵活改变红绿灯的时间，设置第一预设时长与实时车流量呈正相关，既可在车辆通行高峰期有效降低车辆通行压力，同时也可在车辆通行低谷期有效降低行人等待时间，在避免了各方等待时间过长的前提下极大的提高了道路通行效率。

Description

一种人工智能物联网交通红绿灯系统

技术领域

本发明涉及智能交通技术领域，尤其涉及一种人工智能物联网交通红绿灯系统。

背景技术

在道路交通领域，对于单一道路而言，传统的交通红绿灯系统，各个方向的红灯与绿灯时长是固定的，如果要调节红灯与绿灯时长只能手动调节，总的来说手动模式需要大量的人力，自动模式下时间固定，不能自适应车流量大小及行人通行状态，不能自动调节红灯与绿灯的时长以提高通行效率。

发明内容

有鉴于此，本发明提出了一种人工智能物联网交通红绿灯系统，以解决单一道路上传统红绿灯系统的红绿灯时间无法根据行人通行状态及车流量大小适应性改变的问题。

本发明的技术方案是这样实现的：一种人工智能物联网交通红绿灯系统，包括位于行车道斑马线处的车辆红绿灯及行人红绿灯，还包括：

人脸识别单元，用于在行人红绿灯由绿灯变为黄灯后和在行人红绿灯保持红灯的时间大于第一预设时长后识别斑马线两侧的行人；

中央控制单元，用于在所述人脸识别单元未识别到行人的条件下控制行人红绿灯处于红灯状态，在所述人脸识别单元识别到行人且行人红绿灯满足绿灯条件后控制行人红绿灯变为绿灯并保持绿灯持续第二预设时长，在行人红绿灯连续保持绿灯及黄灯的时间大于第三预设时长后控制行人红绿灯变为红灯；

车牌识别单元，用于识别行车道上的车辆车牌号；

所述中央控制单元还用于统计车辆车牌号的数量并计算实时车流量；

其中，所述第一预设时长与所述实时车流量呈正相关，所述第三预设时长大于所述第二预设时长，所述绿灯条件包括行人红绿灯连续保持绿灯及黄灯的时间不大于所述第三预设时长。

可选的，所述第一预设时长大于所述第三预设时长。

可选的，所述人工智能物联网交通红绿灯系统还包括：

红外发射单元，用于夜间对斑马线四周发射红外光；

所述人脸识别单元还用于接收车辆车牌号及行人反射的红外光。

可选的，所述人工智能物联网交通红绿灯系统还包括：

位置识别单元，用于在行人红绿灯转换为绿灯后实时获取行人的定位信息；

所述中央控制单元还用于根据所述定位信息判断行人的位置是否发生变化，若行人位置在第四预设时长内未发生变化则控制行人红绿灯处于红灯状态；

其中，所述第四预设时长小于所述第二预设时长，所述绿灯条件还包括行人位置在所述第四预设时长内发生变化。

可选的，所述人工智能物联网交通红绿灯系统还包括：

距离识别单元，用于行人位置在所述第四预设时长内发生变化的条件下实时测量行人到行人红绿灯的距离；

所述中央控制单元还用于行人到行人红绿灯的距离在所述第四预设时长内逐渐变大的条件下控制行人红绿灯处于红灯状态；

其中，所述绿灯条件还包括行人到行人红绿灯的距离在所述第四预设时长内逐渐减小。

可选的，所述车牌识别单元包括：

图像获取模块，用于获取行车道来向的图像；

图像预处理模块，用于对所述图像进行预处理以分割所述图像中的图和字符；

车牌定位模块，用于利用数字图像处理技术对行车道上的每个车辆的车牌进行定位；

车牌筛选模块，用于根据每个车牌的定位信息从所述图像的所有字符中筛选出每个车牌对应的字符；

字符分割模块，用于对每个已定位的车牌上的字符一一进行分割；

字符识别模块，用于对已分割后的车牌上的字符一一进行识别。

可选的，所述车牌识别单元还包括：

车牌校正模块，用于对每个已定位的车牌进行倾斜校正。

可选的，所述图像预处理模块包括：

灰度变换子模块，用于将所述图像由彩色转换为灰度；

边缘检测子模块，用于对灰度图像进行边缘检测以提取灰度图像中亮度变化最明显的区域；

图像分割子模块，用于分割所述灰度图像中的图和字符。

可选的，所述图像预处理模块还包括：

图像优化子模块，用于根据空间域方法对所述灰度图像进行优化以剔除所述灰度图像中的破损因子。

可选的，所述字符识别模块包括：

特征提取子模块，用于提取每个车牌字符分割后的字符特征向量；

模型构建子模块，用于对所述字符特征向量进行统计以形成特征统计模型；

模型优化子模块，用于将转化函数与所述特征统计模型进行综合运算以将所述特征统计模型由内积运算转换为非线性运算。

本发明的人工智能物联网交通红绿灯系统相对于现有技术具有以下有益效果：

(1)本发明的人工智能物联网交通红绿灯系统可保证在道路无行人通过时始终保持车辆通行，可根据行人的实际通行需求灵活改变红绿灯的时间，设置第一预设时长与实时车流量呈正相关，既可在车辆通行高峰期有效降低车辆通行压力，同时也可在车辆通行低谷期有效降低行人等待时间，在避免了各方等待时间过长的前提下极大的提高了道路通行效率；

(2)本发明的人工智能物联网交通红绿灯系统可根据行人的位置判断行人是否具有通行需求，可在判断行人无通行需求时减少因误判形成的绿灯的保持时间，弥补因误判造成的通行时间浪费，避免影响通行效率；

(3)本发明的人工智能物联网交通红绿灯系统可根据行人与红绿灯的距离来避免通过行人位置判断行人通行需求的误判，提高了通过行人位置判断行人通行需求的准确性和可靠性；

(4)本发明的人工智能物联网交通红绿灯系统根据车牌的定位从海量图、字符中筛选出每个车牌对应的图、字符，这一筛选机制极大地降低了车牌号筛选的复杂性和难度；

(5)本发明的人工智能物联网交通红绿灯系统利用特征统计方法，对于分割好字符的车牌，提取字符中的有关特征向量，根据特征统计方法进行统计和分析，将内积运算转换为非线性运算，降低了计算的难度，提高了车牌识别准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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他的附图。

图1为本发明的人工智能物联网交通红绿灯系统的结构框图。

附图标记说明：

10-人脸识别单元；20-中央控制单元；30-车牌识别单元；40-红外发射单元；50-位置识别单元；60-距离识别单元。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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他实施方式，都属于本发明保护的范围。

如图1所示，本发明的人工智能物联网交通红绿灯系统，包括位于行车道斑马线处的车辆红绿灯及行人红绿灯，还包括：

人脸识别单元10，用于在行人红绿灯由绿灯变为黄灯后和在行人红绿灯保持红灯的时间大于第一预设时长后识别斑马线两侧的行人；

中央控制单元20，用于在所述人脸识别单元10未识别到行人的条件下控制行人红绿灯处于红灯状态，在所述人脸识别单元10识别到行人且行人红绿灯满足绿灯条件后控制行人红绿灯变为绿灯并保持绿灯持续第二预设时长，在行人红绿灯连续保持绿灯及黄灯的时间大于第三预设时长后控制行人红绿灯变为红灯；

车牌识别单元30，用于识别行车道上的车辆车牌号；

所述中央控制单元20还用于统计车辆车牌号的数量并计算实时车流量；

其中，所述第一预设时长与所述实时车流量呈正相关，所述第三预设时长大于所述第二预设时长，所述绿灯条件包括行人红绿灯连续保持绿灯及黄灯的时间不大于所述第三预设时长。

本实施例只针对单一道路，十字路口等复杂道路不在本实施例的讨论范围。一般的，行人红绿灯及车辆红绿灯的状态转换均为红灯-黄灯-绿灯-黄灯-红灯。行人红绿灯为黄灯时，车辆红绿灯同样为黄灯；行人红绿灯为红灯时，车辆红绿灯为绿灯；行人红绿灯为绿灯时，车辆红绿灯为红灯。

本实施例中，假设行人红绿灯的初始状态为红灯，此时保持车辆通行，在红灯状态保持时间大于第一预设时长前，如2min，人脸识别单元10停止识别行人；为避免行人等待时间过长，在红灯状态保持时间大于第一预设时长后，人脸识别单元10开始识别行人；若人脸识别单元10未识别到行人，行人红绿灯则一直保持红灯状态，这样可保证道路上的车辆通行，提高了车辆通行效率，避免车辆拥堵；若人脸识别单元10识别到行人，中央控制单元20则控制行人红绿灯由红灯-黄灯-绿灯转换，随即保持绿灯状态持续第二预设时长，如20s，以保证行人通过斑马线；在绿灯保持期间，人脸识别单元10停止识别行人；在绿灯保持第二预设时长后，中央控制单元20则控制绿灯变为黄灯，人脸识别单元10开始识别行人；若人脸识别单元10未识别到行人，中央控制单元20则控制行人红绿灯由黄灯变为红灯，车辆开始通行；若人脸识别单元10识别到行人，中央控制单元20则控制行人红绿灯由黄灯变为绿灯，继续保持行人通行；若人脸识别单元10持续识别到行人，为避免车辆等待时间过长，则行人红绿灯在绿灯-黄灯-绿灯-黄灯-绿灯这一循环状态保持第三预设时长后，如1min，中央控制单元20则控制行人红绿灯由黄灯或绿灯变为红灯，车辆开始通行。其中，第二预设时长可根据行人平均通过道路所用时长来确定，可稍大于平均通行时间。

如此反复循环上述过程，本实施例可保证在道路无行人通过时始终保持车辆通行，避免了有行人时行人等待时间过长，也避免了车辆等待时间过长，在避免了各方等待时间过长的前提下极大的提高了道路通行效率。且在行人红绿灯连续保持绿灯及黄灯的时间不大于第三预设时长的前提下，一旦检测到行人即可控制红绿灯为绿灯，这样还可在行人闯红灯时及时控制道路车辆停止，避免造成人员伤亡。

一般的，车流量在一天内会有显著差异，如上下班高峰期远高于其他时间段，若每个时间段设置车辆在一次绿灯的通行时间均相同，则无法有效降低高峰期的车辆通行压力并在低谷期有效降低行人等待时间。本实施例中，车牌识别单元30可识别行车道上的车辆车牌号，中央控制单元20计算实时车流量，第一预设时长与实时车流量呈正相关，即高峰期第一预设时长大，低谷期第一预设时长小，可在车辆通行高峰期有效降低车辆通行压力的同时，在车辆通行低谷期有效降低行人等待时间。

可选的，所述第一预设时长大于所述第三预设时长。一般的，道路上车辆通行压力远大于行人通行压力，第一预设时长大于第三预设时长，即车辆每次绿灯的通行时间大于行人每次绿灯的通行时间，这样符合实际通行需求，既可确保车辆通行资源充足，也可避免行人通行资源的冗余。

可选的，如图1所示，所述人工智能物联网交通红绿灯系统还包括：

红外发射单元40，用于夜间对斑马线四周发射红外光；

所述人脸识别单元10还用于接收车辆车牌号及行人反射的红外光。

由于夜间灯光强度不足，人脸识别单元10和车牌识别单元30的识别误差会增大，不利于准确把握车辆及行人通行情况。本实施例设置有红外发射单元40，可利用红外光线确保准确把握车辆及行人通行情况，避免因光线不足而造成识别误差，避免影响通行效率。

可选的，如图1所示，所述人工智能物联网交通红绿灯系统还包括：

位置识别单元50，用于在行人红绿灯转换为绿灯后实时获取行人的定位信息；

所述中央控制单元20还用于根据所述定位信息判断行人的位置是否发生变化，若行人位置在第四预设时长内未发生变化则控制行人红绿灯处于红灯状态；

其中，所述第四预设时长小于所述第二预设时长，所述绿灯条件还包括行人位置在所述第四预设时长内发生变化。

某些场景下，如行人站在路边斑马线旁等待而不会立即穿越斑马线，此时人脸识别单元10会识别到行人，会造成有行人通行需求这一误判，若在此场景下控制行人红绿灯为绿灯，在无行人通行的前提下降低了车辆通行效率。本实施例中，位置识别单元50可在行人红绿灯转换为绿灯后实时获取行人的定位信息，若中央控制单元20判断行人的位置在第四预设时长内未发生变化，则可控制行人红绿灯由绿灯立即切换为红灯(中间经过黄灯)，这样可减少因误判形成的绿灯的保持时间，弥补因误判造成的通行时间浪费，避免影响通行效率。

其中，本实施例优选第四预设时长为行人穿越斑马线平均用时的一半，即可为第二预设时长的一半。某些场景下，如行人在绿灯出现后未立即发现绿灯而导致通行延误，但却有通行需求，并在短暂延误后开始穿越马路，若第四预设时长过小，则无法满足上述场景下行人的通行需求，导致行人即将通行时出现了红灯，这样影响了行人的通行效率；若第四预设时长过大，如接近第二预设时长，即便第四预设时长内行人位置未发生变化，此时已经造成了通行时间的极大浪费，无法有效弥补。本实施例优选第四预设时长为行人穿越斑马线平均用时的一半，既可避免影响通行延误的行人的需求，也可保证有效弥补因误判造成的通行时间浪费。

可选的，如图1所示，所述人工智能物联网交通红绿灯系统还包括：

距离识别单元60，用于行人位置在所述第四预设时长内发生变化的条件下实时测量行人到行人红绿灯的距离；

所述中央控制单元20还用于行人到行人红绿灯的距离在所述第四预设时长内逐渐变大的条件下控制行人红绿灯处于红灯状态；

其中，所述绿灯条件还包括行人到行人红绿灯的距离在所述第四预设时长内逐渐减小。

其中，行人到行人红绿灯的距离实际为行人与道路两边两行人红绿灯连线中点的距离。本实施例中，若行人位置在第四预设时长内发生了变化，可能存在以下场景：行人已经穿越斑马线并在远离道路的过程中；行人沿着道路延伸方向行进并刚好路过斑马线的一侧。这样行人位置在第四预设时长内发生了变化，但行人依旧没有通行需求，仅通过人脸识别单元10和位置识别单元50的识别作用依然存在误判的可能。本实施例中，若行人位置在第四预设时长内发生了变化，距离识别单元60可测量行人到行人红绿灯的距离，若行人到行人红绿灯的距离在第四预设时长内逐渐变大，说明行人处于上述两种无通行需求的场景下，这样可控制行人红绿灯切换为红灯状态，可减少因误判形成的绿灯的保持时间，弥补因误判造成的通行时间浪费，避免影响通行效率。若行人到行人红绿灯的距离在第四预设时长内逐渐变小，则说明行人由斑马线一侧向斑马线中点行进，可保持绿灯以保证行人通过。

可选的，所述车牌识别单元包括：

图像获取模块，用于获取行车道来向的图像；

图像预处理模块，用于对所述图像进行预处理以分割所述图像中的图和字符；

车牌定位模块，用于利用数字图像处理技术对行车道上的每个车辆的车牌进行定位；

车牌筛选模块，用于根据每个车牌的定位信息从所述图像的所有字符中筛选出每个车牌对应的字符；

字符分割模块，用于对每个已定位的车牌上的字符一一进行分割；

字符识别模块，用于对已分割后的车牌上的字符一一进行识别。

一般的，车牌的识别会因为外界的一系列因素造成识别出错，影响车牌识别的因素有很多，例如车牌的整体规格、以及颜色等，这就给车牌识别系统带来识别的困难，影响识别率。同时，如果车牌因为脏了或者坏了，车牌上的字符显得不清楚，也会造成是被困难。

本实施例中，首先获取行车道上车辆来向的图像，此时的图像既包括了车辆的图像，也包括周围的环境图像；然后分割图像中的图和字符，此时的图和字符同样既包括车辆的图和字符，也包括周围环境的图和字符；进一步的对每个车辆的车牌进行定位以获取每个车牌的位置，这样就可以根据车牌的位置信息从所有图和字符中筛选每个车牌对应的图和字符，这里的定位可以是每个车牌在整个图像中的相对位置以及车牌的面积；然后对每个已定位的车牌上的字符一一进行分割，对已分割后的车牌上的字符一一进行识别。其中，车牌由于通常是金属材料，其定位较为简单，可参照传统方法。

这样本实施例可通过上述过程识别行车道上的车辆车牌号，以便于计算车流量；其中根据车牌的定位从海量图、字符中筛选出每个车牌对应的图、字符，这一筛选机制极大地降低了车牌号筛选的复杂性和难度。

可选的，所述车牌识别单元还包括：

车牌校正模块，用于对每个已定位的车牌进行倾斜校正。

由于图像获取角度或车牌悬挂位置的影响，部分车牌的姿态存在或多或少的倾斜，导致车牌上的字符出现倾斜，不利于字符的识别。本实施对每个已定位的车牌进行倾斜校正，对车牌上字符的姿态进行校正，之后再进行字符分割，降低了字符识别的难度。

可选的，所述图像预处理模块包括：

灰度变换子模块，用于将所述图像由彩色转换为灰度；

边缘检测子模块，用于对灰度图像进行边缘检测以提取灰度图像中亮度变化最明显的区域；

图像分割子模块，用于分割所述灰度图像中的图和字符。

图像获取模块获取的图像为彩色，在彩色的图片中蕴含了许多关于色彩的信息，对于这些色彩信息，可以用3个维度来进行衡量。R、G、B这三个维度可以产生出多种不同的颜色出来，这就造成储存内容较多，储存空间也会比较大。但是如果使用灰度图像就不会出现类似的问题，因为灰度图像中只是包含了一下单种颜色图像，因此相应的储存内容也不会多，需要的储存空间也比较小。因此，可以将彩色图像朝着灰度图像进行转变。这样不仅能够减少储存空间，而且更加便于分析和识别。

边缘检测的核心目的就是为了检测图像中的光亮变化最明显的点，车牌的边缘主要是以图像的局部特征的不连贯性的方式出现的，也就是指的是提取的车牌图像中亮度变化最为明显的部分，这样可将图像中的字符突出显示，降低了图像分割子模块分割图和字符的难度。

可选的，所述图像预处理模块还包括：

图像优化子模块，用于根据空间域方法对所述灰度图像进行优化以剔除所述灰度图像中的破损因子。

在将彩色图像转换为灰度图像之后，还应该注重去除外界影响因素，例如车牌上的脏迹、车牌的损坏等，因为这些因素会直接的影响到灰度图像的质量，因此要进行处理。本实施例利用空间域方法对灰度图像进行优化以剔除灰度图像中的破损因子，可消除车牌上的脏迹、车牌的损坏等因素对灰度图像质量的影响，以提高车牌号识别的准确性和可靠性。

可选的，所述字符识别模块包括：

特征提取子模块，用于提取每个车牌字符分割后的字符特征向量；

模型构建子模块，用于对所述字符特征向量进行统计以形成特征统计模型；

模型优化子模块，用于将转化函数与所述特征统计模型进行综合运算以将所述特征统计模型由内积运算转换为非线性运算。

字符识别的方式有多种，如神经网络识别、模式匹配识别等，神经网络识别由于需要自我分类和学习，其计算过程相对复杂，模式匹配识别由于其数据库的局限性，应用的环境有限制。本实施例利用特征统计方法，首先应该对于分割好字符的车牌，提取字符中的有关特征向量，根据特征统计方法，产生统计器，并进行统计和分析，然后将转化函数函数加入到特征统计分析工具里面，这就能够直接将内积运算转换为非线性运算，不仅直接降低了计算的难度，还提高了车牌识别准确率。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种人工智能物联网交通红绿灯系统，包括位于行车道斑马线处的车辆红绿灯及行人红绿灯，其特征在于，还包括：

人脸识别单元(10)，用于在行人红绿灯由绿灯变为黄灯后和在行人红绿灯保持红灯的时间大于第一预设时长后识别斑马线两侧的行人；

中央控制单元(20)，用于在所述人脸识别单元(10)未识别到行人的条件下控制行人红绿灯处于红灯状态，在所述人脸识别单元(10)识别到行人且行人红绿灯满足绿灯条件后控制行人红绿灯变为绿灯并保持绿灯持续第二预设时长，在行人红绿灯连续保持绿灯及黄灯的时间大于第三预设时长后控制行人红绿灯变为红灯；

车牌识别单元(30)，用于识别行车道上的车辆车牌号；

所述中央控制单元(20)还用于统计车辆车牌号的数量并计算实时车流量；

其中，所述第一预设时长与所述实时车流量呈正相关，所述第三预设时长大于所述第二预设时长，所述绿灯条件包括行人红绿灯连续保持绿灯及黄灯的时间不大于所述第三预设时长。

2.如权利要求1所述的人工智能物联网交通红绿灯系统，其特征在于，所述第一预设时长大于所述第三预设时长。

3.如权利要求1所述的人工智能物联网交通红绿灯系统，其特征在于，还包括：

红外发射单元(40)，用于夜间对斑马线四周发射红外光；

所述人脸识别单元(10)还用于接收车辆车牌号及行人反射的红外光。

4.如权利要求1所述的人工智能物联网交通红绿灯系统，其特征在于，还包括：

位置识别单元(50)，用于在行人红绿灯转换为绿灯后实时获取行人的定位信息；

所述中央控制单元(20)还用于根据所述定位信息判断行人的位置是否发生变化，若行人位置在第四预设时长内未发生变化则控制行人红绿灯处于红灯状态；

其中，所述第四预设时长小于所述第二预设时长，所述绿灯条件还包括行人位置在所述第四预设时长内发生变化。

5.如权利要求4所述的人工智能物联网交通红绿灯系统，其特征在于，还包括：

距离识别单元(60)，用于行人位置在所述第四预设时长内发生变化的条件下实时测量行人到行人红绿灯的距离；

所述中央控制单元(20)还用于行人到行人红绿灯的距离在所述第四预设时长内逐渐变大的条件下控制行人红绿灯处于红灯状态；

其中，所述绿灯条件还包括行人到行人红绿灯的距离在所述第四预设时长内逐渐减小。

6.如权利要求1所述的人工智能物联网交通红绿灯系统，其特征在于，所述车牌识别单元(30)包括：

图像获取模块，用于获取行车道来向的图像；

图像预处理模块，用于对所述图像进行预处理以分割所述图像中的图和字符；

车牌定位模块，用于利用数字图像处理技术对行车道上的每个车辆的车牌进行定位；

车牌筛选模块，用于根据每个车牌的定位信息从所述图像的所有字符中筛选出每个车牌对应的字符；

字符分割模块，用于对每个已定位的车牌上的字符一一进行分割；

字符识别模块，用于对已分割后的车牌上的字符一一进行识别。

7.如权利要求6所述的人工智能物联网交通红绿灯系统，其特征在于，所述车牌识别单元(30)还包括：

车牌校正模块，用于对每个已定位的车牌进行倾斜校正。

8.如权利要求6所述的人工智能物联网交通红绿灯系统，其特征在于，所述图像预处理模块包括：

灰度变换子模块，用于将所述图像由彩色转换为灰度；

边缘检测子模块，用于对灰度图像进行边缘检测以提取灰度图像中亮度变化最明显的区域；

图像分割子模块，用于分割所述灰度图像中的图和字符。

9.如权利要求8所述的人工智能物联网交通红绿灯系统，其特征在于，所述图像预处理模块还包括：

图像优化子模块，用于根据空间域方法对所述灰度图像进行优化以剔除所述灰度图像中的破损因子。

10.如权利要求6所述的人工智能物联网交通红绿灯系统，其特征在于，所述字符识别模块包括：

特征提取子模块，用于提取每个车牌字符分割后的字符特征向量；

模型构建子模块，用于对所述字符特征向量进行统计以形成特征统计模型；

模型优化子模块，用于将转化函数与所述特征统计模型进行综合运算以将所述特征统计模型由内积运算转换为非线性运算。

Images