CN112163581B - 一种车牌字母识别方法、系统、装置及存储介质 - Google Patents

一种车牌字母识别方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN112163581B
CN112163581B CN202010942990.6A CN202010942990A CN112163581B CN 112163581 B CN112163581 B CN 112163581B CN 202010942990 A CN202010942990 A CN 202010942990A CN 112163581 B CN112163581 B CN 112163581B
Authority
CN
China
Prior art keywords
image
letter
license plate
matching
acquiring
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
CN202010942990.6A
Other languages
English (en)
Other versions
CN112163581A (zh
Inventor
连杰
贺小勇
周颖
关建刚
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010942990.6A priority Critical patent/CN112163581B/zh
Publication of CN112163581A publication Critical patent/CN112163581A/zh
Application granted granted Critical
Publication of CN112163581B publication Critical patent/CN112163581B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Character Input (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种车牌字母识别方法、系统、装置及存储介质，其中方法包括步骤：获取车牌图像，对车牌图像进行二值化处理，获得二值化图像；对二值化图像进行腐蚀膨胀处理，获得经过腐蚀膨胀处理后的第一图像；从第一图像中获取字母图像，对字母图像进行特征提取，根据提取的特征与特征表进行匹配，获得字母识别结果；对字母图像进行特征提取，包括：从多个扫描位置对字母图像进行多次直线扫描，获取每次直线扫描过程中出现的颜色突变次数作为字母图像的特征。本发明在字符识别过程中，仅需要对多个位置的图像数据进行统计，极大地减少了运算量，提高了识别速率，并减少了运算资源的占用，可广泛应用于字母识别领域。

Description

一种车牌字母识别方法、系统、装置及存储介质
技术领域
本发明涉及字母识别领域，尤其涉及一种车牌字母识别方法、系统、装置及存储介质。
背景技术
如今汽车产量增加，私有车辆越来越多，对车辆进行有效的管理也日益紧要。汽车车牌作为每辆车的身份标识，如果能快速把握汽车车牌信息，那么对车辆的管理也就更高效了。随着机器视觉的快速发展，车牌识别技术也应运而生，并被广泛应用于道路交通流监控、交通违章自动记录、停车场自动安全管理等方面。
车牌识别是模式识别领域中应用广泛的分支之一。车牌识别有两大类，一是利用模板匹配的识别技术，这是图像处理中最基本、最常用的匹配识别方法，通过对车牌字符的分割，将分割得到的字符图片与标准库中的字符图片比较，进而得到识别结果，另一种是利用神经网络进行车牌识别，通过大量样本训练神经网络模型，提取每个字符的特征参数，从而进行字符识别。上述利用模板或者神经网络这两种方法都存有处理数据量过大的问题。
发明内容
为了解决上述技术问题之一，本发明的目的是提供一种车牌字母识别方法、系统、装置及存储介质
本发明所采用的技术方案是：
一种车牌字母识别方法，包括以下步骤：
获取车牌图像，对所述车牌图像进行二值化处理，获得二值化图像；
对所述二值化图像进行腐蚀膨胀处理，获得经过腐蚀膨胀处理后的第一图像；
从所述第一图像中获取字母图像，对所述字母图像进行特征提取，根据提取的特征与特征表进行匹配，获得字母识别结果；
所述对所述字母图像进行特征提取，包括：
从多个扫描位置对所述字母图像进行多次直线扫描，获取每次直线扫描过程中出现的颜色突变次数作为所述字母图像的特征。
进一步，所述对所述二值化图像进行腐蚀膨胀处理，包括：
采用第一图像矩阵对所述二值化图像进行腐蚀处理，当所述第一图像矩阵的任一格子中存有第一像素，将所述第一图像矩阵内的所有像素赋值为第一像素值；
采用第二图像对经过腐蚀处理的图像进行膨胀处理，当所述第二图像矩阵的任一格子中存有第二像素，将所述第二图像矩阵内的所有像素赋值为第二像素值；
所述第一像素为像素值为第一像素值的像素，所述第二像素为像素值为第二像素值的像素。
进一步，所述对所述字母图像进行特征提取，还包括以下步骤：
确认所述字母图像的宽度信息和高度信息；
根据所述高度信息获取三个行扫描位置，根据所述宽度信息获取一个列扫描位置。
进一步，所述从多个扫描位置对所述字母图像进行多次直线扫描，获取每次直线扫描过程中出现的颜色突变次数作为所述字母图像的特征，包括：
在所述字母图像的k0×W处进行直线列扫描，获得在所述直线列扫描过程中出现的颜色突变次数，记为Y；
在所述字母图像的k1×H处进行直线行扫描，获得在所述直线行扫描过程中出现的颜色突变次数，记为X1；
在所述字母图像的k2×H处进行直线行扫描，获得在所述直线行扫描过程中出现的颜色突变次数，记为X2；
在所述字母图像的k3×H处进行直线行扫描，获得在所述直线行扫描过程中出现的颜色突变次数，记为X3；
其中，k0、k1、k2和k3为位置系数，W为所述字母图像的宽度，H为所述字母图像的高度。
进一步，所述特征表包括次数表和坐标表，所述根据提取的特征与特征表进行匹配，获得字母识别结果，包括：
将Y、X1、X2和X3与次数表进行匹配比对，若获得唯一的匹配字母，将所述匹配字母作为字母识别结果；若获得多个匹配字母，继续进行下一步匹配比对；
获取扫描过程中出现颜色突变的坐标点，根据所述坐标点、所述坐标表和获得的多个匹配字母进行匹配比对，获取唯一的匹配字母作为字母识别结果。
进一步，所述车牌字母识别方法还包括以下步骤：
若根据所述次数表和所述坐标表未能获得唯一的匹配字母，根据预设阈值调整获取新的位置系数，根据新的位置系数重新对所述字母图像进行特征提取，根据提取的特征与所述特征表进行匹配，直到获得唯一的匹配字母作为字母识别结果。
进一步，所述车牌图像为蓝底白字的车牌图像，所述对所述车牌图像进行二值化，包括：
读取所述车牌图像的所有像素值，根据所述像素值和预设的二值化阈值对所述车牌图像进行二值化处理。
本发明所采用的另一技术方案是：
一种车牌字母识别系统，包括：
二值化模块，用于获取车牌图像，对所述车牌图像进行二值化处理，获得二值化图像；
腐蚀膨胀模块，用于对所述二值化图像进行腐蚀膨胀处理，获得经过腐蚀膨胀处理后的第一图像；
匹配识别模块，用于从所述第一图像中获取字母图像，对所述字母图像进行特征提取，根据提取的特征与特征表进行匹配，获得字母识别结果；
所述对所述字母图像进行特征提取，包括：
从多个扫描位置对所述字母图像进行多次直线扫描，获取每次直线扫描过程中出现的颜色突变次数作为所述字母图像的特征。
本发明所采用的另一技术方案是：
一种车牌字母识别装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是：
一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如上所述方法。
本发明的有益效果是：本发明对字符进行多个位置的扫描，多个维度的特征信息提高了识别结果的鲁棒性和准确性，在字符识别过程中，仅需要对多个位置的图像数据进行统计，极大地减少了运算量，提高了识别速率，并减少了运算资源的占用。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本方明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1是本发明实施例中一种车牌字母识别方法的步骤流程图；
图2是本发明实施例中预处理图像的示意图；
图3是本发明实施例中对字符进行四个位置的特征提取的示意图；
图4是本发明实施例中识别并输出字母的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1所示，本实施例提供了一种车牌字母识别方法，包括以下步骤：
S10、将车牌放置于白色背景下，并将图像转为灰度图，再进行二值化，得到二值化后的车牌图像；
S20、将二值化后的图像进行腐蚀膨胀处理，消除噪点和铆钉(用于固定车牌的铆钉)的干扰，得到经过预处理之后的车牌图像；
S30、对车牌区域进行多余字符移除和字符分割，分离出车牌中的英文字母；
S40、对字符进行特征提取，并将提取的特征与对应的字母类别做匹配，若对比结果相同，则确定出车牌的字母。
对字符进行灰度化、二值化和腐蚀膨胀处理并移除多余字符后得到的图像如图2所示。步骤S10中对图像进行的二值化处理包括：
设原车牌图像为蓝底白字车牌，利用直接设置阈值的方式对车牌进行二值化处理，阈值T0＝127，是一个经验值。读取车牌图像上的像素值，当像素值大于T0，则将该像素值赋值为255；反之，赋值为0。
在一些实施例中，步骤S20中对二值化后的图像进行腐蚀膨胀处理，包括以下步骤：
S21、对二值化后的图像进行腐蚀处理，采用的是3x3的图像矩阵(即第一图像矩阵)，只要九个格子中的一个像素值为0，则将其余8个格子的像素值都设置为0，从而实现对二值化图像的腐蚀处理，消除车牌铆钉的干扰；
S22、对腐蚀过后的图像进行膨胀处理，采用的是3x3的图像矩阵(即第二图像矩阵)，只要九个格子中的一个像素值为255，则将其余8个格子的像素值都设置为255，从而实现对图像的膨胀处理。
其中，参见图3，步骤S40中，对字符进行特征提取，具体包括以下步骤S41-S45：
S41、分离出的字符是二值化图像，只有黑白两色，白色像素值为255，黑色像素值为0；
S42、根据切割分离出的字符，确定字符的宽度W和高度H；
S42、在字符图像的k0×W处进行列扫描，提取字符图像在此列上的像素值的突变次数，记为Y；
S42、在字符图像的k1×H处进行行扫描，k1为预设系数，提取字符图像在三行上的像素值的突变次数，记为X1；
S43、在字符图像的k2×H处进行行扫描，k2为预设系数，提取字符图像在三行上的像素值的突变次数，记为X2；
S44、在字符图像的k3×H处进行行扫描，k3为预设系数，提取字符图像在三行上的像素值的突变次数，记为X3；
S45、将Y、X1、X2,、X3的值与表1(即次数表)和表2(即坐标表)对比，从而得到字母的识别结果。
对分割出的字符的宽和高进行调整，筛选出适宜的高宽比特征，在一些实施例中，长宽比特征的高宽比为2.23:1；上述预设系数k0＝0.5、k1＝0.3，k2＝0.5，k3＝0.7。其中，各字母对应的突变次数如表1所述。
表1字母分类表
在一些实施例中，车牌中没有I、O字母，由于剩余24个字母的分类中存在重复的类别，因此需要额外的判定方法，以区分归属于同一类别的不同字母。需要利用像素点发生跳变的横坐标的相对位置来区分。如表2所示。
表2类别重复项筛选
在一些实施例中，如步骤S41至S45中所述，若识别结果不为最佳或不正确，则再假设新的系数k4、k5、k6分别替换k1、k2、k3，重复上述步骤S41至S45，k4、k5、k6和k1、k2、k3的区别是，k4＝k1±c1，k5＝k2±c2，k6＝k3±c3，c1、c2、c3为数值较小的预设常数。若k4、k5、k6得到的结果仍然不为最佳或不正确，则继续假设新的k4、k5、k6进行测试，一直重复上述步骤，直到识别结果正确。参见图4，为最后识别并输出字母识别结果。
具体地，不同于普通车牌字母识别，本实施例在车牌字母识别过程中需要处理的数据量小，大大减少了计算量，通过四个方向进行特征提取，且系数可根据实际情况灵活调节，提高了识别的鲁棒性和准确性。
综上所述，本实施例的方法相对于现有技术，至少包括以下有益效果：
(1)、本实施例对字符进行四个位置的扫描，四个维度的特征信息提高了识别结果的鲁棒性和准确性。
(2)、本实施例在字符识别过程中，仅需要对四个位置的图像数据进行统计，极大地减少了运算量，提高了识别速率，并减少了运算资源的占用。
本实施例还提供一种车牌字母识别系统，包括：
二值化模块，用于获取车牌图像，对所述车牌图像进行二值化处理，获得二值化图像；
腐蚀膨胀模块，用于对所述二值化图像进行腐蚀膨胀处理，获得经过腐蚀膨胀处理后的第一图像；
匹配识别模块，用于从所述第一图像中获取字母图像，对所述字母图像进行特征提取，根据提取的特征与特征表进行匹配，获得字母识别结果；
所述对所述字母图像进行特征提取，包括：
从多个扫描位置对所述字母图像进行多次直线扫描，获取每次直线扫描过程中出现的颜色突变次数作为所述字母图像的特征。
本实施例的一种车牌字母识别系统，可执行本发明方法实施例所提供的一种车牌字母识别方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本实施例还提供一种车牌字母识别装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本实施例的一种车牌字母识别装置，可执行本发明方法实施例所提供的一种车牌字母识别方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本实施例还提供一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如上所述方法。
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种车牌字母识别方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (7)

1.一种车牌字母识别方法，其特征在于，包括以下步骤：
获取车牌图像，对所述车牌图像进行二值化处理，获得二值化图像；
对所述二值化图像进行腐蚀膨胀处理，获得经过腐蚀膨胀处理后的第一图像；从所述第一图像中获取字母图像，对所述字母图像进行特征提取，根据提取的特征与特征表进行匹配，获得字母识别结果；
所述对所述字母图像进行特征提取，包括：
从多个扫描位置对所述字母图像进行多次直线扫描，获取每次直线扫描过程中出现的颜色突变次数作为所述字母图像的特征；
所述对所述字母图像进行特征提取，还包括以下步骤：
确认所述字母图像的宽度信息和高度信息；
根据所述高度信息获取三个行扫描位置，根据所述宽度信息获取一个列扫描位置；
所述从多个扫描位置对所述字母图像进行多次直线扫描，获取每次直线扫描过程中出现的颜色突变次数作为所述字母图像的特征，包括：
在所述字母图像的k0×W处进行直线列扫描，获得在所述直线列扫描过程中出现的颜色突变次数，记为Y；
在所述字母图像的k1×H处进行直线行扫描，获得在所述直线行扫描过程中出现的颜色突变次数，记为X1；
在所述字母图像的k2×H处进行直线行扫描，获得在所述直线行扫描过程中出现的颜色突变次数，记为X2；
在所述字母图像的k3×H处进行直线行扫描，获得在所述直线行扫描过程中出现的颜色突变次数，记为X3；
其中，k0、k1、k2和k3为位置系数，W为所述字母图像的宽度，H为所述字母图像的高度；
所述特征表包括次数表和坐标表，所述根据提取的特征与特征表进行匹配，获得字母识别结果，包括：
将Y、X1、X2和X3与次数表进行匹配比对，若获得唯一的匹配字母，将所述匹配字母作为字母识别结果；若获得多个匹配字母，继续进行下一步匹配比对；
获取扫描过程中出现颜色突变的坐标点，根据所述坐标点、所述坐标表和获得的多个匹配字母进行匹配比对，获取唯一的匹配字母作为字母识别结果。
2.根据权利要求1所述的一种车牌字母识别方法，其特征在于，所述对所述二值化图像进行腐蚀膨胀处理，包括：
采用第一图像矩阵对所述二值化图像进行腐蚀处理，当所述第一图像矩阵的任一格子中存有第一像素，将所述第一图像矩阵内的所有像素赋值为第一像素值；
采用第二图像对经过腐蚀处理的图像进行膨胀处理，当第二图像矩阵的任一格子中存有第二像素，将所述第二图像矩阵内的所有像素赋值为第二像素值；所述第一像素为像素值为第一像素值的像素，所述第二像素为像素值为第二像素值的像素。
3.根据权利要求1所述的一种车牌字母识别方法，其特征在于，所述车牌字母识别方法还包括以下步骤：
若根据所述次数表和所述坐标表未能获得唯一的匹配字母，根据预设阈值调整获取新的位置系数，根据新的位置系数重新对所述字母图像进行特征提取，根据提取的特征与所述特征表进行匹配，直到获得唯一的匹配字母作为字母识别结果。
4.根据权利要求1所述的一种车牌字母识别方法，其特征在于，所述车牌图像为蓝底白字的车牌图像，所述对所述车牌图像进行二值化，包括：
读取所述车牌图像的所有像素值，根据所述像素值和预设的二值化阈值对所述车牌图像进行二值化处理。
5.一种车牌字母识别系统，其特征在于，包括：
二值化模块，用于获取车牌图像，对所述车牌图像进行二值化处理，获得二值化图像；
腐蚀膨胀模块，用于对所述二值化图像进行腐蚀膨胀处理，获得经过腐蚀膨胀处理后的第一图像；
匹配识别模块，用于从所述第一图像中获取字母图像，对所述字母图像进行特征提取，根据提取的特征与特征表进行匹配，获得字母识别结果；
所述对所述字母图像进行特征提取，包括：
从多个扫描位置对所述字母图像进行多次直线扫描，获取每次直线扫描过程中出现的颜色突变次数作为所述字母图像的特征；
所述对所述字母图像进行特征提取，还包括以下步骤：
确认所述字母图像的宽度信息和高度信息；
根据所述高度信息获取三个行扫描位置，根据所述宽度信息获取一个列扫描位置；
所述从多个扫描位置对所述字母图像进行多次直线扫描，获取每次直线扫描过程中出现的颜色突变次数作为所述字母图像的特征，包括：
在所述字母图像的k0×W处进行直线列扫描，获得在所述直线列扫描过程中出现的颜色突变次数，记为Y；
在所述字母图像的k1×H处进行直线行扫描，获得在所述直线行扫描过程中出现的颜色突变次数，记为X1；
在所述字母图像的k2×H处进行直线行扫描，获得在所述直线行扫描过程中出现的颜色突变次数，记为X2；
在所述字母图像的k3×H处进行直线行扫描，获得在所述直线行扫描过程中出现的颜色突变次数，记为X3；
其中，k0、k1、k2和k3为位置系数，W为所述字母图像的宽度，H为所述字母图像的高度；
所述特征表包括次数表和坐标表，所述根据提取的特征与特征表进行匹配，
获得字母识别结果，包括：
将Y、X1、X2和X3与次数表进行匹配比对，若获得唯一的匹配字母，将所述匹配字母作为字母识别结果；若获得多个匹配字母，继续进行下一步匹配比对；
获取扫描过程中出现颜色突变的坐标点，根据所述坐标点、所述坐标表和获得的多个匹配字母进行匹配比对，获取唯一的匹配字母作为字母识别结果。
6.一种车牌字母识别装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-4任一项所述的一种车牌字母识别方法。
7.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-4任一项所述方法。
CN202010942990.6A 2020-09-09 2020-09-09 一种车牌字母识别方法、系统、装置及存储介质 Active CN112163581B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010942990.6A CN112163581B (zh) 2020-09-09 2020-09-09 一种车牌字母识别方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010942990.6A CN112163581B (zh) 2020-09-09 2020-09-09 一种车牌字母识别方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112163581A CN112163581A (zh) 2021-01-01
CN112163581B true CN112163581B (zh) 2023-08-22

Family

ID=73857802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010942990.6A Active CN112163581B (zh) 2020-09-09 2020-09-09 一种车牌字母识别方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112163581B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156704A (zh) * 2014-08-04 2014-11-19 胡艳艳 一种新的车牌识别方法及系统
CN106650553A (zh) * 2015-10-30 2017-05-10 比亚迪股份有限公司 车牌识别方法及系统
CN108615034A (zh) * 2017-12-14 2018-10-02 燕山大学 一种模板匹配与神经网络算法结合的车牌识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2601617A4 (en) * 2010-08-05 2017-12-06 Hi-Tech Solutions Ltd. Method and system for collecting information relating to identity parameters of a vehicle

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156704A (zh) * 2014-08-04 2014-11-19 胡艳艳 一种新的车牌识别方法及系统
CN106650553A (zh) * 2015-10-30 2017-05-10 比亚迪股份有限公司 车牌识别方法及系统
CN108615034A (zh) * 2017-12-14 2018-10-02 燕山大学 一种模板匹配与神经网络算法结合的车牌识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于图像处理的车牌识别与字符分割及MATLAB实现;黄岳锐;黄楷佳;;内蒙古科技与经济(10);第66-68页 *

Also Published As

Publication number Publication date
CN112163581A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
JP5334042B2 (ja) 文字列認識方法及び文字列認識装置
CN108108734B (zh) 一种车牌识别方法及装置
CN101122953A (zh) 一种图片文字分割的方法
CN108229466B (zh) 一种车牌识别方法及装置
CN111461131B (zh) 身份证号码信息识别方法、装置、设备及存储介质
CN114387591A (zh) 车牌识别方法、系统、设备及存储介质
CN109948621B (zh) 一种基于图片验证码的图像处理与字符分割方法
CN109034158B (zh) 一种车牌识别方法、装置及计算机设备
CN112507782A (zh) 文本图像的识别方法及装置
CN113688838B (zh) 红色笔迹提取方法、系统、可读存储介质及计算机设备
US8200016B2 (en) Method and apparatus for character string recognition
CN108205670B (zh) 一种车牌识别方法及装置
CN113643274A (zh) 一种二维码候选区筛选的方法及装置
CN111914847B (zh) 一种基于模板匹配的ocr识别方法及其系统
CN112530079B (zh) 一种检测票据要素的方法、装置、终端设备和存储介质
CN112163581B (zh) 一种车牌字母识别方法、系统、装置及存储介质
JP4224328B2 (ja) 車番認識装置
CN112215783B (zh) 一种图像噪点识别方法、装置、存储介质及设备
JPH0256688A (ja) 文字切出し装置
KR100295360B1 (ko) 쉐이딩알고리즘을이용한영상처리방법
CN115619813A (zh) Sem图像前景提取方法、装置、计算机设备及存储介质
CN113837119A (zh) 一种基于灰度图像识别易混淆字符的方法及设备
JP2005250786A (ja) 画像認識方法
Medvedeva et al. Vehicle license plate recognition based on edge detection
CN111753842A (zh) 票据文本区域检测方法及装置

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