本發(fā)明涉及圖像識別,具體涉及智慧城市無人值守收費(fèi)系統(tǒng)用車牌識別增強(qiáng)方法。
背景技術(shù):
1、智慧城市無人值守收費(fèi)系統(tǒng)可以提高收費(fèi)站收費(fèi)系統(tǒng)的效率,以應(yīng)對日益增長的車輛流量,而無人值守收費(fèi)系統(tǒng)通過自動識別車牌,能夠大大提高通行效率,減少排隊(duì)等待時間;如,高速無人值守收費(fèi)系統(tǒng)通過對車輛車牌進(jìn)行采集拍攝,根據(jù)模板匹配技術(shù)對車牌中的每個字符進(jìn)行匹配,從而識別并提取出車牌字符的信息;
2、車牌上常會沾染灰塵或泥水等臟污,臟污遮蓋車牌字符后,會導(dǎo)致采集到的車牌圖像上的字符出現(xiàn)缺失或模糊;傳統(tǒng)模版匹配過程中需要對模版字符與采集的車牌字符圖像進(jìn)行匹配進(jìn)而獲得結(jié)果,對出現(xiàn)缺失或模糊的車牌直接使用模板匹配進(jìn)行車牌識別,可能會由于臟污的影響,導(dǎo)致在對模版字符進(jìn)行比例變換時尺度調(diào)整存在誤差,進(jìn)而導(dǎo)致識別不準(zhǔn)確,獲得錯誤的車牌識別結(jié)果,降低了智能城市無人值守收費(fèi)系統(tǒng)工作效率。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明提供智慧城市無人值守收費(fèi)系統(tǒng)用車牌識別增強(qiáng)方法,以解決現(xiàn)有的由于臟污影響導(dǎo)致在對模版字符進(jìn)行比例變換時出現(xiàn)誤差,導(dǎo)致識別不準(zhǔn)確,降低了智慧城市無人值守收費(fèi)系統(tǒng)工作效率問題。
2、本發(fā)明的智慧城市無人值守收費(fèi)系統(tǒng)用車牌識別增強(qiáng)方法采用如下技術(shù)方案:
3、本發(fā)明一個實(shí)施例提供了智慧城市無人值守收費(fèi)系統(tǒng)用車牌識別增強(qiáng)方法,該方法包括以下步驟:
4、獲取車牌灰度圖像;切分車牌灰度圖像獲取每個字符的單字圖像;對單字圖像的灰度值進(jìn)行若干次聚類,獲取單字圖像每次聚類的若干簇;根據(jù)每次聚類中每一簇的像素點(diǎn)在其他次聚類的每個簇中的灰度穩(wěn)定性,獲取每次聚類的概率最大簇;根據(jù)單字圖像的像素點(diǎn)在概率最大簇中出現(xiàn)的次數(shù)獲取字符圖像;
5、對字符圖像以及所有先驗(yàn)?zāi)0鎴D像進(jìn)行角點(diǎn)檢測,獲取字符圖像以及模版圖像上的所有角點(diǎn);根據(jù)各字符圖像與各模板圖像之間角點(diǎn)分布的相似性,獲得各字符圖像與每一個模板圖像的角點(diǎn)相似度;獲取每一個字符圖像的所有高概率模板圖像;
6、根據(jù)每個角點(diǎn)與相鄰角點(diǎn)的相對位置特征建立三維坐標(biāo)系;根據(jù)字符圖像與字符圖像的每個高概率模板圖像的所有角點(diǎn)在三維坐標(biāo)系內(nèi)的密度,獲取字符圖像與字符圖像的所有高概率模板圖像的相似角點(diǎn)對;根據(jù)字符圖像與每個高概率模板圖像在三維坐標(biāo)系中坐標(biāo)最近的兩對相似角點(diǎn)對之間的距離,對每個高概率模板圖像進(jìn)行縮放,獲取字符圖像的所有對比模板圖像;根據(jù)所有字符圖像與每個對比模板圖像的角點(diǎn)數(shù)量差異以及角點(diǎn)分布差異,獲取字符圖像與每個對比模板圖像的字符匹配度;將對比模板圖像的字符匹配度最大的模版圖像記為字符圖像的字符識別結(jié)果,獲得車牌的識別結(jié)果文本信息。
7、進(jìn)一步地,所述每次聚類的概率最大簇的具體獲取方法為:
8、對于目標(biāo)單字圖像,將第n次聚類結(jié)果的第i個簇在第m次聚類的對應(yīng)簇記為第j個簇,第n次聚類結(jié)果的第i個簇的對應(yīng)簇間差異αn,i的計(jì)算方法為:
9、
10、式中:m表示聚類次數(shù),m-1表示除了第n次聚類外的聚類次數(shù),m表示除了第n次聚類外的第m次聚類,en,i表示目標(biāo)單字圖像的第n次聚類結(jié)果中第i個簇的像素點(diǎn)的數(shù)量,x表示目標(biāo)單字圖像第n次聚類結(jié)果的第i個簇中的第x個像素點(diǎn),pn,i,x表示目標(biāo)單字圖像的第n次聚類結(jié)果中第i個簇中的第x個像素點(diǎn)的灰度值,表示目標(biāo)單字圖像的第n次聚類結(jié)果中第i個簇中的所有像素點(diǎn)灰度值的均值,em,j表示目標(biāo)單字圖像的第m次聚類結(jié)果中第j個簇的像素點(diǎn)的數(shù)量,y表示目標(biāo)單字圖像第m次聚類結(jié)果的第j個簇中的第y個像素點(diǎn),pm,j,y表示目標(biāo)單字圖像第m次聚類結(jié)果的第j個簇中的第y個像素點(diǎn)的灰度值,表示目標(biāo)單字圖像第m次聚類結(jié)果的第j個簇中的所有像素點(diǎn)灰度值的均值;||表示取絕對值函數(shù);
11、目標(biāo)單字圖像在第n次聚類結(jié)果中第i個簇的字符概率βn,i的計(jì)算方法為:
12、
13、式中:表示目標(biāo)單字圖像在第n次聚類結(jié)果中第i個簇中的所有像素點(diǎn)灰度值的均值,exp()表示以自然常數(shù)為底的指數(shù)函數(shù),sigmoid[]表示sigmoid函數(shù)。
14、進(jìn)一步地,所述對應(yīng)簇的具體獲取方法為:
15、將目標(biāo)單字圖像的所有次聚類得到的所有簇的聚類中心映射到同一張圖像中,將每兩個簇的聚類中心之間的距離記為兩個簇的距離,將第n次聚類結(jié)果的第i個簇在第m次聚類結(jié)果中,滿足與第i個簇的距離最小的第j個簇,記為第n次聚類結(jié)果的第i個簇在第m次聚類結(jié)果的對應(yīng)簇。
16、進(jìn)一步地,所述根據(jù)單字圖像的像素點(diǎn)在概率最大簇中出現(xiàn)的次數(shù)獲取字符圖像,包括:
17、將每一個單字圖像在每一次聚類結(jié)果的所有簇中字符概率最大的簇,記為每一次聚類結(jié)果的概率最大簇;對單字圖像的任意一個像素點(diǎn),若像素點(diǎn)被一次聚類結(jié)果的概率最大簇包含,記像素點(diǎn)出現(xiàn)一次,獲取每個像素點(diǎn)的出現(xiàn)次數(shù),將出現(xiàn)次數(shù)超過預(yù)設(shè)重復(fù)閾值的像素點(diǎn)記為實(shí)際字符區(qū)域像素點(diǎn);
18、將單字圖像的所有實(shí)際字符區(qū)域像素點(diǎn)的灰度值設(shè)為0,所有非實(shí)際字符區(qū)域像素點(diǎn)的灰度值設(shè)為1,處理后的結(jié)果圖像記為字符圖像。
19、進(jìn)一步地,所述根據(jù)各字符圖像與各模板圖像之間角點(diǎn)分布的相似性,獲得各字符圖像與每一個模板圖像的角點(diǎn)相似度,包括:
20、第r個字符圖像與第t個模板圖像的角點(diǎn)相似度δr,t的計(jì)算方法為:
21、
22、式中:表示第r個字符圖像所有聚類結(jié)果的概率最大簇的字符概率的均值,表示第r個字符圖像所有角點(diǎn)的特征夾角的均值,表示第t個模板圖像所有角點(diǎn)的特征夾角的均值;norm[]表示線性歸一化函數(shù);exp()表示以自然常數(shù)為底的指數(shù)函數(shù);
23、預(yù)設(shè)相似閾值,將與第r個字符圖像角點(diǎn)相似度大于預(yù)設(shè)相似閾值的所有模板圖像,記為第r個字符圖像的所有高概率模板圖像。
24、進(jìn)一步地,所述角點(diǎn)的特征夾角的具體獲取方法為:
25、對于字符圖像與模板圖像內(nèi)每個角點(diǎn),將與每個角點(diǎn)的距離最小的另一個角點(diǎn)的連線與水平方向的夾角,記為每個角點(diǎn)的特征夾角。
26、進(jìn)一步地,所述根據(jù)每個角點(diǎn)與相鄰角點(diǎn)的相對位置特征建立三維坐標(biāo)系,包括:
27、分別獲得與字符圖像中每個角點(diǎn)所在位置歐氏距離最小、第二小、第三小的三個角點(diǎn)的連線與水平方向的夾角,記為字符圖像中每個角點(diǎn)的第一屬性,第二屬性,第三屬性;獲取字符圖像和高概率模版圖像中所有角點(diǎn)的第一屬性,第二屬性,第三屬性,將所有角點(diǎn)的第一屬性作為x軸坐標(biāo),第二屬性作為y軸坐標(biāo),第三屬性作為z軸坐標(biāo)構(gòu)建三維坐標(biāo)系。
28、進(jìn)一步地,所述根據(jù)字符圖像與字符圖像的每個高概率模板圖像的所有角點(diǎn)在三維坐標(biāo)系內(nèi)的密度,獲取字符圖像與字符圖像的所有高概率模板圖像的相似角點(diǎn)對,包括:
29、在三維坐標(biāo)系內(nèi),以第一聚類半徑和第一聚類樣本數(shù)量,進(jìn)行第一次dbscan密度聚類獲得密集聚類結(jié)果;對除密集聚類結(jié)果外的所有角點(diǎn),以第二聚類半徑和第二聚類樣本數(shù)量進(jìn)行第二次dbscan密度聚類獲得稀疏聚類結(jié)果;在稀疏聚類結(jié)果的所有類簇中,將滿足一個簇中僅包含兩個角點(diǎn),且兩個角點(diǎn)分別屬于字符圖像和高概率模板圖像的類簇記為字符圖像與字符圖像的高概率模板圖像的一個相似角點(diǎn)對。
30、進(jìn)一步地,所述根據(jù)字符圖像與每個高概率模板圖像在三維坐標(biāo)系中坐標(biāo)最近的兩對相似角點(diǎn)對之間的距離,對每個高概率模板圖像進(jìn)行縮放,獲取字符圖像的所有對比模板圖像,包括:
31、對于第r個字符圖像與第r個字符圖像的第h個高概率模板圖像,將第r個字符圖像與第r個字符圖像的第h個高概率模板圖像在三維坐標(biāo)系內(nèi)歐氏距離最小的兩對相似角點(diǎn)對,記為第a對相似角點(diǎn)對和第b對相似角點(diǎn)對,對于第a對相似角點(diǎn)對中屬于第r個字符圖像的第a個角點(diǎn),和屬于第r個字符圖像的第h個高概率模板圖像的第a′個角點(diǎn),以及第b對相似角點(diǎn)對中屬于第r個字符圖像的第b個角點(diǎn),和屬于第r個字符圖像的第h個高概率模板圖像的第b′個角點(diǎn);將第a個角點(diǎn)到第b個角點(diǎn)的連線的長度,與第a′個角點(diǎn)到第b′個角點(diǎn)的連線的長度之比,記為第r個字符圖像的第h個高概率模板圖像的縮放尺度;將第r個字符圖像的第h個高概率模板圖像以縮放尺度進(jìn)行等比例縮放,獲得第h個對比模板圖像。
32、進(jìn)一步地,所述根據(jù)所有字符圖像與每個對比模板圖像的角點(diǎn)數(shù)量差異以及角點(diǎn)分布差異,獲取字符圖像與每個對比模板圖像的字符匹配度,包括:
33、第r個字符圖像與第h個對比模板圖像的位置偏差值μr,h,(a,b)的計(jì)算方法為:
34、
35、式中:dr,(a,b)表示第r個字符圖像中第a個角點(diǎn)到第b個角點(diǎn)的連線的長度,θr,(a,b)表示第r個字符圖像中第a個角點(diǎn)到第b個角點(diǎn)的連線與水平方向的夾角,dr,h,(a′,b′)表示第h個對比模板圖像中第a′個角點(diǎn)到第b′個角點(diǎn)的連線的長度,θr,h,(a′,b′)表示第h個對比模板圖像中第a′個角點(diǎn)到第b′個角點(diǎn)的連線與水平方向的夾角;
36、第r個字符圖像與第h個對比模板圖像的字符匹配度σr,h的計(jì)算方法為:
37、
38、式中:δr,t表示第r個字符圖像與第h個對比模板圖像的角點(diǎn)相似度,wr表示第r個字符圖像中所有角點(diǎn)的數(shù)量,wr,h表示第r個字符圖像的第h個對比模板圖像中所有角點(diǎn)的數(shù)量,ur,h表示第r個字符圖像與第h個對比模板圖像的相似角點(diǎn)對的個數(shù),exp[]表示以自然常數(shù)為底的指數(shù)函數(shù);||表示取絕對值函數(shù)。
39、本發(fā)明的有益效果如下:
40、本發(fā)明通過切分車牌灰度圖像并通過若干次聚類獲取字符圖像;將各字符圖像與各模板圖像初步對比,獲取各字符圖像的高概率模板圖像;結(jié)合字符圖像與模板圖像的角點(diǎn)特征進(jìn)行高概率模板圖像的縮放;將所有字符圖像與縮放后的高概率模板圖像根據(jù)角點(diǎn)特征進(jìn)行匹配,獲得車牌識別結(jié)果。本發(fā)明切分出車牌圖像并通過若干次聚類獲取不包含臟污區(qū)域的各字符圖像,避免臟污區(qū)域影響后續(xù)分析;結(jié)合角點(diǎn)特征進(jìn)行縮放調(diào)整尺度,使得模版字符在進(jìn)行匹配時與字符圖像尺度盡可能一致,提高了車牌識別準(zhǔn)確率,進(jìn)而提升了智慧城市無人值守收費(fèi)系統(tǒng)工作效率。