车牌识别LPR（七）-- 字符特征

第七篇：字符特征

选择的字符特征应该满足以下条件：

（1）选取的字符特征具有较强的鲁棒性，不受字符变形、弯曲等影响。

（2）两个字符的字符特征不能完全相同，但部分相同是允许的，即选择的字符特征是唯一的，但是不能重复。

（3）选取的字符特征要尽可能的提供字符的信息。

（4）选择的字符特征提取方法易于实现，能够减少计算时间。

一般采用 纹理、边缘特征 。纹理特征是表示图像的另一种重要的视觉特征，纹理结构反映图像亮度的空间变化情况，具有局部与整体的自相似性。纹理是有纹理基元按某种确定性的规律或某种统计规律排列组成的，在纹理区域内各部分具有大致相同的结构。

提取特征的的方法：

（1）逐像素特征提取是指对整幅二值图像进行扫描，若图像中的像素点为黑色像素点时，则令特征值为 1，否则特征值为 0。经过该方法提取的特征向量的维数与图像中的像素点的个数相同。

（2）骨架特征提取是先细化字符图像，然后从细化后的字符图像中逐像素地提取特征。

此方法适用不同大小的字符。

（3）垂直方法数据统计特征提取是首先对字符图像进行水平悔咐投影，统计水平投影值，此处的水平投影值为黑色像素的数目；然后通过对字符图像进行垂直投影，统计垂直投影值，此处的垂直投影值仍为黑色像素的个数；最后将水平和垂直投影值作为字符的特征向量。

（4）13 点特征提取方法的总体思路是：首先把字符平均分成 8 份，统计每一份黑色

像素点的个数作为 8 个特征。分别统计这 8 个区域中的黑色像素的数目，就可以得到 8 个特征；然后统计水平方向中间两行和垂直方向中间两列的黑色像素点的碧昌纯个数作为 4 个特征；最后统计所有黑色像素点的个数作为 13 个特征。

常用的特征求取：

一、粗网格特征：

将归一化后的字符图像等分成 8×8 网格，统计各网格内黑像素的数量，取得一个 64 维的网格特征。

外围特征：提取字符外围特征的步骤为：

① 把归一化后的点阵图形等分为 8 行。

② 计算每一行中点从图像左边缘至第一项由白变黑的长度（如果没有由白变黑的点，则默认为零）。

③ 再计算每一行中点从图像左边缘至第二项由白变黑的长度（如果没有由白变黑的点，则默认为零）。

④ 仿照上面 3 个步骤，提取其它 3 个边缘的特征。

采用上述方法可以提取另一个 4×2×8=64 维的外围特征。

通过采用基于像素数量的粗网格特征与外围特征相结合方法可以提取字符的128 维特征，用以字符识别。

​二、PCA进行汉字识别，网格特征进行数字和字母的提取。

网格特征是指通过把二值化后的字符分成M×N个网格，统计每一个网格中的字符像素数量，把各个网格中的像素数量组合起来作为字符的网格特征来识别字符。字母数字相对于汉字来说笔画简单，也极少出现字符轮廓模糊的现象。因此，字母数字的识别相对来说比较简单。但是，字母数字之间存在相似字符的比例较高，而且相似字符之间的差异又比较小，很容易识别错。对字母数字的识别论文采用了二次识别的思想。

三、均匀网格特征

统计黑像素点在每个网格中所占的比例，属于统计特征中局部特征的一种，体现了文字点阵的整体形状的分布。它将字符图像二值化以后，再把样本字符图像分成mxn个M格，并统计每个网格中属于文字点阵的像数量，记为i；统计整个图像巾屈于文字点阵的像素数量，记为j；计算各个网格中的文字点阵的像素数量整个像中文字点阵的像素数量之比P=i/j将每个网格统汁的百分比P组合起来作为字符的统计特征，用以实现对字符的识别。好个网格屮的文字点阵比例反映了文字笔画在二维平面空间的分布特征。

网格特征的统计是以网迅前格为单位进行的,即使个别像素点的统计有误差也不会对识别结果造成很大的影响，该特征还具有较强的区分相似字符的能力。此特征提取算法比较简单，计算速率很快,且易于实现,但其对字符图像配准要求较高，故需要在提取字符图像的特征之前，对图像进行去边框等预处理 *** 作。此算法更适合印刷体等较规则的字体，而不适用于手写体。

四、LBP特征进行汉字识别

预处理模块对图像进行归一化 *** 作；第二个模块计算出图像中每个像素点的LBP值；第三个模块用于将图像平均分割为MxN个网格；最后一个模块用于计算各块的LBP特征。

1、传统的LBP算法是基于3 X 3的窗口的，对应于9个灰度值。将该窗口的8邻域的灰度值与中心像素的灰度值比较，小于中心灰度值的像素点的置为0，反之将其置为1；然后，通过逆吋针或者顺时针将这8个二进制数转化为一个二进制序列，并求出其对应的十进制值，作为这个3X3窗口的中心像素点的特征值。即各像素点的LBP值。

2、将每个像素点的LBP值齐代它的灰度值,得到LBP阁像。并将LBP图像分块，对每个分块进行直方图统计。如,将LBP图像分为4*8块，每块大小为8*8。在每个分块内，将0-255的LBP值量化为32级，并进行直方图统计。即每个分块的LBP特征为32维。

3、将各个小块的LBP特征连起来，获得(4*8)*32=1024维的一个矢量，该矢量即为字符图像的LBP特征。

改进的LBP特征：

均匀模式：它们有一个共同点，即在LBP二值编码序列巾，最多有两个0到1或1到0的变化。LBP二值编码序列为11000001，从1到0的变化为1次,从0到1的变化为1次，即它的均匀性U(LBP)=2。满足U(LBP)<=2的所有模式称为均匀模式。在8邻域中，满足U(LBP)<=2的所有模式的个数为8*(8-1)+2，具体的LBP二值编码序列与i/(Z及TMH]对应图见图2-16。再进一步将它们旋转到最小值后，具有旋转不变性的均勾模式(Rotation Invariant Uniform Pattern)的个数则为8+1。

模式对应的LBP二进制中从0变化为1和从1变化为0的次数之和小于等于两次，则该模式就是均匀模式。再根据顺时针或逆时针方向读出8个二进制数作为一个二进制序列,计算其对应的十进制值，作为该3X 3矩形的中心元的特征值。反之，则该模式就不是均匀模式，它们的LBP值均为8+1。

由于改进的LBP特征是用58种均匀模式和统一后的一种非均匀模式来表示的。即在每个分块内，将0-255的LBP倍转化为59级。将这59级量化到0-63、64-127、128-191、192-255这四个区间中，并进行直方图统计。即每个分块的LBP特征为4维。

将各个小块的LBP特征连起来，获得(4*8) *4=128维的一个矢量，矢量即为字符图像的LBP特征。均匀模式时的LBP特征向量维数=图像分块数*59，改进的LBP特征向量维数=图像分块数*4，大大地提高了识别速率。

汽车牌照自动识别技术是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。通过对图像的采集和处理，完成车牌自动识别功能，能从一幅图像中自动提取车牌图像，自动分割字符，进而对字符进行识别.其硬件基础一般包括触发设备(监测车辆是否进入视野)、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机(如计算机)等，其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。某些牌照识别系统还具有通过视频图像判断车辆驶入视野的功能称之为视频车辆检测。

一、车牌识别技术流程剖解

车牌识别作为交通监控的核心技术，应用兆樱基在多项子系统中，如闯红灯监测系统、超速监测系统、逆行监测系统、禁行监测系统、公交车道监测系统、非机动车道行车监测系统、压双黄线监测系统、紧急停车带行车监测系统、移动式车辆稽查系统等等。智能化多媒体网络车牌识别系统广泛应用在过往车辆自动登记、验证，公路收费，车辆安全核查，小区、停车场管理等方面。

系统采用视频实时触发方式进行检测抓拍，能够自动侦测、准确识别及验证行驶或停泊中车辆的整车车牌号码。可对已抓拍图像与数据库资料及时进行比对，当发现应拦截车辆时，系统能在本地机和中心机上及时报警。系统采用先进的模糊图像处理技术，通过程序能很好的实现对于车牌的整体倾斜、车牌的文字倾斜、车牌的污损和模糊等的处理，将人眼都很难辨别的车牌号识别出来。

优位停车车牌识别的流程可分为车牌定位、车牌预处理、字符分割和字符识别四个步骤。

二、系统实现功能和技术特点

准确识别不同地区及各种类型的车牌号码。

采用图像自动触发方式，不需要其他外在触发机制。

自动完成车辆记数，车流量统计。

对已抓拍图像能与数据库资料及时进行比对，当发现应拦截车辆时，在本地机和中心机上及时。

内置的数据库管理软件能存储、搜索及整理车辆资料，能自动备份数据并完成统计报告。

在网络的环境下实现各地的数据同步，可实时监控前端系统的运行状况。

对运动速度在180公里/小时以下的汽车车牌进行自动识别。

在良好光照条件下，车牌识别率不低于96%，在阴雨天、夜间人工光照条件下，车牌识别率不低于90%。系统能够识别的车牌类型包括：普通民用汽车车牌、军用汽车车牌(含武警车牌)、警用汽车车牌系统能够识别车辆类型，绘制出车辆的三维图像。

抓拍图像的时间小于0.03秒，识别图像的时间小于0.2秒。

系统适应全天候条件下工作。

三、停车场车牌识别应用

一个完整的牌照识别系统应包括车辆检测、图像采集、牌照识别等几部分。当车辆检测部分检测到车辆到达时触发图像采集单元，采集当前的视频图像。牌照识别单元对图像进行处理，定位出牌照位置，再将牌照中的字符分割出来进行识别，然后组成牌照号码输出。

（一）车辆检测

车辆检测可以采用埋地线圈检测、红外检测、雷达检测、视频检测等多种方式。采用视频检测可以避免破坏路面、不必附加外部检测设备、不需矫正触发位置、节省开支，而且更适合移动式、便携式应用的要求。

具备视频车辆检测功能的牌照识别系统，首先对视频信号中的一帧(场)的信号进行图像采集，数字化，得到对应的数字图像；然后对其进行分析，判断其中是否有车辆；若认为有车辆通行，则进入到下一步进行牌照识别；否则继续采集视频信号颂伏，进行处理。

系统进行视频车辆检测，需要具备很高的处理速度并采用优秀的算法，在基本不丢帧的情况下实现图像采集、处理。若处理速度慢，则导致丢帧，使系统无法正确检测到行驶速度较快的车辆，同时也难以保证在有利于识别的位置开始识别处理，影响系统识别率。因此，将视频车辆检测与牌照自动识别相结合具备一定的技术难度。

（二）牌照号码、颜色识别

为了进行牌照识别，需要以下几个基本的步骤：

牌照定位，定位图片中的牌照位置；

牌照字符分割，把牌照中的字符分割出来；

牌照字符识别族谨，把分割好的字符进行识别，最终组成牌照号码。

牌照识别过程中，牌照颜色的识别依据算法不同，可能在上述不同步骤实现，通常与牌照识别互相配合、互相验证。

1、牌照定位

自然环境下，汽车图像背景复杂、光照不均匀，如何在自然背景中准确地确定牌照区域是整个识别过程的关键。首先对采集到的视频图像进行大范围相关搜索，找到符合汽车牌照特征的若干区域作为候选区，然后对这些侯选区域做进一步分析、评判，最后选定一个最佳的区域作为牌照区域，并将其从图象中分割出来。

2、牌照字符分割

完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近，并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。

3、牌照字符识别

字符识别方法目前主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法首先将分割后的字符二值化，并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，最后选最佳匹配作为结果。基于人工神经元网络的算法有两种：一种是先对待识别字符进行特征提取，然后用所获得特征来训练神经网络分配器；另一种方法是直接把待处理图像输入网络，由网络自动实现特征提取直至识别出结果。

实际应用中，牌照识别系统的识别率与牌照质量和拍摄质量密切相关。牌照质量会受到各种因素的影响，如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、假牌照等等；实际拍摄过程也会受到环境亮度、拍摄亮度、车辆速度等等因素的影响。这些影响因素不同程度上降低了牌照识别的识别率，也正是牌照识别系统的困难和挑战所在。为了提高识别率，除了不断的完善识别算法，还应该想办法克服各种光照条件，使采集到的图像最利于识别。

车牌识别厂家哪家好？武汉车牌识别哪家好？首选优位停车，为用户提供2017停车系统设计方案效果图,整体报价。包括车牌识别停车场效果图、车牌识别设备,安装线材,车牌识别问题解答。武汉海量案例，政府单位，事业单位，工业物流园，小区，商场，医院，学校都广泛采用优位停车车牌识别系统。

openCV 车牌号识别(车牌分类 汉字识别模型 数字字母识别模型)

机器学习:

SVM分类工具算法 使用正样本和负样本训练

图片去噪: 二值化和灰度化

车牌定位过程:

机器学习:

提尺困取特征数据(常用LBP/HAAR/HOG)

SVM训练必陵粗念须是CV_32F1(表示数据为32位浮点型 单通道)

创建SVM开始训练

HSV/HSB颜色空间

openCV中 H值:100~140 S和V值:95~255 表示蓝色范围凳源

字符分割与识别

文字轮廓检测问题 先找出第2个字母(通过7等分位置定位)

ANN人工神经网络

---