本發(fā)明涉及圖像處理領(lǐng)域，特別是涉及一種車(chē)牌識(shí)別的方法及裝置。

背景技術(shù)：

由于車(chē)輛的普及，車(chē)輛的通行監(jiān)控管理方法已經(jīng)不局限于傳統(tǒng)的方法。使用圖像處理技術(shù)來(lái)高效地管理車(chē)輛的通行是目前的一個(gè)趨勢(shì)，其過(guò)程一般是對(duì)車(chē)輛的車(chē)牌進(jìn)行抓拍，利用車(chē)牌識(shí)別設(shè)備對(duì)抓拍圖片進(jìn)行識(shí)別，進(jìn)而可以有效地管理停車(chē)場(chǎng)或者是高速公路的車(chē)輛通行。

近年來(lái)，隨著車(chē)牌識(shí)別設(shè)備廣泛使用，車(chē)牌識(shí)別設(shè)備的識(shí)別準(zhǔn)確率已經(jīng)不能滿足現(xiàn)有的車(chē)牌識(shí)別需求，而其車(chē)牌識(shí)別率的高低決定著管理系統(tǒng)的有效性，雖然車(chē)牌的識(shí)別率由于現(xiàn)在圖像識(shí)別算法、攝像機(jī)分辨率和對(duì)比度等各種相關(guān)技術(shù)的進(jìn)步，已經(jīng)可以達(dá)到較高的準(zhǔn)確率，但是仍然存在著一定的缺陷。在識(shí)別準(zhǔn)確率較高的基礎(chǔ)上，現(xiàn)有車(chē)牌識(shí)別技術(shù)存在的缺陷主要是多車(chē)和漏車(chē)，漏車(chē)是指在車(chē)牌識(shí)別的過(guò)程中，為了減少非車(chē)牌進(jìn)入車(chē)牌識(shí)別過(guò)程的可能性，漏掉一部分不清晰的車(chē)牌，而多車(chē)是指在車(chē)牌識(shí)別的過(guò)程中，將不是車(chē)牌的物體也識(shí)別成車(chē)牌，例如電動(dòng)車(chē)牌照、排列有序的豎欄桿和廣告上的數(shù)字等等。

現(xiàn)有的車(chē)牌識(shí)別過(guò)程中，使用的識(shí)別技術(shù)不同，存在的缺陷也不同，但一般情況下不能解決多車(chē)和漏車(chē)此消彼長(zhǎng)的問(wèn)題，即降低了多車(chē)的可能性，相應(yīng)地漏車(chē)的可能性也會(huì)增加，而減少了漏車(chē)的可能性，相應(yīng)地多車(chē)的可能性也會(huì)增加。為了解決多車(chē)的問(wèn)題，現(xiàn)有技術(shù)中一般是識(shí)別車(chē)牌上的字符，并通過(guò)字符識(shí)別的置信度來(lái)判斷車(chē)牌識(shí)別結(jié)果中的某一位或者是某幾位字符的置信度是否低于預(yù)設(shè)的閾值，繼而判斷出識(shí)別結(jié)果中是否有非車(chē)牌。但是由于上述識(shí)別方法的判斷標(biāo)準(zhǔn)為字符的置信度，故置信度的可信度決定著識(shí)別結(jié)果的準(zhǔn)確率，且當(dāng)前字符的置信度都不太靠譜。進(jìn)一步地，不清楚車(chē)牌上的字符的識(shí)別置信度也不會(huì)高，所以會(huì)造成過(guò)濾掉本身是車(chē)牌的圖像。故在不增加漏車(chē)的基礎(chǔ)上，如何有效地去除不是車(chē)牌的圖像繼而提高識(shí)別準(zhǔn)確率是本領(lǐng)域亟待解決的問(wèn)題，基于此，本發(fā)明提出了一種車(chē)牌識(shí)別的方法及裝置。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種車(chē)牌識(shí)別的方法，目的在于在不增加漏車(chē)的基礎(chǔ)上，有效地去除不是車(chē)牌的圖像繼而提高了識(shí)別的準(zhǔn)確率；本發(fā)明的另一目的是提供一種車(chē)牌識(shí)別的裝置，其車(chē)牌識(shí)別的準(zhǔn)確率較高。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種車(chē)牌識(shí)別的方法，該方法包括：

獲取待識(shí)別車(chē)牌圖像；

對(duì)所述待識(shí)別車(chē)牌圖像進(jìn)行預(yù)處理；

提取經(jīng)過(guò)預(yù)處理的所述待識(shí)別車(chē)牌圖像中具有尺度不變特征變換的特征點(diǎn)，生成特征點(diǎn)矩陣；

調(diào)用預(yù)先訓(xùn)練得到的包括車(chē)牌類別以及非車(chē)牌類別的分類模型，所述分類模型是基于訓(xùn)練多個(gè)車(chē)牌圖像以及多個(gè)非車(chē)牌圖像的尺度不變特征變換的特征點(diǎn)而獲得的模型；

利用所述分類模型，根據(jù)所述特征點(diǎn)矩陣判斷所述待識(shí)別車(chē)牌所屬的類別。

可選地，所述分類模型的訓(xùn)練過(guò)程包括：

獲取第一預(yù)設(shè)數(shù)量的車(chē)牌圖像以及第二預(yù)設(shè)數(shù)量的非車(chē)牌圖像；

分別將所述車(chē)牌圖像和所述非車(chē)牌圖像作預(yù)處理操作；

分別提取經(jīng)過(guò)預(yù)處理的所述車(chē)牌圖像以及所述非車(chē)牌圖像上具有尺度不變特征變換的特征點(diǎn)，分別組成車(chē)牌特征點(diǎn)矩陣以及非車(chē)牌特征點(diǎn)矩陣；

利用線性判別分析對(duì)所述車(chē)牌特征點(diǎn)矩陣以及所述非車(chē)牌特征點(diǎn)矩陣進(jìn)行計(jì)算，得出用于降維的旋轉(zhuǎn)矩陣；

根據(jù)所述旋轉(zhuǎn)矩陣和所述車(chē)牌特征點(diǎn)矩陣，得出第一類中心坐標(biāo)點(diǎn)；

根據(jù)所述旋轉(zhuǎn)矩陣和所述非車(chē)牌特征點(diǎn)矩陣，得出第二類中心坐標(biāo)點(diǎn)；

其中，所述第一類中心坐標(biāo)點(diǎn)是所述車(chē)牌特征點(diǎn)矩陣降到預(yù)設(shè)維度空間上的中心坐標(biāo)點(diǎn)，所述第二類中心坐標(biāo)點(diǎn)是所述非車(chē)牌特征點(diǎn)降到所述預(yù)設(shè)維度空間上的中心坐標(biāo)點(diǎn)。

可選地，所述對(duì)所述待識(shí)別車(chē)牌圖像進(jìn)行預(yù)處理包括：

獲取所述待識(shí)別車(chē)牌圖像的灰度圖像；

將所述灰度圖像調(diào)整為預(yù)設(shè)像素大小的圖像。

可選地，所述提取經(jīng)過(guò)預(yù)處理操作的所述待識(shí)別車(chē)牌圖像中具有尺度不變特征變換的特征點(diǎn)，生成特征點(diǎn)矩陣包括：

構(gòu)造經(jīng)過(guò)預(yù)處理的所述待識(shí)別車(chē)牌圖像的尺度空間；

檢測(cè)所述尺度空間內(nèi)的所有特征點(diǎn)；

去除所述特征點(diǎn)中不穩(wěn)定的特征點(diǎn)；

確定剩余的所述特征點(diǎn)的主方向；

生成剩余的所述特征點(diǎn)的描述子；

將已確定所述主方向和已生成所述描述子的所述特征點(diǎn)組成所述特征點(diǎn)矩陣。

可選地，所述利用所述分類模型，根據(jù)所述特征點(diǎn)矩陣判斷所述待識(shí)別車(chē)牌所屬的類別包括：

利用所述旋轉(zhuǎn)矩陣計(jì)算出所述特征點(diǎn)矩陣降到所述預(yù)設(shè)維度空間上的坐標(biāo)點(diǎn)；

計(jì)算所述坐標(biāo)點(diǎn)與所述第一類中心坐標(biāo)點(diǎn)的第一距離，以及所述坐標(biāo)點(diǎn)和所述第二類中心坐標(biāo)點(diǎn)的第二距離；

比較所述第一距離和所述第二距離的大小；

當(dāng)所述第一距離小于所述第二距離時(shí)，則將所述待識(shí)別車(chē)牌圖像識(shí)別為車(chē)牌圖像，反之，則將所述待識(shí)別車(chē)牌圖像識(shí)別為非車(chē)牌圖像。

此外，本發(fā)明還提供了一種車(chē)牌識(shí)別的裝置，包括：

獲取單元，用于獲取待識(shí)別車(chē)牌圖像；

預(yù)處理單元，用于對(duì)所述待識(shí)別車(chē)牌圖像進(jìn)行預(yù)處理；

提取單元，用于提取經(jīng)過(guò)預(yù)處理的所述待識(shí)別車(chē)牌圖像中具有尺度不變特征變換的特征點(diǎn)，生成特征點(diǎn)矩陣；

調(diào)用單元，用于調(diào)用預(yù)先訓(xùn)練得到的包括車(chē)牌類別以及非車(chē)牌類別的分類模型，所述分類模型是基于訓(xùn)練多個(gè)車(chē)牌圖像以及多個(gè)非車(chē)牌圖像的尺度不變特征變換的特征點(diǎn)而獲得的模型；

分類單元，用于利用所述分類模型，根據(jù)所述特征點(diǎn)矩陣判斷所述待識(shí)別車(chē)牌所屬的類別。

可選地，所述調(diào)用單元包括：

獲取子單元，用于獲取第一預(yù)設(shè)數(shù)量的車(chē)牌圖像以及第二預(yù)設(shè)數(shù)量的非車(chē)牌圖像；

預(yù)處理操作子單元，分別將所述車(chē)牌圖像和所述非車(chē)牌圖像作預(yù)處理操作；

特征點(diǎn)提取子單元，用于分別提取經(jīng)過(guò)預(yù)處理的所述車(chē)牌圖像以及所述非車(chē)牌圖像上具有尺度不變特征變換的特征點(diǎn)，分別組成車(chē)牌特征點(diǎn)矩陣以及非車(chē)牌特征點(diǎn)矩陣；

旋轉(zhuǎn)矩陣計(jì)算子單元，用于利用線性判別分析對(duì)所述車(chē)牌特征點(diǎn)矩陣以及所述非車(chē)牌特征點(diǎn)矩陣進(jìn)行計(jì)算，得出用于降維的旋轉(zhuǎn)矩陣；

第一中心坐標(biāo)點(diǎn)獲取子單元，用于根據(jù)所述旋轉(zhuǎn)矩陣和所述車(chē)牌特征點(diǎn)矩陣，得出第一類中心坐標(biāo)點(diǎn)；

第二中心坐標(biāo)點(diǎn)獲取子單元，用于根據(jù)所述旋轉(zhuǎn)矩陣和所述非車(chē)牌特征點(diǎn)矩陣，得出第二類中心坐標(biāo)點(diǎn)；

其中，所述第一類中心坐標(biāo)點(diǎn)是所述車(chē)牌特征點(diǎn)矩陣降到預(yù)設(shè)維度空間上的中心坐標(biāo)點(diǎn)，所述第二類中心坐標(biāo)點(diǎn)是所述非車(chē)牌特征點(diǎn)降到所述預(yù)設(shè)維度空間上的中心坐標(biāo)點(diǎn)。

可選地，所述預(yù)處理單元包括：

灰度圖獲取子單元，用于獲取所述待識(shí)別車(chē)牌圖像的灰度圖像；

調(diào)整子單元，用于將所述灰度圖像調(diào)整為預(yù)設(shè)像素大小的圖像。

可選地，所述提取單元包括：

構(gòu)造子單元，用于構(gòu)造經(jīng)過(guò)預(yù)處理的所述待識(shí)別車(chē)牌圖像的尺度空間；

檢測(cè)子單元，用于檢測(cè)所述尺度空間內(nèi)的所有特征點(diǎn)；

去除子單元，用于去除所述特征點(diǎn)中不穩(wěn)定的特征點(diǎn)；

確定主方向子單元，用于確定剩余的所述特征點(diǎn)的主方向；

描述子生成子單元，用于生成剩余的所述特征點(diǎn)的描述子；

生成子單元，用于將已確定所述主方向和已生成所述描述子的所述特征點(diǎn)組成所述特征點(diǎn)矩陣。

可選地，所述分類單元包括：

計(jì)算子單元，用于利用所述旋轉(zhuǎn)矩陣計(jì)算出所述特征點(diǎn)矩陣降到所述預(yù)設(shè)維度空間上的坐標(biāo)點(diǎn)；

距離計(jì)算子單元，用于計(jì)算所述坐標(biāo)點(diǎn)與所述第一類中心坐標(biāo)點(diǎn)的第一距離，以及所述坐標(biāo)點(diǎn)和所述第二類中心坐標(biāo)點(diǎn)的第二距離；

比較子單元，用于比較所述第一距離和所述第二距離的大?。?/p>

確定子單元，用于當(dāng)所述第一距離小于所述第二距離時(shí)，則將所述待識(shí)別車(chē)牌圖像識(shí)別為車(chē)牌圖像，反之，則將所述待識(shí)別車(chē)牌圖像識(shí)別為非車(chē)牌圖像。

本發(fā)明實(shí)施例所提供的一種車(chē)牌識(shí)別的方法及裝置，獲取待識(shí)別車(chē)牌圖像；對(duì)待識(shí)別車(chē)牌圖像進(jìn)行預(yù)處理；提取經(jīng)過(guò)預(yù)處理的待識(shí)別車(chē)牌圖像中具有尺度不變特征變換的特征點(diǎn)，生成特征點(diǎn)矩陣；調(diào)用預(yù)先訓(xùn)練得到的包括車(chē)牌類別以及非車(chē)牌類別的分類模型，分類模型是基于訓(xùn)練多個(gè)車(chē)牌圖像以及多個(gè)非車(chē)牌圖像的尺度不變特征變換的特征點(diǎn)而獲得的模型；利用分類模型，根據(jù)特征點(diǎn)矩陣判斷待識(shí)別車(chē)牌所屬的類別?；诔叨炔蛔兲卣髯儞Q的特征點(diǎn)對(duì)大量的車(chē)牌圖片樣本和非車(chē)牌圖片樣本進(jìn)行訓(xùn)練，尋找出每一類樣本中的公共特征點(diǎn)，進(jìn)而獲得分類模型，然后去尋找待識(shí)別車(chē)牌圖像上的公共尺度不變特征變換特征點(diǎn)，判斷待識(shí)別車(chē)牌圖像上的尺度不變特征點(diǎn)與車(chē)牌圖像樣本上的公共尺度不變特征變換的特征點(diǎn)相似，還是與非車(chē)牌圖像樣本上的公共尺度不變特征變換的特征點(diǎn)相似，繼而判斷出待識(shí)別車(chē)牌圖像的所屬類別?？梢?jiàn)，基于尋找尺度不變特征變換的特征點(diǎn)的思想訓(xùn)練得到分類器，根據(jù)分類器對(duì)待識(shí)別車(chē)牌圖像上的尺度不變特征變換的特征點(diǎn)進(jìn)行識(shí)別分類，可以在不增加漏車(chē)的基礎(chǔ)上，有效地去除不是車(chē)牌的圖像繼而提高了識(shí)別的準(zhǔn)確率。

附圖說(shuō)明

為了更清楚的說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單的介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例所提供的車(chē)牌識(shí)別方法的一種具體實(shí)施方式的流程示意圖；

圖2為本發(fā)明實(shí)施例所提供的車(chē)牌識(shí)別方法的另一種具體實(shí)施方式的流程示意圖；

圖3為本發(fā)明實(shí)施例提供的車(chē)牌識(shí)別的裝置的結(jié)構(gòu)框圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請(qǐng)參見(jiàn)圖1，圖1為本發(fā)明實(shí)施例所提供的車(chē)牌識(shí)別方法的一種具體實(shí)施方式的流程示意圖。

步驟101：獲取待識(shí)別車(chē)牌圖像；

具體地，可以利用監(jiān)控?cái)z像設(shè)備或者是其它采集圖像的設(shè)備拍攝車(chē)輛的車(chē)牌圖像，拍攝圖像的地點(diǎn)可以是高速公路上的進(jìn)出口、停車(chē)場(chǎng)的進(jìn)出口或者是其它車(chē)輛出入較頻繁地區(qū)域。由于拍攝待識(shí)別車(chē)牌圖像的地點(diǎn)環(huán)境不一樣，拍攝到的待識(shí)別車(chē)牌圖像有可能不是車(chē)牌，而是一些其它不是車(chē)牌的圖像，其本身不是車(chē)牌的物體，由于車(chē)牌識(shí)別的精度很高，故有時(shí)會(huì)將一些容易被識(shí)別成車(chē)牌的物體錯(cuò)誤識(shí)別成車(chē)牌。又或者是由于拍攝的地點(diǎn)的背景或者光照的影響，拍攝得到車(chē)牌圖像比較模糊，即車(chē)牌上的字符不清晰。而模糊字符的本身置信度并不可靠，在識(shí)別不清晰車(chē)牌圖像時(shí)會(huì)將該不清晰的車(chē)牌圖像識(shí)別成非車(chē)牌圖像，造成了漏車(chē)。顯而易見(jiàn)地，獲取待識(shí)別車(chē)牌圖像的手段并不限于上述所提到的。

待識(shí)別車(chē)牌圖像可能是車(chē)牌圖像，也有可能不是車(chē)牌圖像，那么需要對(duì)獲取的待識(shí)別車(chē)牌圖像進(jìn)行識(shí)別分類，而在進(jìn)行識(shí)別之前，需要對(duì)待識(shí)別車(chē)牌圖像進(jìn)行預(yù)處理操作。

步驟102：對(duì)所述待識(shí)別車(chē)牌圖像進(jìn)行預(yù)處理；

由于拍攝得到的待識(shí)別車(chē)牌圖像是一幅普通的數(shù)字圖像，而識(shí)別所用的圖像是灰度圖，故需要對(duì)待識(shí)別車(chē)牌圖像進(jìn)行預(yù)處理操作獲得灰度圖像。所謂灰度圖是指圖像沒(méi)有彩色，只有黑色和白色。獲取了待識(shí)別車(chē)牌圖像的灰度圖之后，還需要對(duì)待識(shí)別車(chē)牌灰度圖像的像素大小進(jìn)行調(diào)整，其調(diào)整之后的圖像的像素大小是由實(shí)際需求決定的，需要考慮權(quán)衡識(shí)別的精度和識(shí)別的效率。當(dāng)然，對(duì)待識(shí)別車(chē)牌圖像進(jìn)行的預(yù)處理操作不止上述提到的獲取灰度圖、調(diào)整像素大小這兩項(xiàng)操作，還包括其它的有利于識(shí)別結(jié)果的預(yù)處理操作。在本發(fā)明的一些實(shí)施例中，其預(yù)處理可以具體為：獲取所述待識(shí)別車(chē)牌圖像的灰度圖像；將所述灰度圖像調(diào)整為預(yù)設(shè)像素大小的圖像。其預(yù)設(shè)像素大小可以設(shè)定為58*16、68*16或者是其它的數(shù)值，而由于圖像中的像素點(diǎn)的個(gè)數(shù)影響著識(shí)別處理時(shí)間，像素點(diǎn)個(gè)數(shù)較多，識(shí)別處理時(shí)間會(huì)較長(zhǎng)，故考慮到識(shí)別的處理時(shí)間的可行性，可以適當(dāng)?shù)剡x擇待識(shí)別車(chē)牌灰度圖像的像素個(gè)數(shù)，例如，可以將待識(shí)別車(chē)牌灰度圖像的像素大小調(diào)整為48*16。

在對(duì)待識(shí)別車(chē)牌圖像進(jìn)行了預(yù)處理操作后，則可以對(duì)待識(shí)別車(chē)牌圖像進(jìn)行識(shí)別。由于識(shí)別的過(guò)程是基于尺度不變特征變換的特征點(diǎn)的，故需要對(duì)待識(shí)別車(chē)牌灰度圖像中的尺度不變特征變換的特征點(diǎn)進(jìn)行提取。

步驟103：提取經(jīng)過(guò)預(yù)處理的所述待識(shí)別車(chē)牌圖像中具有尺度不變特征變換的特征點(diǎn)，生成特征點(diǎn)矩陣；

提取待識(shí)別車(chē)牌圖像上的尺度不變特征變換(sift,Scale-invariant feature transform)特征點(diǎn)，將這些特征點(diǎn)用矩陣來(lái)表示。其sift特征點(diǎn)的提取過(guò)程一般是先構(gòu)造一個(gè)尺度空間，即先對(duì)圖片進(jìn)行尺度變化，將圖片進(jìn)行放大和縮小操作。然后再檢測(cè)該尺度空間上的所有極值點(diǎn)，在獲得極值點(diǎn)后，對(duì)這些極值點(diǎn)進(jìn)行篩選，去除一些不穩(wěn)定的極值點(diǎn)，將剩下的極值點(diǎn)作為特征點(diǎn)，確定特征點(diǎn)的主方向，再然后生成特征點(diǎn)的描述子。所選取出的sift特征點(diǎn)是圖像上對(duì)尺度縮放、旋轉(zhuǎn)和亮度變化無(wú)關(guān)的特征向量。sift特征點(diǎn)是圖像的局部特征，對(duì)視角變化、仿射變換、噪聲有一定程度上的穩(wěn)定性，其一般有獨(dú)特性、多量性、高速性和可擴(kuò)展性等特點(diǎn)。需要指出的是，其特征點(diǎn)矩陣的維數(shù)是由待識(shí)別車(chē)牌圖像的像素大小來(lái)決定的，例如，48*16像素大小的待識(shí)別車(chē)牌圖像的特征點(diǎn)矩陣的維數(shù)是2176維。

在本發(fā)明的一些實(shí)施例中，其提取sift特征點(diǎn)的過(guò)程可以具體為：構(gòu)造經(jīng)過(guò)預(yù)處理的所述待識(shí)別車(chē)牌圖像的尺度空間；檢測(cè)所述尺度空間內(nèi)的所有特征點(diǎn)；去除所述特征點(diǎn)中抗干擾性弱的特征點(diǎn)；確定剩余的所述特征點(diǎn)的主方向；生成剩余的所述特征點(diǎn)的描述子；將已確定所述主方向和已生成所述描述子的所述特征點(diǎn)組成所述特征點(diǎn)矩陣。顯而易見(jiàn)地，其sift特征點(diǎn)的提取過(guò)程一般為上述過(guò)程，但不限于上述過(guò)程。其它基于sift特征點(diǎn)提取的思想的提取過(guò)程可能有細(xì)節(jié)上的不同，但也不會(huì)影響本發(fā)明實(shí)施例的實(shí)現(xiàn)。

對(duì)于預(yù)設(shè)像素大小的圖像，在特征點(diǎn)提取過(guò)程中，可以采用滑動(dòng)窗口為5，像素個(gè)數(shù)2的方法來(lái)對(duì)一幅圖像進(jìn)行檢測(cè)特征點(diǎn)。顯而易見(jiàn)地，其滑動(dòng)窗口的大小以及每次檢測(cè)的像素個(gè)數(shù)都可以根據(jù)實(shí)際需求來(lái)選擇。

提取出了sift特征點(diǎn)之后，得到特征點(diǎn)矩陣，需要利用分類模型對(duì)待識(shí)別車(chē)牌圖像的特征點(diǎn)進(jìn)行分類。

步驟104：調(diào)用預(yù)先訓(xùn)練得到的包括車(chē)牌類別以及非車(chē)牌類別的分類模型，所述分類模型是基于訓(xùn)練多個(gè)車(chē)牌圖像以及多個(gè)非車(chē)牌圖像的尺度不變特征變換的特征點(diǎn)而獲得的模型；

用于對(duì)待識(shí)別車(chē)牌圖像進(jìn)行分類的分類模型的建立可以是在獲取待識(shí)別車(chē)牌圖像之前就已經(jīng)建立好的，也可以是在獲取待識(shí)別車(chē)牌圖像之后在進(jìn)行建立的，即分類模型可以預(yù)先建立，也可以在識(shí)別的過(guò)程中建立。而分類模型無(wú)論是什么時(shí)間點(diǎn)建立的，其建立的過(guò)程大致相同。其過(guò)程可以是基于線性判別分析(LDA,Linear Discriminate Analysis)的思想，訓(xùn)練大量的車(chē)牌灰度圖像樣本和大量的非車(chē)牌灰度圖像樣本的sift特征點(diǎn)矩陣，尋找出每一類樣本中的公共特征點(diǎn)，繼而獲得一個(gè)分類模型，其分類模型是一個(gè)兩類分類器，一類為車(chē)牌，另一類為非車(chē)牌。

需要說(shuō)明的是，此處的車(chē)牌灰度圖像可以是外邊框貼著字符邊界的精定位車(chē)牌灰度圖像，且車(chē)牌灰度圖像包括了所有的車(chē)牌字符。一般情況下，車(chē)牌字符包括0、1、2、3、4、5、6、7、8、9十個(gè)阿拉伯?dāng)?shù)字，以及A～Z的26個(gè)英文字母，還有各個(gè)省市區(qū)的漢字簡(jiǎn)稱，例如京、粵、海、桂等。在一些特殊的軍牌中，還包括甲、乙、丙等13漢字。不同的字符組成不同類型的車(chē)牌，現(xiàn)實(shí)生活中車(chē)牌的類型一般包括普通藍(lán)黃牌、軍牌、警牌、港澳牌、使館牌、民航牌等。車(chē)牌除了有上述的類型之分，還有單層車(chē)牌和雙層車(chē)牌之分，由于雙層車(chē)牌的第一層字符很容易識(shí)別，故可以通過(guò)字符的置信度來(lái)進(jìn)行區(qū)分是否為多識(shí)別車(chē)牌，而在本發(fā)明實(shí)施例中，只對(duì)單層車(chē)牌進(jìn)行識(shí)別分類。

用于訓(xùn)練的車(chē)牌灰度圖像是精定位車(chē)牌灰度圖像，即通過(guò)車(chē)牌的定位技術(shù)來(lái)獲得車(chē)牌上緊貼著字符的部分車(chē)牌區(qū)域。一般地，精定位車(chē)牌灰度圖像上的字符的寬高比是10:1，但是，綜合考慮到識(shí)別的效率和準(zhǔn)確率，可以將精定位車(chē)牌上的寬高比設(shè)定為3:1，這樣可以在保證識(shí)別準(zhǔn)確率的基礎(chǔ)上，提高識(shí)別的效率。當(dāng)然，精定位車(chē)牌上的字符的寬高比設(shè)定可以根據(jù)實(shí)際情況的需要而進(jìn)行設(shè)計(jì)，不會(huì)影響本發(fā)明實(shí)施例的實(shí)現(xiàn)。

而此處的非車(chē)牌圖像可以是自然背景圖像或者是容易被識(shí)別成車(chē)牌的灰度圖像。例如可以為背景廣告上的數(shù)字圖片、攝像鏡頭范圍內(nèi)的排列有序的豎欄桿。由于一般汽車(chē)上的車(chē)牌是由7個(gè)字符組成的，而一般電動(dòng)車(chē)的牌照為5個(gè)字符，故有時(shí)候也會(huì)把電動(dòng)車(chē)的牌照誤識(shí)別成汽車(chē)的車(chē)牌。一般情況下，用于訓(xùn)練的車(chē)牌灰度圖像和非車(chē)牌灰度圖像的像素面積大小應(yīng)該盡量地相同，例如可以都為48*16。但是，在實(shí)際的操作中，可能由于各種的限制條件，會(huì)使車(chē)牌灰度圖像和非車(chē)牌灰度圖像不可能完全地相同，但是在允許的誤差范圍內(nèi)都不會(huì)影響本發(fā)明實(shí)施例的實(shí)現(xiàn)。而車(chē)牌灰度圖像和非車(chē)牌灰度圖像的數(shù)量應(yīng)盡可能地相同，但是在允許的誤差范圍之內(nèi)也不影響本發(fā)明實(shí)施例的實(shí)現(xiàn)，例如，車(chē)牌灰度圖像可以為10000張，而非車(chē)牌灰度圖像可以為10000張，也可以為9998張。顯而易見(jiàn)地，用于訓(xùn)練的樣本圖像的像素大小應(yīng)該與調(diào)整像素大小之后的待識(shí)別車(chē)牌圖像的像素大小一樣，這樣其識(shí)別結(jié)果才準(zhǔn)確。

在本發(fā)明的一些實(shí)施例中，利用LDA思想進(jìn)行訓(xùn)練分類模型的過(guò)程可以具體為：獲取第一預(yù)設(shè)數(shù)量的車(chē)牌圖像以及第二預(yù)設(shè)數(shù)量的非車(chē)牌圖像；分別將所述車(chē)牌圖像和所述非車(chē)牌圖像作預(yù)處理操作；分別提取經(jīng)過(guò)預(yù)處理的所述車(chē)牌圖像以及所述非車(chē)牌圖像上具有尺度不變特征變換的特征點(diǎn)，分別組成車(chē)牌特征點(diǎn)矩陣以及非車(chē)牌特征點(diǎn)矩陣；利用線性判別分析對(duì)所述車(chē)牌特征點(diǎn)矩陣以及所述非車(chē)牌特征點(diǎn)矩陣進(jìn)行計(jì)算，得出用于降維的旋轉(zhuǎn)矩陣；根據(jù)所述旋轉(zhuǎn)矩陣和所述車(chē)牌特征點(diǎn)矩陣，得出第一類中心坐標(biāo)點(diǎn)；根據(jù)所述旋轉(zhuǎn)矩陣和所述非車(chē)牌特征點(diǎn)矩陣，得出第二類中心坐標(biāo)點(diǎn)；其中，所述第一類中心坐標(biāo)點(diǎn)是所述車(chē)牌特征點(diǎn)矩陣降到預(yù)設(shè)維度空間上的中心坐標(biāo)點(diǎn)，所述第二類中心坐標(biāo)點(diǎn)是所述非車(chē)牌特征點(diǎn)降到所述預(yù)設(shè)維度空間上的中心坐標(biāo)點(diǎn)。使用LDA和尺度不變特征變換的特征點(diǎn)來(lái)對(duì)大量的訓(xùn)練樣本進(jìn)行分析，找出每一類圖像對(duì)應(yīng)的分類標(biāo)準(zhǔn)，在以后的識(shí)別過(guò)程中，可以用這些分類標(biāo)準(zhǔn)來(lái)對(duì)圖像進(jìn)行分類。實(shí)際上，訓(xùn)練模型的目的是為了找出用于降維的旋轉(zhuǎn)矩陣，車(chē)牌灰度圖像在預(yù)設(shè)維度空間上的投影點(diǎn)即第一類中心坐標(biāo)點(diǎn)，非車(chē)牌灰度圖像在預(yù)設(shè)維度空間上的投影點(diǎn)即第一類中心坐標(biāo)點(diǎn)。

需要說(shuō)明的是，可以利用線性判別分析LDA計(jì)算出旋轉(zhuǎn)矩陣。在本發(fā)明的一些實(shí)施例中，計(jì)算的過(guò)程具體可以為：分別計(jì)算車(chē)牌特征點(diǎn)矩陣和非車(chē)牌特征點(diǎn)矩陣的類內(nèi)方差，將兩者的類內(nèi)方差相加得出相加值；計(jì)算車(chē)牌特征點(diǎn)矩陣與非車(chē)牌特征點(diǎn)矩陣之間的類間方差；計(jì)算滿足S_bX＝λS_wX的最大特征值對(duì)應(yīng)的特征向量，特征向量則為所述旋轉(zhuǎn)矩陣，其中，S_w表示所述相加值，S_b表示所述類間方差。采用LDA降維的方式，來(lái)將sift特征點(diǎn)矩陣降維，即將原本是高維空間上的sift數(shù)據(jù)通過(guò)映射的方式降到低位空間上。由于在本發(fā)明實(shí)施例中，只有車(chē)牌和非車(chē)牌兩個(gè)類別，可以將sift特征點(diǎn)矩陣降到1維空間上。然后分別計(jì)算車(chē)牌特征點(diǎn)矩陣和非車(chē)牌特征點(diǎn)的類內(nèi)方差。將車(chē)牌特征點(diǎn)的類內(nèi)方差和非車(chē)牌特征點(diǎn)的類內(nèi)方差的相加，得到相加結(jié)果S_W。再計(jì)算車(chē)牌特征點(diǎn)矩陣和非車(chē)牌特征點(diǎn)矩陣的類間方差S_b。通過(guò)計(jì)算最大特征向量來(lái)得到旋轉(zhuǎn)矩陣，實(shí)現(xiàn)減小類內(nèi)距離，增加類間距離，從而實(shí)現(xiàn)區(qū)分車(chē)牌圖片和非車(chē)牌圖片，使用LDA的方式來(lái)降維可以使降維后的特征點(diǎn)盡可能地容易被區(qū)分，即同類的特征點(diǎn)盡可能地接近，不同類的特征點(diǎn)盡可能地分離。

顯而易見(jiàn)地，sift特征點(diǎn)矩陣的維數(shù)是由圖像的像素大小決定的。例如，當(dāng)用于訓(xùn)練的車(chē)牌灰度圖像為10000張48*16的圖像，則此時(shí)以每一張圖像作為sift特征點(diǎn)矩陣的一行，每張圖像的特征點(diǎn)個(gè)數(shù)作為sift特征點(diǎn)矩陣的列數(shù)，而48*16的圖片上有2176個(gè)特征點(diǎn)。此時(shí)，車(chē)牌灰度圖片對(duì)應(yīng)的sift特征點(diǎn)矩陣是一個(gè)10000行，2176列的矩陣。

由于訓(xùn)練分類模型的目的除了獲取旋轉(zhuǎn)矩陣外，還需要獲得第一類中心坐標(biāo)點(diǎn)和第二類中心坐標(biāo)點(diǎn)。故在本發(fā)明的一些實(shí)施例中，其計(jì)算獲得兩類中心坐標(biāo)點(diǎn)的過(guò)程可以具體為：分別計(jì)算車(chē)牌特征點(diǎn)矩陣的均值向量E₁和非車(chē)牌特征點(diǎn)矩陣的均值向量E₂；將均值向量E₁與旋轉(zhuǎn)矩陣相乘，得出第一中心坐標(biāo)點(diǎn)；將均值向量E₂與旋轉(zhuǎn)矩陣相乘，得出第二中心坐標(biāo)點(diǎn)。利用旋轉(zhuǎn)矩陣的降維作用，將sift特征點(diǎn)矩陣投影到1維空間上，則車(chē)牌特征點(diǎn)矩陣投影到1維空間上是一條直線上的點(diǎn)即第一類中心坐標(biāo)點(diǎn)，而非車(chē)牌特征點(diǎn)矩陣投影到1維空間上也是一個(gè)點(diǎn)即第二類中心坐標(biāo)點(diǎn)。

基于sift特征和LDA的思想進(jìn)行訓(xùn)練樣本，找出分類標(biāo)準(zhǔn)后，可以利用訓(xùn)練的結(jié)果對(duì)一幅待識(shí)別的圖像進(jìn)行分類，判斷當(dāng)前識(shí)別的圖片是否為車(chē)牌圖片，將不是車(chē)牌的圖片去除。下面將對(duì)利用訓(xùn)練結(jié)果對(duì)未知的灰度圖片進(jìn)行識(shí)別分類介紹。

步驟105：利用所述分類模型，根據(jù)所述特征點(diǎn)矩陣判斷所述待識(shí)別車(chē)牌所屬的類別。

提取出了待識(shí)別車(chē)牌圖像上的特征點(diǎn)，利用sift特征和LDA的思想進(jìn)行訓(xùn)練得出分類模型，可以利用分類模型對(duì)待識(shí)別車(chē)牌圖像進(jìn)行分類，判斷出當(dāng)前識(shí)別的灰度圖片是車(chē)牌圖像，還是其它容易被識(shí)別為車(chē)牌的自然背景圖像。訓(xùn)練的分類模型的目的是得到用于降維的選擇矩陣，以及兩類中心坐標(biāo)點(diǎn)，故其利用分類模型識(shí)別當(dāng)前待識(shí)別圖像是否為車(chē)牌的過(guò)程實(shí)際上是將待識(shí)別灰度圖像的sift特征點(diǎn)矩陣降到中心坐標(biāo)點(diǎn)所在的維度空間后與兩類中心坐標(biāo)點(diǎn)進(jìn)行比較，其降維的實(shí)現(xiàn)是利用旋轉(zhuǎn)矩陣和待識(shí)別灰度圖像的sift特征點(diǎn)矩陣相乘。由于只有車(chē)牌和非車(chē)牌兩個(gè)類別，可以將sift特征點(diǎn)矩陣降維到1維空間上去比較。顯而易見(jiàn)地，將sift特征點(diǎn)降到哪個(gè)維度空間上去比較是由有多少個(gè)類別來(lái)決定的。例如，當(dāng)有11個(gè)類別時(shí)，則將所有的sift特征點(diǎn)矩陣降到10維空間上去比較大小。

在本發(fā)明的一些實(shí)施例中，其利用訓(xùn)練結(jié)果對(duì)待識(shí)別灰度圖像進(jìn)行識(shí)別分類的過(guò)程可以具體為：利用所述旋轉(zhuǎn)矩陣計(jì)算出所述特征點(diǎn)矩陣降到所述預(yù)設(shè)維度空間上的坐標(biāo)點(diǎn)；計(jì)算所述坐標(biāo)點(diǎn)與所述第一類中心坐標(biāo)點(diǎn)的第一距離，以及所述坐標(biāo)點(diǎn)和所述第二類中心坐標(biāo)點(diǎn)的第二距離；比較所述第一距離和所述第二距離的大??；當(dāng)所述第一距離小于所述第二距離時(shí)，則將所述待識(shí)別車(chē)牌圖像識(shí)別為車(chē)牌圖像，反之，則將所述待識(shí)別車(chē)牌圖像識(shí)別為非車(chē)牌圖像。將訓(xùn)練得到的1維空間上的第一類中心坐標(biāo)點(diǎn)和第二類中心坐標(biāo)點(diǎn)，通過(guò)比較將待識(shí)別灰度圖片的特征點(diǎn)矩陣降到1維空間上的點(diǎn)離哪一類的中心坐標(biāo)點(diǎn)更近一些來(lái)判斷其所屬的類別。在1維空間上，待識(shí)別車(chē)牌圖像投影到1維空間上對(duì)應(yīng)的點(diǎn)和第一類中心坐標(biāo)點(diǎn)以及第二類中心坐標(biāo)點(diǎn)可以是處于同一條直線上的。例如，第一類中心坐標(biāo)點(diǎn)的值為1，第二類中心坐標(biāo)點(diǎn)的值為1.5，而待識(shí)別灰度圖片的特征點(diǎn)矩陣投影的點(diǎn)為0.5，則0.5到1的距離為0.5，到1.5的距離為1。而1大于0.5，故認(rèn)為待識(shí)別灰度圖片的特征點(diǎn)矩陣投影點(diǎn)離第一類中心坐標(biāo)點(diǎn)更近，則將待識(shí)別灰度圖片歸為第一類別即車(chē)牌圖片。顯而易見(jiàn)地，此處所舉的例子讓人形象地理解判別過(guò)程，實(shí)際操作中其數(shù)值不局限于上述所提到的。

可以理解的是，在識(shí)別是否為車(chē)牌的過(guò)程中，將車(chē)牌進(jìn)行分割，對(duì)每一幀進(jìn)行識(shí)別是常見(jiàn)手段，車(chē)牌分割是指提取車(chē)牌上的字符的灰度值和顏色等特征，可以通過(guò)對(duì)每幀車(chē)分割結(jié)果進(jìn)行車(chē)牌過(guò)濾來(lái)得出結(jié)果。

本發(fā)明實(shí)施例所提供的車(chē)牌識(shí)別的方法，獲取待識(shí)別車(chē)牌圖像；對(duì)待識(shí)別車(chē)牌圖像進(jìn)行預(yù)處理；提取經(jīng)過(guò)預(yù)處理的待識(shí)別車(chē)牌圖像中具有尺度不變特征變換的特征點(diǎn)，生成特征點(diǎn)矩陣；調(diào)用預(yù)先訓(xùn)練得到的包括車(chē)牌類別以及非車(chē)牌類別的分類模型，分類模型是基于訓(xùn)練多個(gè)車(chē)牌圖像以及多個(gè)非車(chē)牌圖像的尺度不變特征變換的特征點(diǎn)而獲得的模型；利用分類模型，根據(jù)特征點(diǎn)矩陣判斷待識(shí)別車(chē)牌所屬的類別?；诔叨炔蛔兲卣髯儞Q的特征點(diǎn)對(duì)大量的車(chē)牌圖片樣本和非車(chē)牌圖片樣本進(jìn)行訓(xùn)練，尋找出每一類樣本中的公共特征點(diǎn)，進(jìn)而獲得分類模型，然后去尋找待識(shí)別車(chē)牌圖像上的公共尺度不變特征變換特征點(diǎn)，判斷待識(shí)別車(chē)牌圖像上的尺度不變特征點(diǎn)與車(chē)牌圖像樣本上的公共尺度不變特征變換的特征點(diǎn)相似，還是與非車(chē)牌圖像樣本上的公共尺度不變特征變換的特征點(diǎn)相似，繼而判斷出待識(shí)別車(chē)牌圖像的所屬類別?；趯ふ页叨炔蛔兲卣髯儞Q的特征點(diǎn)的思想訓(xùn)練得到分類器，根據(jù)分類器對(duì)待識(shí)別車(chē)牌圖像上的尺度不變特征變換的特征點(diǎn)進(jìn)行識(shí)別分類，可以在不增加漏車(chē)的基礎(chǔ)上，有效地去除不是車(chē)牌的圖像繼而提高了識(shí)別的準(zhǔn)確率。

車(chē)牌識(shí)別的方法可以應(yīng)用在各種不同的場(chǎng)景，例如可以用于停車(chē)場(chǎng)的車(chē)輛管理系統(tǒng)，或者是高速公路上的車(chē)輛管理。故下面將對(duì)停車(chē)場(chǎng)的車(chē)輛管理系統(tǒng)中的車(chē)牌識(shí)別的方法結(jié)合具體的參數(shù)進(jìn)行介紹。

請(qǐng)參見(jiàn)圖2，圖2為本發(fā)明實(shí)施例所提供的車(chē)牌識(shí)別方法的另一種具體實(shí)施方式的流程示意圖。

步驟201：收集10000張車(chē)牌灰度圖片和10000張易被識(shí)別成車(chē)牌的非車(chē)牌灰度圖片；

需要說(shuō)明的是，車(chē)牌灰度圖片可以是包括所有車(chē)牌字符的精定位車(chē)牌灰度圖片。而車(chē)牌灰度圖片和易被識(shí)別成車(chē)牌的非車(chē)牌灰度圖片的數(shù)量可以不為1:1，實(shí)際上，兩者的圖片數(shù)量的比例可以接近1:1，但并不是嚴(yán)格的1:1。

步驟202：分別將車(chē)牌灰度圖片和非車(chē)牌灰度圖片重新調(diào)整為48*16像素大小的圖片；

步驟203：分別提取調(diào)整之后的圖片的sift特征點(diǎn)，分別組成對(duì)應(yīng)的sift特征點(diǎn)矩陣；

sift特征點(diǎn)的提取過(guò)程可以是采用binsize為5，step為2方法來(lái)提取每張縮放到48*16的圖片的sift特征點(diǎn)。將10000張車(chē)牌圖片的sift特征點(diǎn)組成一個(gè)10000行，2176列的矩陣，同理，非車(chē)牌圖片的sift特征點(diǎn)矩陣的獲得也是如此。通過(guò)大量的樣本來(lái)找出車(chē)牌圖片中普遍存在的sift特征點(diǎn)和非車(chē)牌圖片中普遍存在的sift特征點(diǎn)，在以后的識(shí)別過(guò)程中，判斷其sift特征點(diǎn)為哪一類特征點(diǎn)，則可以認(rèn)為是屬于該特征點(diǎn)對(duì)應(yīng)的類別。

步驟204：利用LDA訓(xùn)練車(chē)牌圖片和非車(chē)牌圖片兩類的分類器，得出旋轉(zhuǎn)矩陣和兩類對(duì)應(yīng)的1維特征中心坐標(biāo)點(diǎn)；

利用LDA降維的方式將之前提取的sift特征點(diǎn)矩陣降到1維空間山。首先計(jì)算車(chē)牌圖片的類內(nèi)方差，非車(chē)牌圖片的類內(nèi)方差，將兩者的類內(nèi)方差相加得出結(jié)果S_w,再計(jì)算車(chē)牌圖片和非車(chē)牌圖片的類間方差S_b。為了盡量地增大類間距離，減少類內(nèi)距離，令J_w＝S_b÷S_w，將求最大化J_w的問(wèn)題轉(zhuǎn)換為滿足S_bx＝λS_wx的最大特征值對(duì)應(yīng)的特征向量的問(wèn)題。其中，x即為最大特征值對(duì)應(yīng)的特征向量，即為旋轉(zhuǎn)矩陣。最后分別計(jì)算車(chē)牌特征點(diǎn)矩陣的均值向量E₁以及非車(chē)牌特征點(diǎn)矩陣的均值向量E₂，分別將E₁和E₂與計(jì)算得出的旋轉(zhuǎn)矩陣相乘，將sift特征點(diǎn)矩陣降到1為空間，得出車(chē)牌和非車(chē)牌兩類對(duì)應(yīng)的1維特征中心坐標(biāo)點(diǎn)L_car和L_bg。

步驟205：獲取待識(shí)別車(chē)牌圖像，將待識(shí)別車(chē)牌圖像重新調(diào)整為48*16像素大小的圖片；

步驟206：提取調(diào)整之后的圖片的sift特征點(diǎn)，組成sift特征點(diǎn)矩陣；

Sift特征點(diǎn)的提取的過(guò)程與步驟203中使用的方法類似，在此不再贅述。

步驟207：將待識(shí)別灰度圖片的sift特征點(diǎn)矩陣降到1維空間，通過(guò)比較計(jì)算待識(shí)別灰度圖片投影的點(diǎn)到兩個(gè)1維特征中心坐標(biāo)點(diǎn)的距離的大小，判斷待識(shí)別灰度圖片是否為車(chē)牌圖片。

將得到的sift特征點(diǎn)矩陣和旋轉(zhuǎn)矩陣相乘，得到一個(gè)在1維空間上的坐標(biāo)點(diǎn)，計(jì)算比較上述坐標(biāo)點(diǎn)到兩類中心特征坐標(biāo)點(diǎn)L_car和L_bg的距離的大小，離那個(gè)中心特征坐標(biāo)點(diǎn)近就判斷待識(shí)別灰度圖片為該中心特征坐標(biāo)點(diǎn)對(duì)應(yīng)的類別。當(dāng)上述坐標(biāo)點(diǎn)離L_car更近時(shí)，則認(rèn)為待識(shí)別灰度圖片為車(chē)牌圖片，而當(dāng)上述坐標(biāo)離L_bg更近時(shí)，則認(rèn)為待識(shí)別灰度圖片為非車(chē)牌圖片。

需要說(shuō)明的是，在本發(fā)明實(shí)施例中，識(shí)別和訓(xùn)練的過(guò)程中都用到了LDA和sift特征的思想。而識(shí)別和訓(xùn)練兩個(gè)過(guò)程也可以單獨(dú)地使用，即利用LDA和sift特征點(diǎn)的思想識(shí)別待識(shí)別車(chē)牌圖像和利用LDA和sift特征點(diǎn)的思想訓(xùn)練得到分類模型也屬于本發(fā)明實(shí)施例的保護(hù)范圍。

本發(fā)明實(shí)施例所提供的車(chē)牌識(shí)別的方法，首先利用LDA對(duì)大量的車(chē)牌圖片和非車(chē)牌圖片進(jìn)行訓(xùn)練，獲得分類模型，由于分類器是通過(guò)統(tǒng)計(jì)大量的相似統(tǒng)計(jì)樣本，找出在車(chē)牌圖片上和非車(chē)牌圖片上的sift特征點(diǎn)，sift特征點(diǎn)無(wú)論圖片經(jīng)過(guò)旋轉(zhuǎn)或者是尺度變化等操作都不會(huì)改變?；诖?，尋找待識(shí)別圖片上sift特征點(diǎn)，通過(guò)判斷待識(shí)別圖片上的sift特征點(diǎn)與訓(xùn)練得到的車(chē)牌圖片上對(duì)應(yīng)的特征點(diǎn)和訓(xùn)練得到的非車(chē)牌圖片上對(duì)應(yīng)的特征點(diǎn)之間的關(guān)系，繼而判斷出待識(shí)別圖片的所屬類別。利用線性判別分析和尋找sift特征點(diǎn)的思想訓(xùn)練得到分類器，根據(jù)分類器對(duì)待識(shí)別圖片上的sift特征點(diǎn)進(jìn)行識(shí)別分類，可以在不增加漏車(chē)的基礎(chǔ)上，有效地解決將類似電動(dòng)車(chē)牌牌照和自然背景錯(cuò)誤識(shí)別成車(chē)牌從而造成多識(shí)別的問(wèn)題，提高了識(shí)別準(zhǔn)確率，還解決了因多識(shí)別造成出入記錄不一致的現(xiàn)象，繼而提高停車(chē)場(chǎng)車(chē)輛管理系統(tǒng)的性能。

下面對(duì)本發(fā)明實(shí)施例提供的車(chē)牌識(shí)別的裝置進(jìn)行介紹，下文描述的車(chē)牌識(shí)別的裝置與上文描述的車(chē)牌識(shí)別的方法可相互對(duì)應(yīng)參照。

圖3為本發(fā)明實(shí)施例提供的車(chē)牌識(shí)別的裝置的結(jié)構(gòu)框圖，參照?qǐng)D3車(chē)牌識(shí)別的裝置可以包括：

獲取單元301，用于獲取待識(shí)別車(chē)牌圖像；

預(yù)處理單元302，用于對(duì)所述待識(shí)別車(chē)牌圖像進(jìn)行預(yù)處理；

提取單元303，用于提取經(jīng)過(guò)預(yù)處理的所述待識(shí)別車(chē)牌圖像中具有尺度不變特征變換的特征點(diǎn)，生成特征點(diǎn)矩陣；

調(diào)用單元304，用于調(diào)用預(yù)先訓(xùn)練得到的包括車(chē)牌類別以及非車(chē)牌類別的分類模型，所述分類模型是基于訓(xùn)練多個(gè)車(chē)牌圖像以及多個(gè)非車(chē)牌圖像的尺度不變特征變換的特征點(diǎn)而獲得的模型；

分類單元305，用于利用所述分類模型，根據(jù)所述特征點(diǎn)矩陣判斷所述待識(shí)別車(chē)牌所屬的類別。

可選地，所述調(diào)用單元包括：

獲取子單元，用于獲取第一預(yù)設(shè)數(shù)量的車(chē)牌圖像以及第二預(yù)設(shè)數(shù)量的非車(chē)牌圖像；

預(yù)處理操作子單元，分別將所述車(chē)牌圖像和所述非車(chē)牌圖像作預(yù)處理操作；

特征點(diǎn)提取子單元，用于分別提取經(jīng)過(guò)預(yù)處理的所述車(chē)牌圖像以及所述非車(chē)牌圖像上具有尺度不變特征變換的特征點(diǎn)，分別組成車(chē)牌特征點(diǎn)矩陣以及非車(chē)牌特征點(diǎn)矩陣；

旋轉(zhuǎn)矩陣計(jì)算子單元，用于利用線性判別分析對(duì)所述車(chē)牌特征點(diǎn)矩陣以及所述非車(chē)牌特征點(diǎn)矩陣進(jìn)行計(jì)算，得出用于降維的旋轉(zhuǎn)矩陣；

第一中心坐標(biāo)點(diǎn)獲取子單元，用于根據(jù)所述旋轉(zhuǎn)矩陣和所述車(chē)牌特征點(diǎn)矩陣，得出第一類中心坐標(biāo)點(diǎn)；

第二中心坐標(biāo)點(diǎn)獲取子單元，用于根據(jù)所述旋轉(zhuǎn)矩陣和所述非車(chē)牌特征點(diǎn)矩陣，得出第二類中心坐標(biāo)點(diǎn)；

其中，所述第一類中心坐標(biāo)點(diǎn)是所述車(chē)牌特征點(diǎn)矩陣降到預(yù)設(shè)維度空間上的中心坐標(biāo)點(diǎn)，所述第二類中心坐標(biāo)點(diǎn)是所述非車(chē)牌特征點(diǎn)降到所述預(yù)設(shè)維度空間上的中心坐標(biāo)點(diǎn)。

可選地，所述預(yù)處理單元包括：

灰度圖獲取子單元，用于獲取所述待識(shí)別車(chē)牌圖像的灰度圖像；

調(diào)整子單元，用于將所述灰度圖像調(diào)整為預(yù)設(shè)像素大小的圖像。

可選地，所述提取單元包括：

構(gòu)造子單元，用于構(gòu)造經(jīng)過(guò)預(yù)處理的所述待識(shí)別車(chē)牌圖像的尺度空間；

檢測(cè)子單元，用于檢測(cè)所述尺度空間內(nèi)的所有特征點(diǎn)；

去除子單元，用于去除所述特征點(diǎn)中不穩(wěn)定的特征點(diǎn)；

確定主方向子單元，用于確定剩余的所述特征點(diǎn)的主方向；

描述子生成子單元，用于生成剩余的所述特征點(diǎn)的描述子；

生成子單元，用于將已確定所述主方向和已生成所述描述子的所述特征點(diǎn)組成所述特征點(diǎn)矩陣。

可選地，所述分類單元包括：

計(jì)算子單元，用于利用所述旋轉(zhuǎn)矩陣計(jì)算出所述特征點(diǎn)矩陣降到所述預(yù)設(shè)維度空間上的坐標(biāo)點(diǎn)；

距離計(jì)算子單元，用于計(jì)算所述坐標(biāo)點(diǎn)與所述第一類中心坐標(biāo)點(diǎn)的第一距離，以及所述坐標(biāo)點(diǎn)和所述第二類中心坐標(biāo)點(diǎn)的第二距離；

比較子單元，用于比較所述第一距離和所述第二距離的大?。?/p>

確定子單元，用于當(dāng)所述第一距離小于所述第二距離時(shí)，則將所述待識(shí)別車(chē)牌圖像識(shí)別為車(chē)牌圖像，反之，則將所述待識(shí)別車(chē)牌圖像識(shí)別為非車(chē)牌圖像。

本發(fā)明實(shí)施例所提供的車(chē)牌識(shí)別的裝置，基于尺度不變特征變換的特征點(diǎn)對(duì)大量的車(chē)牌圖片樣本和非車(chē)牌圖片樣本進(jìn)行訓(xùn)練，尋找出每一類樣本中的公共特征點(diǎn)，進(jìn)而獲得分類模型，然后去尋找待識(shí)別車(chē)牌圖像上的公共尺度不變特征變換特征點(diǎn)，判斷待識(shí)別車(chē)牌圖像上的尺度不變特征點(diǎn)與車(chē)牌圖像樣本上的公共尺度不變特征變換的特征點(diǎn)相似，還是與非車(chē)牌圖像樣本上的公共尺度不變特征變換的特征點(diǎn)相似，繼而判斷出待識(shí)別車(chē)牌圖像的所屬類別，其裝置可以在不增加漏車(chē)的基礎(chǔ)上，有效地去除不是車(chē)牌的圖像繼而提高了識(shí)別的準(zhǔn)確率。

本說(shuō)明書(shū)中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其它實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同或相似部分互相參見(jiàn)即可。對(duì)于實(shí)施例公開(kāi)的裝置而言，由于其與實(shí)施例公開(kāi)的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō)明即可。

專業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開(kāi)的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來(lái)實(shí)現(xiàn)，為了清楚地說(shuō)明硬件和軟件的可互換性，在上述說(shuō)明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開(kāi)的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來(lái)實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤(pán)、可移動(dòng)磁盤(pán)、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。

以上對(duì)本發(fā)明所提供的車(chē)牌識(shí)別的方法以及裝置進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。