基于字符局部相似度误差过滤技术的车牌识别方案 - 安防知识网

车牌识别系统是智能交通的重要组成部分，它采用先进的图像处理、模式识别和人工智能技术，通过对图像数据的采集和分析，获取有用的车牌信息，从而达到高智能化交通管理...

　　车牌识别系统是智能交通的重要组成部分，它采用先进的图像处理、模式识别和人工智能技术，通过对图像数据的采集和分析，获取有用的车牌信息，从而达到高智能化交通管理。

　　神经网络技术作为人工智能的主要技术之一，在车牌识别领域已得到了很好的应用，但这种应用一般只局限于字符识别领域的通用化方案，而在面对众多人为或非人为因素造成的车牌污损、部分遮挡等情况，如仍采用通用化的识别方案常常会显得力不从心。

　　对污损车牌识别，人们曾做过不少尝试。譬如，基于点阵的思路，但其也存在局限性，并且对误差的剔除不够彻底;而神经网络方法虽有一定成效，但对人为的污损和遮挡，因其采用“模糊性”识别而很容易被“蒙骗”，比如：字符“T”被贴住右上部后会被误识别为“7”。另外，基于核算法的识别技术，原理上是可以解决不同情况下车牌识别的结果分离问题，但由于车牌污损情况的多样性、人为性和随机性，要找到合适的核函数将非常困难。

图1-1 污损的字符图1-2 标准字符

　　本文将介绍参考人类识别污损车牌的推理逻辑，提出了一个全新的进行局部相似度误差过滤的方案，以便能较好地解决字符信息不完整的识别问题。

　　局部相似度误差过滤的原理及其运算

　　局部相似度误差过滤是基于人类对部分信息缺失的字符识别的推理逻辑和对于实验数据中的粗大误差处理的思想相融合而来的。人们在识别字符信息的时候，即便是遮挡了大部分经常也可以根据表现出来的局部特征进行推理而得到正确的答案，其基于的逻辑就是“具备此显而易见特征的可能是什么字符”，其本质上是在局部相似度判断上属于模板匹配中的判定未知模式与哪个参考模式是最佳匹配的问题,算法上采用了由神经网络完成模式匹配，在整个字符的识别上属于聚类方法中的混合值向量的相似性问题，即基于区域识别的相似性计算结果。

　　局部相似度

　　在运算上，相似度的问题可以先用神经网络对识别的局部进行识别，然后用识别结果对应的标准模板与待识别样本再进行一次距离计算(这里采用欧氏距离)，参见下面算式(式1)：

　　(式1)

　　不同的字符应采取不同的局部分类方式，如数字“1”可以仅仅采用左、中、右三部分，只要中部(图1-1中2、5、8区域)有良好的相似度就可以确定为“1”。

　　但为提高准确度，比较复杂的字符，比如数字“9”，就需要上、中、下与左、中、右共6部分(允许区域划分上重叠)。对于特别复杂的，比如汉字“豫”，就需要用如图1-1中1〜9九个区域单独进行计算。对于区域划分重叠了的，其误差(污损)的影响也将是多次的，因此在去除粗大误差环节也允许多次去除。[nextpage]

　　误差滤除和结果判定

　　按聚类方法中的混合值向量的相似性问题的方法，每个区域的结果经规格化处理后作为待识别字符的一维(区间尺度0〜1)，所有区域的值序列构成了待识别字符的值向量x i，参考模式的值向量x j为各元素都为1的向量，按混合值向量的相似性函数的定义，如下函数式(式2)：

　　(式2)

　　式2中sq(x i , x j)是x i和x j的第q个坐标的相似度，且wq是对应于第q个坐标的加权系数，这里的wq=1, 且(如式3)：

　　(式3)

　　sq接近0的认为其为严重不符合区域或者污损区域，为了剔除污损区域对相似性计算的影响，允许人为地将sq最小的一到两个坐标点的wq置为0，即该点不参与总体相似性的计算，以此滤除粗大误差。

　　实际工程应用中，这部分的判断可用二值化的结果来进行，也就是对应某一区域的相似性，仅仅根据式2-1的结果分为“相似”与“不相似”，因为在序列判定阶段，并不关注各个区域的相似性的大小，而是关注各个区域相似性序列的总体符合程度。

　　局部相似度误差过滤的优缺点及工程应用方法

　　从以上介绍可看出，该方法在原理上属于模板匹配，但同时也引入了神经网络识别技术和聚类分析中的理论，以及实验误差分析领域的粗大误差处理的方法。神经网络的引入目的是快速确定某一个区域的特征的大概符合性，减少逐个模板比对的时间;聚类中混合值向量相似性分析的引入是为了便于对区域相似性序列进行总体相似性计算;粗大误差的引入是为了消除污损区域对结果的影响(对污损区域，神经网络的计算往往是错误的结果)。

　　和其他模板匹配方法一样，本方法也同样存在一定缺陷，其计算量较大，特别是在实时视频流的快速单帧识别的时候，识别速度将是关键因素。为此，工程上必须进行特殊的处理才能满足实际的需要，除了前述的相似度的二值化处理外，考虑到大多数车牌都是非污损的车牌，工程上只有在正常识别得不到满意的结果，即相似度达不到标准时，才进行更进一步的局部相似度误差过滤处理，并且在此处理过程中，根据实际计算的硬件环境，往往可以采取牺牲后续帧的方式来进行识别(因为工程应用中，相邻帧间变化并不大)。

　　具体到停车场和高速公路收费的应用中，往往是对车辆压地感监测线圈的瞬间抓拍的照片进行识别，一般会对每个车辆抓拍1〜2张图片，这样一来，识别时间就比较充裕，以目前计算机的运算能力，可以保证在允许的时间段内完成足够复杂的识别算法。

　　应用前景展望

　　该技术除了在车牌识别领域可以很好地使用外，其思想还可以延伸到车型识别，甚至车辆无人驾驶领域的动态物体识别和目标锁定上。此外，在其他传感器的信息配合下，还可以组建多传感器的综合识别和目标跟踪、锁定和控制系统。但对于这些复杂的应用，由于计算节点的增多和实时性的要求，必然需要分布式的跨系统的综合性的解决方案。