本發明涉及一種車牌識別方法。

背景技術：

現有技術中，對于車牌識別，首先面臨的問題是獲取車牌位置、提取車牌圖像，其次面臨的問題是識別出具體字樣。對于獲取車牌位置、提取車牌圖像，現有技術的辦法是在車牌的特定位置安裝可自動識別的特制螺釘，然后系統后臺在圖像中查找特制螺釘位置，從而找到車牌位置，在這種方式下，由于需要每一車輛都安裝特制螺釘，因此給交通管理部門留下了較大的權力尋租空間，社會整體成本高，不利于市場的良性發展；對于識別出具體字樣，基于當前的數據挖掘技術，如果車牌在圖像中較正，或者其展現方式較為固定的話，可以利用神經網絡算法模型直接進行自動識別，但這樣一來意味著神經網絡算法模型要可識別多種情況下的車牌字樣，計算量必然極大，過多的耗費行政資源，二來抓拍圖像的攝像頭安裝位置也要求極高，以確保車牌在圖像中較正，這意味著安裝成本高，安裝位置限制范圍較小。

技術實現要素：

為解決上述技術問題，本發明提供了一種車牌識別方法，該車牌識別方法通過以色差判斷姿態、進行車牌找正的方法，能較為準確的得到車牌圖像并識別，對單一高清抓拍圖像的整體計算量小，識別效率高，從而能極大的降低各種成本，有利于進一步自動化，進而促進市場的良性發展。

本發明通過以下技術方案得以實現。

本發明提供的一種車牌識別方法，包括如下步驟：

①定基色：獲取到輸入的圖像，對圖像中邊沿位置尋找黑白灰近似色，判斷路面基色；

②找姿態：根據連續色差將預定位置的汽車圖像提取出，根據提取出的汽車圖像，遍歷數據庫中汽車姿態框圖數據，以判斷汽車所處姿態的姿態信息，姿態信息包括X、Y、Z軸旋轉角度；

③取車牌：在汽車圖像中尋找藍色或黃色為底色的區域圖像作為車牌圖像，根據步驟②中得到的姿態信息，對車牌圖像進行旋轉還原成正視圖，并根據色差取出其中的字樣圖像；

④識別：利用神經網絡算法模型對取出的字樣圖像進行識別；

⑤輸出：輸出識別得到的結果。

所述黑白灰近似色指的是符合RGB通道三個色值中任意最大值和最小值之差不大于10的顏色。

所述步驟①中獲取的圖像為經過去除光照影響的高清抓拍圖像。

所述步驟③中對車牌圖像進行旋轉還原，具體為：(1)取出姿態信息中的旋轉角度；(2)利用三角函數，計算出車牌圖像相對于正視圖的比例；(3)對車牌圖像，逐行、逐列按照比例拉伸。

本發明的有益效果在于：通過以色差判斷姿態、進行車牌找正的方法，能較為準確的得到車牌圖像并識別，對單一高清抓拍圖像的整體計算量小，識別效率高，從而能極大的降低各種成本，有利于進一步自動化，進而促進市場的良性發展。

附圖說明

圖1是本發明的流程示意圖。

具體實施方式

下面進一步描述本發明的技術方案，但要求保護的范圍并不局限于所述。

如圖1所示的一種車牌識別方法，包括如下步驟：

①定基色：獲取到輸入的圖像，對圖像中邊沿位置尋找黑白灰近似色，判斷路面基色；

②找姿態：根據連續色差將預定位置的汽車圖像提取出，根據提取出的汽車圖像，遍歷數據庫中汽車姿態框圖數據，以判斷汽車所處姿態的姿態信息，姿態信息包括X、Y、Z軸旋轉角度；

③取車牌：在汽車圖像中尋找藍色或黃色為底色的區域圖像作為車牌圖像，根據步驟②中得到的姿態信息，對車牌圖像進行旋轉還原成正視圖，并根據色差取出其中的字樣圖像；

④識別：利用神經網絡算法模型對取出的字樣圖像進行識別；

⑤輸出：輸出識別得到的結果。

具體而言，所述黑白灰近似色指的是符合RGB通道三個色值中任意最大值和最小值之差不大于10的顏色。

進一步的，所述步驟①中獲取的圖像為經過去除光照影響的高清抓拍圖像。

所述步驟③中對車牌圖像進行旋轉還原，具體為：(1)取出姿態信息中的旋轉角度；(2)利用三角函數，計算出車牌圖像相對于正視圖的比例；(3)對車牌圖像，逐行、逐列按照比例拉伸。

由此，步驟①、②、③通過現有的圖像處理技術即可輕易實現，而基于正視圖下的字樣圖像，步驟④在實現時難度可極大的降低，算法建模只需要準備正視圖下的字樣作為學習集數據即可，實際運行時由于圖像高度規則，因此識別計算量也能極大的降低。