高 聰, 王福龍

?

基于模板匹配和局部HOG特征的車牌識(shí)別算法①

高 聰, 王福龍

(廣東工業(yè)大學(xué)應(yīng)用數(shù)學(xué)學(xué)院, 廣州 510520)

針對(duì)車牌字符識(shí)別中模板匹配法識(shí)別率低, 尤其是無(wú)法準(zhǔn)確識(shí)別相似字符的不足, 本文提出了一種模板匹配法結(jié)合局部HOG特征的車牌識(shí)別算法. 首先利用模板匹配法對(duì)車牌所有字符進(jìn)行初步識(shí)別, 然后分別提取車牌和模板相似字符中最具區(qū)分度的一小塊HOG特征進(jìn)而構(gòu)建特征向量, 最后根據(jù)特征向量之間的歐氏距離來度量車牌字符和模板字符的相似性, 進(jìn)而完成二次識(shí)別. 實(shí)驗(yàn)結(jié)果表明, 本文方法有效地解決了相似字符誤識(shí)別的問題, 在保證識(shí)別速率的同時(shí)識(shí)別率顯著提高.

車牌識(shí)別; 模板匹配; 局部HOG特征; 相似字符; 特征向量

1 引言

車牌識(shí)別系統(tǒng)在停車場(chǎng)車輛管理、監(jiān)控違章車輛、高速公路收費(fèi)管理系統(tǒng)等領(lǐng)域都有十分廣泛的應(yīng)用. 車牌識(shí)別是指利用車牌的特征從具有復(fù)雜背景的車輛圖像中提取出車牌區(qū)域,并對(duì)該車牌區(qū)域進(jìn)行字符分割, 提取每個(gè)字符的特征后再進(jìn)行識(shí)別的過程. 在一般情況下, 完整的車牌識(shí)別系統(tǒng)包括圖像采集, 車牌定位, 車牌字符分割和字符識(shí)別四個(gè)部分.

目前國(guó)內(nèi)外有很多車牌定位算法, 如: 紋理特征法[1,2]、顏色特征法[3,4]、字符特征法[5,6]、邊緣檢測(cè)法[7-9]和灰度跳變法[10]. 字符分割算法主要有: 投影法[11,12]、連通性法[13,14]和字符的先驗(yàn)知識(shí)法[15].

字符識(shí)別是車牌自動(dòng)識(shí)別技術(shù)的最后一步, 也是關(guān)鍵一步, 主要任務(wù)是對(duì)字符分割步驟的結(jié)果, 即單個(gè)字符進(jìn)行自動(dòng)識(shí)別, 根據(jù)我國(guó)車牌字符的結(jié)構(gòu)和特點(diǎn), 目前常見的車牌字符識(shí)別方法主要有模板匹配法[16-19]、神經(jīng)網(wǎng)絡(luò)法[20-22]和特征提取法[23,24]. 模板匹配法是一種經(jīng)典的模式識(shí)別方法, 是最直接的字符識(shí)別方法, 主要是通過判定測(cè)試字符與模板字符間的相似度, 將相似性最大的樣本作為輸入字符的所屬類別.為結(jié)果. 模板匹配法原理簡(jiǎn)單, 比較直觀,計(jì)算方便, 因此得到了普遍的應(yīng)用, 但不能適應(yīng)于各種字符變化、角度變化,魯棒性較差,由于忽略了大量的字符細(xì)節(jié)信息, 使得模板匹配法在識(shí)別相似字符時(shí)易出現(xiàn)誤識(shí)別. 神經(jīng)網(wǎng)絡(luò)法是先對(duì)待識(shí)別字符進(jìn)行特征提取, 然后用所獲得的特征向量來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器, 通過訓(xùn)練好的分類器將字符識(shí)別出來. 神經(jīng)網(wǎng)絡(luò)法具有較強(qiáng)的容錯(cuò)能力, 識(shí)別效率較高, 但是該方法需要大量的訓(xùn)練樣本, 訓(xùn)練樣本運(yùn)算復(fù)雜度高, 耗時(shí)長(zhǎng), 難以滿足實(shí)時(shí)性要求. 特征提取法是先提取測(cè)試字符和模板字符的統(tǒng)計(jì)特征, 再按照一定準(zhǔn)則所確定的決策函數(shù)進(jìn)行分類判決, 經(jīng)過大量的統(tǒng)計(jì)得到測(cè)試字符和模板字符的特征向量, 再通過比較測(cè)試字符與模板字符特征向量的相似性得到輸入字符的識(shí)別結(jié)果. 特征提取法可以提取顯著的特征, 對(duì)于失真的圖像具有一定的魯棒性, 但是提取特征的時(shí)候會(huì)消耗大量時(shí)間, 非穩(wěn)健的特征會(huì)降低識(shí)別率[25,26]. 本文采用模板匹配和局部HOG特征相結(jié)合的方法進(jìn)行字符識(shí)別, 首先利用模板匹配法進(jìn)行初步識(shí)別, 然后利用局部HOG特征對(duì)相似字符進(jìn)行二次識(shí)別, 實(shí)驗(yàn)表明識(shí)別率明顯提高.

2 模板匹配[18]

目前我國(guó)車牌字符識(shí)別算法中模板匹配法是運(yùn)用最為廣泛的一種, 該方法是通過判定測(cè)試字符與模板字符間的相似度, 取相似性最大的樣本為輸入模式所屬類別. 首先建立模板庫(kù), 將待識(shí)別的車牌字符進(jìn)行二值化并將其尺寸大小歸一化到模板字符的尺寸大小, 然后與所有的模板字符進(jìn)行匹配, 最后選擇最佳匹配字符作為結(jié)果. 采用重合度函數(shù)來度量匹配程度, 其公式如下:

式中:—模板二值圖像,—對(duì)應(yīng)的車牌二值圖像, 二者圖像的大小一致, 均為×,和分別為對(duì)應(yīng)二值圖像中值為1的像素個(gè)數(shù),為與運(yùn)算.

3 HOG特征及其改進(jìn)

3.1 方向梯度直方圖[27]

方向梯度直方圖(Histogram of Oriented Gradient, HOG)特征是一種圖像處理和計(jì)算機(jī)視覺中對(duì)物體進(jìn)行檢測(cè)的特征描述子. 它主要是通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的方向梯度直方圖來構(gòu)成特征. 通過將整幅圖像分割成小的連接區(qū)域(稱為cells), 稱為細(xì)胞單元, 每個(gè)cell生成一個(gè)方向梯度直方圖, 這些直方圖的組合可表示出所檢測(cè)目標(biāo)的描述子. 為了提高光照變化的適應(yīng)性, 將這些直方圖在分割下來的單個(gè)字符中的一個(gè)較大區(qū)域(block, 塊)內(nèi)進(jìn)行對(duì)比度歸一化, 具體來說就是計(jì)算每個(gè)局部直方圖在塊中的密度, 根據(jù)密度來對(duì)這個(gè)塊中的每個(gè)細(xì)胞單元進(jìn)行歸一化. 經(jīng)過歸一化后, HOG特征對(duì)光照變化和陰影可以獲得更好的適應(yīng)能力.

HOG實(shí)現(xiàn)詳細(xì)過程如下:

1) 計(jì)算圖像梯度

計(jì)算圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度, 并據(jù)此計(jì)算每個(gè)像素位置的梯度方向值. 最常用的方法是: 首先用[-1,0,1]梯度算子對(duì)原圖像做卷積運(yùn)算, 得到水平方向的梯度分量, 如公式(2)所示; 然后用[1,0,-1]T梯度算子對(duì)原圖像做卷積運(yùn)算, 得到豎直方向的梯度分量, 如公式(3)所示:

計(jì)算圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度, 并據(jù)此計(jì)算每個(gè)像素位置的梯度方向值. 最常用的方法是: 首先用[-1,0,1]梯度算子對(duì)原圖像做卷積運(yùn)算, 得到水平方向的梯度分量G(,), 如公式(2)所示; 然后用[1,0,-1]T梯度算子對(duì)原圖像做卷積運(yùn)算, 得到豎直方向的梯度分量G(,), 如公式(3)所示:

(3)

式中G(,),G(,),(,)分別表示輸入圖像中像素點(diǎn)(,)處的水平方向梯度、垂直方向梯度和像素值. 像素點(diǎn)(,)處的梯度幅值和梯度方向分別為:

(5)

2) 為每個(gè)細(xì)胞單元構(gòu)建梯度方向直方圖

我們將圖像分成若干個(gè)“細(xì)胞單元cell”, 每個(gè)cell為8*8個(gè)像素, 用9個(gè)bin的直方圖來統(tǒng)計(jì)這8*8個(gè)像素的梯度信息,也就是將cell的梯度方向360度分成9個(gè)方向塊, 梯度大小作為投影的權(quán)值. 如圖1所示: 如果這個(gè)像素的梯度方向是20-40度且梯度大小是2, 直方圖第2個(gè)bin的計(jì)數(shù)就加2, 這樣就可以得到這個(gè)cell的方向梯度直方圖, 即該cell對(duì)應(yīng)的9維特征向量.

3) 把細(xì)胞單元組合成大的塊(block), 塊內(nèi)歸一化梯度直方圖

把各個(gè)細(xì)胞單元組合成大的、空間上連通的區(qū)間(blocks), 這樣, 一個(gè)block內(nèi)所有cell的特征向量串聯(lián)起來便得到該block的HOG特征. 這些區(qū)間是互有重疊的, 這就意味著: 每一個(gè)單元格的特征會(huì)以不同的結(jié)果多次出現(xiàn)在最后的特征向量中, 我們將歸一化之后的塊描述符(向量)就稱之為HOG描述符. 根據(jù)實(shí)驗(yàn)的效果可以相應(yīng)的設(shè)置塊所包含的3個(gè)參數(shù): 每個(gè)塊中細(xì)胞單元的數(shù)目, 每個(gè)細(xì)胞單元中像素點(diǎn)的數(shù)目以及每個(gè)細(xì)胞單元的方向角數(shù)目. 歸一化公式如下:

L2-norm:(6)

式中,表示包含給定塊統(tǒng)計(jì)直方圖信息的未歸一化向量;是一個(gè)很小的常數(shù), 作用是為了避免分母為0; ||||是的階范數(shù).

(4) 收集HOG特征

最后一步就是將檢測(cè)窗口中所有塊的特征向量串聯(lián)起來得到整體的HOG特征向量, 將它們結(jié)合成最終的特征向量供分類使用.

3.2 局部HOG特征[28]

目前, HOG特征在車牌識(shí)別算法中已經(jīng)表現(xiàn)出很好的識(shí)別性能, 但經(jīng)過相關(guān)學(xué)者發(fā)現(xiàn)該算法在特征表達(dá)上存在數(shù)據(jù)冗余, 使得特征提取及分類器的訓(xùn)練計(jì)算量很大, 嚴(yán)重影響了識(shí)別速度. 為了充分利用字符圖像的特征, 減少數(shù)據(jù)冗余, 相關(guān)學(xué)者提出了一種能夠反映字符特點(diǎn)而且減少特征維數(shù)的局部HOG特征.

局部HOG特征主要思想是由于字符圖像的差別主要體現(xiàn)在圖像的四個(gè)頂角區(qū)域和中心區(qū)域, 根據(jù)字符圖像的這些特點(diǎn), 只選擇這5塊來計(jì)算其HOG特征, 從而降低計(jì)算量. 如圖2所示, 確定了5個(gè)塊來計(jì)算HOG, 分別為左上區(qū)域、右上區(qū)域、中心區(qū)域、左下區(qū)域和右下區(qū)域.

圖2 字符圖像的塊

根據(jù)實(shí)驗(yàn)的效果可以選取塊的最佳尺寸大小以及具體位置, 確定好塊之后就是計(jì)算塊的HOG特征, 這個(gè)可以參照前文方向梯度直方圖的算法流程, 不同之處就在于局部HOG只選擇了整個(gè)圖像中區(qū)分度較大的幾塊進(jìn)行計(jì)算.

4 基于模板匹配和局部HOG特征的車牌識(shí)別

前文提到的模板匹配法實(shí)際上就是將測(cè)試字符的每個(gè)像素點(diǎn)與模板字符的每個(gè)像素點(diǎn)進(jìn)行比對(duì), 通過重合度函數(shù)來計(jì)算其相似性, 取相似性最大的樣本為輸入模式所屬類別. 該方誤識(shí)別率太高, 主要是針對(duì)相似字符, 通過實(shí)驗(yàn)統(tǒng)計(jì)得到模板匹配法一般會(huì)出現(xiàn)誤識(shí)別的相似字符: Q—> 0、C—>D、O—>D、S—>8、B—>8、L—> E、F—> E 、P—>R 、粵—>閩、粵—>青、等. 例如: 當(dāng)車牌含有字符“F”時(shí), 那么利用模板匹配法就會(huì)將“F”識(shí)別成“E”, 導(dǎo)致識(shí)別出錯(cuò). 根據(jù)實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn): 如果車牌字符含有 “Q”、“C”、“0”、“S”、“B”、“L”、“F”、“粵”, 模板匹配法一般會(huì)將其誤識(shí)別成以上對(duì)應(yīng)的相似字符, 漢字“粵”的誤識(shí)別率相對(duì)較低.

圖3 模板字符“P”和“R”

如圖3所示, 我們用人眼很容區(qū)分的兩個(gè)字符“P”和“R”, 但是用模板匹配法卻無(wú)法識(shí)別開來, 最后主要的原因就是車牌字符經(jīng)過圖像采集、車牌定位、字符分割這些過程之后, 待識(shí)別字符筆畫的粗細(xì)(每一筆畫所占的白色像素點(diǎn)的行數(shù)或列數(shù))都是不同的, 但是模板字符的筆畫的粗細(xì)都是一樣的, 這樣就會(huì)導(dǎo)致雖然待識(shí)別字符和模板字符一樣, 但是根據(jù)重合度函數(shù)計(jì)算出來的相似度沒有那么高, 反而可能跟其他模板字符相似度相對(duì)較高, 最終造成誤識(shí)別.

針對(duì)此問題, 相關(guān)學(xué)者提出了一種提取字符躍變特征進(jìn)行二次識(shí)別的方法[29]. 結(jié)合躍變特征法實(shí)際上就是從左到右逐列掃描字符像素點(diǎn)時(shí), 會(huì)出現(xiàn)“黑—>白”或“白—>黑”這兩種躍變情況, 統(tǒng)計(jì)好每列的躍變次數(shù)作為字符的躍變特征, 最后將待識(shí)別字符躍變次數(shù)最相近的模板字符作為識(shí)別結(jié)果. 通過實(shí)驗(yàn)統(tǒng)計(jì)得到結(jié)合躍變特征法一般會(huì)出現(xiàn)誤識(shí)別的相似字符: S<—>8.

針對(duì)上述問題, 本文提出了一種模板匹配結(jié)合局部HOG特征的車牌識(shí)別方法, 該方法主要就是首先利用模板匹配法進(jìn)行車牌字符初步識(shí)別, 然后提取相似字符的局部HOG特征進(jìn)行車牌字符的二次識(shí)別, 達(dá)到更高的識(shí)別率. 本文識(shí)別算法的具體流程可總結(jié)為:

1) 統(tǒng)計(jì)出模板匹配法誤識(shí)別的相似字符(前文已總結(jié)), 將已經(jīng)統(tǒng)計(jì)好的相似字符分為三類: a)右下角區(qū)分字符: F—> E 、P—>R 、Q—>0 、C—>D; b)左中間區(qū)分字符: L—> E、S—>8、B—>8; c)左下角區(qū)分字符: O—>D、粵—>閩、粵—>青.

2) 根據(jù)每類相似字符的特點(diǎn), 只選擇整個(gè)字符(本文歸一化字符大小為20*40)中最具有區(qū)分度的一小塊. 如圖4所示: (a)為右下角區(qū)域、(b)左中間區(qū)域、(c)左下角區(qū)域.

(a)字符“O”和“Q”

(b) 字符“8”和“S”

(c) 漢字“粵”和“閩”

圖4 選擇整個(gè)字符中最具有區(qū)分度的部分

3) 確定好塊之后就是計(jì)算塊的HOG特征, 參照前文方向梯度直方圖的算法流程可得到塊的HOG特征向量, 最后計(jì)算車牌字符和模板字符局部HOG特征向量之間的歐氏距離, 選擇距離最小的模板字符作為識(shí)別結(jié)果.

5 實(shí)驗(yàn)結(jié)果及分析

本文使用Visual Studio 2012進(jìn)行編程實(shí)現(xiàn), 計(jì)算機(jī)系統(tǒng)是Windows 7 [Intel(R) Core(TM) i5-4590 CPU 3.30GHZ, 8G內(nèi)存].

本文中如圖4所示塊的起始位置和大小的選取至關(guān)重要, 若沒選好, 根本達(dá)不到正確識(shí)別相似字符(本文歸一化字符大小為20*40)的效果, 通過實(shí)驗(yàn)效果得到最佳塊的起始位置和大小的參數(shù), 如表1.

表1 塊的起始位置和大小設(shè)置

通過大量實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)得到本文算法識(shí)別率和時(shí)間對(duì)比情況如表2和表3, 部分車牌實(shí)驗(yàn)效果對(duì)比情況如表4. 由表2我們可以看出在模板匹配的基礎(chǔ)之上結(jié)合躍變特征和結(jié)合局部HOG特征算法識(shí)別率遠(yuǎn)遠(yuǎn)超過了單一的模板匹配法, 而且結(jié)合局部HOG特征法明顯優(yōu)于結(jié)合躍變特征法. 其原因主要有三個(gè):

其一, 結(jié)合躍變特征法無(wú)法真正區(qū)分相似字符8和S. 如圖5所示, 模板字符“8”和“S”左側(cè)、中間、右側(cè)的躍變次數(shù)幾乎都為4, 不同之處就在于第5列和第15列(大概黃線位置)左右處的躍變次數(shù)由于字符的筆畫粗細(xì)不均勻等因素而無(wú)法真正的確定, 然而車牌字符“8”和“S”經(jīng)過前期的車牌定位和字符分割環(huán)節(jié)之后, 統(tǒng)計(jì)得到的第5列和第15列(大概黃線位置)左右處的躍變次數(shù)就不一定可以跟模板字符的躍變次數(shù)完全正確匹配, 最終導(dǎo)致字符“8”和“S”識(shí)別的隨機(jī)性.

圖5 模板字符“8”和“S”

其二, 結(jié)合躍變特征法抗字符分割影響能力相對(duì)較差. 如圖6所示, (c), (d)和(e)是部分歸一化后車牌字符,由于受字符分割影響, (c)和(d)與模板字符(a)最大的區(qū)別就在于字符(c)和(d)最下邊沒有和邊界貼緊, 這樣就會(huì)導(dǎo)致字符(c)和(d)躍變次數(shù)都會(huì)加1, 躍變次數(shù)幾乎全部出錯(cuò), 無(wú)法跟模板(a)匹配成功; 但由于模板字符“E”中間的一橫要比“F”短一點(diǎn), 在第17列(大概黃線位置)左右處(c)和(d)的躍變次數(shù)跟(b)是一樣的, 都是3, 所以會(huì)出現(xiàn)(c)、(d)跟(b)有相對(duì)較高的相似度, 導(dǎo)致誤識(shí)別; 同理可以分析(e)的情況. 通過實(shí)驗(yàn)得知, (c)和(d)誤識(shí)別成了(b), (e)誤識(shí)別成了(a)(即E—>F、F—>E).

(a)???(b)???(c)???(d)???(e)

其三, 結(jié)合躍變特征法抗光照影響能力相對(duì)較差. 如圖7所示, 車牌字符(b)是車牌(a)的最后一個(gè)字符“0”, 經(jīng)二值化、字符分割以及歸一化后得到字符(c), 由于受光照影響, 車牌字符(c)與模板字符“0”最明顯的區(qū)別就是右下角區(qū)域車牌字符(c)多了一條白色弧線, 這樣會(huì)導(dǎo)致(c)右半邊的躍變次數(shù)都加2, 無(wú)法跟模板字符“0”的躍變次數(shù)成功匹配; 但是模板字符“Q”右半邊的躍變次數(shù)有些和(c)是一樣的, 這樣會(huì)出現(xiàn)(c)和“Q”的相似度較高, 導(dǎo)致誤識(shí)別(即0—>Q); 同理可以分析車牌(a)其他字符的情況, 車牌(a)的其他字符識(shí)別效果對(duì)比情況如表4所示.

針對(duì)上述結(jié)合躍變特征法的不足, 本文提出結(jié)合局部HOG特征法. 其一, 如圖4(b)所示, 可以看出字符“8”和“S”左中間區(qū)域明顯不同, 統(tǒng)計(jì)出來的方向梯

度直方圖有明顯的區(qū)分度; 其二, 如圖6(c)、(d)和圖7(c)所示, 雖然車牌字符受到了字符分割和光照的影響, 造成統(tǒng)計(jì)時(shí)出現(xiàn)某些方向和梯度的變化, 會(huì)增加匹配的誤差, 但是字符“E”和“F”、“0”和“Q”右下角區(qū)域的方向和梯度非常顯著, 不會(huì)影響整體方向梯度直方圖的相似性度量, 最終可以正確識(shí)別.

(a)車牌圖像

(b)字符“0”

(c)歸一化

(d)模板字符“0”和“Q”

圖7 抗光照影響能力分析

由表3可看出都屬于二次識(shí)別方法的結(jié)合躍變特征和局部HOG特征相對(duì)模板匹配較慢一點(diǎn)點(diǎn), 實(shí)際上三種方法時(shí)間都差不多, 相差1ms左右; 由實(shí)驗(yàn)數(shù)據(jù)可知, 算法時(shí)間會(huì)隨著圖像像素點(diǎn)個(gè)數(shù)的增多而增加, 主要原因是由于車牌定位和字符分割環(huán)節(jié)要多次掃描圖像像素點(diǎn)來進(jìn)行定位和分割, 本文大部分輸入的圖片大小是900*505, 算法時(shí)間約23ms.

表2 算法識(shí)別率對(duì)比情況

表3 算法時(shí)間對(duì)比情況(ms)

表4 部分車牌實(shí)驗(yàn)效果對(duì)比情況

6 結(jié)論

本文從車牌字符的結(jié)構(gòu)特點(diǎn)出發(fā), 針對(duì)模板匹配法無(wú)法準(zhǔn)確識(shí)別相似字符的不足, 提出了模板匹配法結(jié)合局部HOG特征的車牌識(shí)別算法. 對(duì)比模板匹配結(jié)合躍變特征法, 本文方法具有明顯的優(yōu)越性, 可以有效的降低相似字符誤識(shí)別率, 而且抗光照和字符分割影響等干擾的能力較強(qiáng), 在保證車牌識(shí)別速率的同時(shí)識(shí)別率得到了進(jìn)一步的提高.

1 Zunino R, Rovetta S. Vector quantization for license-plate location and image coding. IEEE Trans. Ind. Electron. 2000, 47(1): 159–167.

2 Xu HK, Yu FH, Jiao JH, Song HS. A new approach of the vehicle license plate location. Proc. Int. Conf. Parall. Distr. Comput. Applicat. Tech. 2005. 1055–1057.

3 Shi X, Zhao W, Shen Y. Automatic license plate recognition system based on color image processing. Lecture Notes Comput. Sci., 2005, 3483: 1159–1168.

4 Lee ER, Kim PK, Kim HJ. Automatic recognition of a car license plate using color image processing. Proc. IEEE Int. Conf. Image Process. 1994, 2. 301–305.

5 Draghici S. A neural network based artificial vision system for license plate recognition. Int. J. Neural Syst., 1997, 8(1): 113–126.

6 Matas J, Zimmermann K. Unconstrained license plate and text localization and recognition. Proc. IEEE Conf. Intell. Transp. Syst. 2005. 572–577.

7 Kamat V, Ganesan S. An ef?cient implementation of the Hough transform for detecting vehicle license plates using DSPs. Proc. Real-Time Tech. Applicat. Symp. 1995. 58–59.

8 Bai H, Liu C. A hybrid license plate extraction method based on edge statistics and morphology. Proc. Int. Conf. Pattern Recognit. 2004, 2. 831–834.

9 Wang S, Lee H. Detection and recognition of license plate characters with different appearances. Proc. Int. Conf. Intell. Transp. Syst. 2003, 2. 979–984.

10 付煒,趙正則,王大江.基于水平灰度跳邊和垂直投影的車牌定位方法.電子測(cè)量技術(shù),2008,31(3):61–65.

11 遲曉君,孟慶春.基于投影特征值的車牌字符分割算法.計(jì)算機(jī)應(yīng)用研究,2006,23(7):256–257.

12 吳大勇,魏平,侯朝楨,劉永信.一種車牌圖像中的字符快速分割與識(shí)別方法.計(jì)算機(jī)工程與應(yīng)用,2002,38(3):232–233.

13 Rahman A, Radmanesh A. A real time vehicles license plate recognition. Proc. of the IEEE on Advanced Video and Signal Based Surveillance, AVSS. 2003. 131–36.

14 徐正光,等.基于遞歸的二值圖像連通域像素標(biāo)記算法.計(jì)算機(jī)工程,2006,32(24):186–188.

15 Gao Q, Wang X, Xie G. License plate recognition based on prior knowledge. Proc. IEEE Int. Conf. Automat. Logistics. Aug. 2007. 2964–2968.

16 Comelli P, Ferragina P, Granieri MN, Stabile F. Optical recognition of motor vehicle license plates. IEEE Trans. Veh. Tech., 1995, 44(4): 790–799.

17 Lu X, Ling X, Huang W. Vehicle license plate character recognition. Proc. Int. Conf. Neur. Netw. Signal Process. 2003, 2. 1066–1069.

18 陳瑋,曹志廣,李劍平.改進(jìn)的模板匹配方法在車牌識(shí)別中的應(yīng)用.計(jì)算機(jī)工程與設(shè)計(jì),2013,34(5):1808–1811.

19 鄒星.一種基于模板庫(kù)的車牌字符識(shí)別算法.計(jì)算機(jī)技術(shù)與發(fā)展,2010,(4):128–131.

20 張燕,任安虎.多特征與BP神經(jīng)網(wǎng)絡(luò)車牌識(shí)別系統(tǒng)研究.科學(xué)技術(shù)與工程,2012,12(22):5645–5648.

21 湯茂斌,謝渝平,李就好.基于神經(jīng)網(wǎng)絡(luò)算法的字符識(shí)別方法研究.微電子學(xué)與計(jì)算機(jī),2009,26(8):91–97．

22 Chen N, Xing L. Research of license plate recognition based on improved BP neural network. Computer Application and System Modeling, 2010, (11): 482–485．

23 Juntanasub R, Sureerattanan N. A simple OCR method from strong perspective view. Proc. Appl. Imagery Pattern Recognit. Workshop. 2004. 235–240.

24 羅輝武,唐遠(yuǎn)炎,王翊,藍(lán)利君.基于結(jié)構(gòu)特征和灰度特征的車牌字符識(shí)別方法.計(jì)算機(jī)科學(xué),2011,38(11):267–270, 302．

25 Du S, Ibrahim M, Shehata M, Badawy Wael. Automatic license plate recognition(ALPR): A state-of-the-art review. IEEE Trans. on Circuits and Systems for Video Technology, 2013, 23(2): 311–325.

26 方興林.基于字符筆畫斜率特征的車牌識(shí)別算法研究.重慶工商大學(xué)學(xué)報(bào):自然科學(xué)版,2014,(9):72–76.

27 殷羽,鄭宏,高婷婷,劉操.基于聯(lián)合HOG特征的車牌識(shí)別算法.計(jì)算機(jī)工程與設(shè)計(jì),2015,36(2):476–481.

28 龔永罡.基于局部HOG特征的稀疏表達(dá)車牌識(shí)別算法.計(jì)算機(jī)仿真,2011,28(4):367–370.

29 王鋒,王福龍.基于躍變特征的車牌字符識(shí)別.計(jì)算應(yīng)用研究,2015,32(12):398–400.

Algorithm of License Plate Recognition Based on Template Matching and Local HOG Feature

GAO Cong, WANG Fu-Long

(School of Applied Mathematics, Guangdong University of Technology, Guangzhou 510520, China)

In order to solve the low recognition rate of template matching method in license plate character recognition, especially the similar characters, this paper proposes a method of license plate recognition based on template matching combined with local HOG features. First, we use the template matching method for preliminary identification of all the characters of a license plate. Second, the HOG features corresponding to the most discriminative characters among the similar characters of the plate and the template are extracted, and then the feature vector is constructed. Last, according to the Euclidean distance among feature vectors to measure the similarity of the license plate character and the template character, and then complete the second recognition. The experimental results show that this method is effective to solve the problem of false recognition of similar character and the recognition rate is significantly improved.

license plate recognition; template matching; local HOG feature; similar characters; feature vector

廣東省自然科學(xué)基金(S2011040004273)

2016-04-12;收到修改稿時(shí)間:2016-05-12

[10.15888/j.cnki.csa.005507]