專利名稱：一種基于機(jī)器學(xué)習(xí)的車牌檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于機(jī)器學(xué)習(xí)的車牌檢測(cè)方法。
背景技術(shù)：
汽車牌照識(shí)別LPR(License Plate Recognition)系統(tǒng)是計(jì)算機(jī)視覺與模式識(shí)別技術(shù)在智能交通領(lǐng)域應(yīng)用的重要研究課題之一。它在道路交通監(jiān)控、被盜車輛跟蹤、停車場(chǎng)管理等方面有廣泛的應(yīng)用前景。作為智能交通系統(tǒng)的重要組成部分，車輛牌照識(shí)別系統(tǒng)可以大大提高車輛管理工 作的效率，加快交通管理自動(dòng)化、智能化的步伐。而車牌檢測(cè)是車輛牌照識(shí)別系統(tǒng)完成車輛圖像采集后對(duì)圖像處理的第一步，它的好壞直接關(guān)系到整個(gè)系統(tǒng)識(shí)別率的高低，因此，如何快速、準(zhǔn)確地檢測(cè)出車牌是汽車牌照自動(dòng)識(shí)別技術(shù)中非常關(guān)鍵的一步。目前國內(nèi)外許多學(xué)者對(duì)汽車牌照自動(dòng)識(shí)別技術(shù)進(jìn)行了大量的研究，并取得了一些成果。檢索該領(lǐng)域目前已有的文獻(xiàn)，我們發(fā)現(xiàn)現(xiàn)有車牌檢測(cè)算法沿用兩條技術(shù)路線，一條技術(shù)路線是對(duì)車牌灰度圖像進(jìn)行處理，另一條技術(shù)路線則針對(duì)車牌彩色圖像進(jìn)行處理。在現(xiàn)實(shí)中，由于車牌圖像背景復(fù)雜，車輛種類和顏色變化繁多，拍攝視角的變化，以及由于不同天氣變化而導(dǎo)致的不同光照條件等諸多因素，使得車牌快速、準(zhǔn)確檢測(cè)難度較大。此外，大型民用車輛、小型民用車輛、外交使館車輛以及軍警特殊車輛，其車牌顏色與制式均有所不同，對(duì)不同類型車輛的車牌圖像進(jìn)行灰度化處理后其外觀對(duì)比形式也有所差別，例如小型民用車輛的“藍(lán)底白字”牌照灰度化后變成“深色底淺色字”牌照，大型民用車輛的“黃底黑字”牌照灰度化后變成“淺色底深色字”牌照。因此，如何快速、準(zhǔn)確地在復(fù)雜場(chǎng)景中提取出車牌目標(biāo)是現(xiàn)有車牌識(shí)別技術(shù)中有待進(jìn)一步解決的問題。

發(fā)明內(nèi)容
為了解決快速、準(zhǔn)確地從復(fù)雜場(chǎng)景中檢測(cè)車牌的技術(shù)問題，本發(fā)明提供了一種基于機(jī)器學(xué)習(xí)的車牌檢測(cè)方法?！N基于機(jī)器學(xué)習(xí)的車牌檢測(cè)方法，包括以下步驟(I)對(duì)原始彩色圖像進(jìn)行灰度化處理，然后對(duì)處理后所得到的灰度圖像進(jìn)行中值濾波；(2)計(jì)算中值濾波后所得到的灰度圖像中除上、下、左、右邊緣像素外的每一個(gè)像素的梯度幅值，從而得到灰度圖像所對(duì)應(yīng)的梯度圖像；(3)在梯度圖像中進(jìn)行多尺度的候選區(qū)域提取，利用預(yù)先訓(xùn)練好的級(jí)聯(lián)Adaboost分類器對(duì)梯度圖像的各候選區(qū)域進(jìn)行車牌檢測(cè)，若該候選區(qū)域能檢測(cè)出車牌，則保留該候選區(qū)域；反之，則剔除該候選區(qū)域；(4)對(duì)保留的各車牌候選區(qū)域進(jìn)行二值化處理，并對(duì)所得到的各二值化圖像進(jìn)行形態(tài)學(xué)處理以標(biāo)記保留的各車牌候選區(qū)域的連通域；(5)對(duì)于保留的每一車牌候選區(qū)域，若其連通域個(gè)數(shù)大于最小連通域個(gè)數(shù)閾值MinNumber_T且小于最大連通域個(gè)數(shù)閾值MaxNumber_T,則標(biāo)記該車牌候選區(qū)域?yàn)檎鎸?shí)車牌區(qū)域；反之，則標(biāo)記為準(zhǔn)偽車牌區(qū)域。進(jìn)一步地,所述步驟(3)中的級(jí)聯(lián)Adaboost分類器通過將依據(jù)多個(gè)訓(xùn)練樣本集訓(xùn)練得到的強(qiáng)分類器級(jí)聯(lián)得到，其中依據(jù)訓(xùn)練樣本集進(jìn)行強(qiáng)分類器的訓(xùn)練按照如下方式實(shí)現(xiàn)定義訓(xùn)練樣本集(X1,Y1) (x2, y2)......(xn, yn), Ii e O, Ii = I, 2... η,初始化樣本
權(quán)重W1, i； Xi是第i個(gè)輸入訓(xùn)練樣本，Yi是第i個(gè)樣本類別標(biāo)志；當(dāng)= O,表示該樣本是負(fù)樣本即非車牌圖像，當(dāng)yi = I時(shí)，表示該樣本是正樣本即車牌圖像，η是訓(xùn)練樣本總數(shù)；(21)令迭代次數(shù)t = I(22)歸一化權(quán)重
權(quán)利要求
1.一種基于機(jī)器學(xué)習(xí)的車牌檢測(cè)方法，包括以下步驟 (1)對(duì)原始彩色圖像進(jìn)行灰度化處理，然后對(duì)處理后所得到的灰度圖像進(jìn)行中值濾波； (2)計(jì)算中值濾波后所得到的灰度圖像中除上、下、左、右邊緣像素外的每一個(gè)像素的梯度幅值，從而得到灰度圖像所對(duì)應(yīng)的梯度圖像； (3)在梯度圖像中進(jìn)行多尺度的候選區(qū)域提取，利用預(yù)先訓(xùn)練好的級(jí)聯(lián)Adaboost分類器對(duì)梯度圖像的各候選區(qū)域進(jìn)行車牌檢測(cè)，若該候選區(qū)域能檢測(cè)出車牌，則保留該候選區(qū)域；反之，則剔除該候選區(qū)域； (4)對(duì)保留的各車牌候選區(qū)域進(jìn)行二值化處理，并對(duì)所得到的各二值化圖像進(jìn)行形態(tài)學(xué)處理以標(biāo)記保留的各車牌候選區(qū)域的連通域； (5)對(duì)于保留的每一車牌候選區(qū)域，若其連通域個(gè)數(shù)大于最小連通域個(gè)數(shù)閾值MinNumber_T且小于最大連通域個(gè)數(shù)閾值MaxNumber_T,則標(biāo)記該車牌候選區(qū)域?yàn)檎鎸?shí)車牌區(qū)域；反之，則標(biāo)記為準(zhǔn)偽車牌區(qū)域。
2.根據(jù)權(quán)利要求I所述基于機(jī)器學(xué)習(xí)的車牌檢測(cè)方法，其特征在于，所述步驟(3)中的級(jí)聯(lián)Adaboost分類器通過將依據(jù)多個(gè)訓(xùn)練樣本集訓(xùn)練得到的強(qiáng)分類器級(jí)聯(lián)得到，其中依據(jù)訓(xùn)練樣本集進(jìn)行強(qiáng)分類器的訓(xùn)練按照如下方式實(shí)現(xiàn) 定義訓(xùn)練樣本集(X1, Y1) (x2, y2)......(xn, yn), Yi G 0, Ii = I, 2. . . n,初始化樣本權(quán)重Wlji5Xi是第i個(gè)輸入訓(xùn)練樣本，Yi是第i個(gè)樣本類別標(biāo)志；當(dāng)= 0，表示該樣本是負(fù)樣本即非車牌圖像，當(dāng)yi = I時(shí)，表示該樣本是正樣本即車牌圖像，n是訓(xùn)練樣本總數(shù)； (21)令迭代次數(shù)t= I (22)歸一化權(quán)重乞
3.根據(jù)權(quán)利要求I或2所述的基于機(jī)器學(xué)習(xí)的車牌檢測(cè)方法，其特征在于，還包括步驟(6):在準(zhǔn)偽車牌區(qū)域內(nèi)進(jìn)行多尺度的子區(qū)域提取，利用預(yù)先樣本訓(xùn)練好的支持向量機(jī)SVM對(duì)準(zhǔn)偽車牌區(qū)域內(nèi)的各子區(qū)域進(jìn)行車牌檢測(cè)，若同時(shí)被檢測(cè)為包含車牌的相鄰子區(qū)域數(shù)目大于預(yù)定值，則將這些檢測(cè)為包含車牌的相鄰子區(qū)域進(jìn)行合并，從而得到真實(shí)車牌區(qū)域。
4.根據(jù)權(quán)利要求3所述的一種基于機(jī)器學(xué)習(xí)的車牌檢測(cè)方法，所述步驟(6)所述的SVM選用HOG特征訓(xùn)練得到。
全文摘要
本發(fā)明公開了一種基于機(jī)器學(xué)習(xí)的車牌檢測(cè)方法，首先將原始彩色圖像轉(zhuǎn)換為梯度圖像；然后結(jié)合Adaboost快速檢測(cè)且虛警率低的特點(diǎn)，采用多尺度遍歷搜索方式對(duì)車牌目標(biāo)進(jìn)行檢測(cè)；最后將檢測(cè)結(jié)果二值化和形態(tài)學(xué)處理，根據(jù)國內(nèi)車牌字符特點(diǎn)對(duì)檢測(cè)結(jié)果進(jìn)行評(píng)判，標(biāo)記車牌區(qū)域與準(zhǔn)偽車牌區(qū)域。進(jìn)一步，還提取準(zhǔn)偽車牌區(qū)域特征，采用SVM對(duì)準(zhǔn)偽車牌區(qū)域進(jìn)行多尺度遍歷識(shí)別，最后對(duì)識(shí)別結(jié)果評(píng)判輸出。本發(fā)明采用梯度圖像表示方法，從而將車輛牌照外觀表現(xiàn)形式實(shí)現(xiàn)統(tǒng)一，利用Adaboost多尺度遍歷搜索方式，能快速、有效地從復(fù)雜場(chǎng)景中提取出不同車牌；最后結(jié)合SVM對(duì)準(zhǔn)偽車牌區(qū)域進(jìn)行識(shí)別，進(jìn)一步降低了虛警提高了檢測(cè)率；其在道路交通監(jiān)控、停車場(chǎng)管理等方面有廣泛的應(yīng)用前景。
文檔編號(hào)G06K9/66GK102968646SQ201210411259
公開日2013年3月13日 申請(qǐng)日期2012年10月25日 優(yōu)先權(quán)日2012年10月25日
發(fā)明者王潤民, 桑農(nóng), 王岳環(huán), 羅大鵬, 宋萌萌, 黨小迪, 傅慧妮, 謝曉民 申請(qǐng)人:華中科技大學(xué)