一種復(fù)雜場景中對車牌進(jìn)行定位的方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種復(fù)雜場景中對車牌進(jìn)行定位的方法和系統(tǒng)，克服目前復(fù)雜場景中車牌定位準(zhǔn)確率較低、分類器訓(xùn)練時間較長以及干擾和光照變化導(dǎo)致定位過程魯棒性不高的不足。該方法包括：利用掃描窗口提取圖像的子圖像集；通過積分圖像計算子圖像集中每個子圖像的矩形特征值；根據(jù)每個子圖像的矩形特征值，利用根據(jù)訓(xùn)練樣本獲得的級聯(lián)分類器對每個子圖像進(jìn)行過濾，獲得過濾結(jié)果；根據(jù)過濾結(jié)果獲得車牌在圖像中的位置。本申請的實(shí)施例實(shí)現(xiàn)了在復(fù)雜場景中對車牌的精確定位。
【專利說明】一種復(fù)雜場景中對車牌進(jìn)行定位的方法和系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及智能交通系統(tǒng)及自動化技術(shù)，尤其涉及一種復(fù)雜場景中對車牌進(jìn)行定位的方法和系統(tǒng)。
【背景技術(shù)】
[0002]車牌識別技術(shù)是現(xiàn)代智能交通系統(tǒng)(Intelligent Transportation System, ITS)中的重要組成部分。高效的車牌識別系統(tǒng)(License Plate Recognition,LPR)可以大幅度提高路網(wǎng)的通行能力和服務(wù)質(zhì)量。
[0003]車牌識別技術(shù)主要包括車牌區(qū)域的定位、車牌字符的分割和車牌字符的識別等三個部分。其中車牌區(qū)域的定位是為了檢測目標(biāo)圖像中是否存在車牌以及確定車牌的位置，是車牌識別技術(shù)的基礎(chǔ)，因此車牌區(qū)域是否提取得正確并且完全，是影響整個識別技術(shù)的關(guān)鍵。
[0004]常用的車牌定位方法可分為兩大類，一類是基于規(guī)則的方法，它針對車牌特征包括形狀、字符特點(diǎn)、顏色、紋理等采用圖像處理的方式，配合先驗(yàn)知識和人的分析，研究出定位車牌的規(guī)則，包括基于紋理特征的算法、基于邊緣特征結(jié)合數(shù)學(xué)形態(tài)學(xué)的算法、基于顏色特征的算法、基于視頻特性的算法、基于小波變換的算法，基于分級掃描的算法等，但由于邊緣或者紋理特征明顯的非車牌區(qū)域的干擾和光照影響等因素，單一使用這些基于規(guī)則的方法并不適合復(fù)雜場景中的車牌定位。另一類是基于機(jī)器學(xué)習(xí)的方法，它通過一個晃動窗口掃描圖像，提取窗口掃過區(qū)域的特征，然后將特征輸入到事先訓(xùn)練好的分類器中將每個掃描區(qū)域進(jìn)行分類，確定出車牌區(qū)域。應(yīng)用到車牌定位中的比較廣泛的機(jī)器學(xué)習(xí)的方法包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)以及Adaboost算法等，它們需要經(jīng)過充足的訓(xùn)練和參數(shù)調(diào)整后，才具備一定的泛化能力和正確率，因此分類器的訓(xùn)練比較費(fèi)時費(fèi)力，并且可靠性不高。
[0005]在實(shí)際的復(fù)雜場景中，單純利用少量的正負(fù)樣本結(jié)合AdaBoost這種機(jī)器學(xué)習(xí)的算法，對車牌精確定位的準(zhǔn)確率不高(一般準(zhǔn)確率在73%左右)，還不能符合國際上車牌定位的基本要求，而利用大量樣本訓(xùn)練分類器對于訓(xùn)練過程來說是一個極大的負(fù)擔(dān)，訓(xùn)練時間過長會導(dǎo)致新的問題的產(chǎn)生，而且尋找樣本的過程也費(fèi)時費(fèi)力。
[0006]因此，有必要在提高定位車牌準(zhǔn)確率的同時，減少訓(xùn)練分類器所需的正負(fù)樣本，克服邊緣或者紋理特征明顯的非車牌區(qū)域的干擾和光照變化等不利因素的影響，最終準(zhǔn)確高效地定位復(fù)雜場景中的車牌。

【發(fā)明內(nèi)容】

[0007]本發(fā)明所要解決的技術(shù)問題是克服目前復(fù)雜場景中車牌定位準(zhǔn)確率較低、分類器訓(xùn)練時間較長以及干擾和光照變化導(dǎo)致定位過程魯棒性不高的不足。
[0008]為了解決上述技術(shù)問題，本發(fā)明提供了一種復(fù)雜場景中對車牌進(jìn)行定位的方法，用于在圖像中定位出車牌的位置；該方法包括:
[0009]利用掃描窗口提取所述圖像的子圖像集；[0010]通過積分圖像計算所述子圖像集中每個子圖像的矩形特征值；
[0011]根據(jù)每個子圖像的矩形特征值，利用根據(jù)訓(xùn)練樣本獲得的級聯(lián)分類器對每個子圖像進(jìn)行過濾，獲得過濾結(jié)果；
[0012]根據(jù)所述過濾結(jié)果獲得車牌在所述圖像中的位置。
[0013]其中，根據(jù)所述訓(xùn)練樣本獲得所述級聯(lián)分類器，包括:
[0014]根據(jù)矩形特征計算所述訓(xùn)練樣本的特征值；
[0015]根據(jù)所述特征值訓(xùn)練弱分類器并形成弱分類器集；
[0016]根據(jù)所述弱分類器集構(gòu)建強(qiáng)分類器；
[0017]利用根據(jù)不同矩形特征構(gòu)建的強(qiáng)分類器獲得所述級聯(lián)分類器。
[0018]其中，根據(jù)所述過濾結(jié)果獲得車牌在所述圖像中的位置，包括:
[0019]根據(jù)所述過濾結(jié)果在所述圖像中定位出車牌所在行；
[0020]在所述車牌所在行中確定包含車牌的候選區(qū)域；
[0021]根據(jù)車牌寬高比從所述候選區(qū)域中定位出車牌的位置。
[0022]其中，在所述車牌所在行中確定包含車牌的候選區(qū)域，包括:
[0023]對所述車牌所在行進(jìn)行灰度化處理，得到灰度圖；
[0024]對所述灰度圖進(jìn)行垂直邊緣檢測，獲得垂直邊緣檢測結(jié)果；
[0025]對所述垂直邊緣檢測結(jié)果進(jìn)行二值化處理，獲得二值化結(jié)果；
[0026]對所述二值化結(jié)果進(jìn)行垂直投影，獲得所述候選區(qū)域。
[0027]本申請的實(shí)施例還提供了一種復(fù)雜場景中對車牌進(jìn)行定位的系統(tǒng)，用于在圖像中定位出車牌的位置；該系統(tǒng)包括:
[0028]提取模塊，利用掃描窗口提取所述圖像的子圖像集；
[0029]計算模塊，通過積分圖像計算所述子圖像集中每個子圖像的矩形特征值；
[0030]過濾模塊，根據(jù)每個子圖像的矩形特征值，利用根據(jù)訓(xùn)練樣本獲得的級聯(lián)分類器對每個子圖像進(jìn)行過濾，獲得過濾結(jié)果；
[0031]定位模塊，根據(jù)過濾結(jié)果獲得車牌在所述圖像中的位置。
[0032]其中，所述定位模塊包括:
[0033]第一定位單元，根據(jù)所述過濾結(jié)果在所述圖像中定位出車牌所在行；
[0034]確定單元，在所述車牌所在行中確定包含車牌的候選區(qū)域；
[0035]第二定位單元，根據(jù)車牌寬高比從所述候選區(qū)域中定位出車牌的位置。
[0036]其中，所述確定單元包括:
[0037]灰度處理子單元，對所述車牌所在行進(jìn)行灰度化處理，得到灰度圖；
[0038]檢測處理子單元，對所述灰度圖進(jìn)行垂直邊緣檢測，獲得垂直邊緣檢測結(jié)果；
[0039]二值化處理子單元，對所述垂直邊緣檢測結(jié)果進(jìn)行二值化處理，獲得二值化結(jié)果;
[0040]垂直投影子單元，對所述二值化結(jié)果進(jìn)行垂直投影，獲得所述候選區(qū)域。
[0041]與現(xiàn)有技術(shù)相比，本申請的實(shí)施例實(shí)現(xiàn)了在復(fù)雜場景中對車牌的精確定位。本申請的實(shí)施例利用AdaBoost算法訓(xùn)練的級聯(lián)分類器可以在前幾級就排除大量偽車牌的干擾，并且機(jī)器學(xué)習(xí)的方法可以從一定程度上克服光照變化的影響。定位出車牌所在行后，再利用投影法在小范圍內(nèi)精確定位出車牌的左右邊界，因此光照變化也不會在該小范圍內(nèi)產(chǎn)生巨大的影響，通過基于規(guī)則和機(jī)器學(xué)習(xí)的方法的定位實(shí)現(xiàn)了完整車牌的精確定位。
【專利附圖】

【附圖說明】
[0042]附圖用來提供對本發(fā)明技術(shù)方案的進(jìn)一步理解，并且構(gòu)成說明書的一部分，與本申請的實(shí)施例一起用于解釋本發(fā)明的技術(shù)方案，并不構(gòu)成對本發(fā)明技術(shù)方案的限制。
[0043]圖1為本申請實(shí)施例的復(fù)雜場景中對車牌進(jìn)行定位的方法的流程示意圖。
[0044]圖2為本申請實(shí)施例中獲得級聯(lián)分類器的流程示意圖。
[0045]圖3為本申請實(shí)施例述及的矩形特征示意圖。
[0046]圖4為本申請實(shí)施例述及的車牌特征描繪示意圖。
[0047]圖5 (a)和圖5 (b)為本申請實(shí)施例中利用積分圖計算車牌矩形特征值的示意圖。
[0048]圖6為本申請實(shí)施例級聯(lián)分類器篩選車牌的示意圖。
[0049]圖7為本申請實(shí)施例的復(fù)雜場景中對車牌進(jìn)行定位的系統(tǒng)的構(gòu)造示意圖。
[0050]圖8為本申請實(shí)施例中的定位模塊的構(gòu)造示意圖。
[0051]圖9為本申請實(shí)施例中的確定單元的構(gòu)造示意圖。
【具體實(shí)施方式】
[0052]以下將結(jié)合附圖及實(shí)施例來詳細(xì)說明本發(fā)明的實(shí)施方式，借此對本發(fā)明如何應(yīng)用技術(shù)手段來解決技術(shù)問題，并達(dá)成技術(shù)效果的實(shí)現(xiàn)過程能充分理解并據(jù)以實(shí)施。
[0053]本申請實(shí)施例的復(fù)雜場景中對車牌進(jìn)行定位的方法和系統(tǒng)，用于在圖像中定位出車牌的位置。本申請實(shí)施例所述的復(fù)雜場景，主要是指不同時間段和不同光照條件下實(shí)地的街道、馬路、商場、地下停車場等。
[0054]本申請的實(shí)施例可以利用復(fù)雜場景下的各種車牌圖像，包括特寫圖像以及低質(zhì)量圖像等，配合網(wǎng)上下載的一些車牌圖像進(jìn)行測試。
[0055]如圖1所示，本申請實(shí)施例的復(fù)雜場景中對車牌進(jìn)行定位的方法，主要包括如下步驟:
[0056]步驟S110，利用掃描窗口提取圖像的子圖像集。
[0057]步驟S120，通過積分圖像計算子圖像集中每個子圖像的矩形特征值。
[0058]步驟S130，根據(jù)每個子圖像的矩形特征值，利用根據(jù)訓(xùn)練樣本獲得的級聯(lián)分類器對每個子圖像進(jìn)行過 濾，獲得過濾結(jié)果。
[0059]步驟S140，根據(jù)過濾結(jié)果獲得車牌在圖像中的位置。
[0060]本申請實(shí)施例中，級聯(lián)分類器需要通過訓(xùn)練的方式來獲得。圖2示出了訓(xùn)練獲得級聯(lián)分類器的主要步驟。
[0061]步驟S210，收集少量的車牌正樣本和非車牌負(fù)樣本作為訓(xùn)練樣本(a” S1), (a2, s2),...(an, sn),其中，Si = I 為正樣本,共 p 個！Si = O 為負(fù)樣本，共 q 個；p+q=η ;每個樣本賦予一個初始化權(quán)重:
【權(quán)利要求】
1.一種復(fù)雜場景中對車牌進(jìn)行定位的方法，用于在圖像中定位出車牌的位置；其特征在于，該方法包括: 利用掃描窗口提取所述圖像的子圖像集； 通過積分圖像計算所述子圖像集中每個子圖像的矩形特征值； 根據(jù)每個子圖像的矩形特征值，利用根據(jù)訓(xùn)練樣本獲得的級聯(lián)分類器對每個子圖像進(jìn)行過濾，獲得過濾結(jié)果； 根據(jù)所述過濾結(jié)果獲得車牌在所述圖像中的位置。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述訓(xùn)練樣本獲得所述級聯(lián)分類器，包括: 根據(jù)矩形特征計算所述訓(xùn)練樣本的特征值； 根據(jù)所述特征值訓(xùn)練弱分類器并形成弱分類器集； 根據(jù)所述弱分類器集構(gòu)建強(qiáng)分類器； 利用根據(jù)不同矩形特征構(gòu)建的強(qiáng)分類器獲得所述級聯(lián)分類器。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述過濾結(jié)果獲得車牌在所述圖像中的位置，包括: 根據(jù)所述過濾結(jié)果在所述圖像中定位出車牌所在行； 在所述車牌所在行中確定包含車牌的候選區(qū)域； 根據(jù)車牌寬高比從所述候選區(qū)域中定位出車牌的位置。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，在所述車牌所在行中確定包含車牌的候選區(qū)域，包括: 對所述車牌所在行進(jìn)行灰度化處理，得到灰度圖； 對所述灰度圖進(jìn)行垂直邊緣檢測，獲得垂直邊緣檢測結(jié)果； 對所述垂直邊緣檢測結(jié)果進(jìn)行二值化處理，獲得二值化結(jié)果； 對所述二值化結(jié)果進(jìn)行垂直投影，獲得所述候選區(qū)域。
5.一種復(fù)雜場景中對車牌進(jìn)行定位的系統(tǒng)，用于在圖像中定位出車牌的位置；其特征在于，該系統(tǒng)包括: 提取模塊，利用掃描窗口提取所述圖像的子圖像集； 計算模塊，通過積分圖像計算所述子圖像集中每個子圖像的矩形特征值； 過濾模塊，根據(jù)每個子圖像的矩形特征值，利用根據(jù)訓(xùn)練樣本獲得的級聯(lián)分類器對每個子圖像進(jìn)行過濾，獲得過濾結(jié)果； 定位模塊，根據(jù)過濾結(jié)果獲得車牌在所述圖像中的位置。
6.根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，所述定位模塊包括: 第一定位單元，根據(jù)所述過濾結(jié)果在所述圖像中定位出車牌所在行； 確定單元，在所述車牌所在行中確定包含車牌的候選區(qū)域； 第二定位單元，根據(jù)車牌寬高比從所述候選區(qū)域中定位出車牌的位置。
7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述確定單元包括: 灰度處理子單元，對所述車牌所在行進(jìn)行灰度化處理，得到灰度圖； 檢測處理子單元，對所述灰度圖進(jìn)行垂直邊緣檢測，獲得垂直邊緣檢測結(jié)果； 二值化處理子單元，對所述垂直邊緣檢測結(jié)果進(jìn)行二值化處理，獲得二值化結(jié)果；垂直投影子單元，對所述二值化結(jié)果進(jìn)行垂直投影，獲得所述候選區(qū)域。
【文檔編號】G06K9/66GK103903018SQ201410132465
【公開日】2014年7月2日 申請日期:2014年4月2日 優(yōu)先權(quán)日:2014年4月2日
【發(fā)明者】熊繼平, 湯清華, 趙健 申請人:浙江師范大學(xué)