本發(fā)明涉及智能交通領(lǐng)域，特別涉及一種車牌檢測(cè)方法及裝置。

背景技術(shù)：

隨著智能交通技術(shù)的發(fā)展，車牌檢測(cè)技術(shù)的應(yīng)用已從原有的收費(fèi)站、治安卡口等背景變化不大的場(chǎng)景擴(kuò)展到了電子警察、出入口等普通監(jiān)控場(chǎng)景。然而，在這些場(chǎng)景中獲得的交通監(jiān)測(cè)圖片的背景千變?nèi)f化，圖片中車牌區(qū)域附近有復(fù)雜的紋理和噪聲，并且當(dāng)圖片中的非車牌區(qū)域有跟車牌區(qū)域非常相似的紋理(比如車窗、車燈、散熱格柵、樹葉、草叢、柵欄、路面標(biāo)志)時(shí)，會(huì)極大地增加確定車牌區(qū)域的錯(cuò)誤率，同時(shí)帶來真實(shí)車牌區(qū)域包含部分背景和真實(shí)車牌區(qū)域的邊界精準(zhǔn)度下降的問題，進(jìn)而易造成車牌檢測(cè)結(jié)果錯(cuò)誤，車牌檢測(cè)正確率低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例公開了一種車牌檢測(cè)方法及裝置，以提高車牌檢測(cè)的正確率。

為達(dá)到上述目的，本發(fā)明實(shí)施例公開了一種車牌檢測(cè)方法，所述方法包括步驟：

根據(jù)待檢測(cè)圖片中像素點(diǎn)的像素值，獲得所述待檢測(cè)圖片的車牌候選區(qū)域m1；

計(jì)算所述車牌候選區(qū)域m1的寬高比值，并判斷所述寬高比值是否大于第一預(yù)設(shè)閾值；

若為是，則根據(jù)預(yù)設(shè)的基于機(jī)器學(xué)習(xí)的回歸算法，從所述車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，其中，所述車牌候選區(qū)域m2為寬高比值不大于第一預(yù)設(shè)閾值的區(qū)域；

按照第一預(yù)設(shè)分類模型，判斷所述車牌候選區(qū)域m2是否為車牌區(qū)域，其中，所述第一預(yù)設(shè)分類模型，為通過機(jī)器學(xué)習(xí)算法對(duì)樣本車牌區(qū)域進(jìn)行學(xué)習(xí)獲得的分類模型；

若為是，則確定所述車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)所述車牌候選區(qū)域m2，生成檢測(cè)結(jié)果。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述根據(jù)待檢測(cè)圖片中像素點(diǎn)的像素值，獲得所述待檢測(cè)圖片的車牌候選區(qū)域m1，包括：

按照預(yù)設(shè)的掃描順序，獲得所述待檢測(cè)圖片的各個(gè)像素行的有效像素段，其中，所述有效像素段為：根據(jù)像素行中灰度跳變值大于第二預(yù)設(shè)閾值的像素點(diǎn)確定的像素段；

根據(jù)各個(gè)有效像素段兩端像素點(diǎn)的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點(diǎn)的像素值，計(jì)算垂直相鄰的有效像素段的邊界相似程度；

對(duì)邊界相似程度大于第三預(yù)設(shè)閾值的相鄰有效像素段進(jìn)行合并處理；

根據(jù)合并處理后的有效像素段，獲得所述待檢測(cè)圖片的車牌候選區(qū)域m1。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述按照預(yù)設(shè)的掃描順序，獲得所述待檢測(cè)圖片的各個(gè)像素行的有效像素段，包括：

按照預(yù)設(shè)的掃描順序，通過以下步驟獲得所述待檢測(cè)圖片的每一像素行的有效像素段：

計(jì)算像素行x中每一像素點(diǎn)的灰度跳變值，其中，所述像素行x為所述待檢測(cè)圖片中的任一像素行；

選擇灰度跳變值大于第二預(yù)設(shè)閾值的像素點(diǎn)；

根據(jù)所選擇的像素點(diǎn)中水平坐標(biāo)最大和最小的像素點(diǎn)，獲得所述像素行x上的候選像素段；

判斷所述候選像素段內(nèi)各個(gè)像素點(diǎn)的灰度跳變值是否與預(yù)設(shè)的灰度跳變規(guī)則相匹配；

若為是，則確定所述候選像素段為有效像素段。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述根據(jù)合并處理后的有效像素段，獲得所述待檢測(cè)圖片的車牌候選區(qū)域m1，包括：

確定合并處理后的有效像素段中的疑似字符串區(qū)域；

根據(jù)所述疑似字符串區(qū)域中像素點(diǎn)的像素值，獲得字符串顏色信息，并根據(jù)合并處理后的有效像素段中非所述疑似字符串區(qū)域中像素點(diǎn)的像素值，獲得背景顏色信息；

根據(jù)所述字符串顏色信息和所述背景顏色信息，確定車牌候選區(qū)域的邊界；

根據(jù)所確定的邊界獲得車牌候選區(qū)域m1。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述根據(jù)預(yù)設(shè)的基于機(jī)器學(xué)習(xí)的回歸算法，從所述車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，包括：

確定所述車牌候選區(qū)域m1中疑似字符串的位置；

按照預(yù)設(shè)的基于機(jī)器學(xué)習(xí)的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界；

根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述第一預(yù)設(shè)分類模型通過以下方式獲得：

獲得邊界精確度大于預(yù)設(shè)精確度閾值的樣本車牌區(qū)域和/或?qū)捀弑戎敌∮谒龅谝活A(yù)設(shè)閾值的樣本車牌區(qū)域，并將所獲得的樣本車牌區(qū)域作為正樣本；

根據(jù)預(yù)設(shè)的機(jī)器學(xué)習(xí)算法和所述正樣本，獲得所述第一預(yù)設(shè)分類模型。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，在所述根據(jù)預(yù)設(shè)的機(jī)器學(xué)習(xí)算法和所述正樣本，獲得所述第一預(yù)設(shè)分類模型之前，還包括：

獲得為非車牌區(qū)域的樣本區(qū)域；

按照所獲得的樣本區(qū)域的內(nèi)容，對(duì)所獲得的樣本區(qū)域進(jìn)行分類，得到多個(gè)類別的負(fù)樣本；

根據(jù)預(yù)設(shè)的機(jī)器學(xué)習(xí)算法和所述正樣本，獲得所述第一預(yù)設(shè)分類模型，包括：

根據(jù)預(yù)設(shè)的機(jī)器學(xué)習(xí)算法、所述正樣本和所述多個(gè)類別的負(fù)樣本，獲得所述第一預(yù)設(shè)分類模型。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述方法還包括：

在判斷得到所述車牌候選區(qū)域m2不是車牌區(qū)域的情況下，判斷所述車牌候選區(qū)域m2的亮度是否在預(yù)設(shè)的亮度范圍內(nèi)；

若為否，則對(duì)所述車牌候選區(qū)域m2進(jìn)行灰度均衡化處理；

按照第二預(yù)設(shè)分類模型，判斷灰度均衡化處理后的所述車牌候選區(qū)域m2是否為車牌區(qū)域，其中，所述第二預(yù)設(shè)分類模型，為通過機(jī)器學(xué)習(xí)算法對(duì)經(jīng)灰度均衡化處理后的樣本車牌區(qū)域進(jìn)行學(xué)習(xí)獲得的分類模型；

若是車牌區(qū)域，則執(zhí)行所述確定所述車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)所述車牌候選區(qū)域m2，生成檢測(cè)結(jié)果的步驟。

為達(dá)到上述目的，本發(fā)明實(shí)施例還公開了一種車牌檢測(cè)裝置，所述裝置包括：候選區(qū)域獲得模塊、寬高比值判斷模塊、候選區(qū)域確定模塊、第一車牌區(qū)域判斷模塊和檢測(cè)結(jié)果生成模塊；

其中，所述候選區(qū)域獲得模塊，用于根據(jù)待檢測(cè)圖片中像素點(diǎn)的像素值，獲得所述待檢測(cè)圖片的車牌候選區(qū)域m1；

所述寬高比值判斷模塊，用于計(jì)算所述車牌候選區(qū)域m1的寬高比值，并判斷所述寬高比值是否大于第一預(yù)設(shè)閾值，若為是，則觸發(fā)所述候選區(qū)域確定模塊；

所述候選區(qū)域確定模塊，用于根據(jù)預(yù)設(shè)的基于機(jī)器學(xué)習(xí)的回歸算法，從所述車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，其中，所述車牌候選區(qū)域m2為寬高比值不大于第一預(yù)設(shè)閾值的區(qū)域；

所述第一車牌區(qū)域判斷模塊，用于按照第一預(yù)設(shè)分類模型，判斷所述車牌候選區(qū)域m2是否為車牌區(qū)域，其中，所述第一預(yù)設(shè)分類模型，為通過機(jī)器學(xué)習(xí)算法對(duì)樣本車牌區(qū)域進(jìn)行學(xué)習(xí)獲得的分類模型，若為是，則觸發(fā)所述檢測(cè)結(jié)果生成模塊；

所述檢測(cè)結(jié)果生成模塊，用于確定所述車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)所述車牌候選區(qū)域m2，生成檢測(cè)結(jié)果。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述候選區(qū)域獲得模塊，包括：有效像素段獲得子模塊、相似程度計(jì)算子模塊、像素段合并子模塊和候選區(qū)域獲得子模塊；

其中，所述有效像素段獲得子模塊，用于按照預(yù)設(shè)的掃描順序，獲得所述待檢測(cè)圖片的各個(gè)像素行的有效像素段，其中，所述有效像素段為：根據(jù)像素行中灰度跳變值大于第二預(yù)設(shè)閾值的像素點(diǎn)確定的像素段；

所述相似程度計(jì)算子模塊，用于根據(jù)各個(gè)有效像素段兩端像素點(diǎn)的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點(diǎn)的像素值，計(jì)算垂直相鄰的有效像素段的邊界相似程度；

所述像素段合并子模塊，用于對(duì)邊界相似程度大于第三預(yù)設(shè)閾值的相鄰有效像素段進(jìn)行合并處理；

所述候選區(qū)域獲得子模塊，用于根據(jù)合并處理后的有效像素段，獲得所述待檢測(cè)圖片的車牌候選區(qū)域m1。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述有效像素段獲得子模塊，具體用于：

按照預(yù)設(shè)的掃描順序，獲得所述待檢測(cè)圖片的每一像素行的有效像素段；

所述有效像素段獲得子模塊，包括：灰度跳變值計(jì)算單元、像素點(diǎn)選擇單元、候選像素段獲得單元、灰度跳變判斷單元和有效像素段確定單元；

其中，所述灰度跳變值計(jì)算單元，用于計(jì)算像素行x中每一像素點(diǎn)的灰度跳變值，其中，所述像素行x為所述待檢測(cè)圖片中的任一像素行；

所述像素點(diǎn)選擇單元，用于選擇灰度跳變值大于第二預(yù)設(shè)閾值的像素點(diǎn)；

所述候選像素段獲得單元，用于根據(jù)所選擇的像素點(diǎn)中水平坐標(biāo)最大和最小的像素點(diǎn)，獲得所述像素行x上的候選像素段；

所述灰度跳變判斷單元，用于判斷所述候選像素段內(nèi)各個(gè)像素點(diǎn)的灰度跳變值是否與預(yù)設(shè)的灰度跳變規(guī)則相匹配，若為是，則觸發(fā)所述有效像素段確定單元；

所述有效像素段確定單元，用于確定所述候選像素段為有效像素段。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述候選區(qū)域獲得子模塊，包括：疑似字符串區(qū)域確定單元、顏色信息獲得單元、邊界確定單元和候選區(qū)域獲得單元；

其中，所述疑似字符串區(qū)域確定單元，用于確定合并處理后的有效像素段中的疑似字符串區(qū)域；

所述顏色信息獲得單元，用于根據(jù)所述疑似字符串區(qū)域中像素點(diǎn)的像素值，獲得字符串顏色信息，并根據(jù)合并處理后的有效像素段中非所述疑似字符串區(qū)域中像素點(diǎn)的像素值，獲得背景顏色信息；

所述邊界確定單元，用于根據(jù)所述字符串顏色信息和所述背景顏色信息，確定車牌候選區(qū)域的邊界；

所述候選區(qū)域獲得單元，用于根據(jù)所確定的邊界獲得車牌候選區(qū)域m1。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述候選區(qū)域確定模塊，包括：位置確定子模塊、邊界確定子模塊和候選區(qū)域確定子模塊；

其中，所述位置確定子模塊，用于確定所述車牌候選區(qū)域m1中疑似字符串的位置；

所述邊界確定子模塊，用于按照預(yù)設(shè)的基于機(jī)器學(xué)習(xí)的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界；

所述候選區(qū)域確定子模塊，用于根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述裝置還包括：第一樣本區(qū)域獲得模塊和分類模型獲得模塊；

其中，所述第一樣本區(qū)域獲得模塊，用于獲得邊界精確度大于預(yù)設(shè)精確度閾值的樣本車牌區(qū)域和/或?qū)捀弑戎敌∮谒龅谝活A(yù)設(shè)閾值的樣本車牌區(qū)域，并將所獲得的樣本車牌區(qū)域作為正樣本；

所述分類模型獲得模塊，用于根據(jù)預(yù)設(shè)的機(jī)器學(xué)習(xí)算法和所述正樣本，獲得所述第一預(yù)設(shè)分類模型。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述裝置還包括：第二樣本區(qū)域獲得模塊和樣本區(qū)域分類模塊；

其中，所述第二樣本區(qū)域獲得模塊，用于獲得為非車牌區(qū)域的樣本區(qū)域；

所述樣本區(qū)域分類模塊，用于按照所獲得的樣本區(qū)域的內(nèi)容，對(duì)所獲得的樣本區(qū)域進(jìn)行分類，得到多個(gè)類別的負(fù)樣本；

分類模型獲得模塊，具體用于：

根據(jù)預(yù)設(shè)的機(jī)器學(xué)習(xí)算法、所述正樣本和所述多個(gè)類別的負(fù)樣本，獲得所述第一預(yù)設(shè)分類模型。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，所述裝置還包括：亮度判斷模塊、灰度均衡化處理模塊和第二車牌區(qū)域判斷模塊；

其中，所述亮度判斷模塊，用于在判斷得到所述車牌候選區(qū)域m2不是車牌區(qū)域的情況下，判斷所述車牌候選區(qū)域m2的亮度是否在預(yù)設(shè)的亮度范圍內(nèi)，若為否，則觸發(fā)所述灰度均衡化處理模塊；

所述灰度均衡化處理模塊，用于對(duì)所述車牌候選區(qū)域m2進(jìn)行灰度均衡化處理；

所述第二車牌區(qū)域判斷模塊，用于按照第二預(yù)設(shè)分類模型，判斷灰度均衡化處理后的所述車牌候選區(qū)域m2是否為車牌區(qū)域，若是車牌區(qū)域，則觸發(fā)所述檢測(cè)結(jié)果生成模塊，其中，所述第二預(yù)設(shè)分類模型，為通過機(jī)器學(xué)習(xí)算法對(duì)經(jīng)灰度均衡化處理后的樣本車牌區(qū)域進(jìn)行學(xué)習(xí)獲得的分類模型。

由上可知，本發(fā)明實(shí)施例中，檢測(cè)終端接收到待檢測(cè)圖片后，根據(jù)待檢測(cè)圖片中像素點(diǎn)的像素值，獲得待檢測(cè)圖片的車牌候選區(qū)域m1，在車牌候選區(qū)域m1的寬高比值大于第一預(yù)設(shè)閾值的情況下，根據(jù)基于機(jī)器學(xué)習(xí)的第一預(yù)設(shè)分類模型，從車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，在根據(jù)基于機(jī)器學(xué)習(xí)的第一預(yù)設(shè)分類模型，判斷車牌候選區(qū)域m2是否為車牌區(qū)域，若為是，則確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測(cè)結(jié)果。這樣，避免了因?yàn)檐嚺坪蜻x區(qū)域的寬高比值過大誤判包含真實(shí)車牌的區(qū)域?yàn)榉擒嚺茀^(qū)域，提高了車牌檢測(cè)的正確率，另外，采用基于機(jī)器學(xué)習(xí)的第一預(yù)設(shè)分類模型采集車牌候選區(qū)域的特征，對(duì)車牌候選區(qū)域進(jìn)行分類，判斷車牌候選區(qū)域是否為車牌區(qū)域，而不是通過用戶手動(dòng)設(shè)置特征來建立分類模型，進(jìn)一步提高了車牌檢測(cè)的正確率。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的一種車牌檢測(cè)方法的流程示意圖；

圖2為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)方法的流程示意圖；

圖3為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)方法的流程示意圖；

圖4為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)方法的流程示意圖；

圖5為本發(fā)明實(shí)施例提供的一種車牌檢測(cè)裝置的結(jié)構(gòu)示意圖；

圖6為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)裝置的結(jié)構(gòu)示意圖；

圖7為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)裝置的結(jié)構(gòu)示意圖；

圖8為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

下面通過具體實(shí)施例，對(duì)本發(fā)明進(jìn)行詳細(xì)說明。

參考圖1，圖1為本發(fā)明實(shí)施例提供的一種車牌檢測(cè)方法的流程示意圖，該方法可以包括如下步驟：

s101：根據(jù)待檢測(cè)圖片中像素點(diǎn)的像素值，獲得該待檢測(cè)圖片的車牌候選區(qū)域m1；

具體地，檢測(cè)終端接收到待檢測(cè)圖片后，可以根據(jù)待檢測(cè)圖片中各個(gè)像素點(diǎn)的像素值，確定該圖片中可能包含車牌內(nèi)容的區(qū)域，即車牌候選區(qū)域m1。例如：獲得每一像素行中灰度跳變值大于預(yù)設(shè)閾值的像素點(diǎn)，并確定滿足預(yù)設(shè)的灰度跳變規(guī)則的兩個(gè)像素點(diǎn)間的像素段為有效像素段，合并上下相鄰且邊界相似程度大于另一預(yù)設(shè)閾值的有效像素段，獲得車牌候選區(qū)域m1。

s102：計(jì)算車牌候選區(qū)域m1的寬高比值，并判斷寬高比值是否大于第一預(yù)設(shè)閾值，若為是，則執(zhí)行步驟s103；

其中，第一預(yù)設(shè)閾值可以根據(jù)實(shí)際應(yīng)用中真實(shí)車牌的寬高比值確定，如： 真實(shí)車牌的寬和高為：440mm*140mm，則第一預(yù)設(shè)閾值可以為：440/140≈3.14。

實(shí)際交通場(chǎng)景圖片中，真實(shí)車牌區(qū)域的周圍可能會(huì)存在較多的與真實(shí)車牌區(qū)域相似的背景區(qū)域，這樣，進(jìn)行車牌檢測(cè)時(shí)，若車牌候選區(qū)域m1的寬高比值過大，說明該車牌候選區(qū)域m1中包含有過多不屬于車牌的區(qū)域，進(jìn)而在判斷候選車牌區(qū)域m1是否為車牌區(qū)域時(shí)，很容易參考到非車牌區(qū)域的特征，進(jìn)而易判定該車牌候選區(qū)域m1為非車牌區(qū)域，若車牌候選區(qū)域m1中包含真實(shí)車牌區(qū)域，這樣就造成了誤判。因此，需要判斷車牌候選區(qū)域m1的寬高比值是否大于第一預(yù)設(shè)閾值，并對(duì)寬高比值大于第一預(yù)設(shè)閾值的車牌候選區(qū)域m1的寬高比進(jìn)行調(diào)整，得到合適的車牌候選區(qū)域。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，在判斷得到寬高比值不大于第一預(yù)設(shè)閾值的情況下，可以將車牌候選區(qū)域m1作為車牌候選區(qū)域m2，繼續(xù)執(zhí)行步驟s104。

s103：根據(jù)預(yù)設(shè)的基于機(jī)器學(xué)習(xí)的回歸算法，從車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2；

這里，車牌候選區(qū)域m2為寬高比值不大于第一預(yù)設(shè)閾值的區(qū)域。

另外，上述基于機(jī)器學(xué)習(xí)的回歸算法是通過學(xué)習(xí)樣本區(qū)域的特征來構(gòu)建的一種邊界回歸算法。具體地，上述基于機(jī)器學(xué)習(xí)的回歸算法是：通過模型訓(xùn)練，從樣本區(qū)域中學(xué)習(xí)出該樣本中的對(duì)象的特征，然后根據(jù)學(xué)習(xí)到的對(duì)象的特征來確定對(duì)象的邊界的一種邊界回歸算法。

需要說明的是，通過基于機(jī)器學(xué)習(xí)的回歸算法，學(xué)習(xí)到的對(duì)象的特征比用戶手動(dòng)設(shè)置的對(duì)象的特征更為全面，進(jìn)而確定的邊界更為準(zhǔn)確，可以有效的減少背景紋理對(duì)車牌檢測(cè)的干擾。

s104：按照第一預(yù)設(shè)分類模型，判斷車牌候選區(qū)域m2是否為車牌區(qū)域，若為是，則執(zhí)行步驟s105；

其中，第一預(yù)設(shè)分類模型，為通過機(jī)器學(xué)習(xí)算法對(duì)樣本車牌區(qū)域進(jìn)行學(xué)習(xí)獲得的分類模型。在構(gòu)建第一預(yù)設(shè)分類模型時(shí)，可以預(yù)先找到大量樣本車牌區(qū)域，然后，采用機(jī)器學(xué)習(xí)算法對(duì)這些樣本車牌區(qū)域進(jìn)行學(xué)習(xí)，得到分類模型，通過該分類模型可以簡(jiǎn)單的把一個(gè)區(qū)域分為車牌區(qū)域和非車牌區(qū)域兩大類。

本領(lǐng)域內(nèi)的技術(shù)人員可以理解的是，在構(gòu)建第一預(yù)設(shè)分類模型時(shí)，所選擇 的樣本車牌區(qū)域數(shù)量越大、車牌區(qū)域的種類越多，構(gòu)建的分類模型分類效果越好。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，上述第一預(yù)設(shè)分類模型，可以為：基于隨機(jī)森林、支持向量機(jī)、深度神經(jīng)網(wǎng)絡(luò)或卷積神經(jīng)網(wǎng)絡(luò)等的分類模型。以基于卷積神經(jīng)網(wǎng)絡(luò)的分類模型為例，利用該卷積神經(jīng)網(wǎng)絡(luò)的分類模型，可以獲得車牌候選區(qū)域m2的卷積特征，再根據(jù)獲得的卷積特征對(duì)車牌候選區(qū)域m2進(jìn)行分類，判斷其是否為車牌區(qū)域。在本發(fā)明實(shí)施例中，采用基于機(jī)器學(xué)習(xí)的分類模型，不需要用戶手動(dòng)設(shè)置特征，而是從樣本車牌區(qū)域中學(xué)習(xí)有利于分類的對(duì)象的特征，提高了該機(jī)器學(xué)習(xí)算法的泛化能力和檢測(cè)車牌的正確率。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，上述第一預(yù)設(shè)分類模型可以通過以下方式獲得：

s11、獲得邊界精確度大于預(yù)設(shè)精確度閾值的樣本車牌區(qū)域和/或?qū)捀弑戎敌∮诘谝活A(yù)設(shè)閾值的樣本車牌區(qū)域，將所獲得的樣本車牌區(qū)域作為正樣本；

其中，邊界精確度可以為樣本車牌區(qū)域的邊界與真實(shí)車牌的邊界間的距離，也可以為真實(shí)車牌的邊界的連貫度，本發(fā)明對(duì)此不進(jìn)行限定。

s12、根據(jù)預(yù)設(shè)的機(jī)器學(xué)習(xí)算法和正樣本，獲得第一預(yù)設(shè)分類模型。

具體地，將邊界精確度大于預(yù)設(shè)精確度閾值的樣本車牌區(qū)域、寬高比值小于第一預(yù)設(shè)閾值的樣本車牌區(qū)域作為兩類正樣本，通過機(jī)器學(xué)習(xí)算法來訓(xùn)練獲得第一預(yù)設(shè)分類模型，這樣，明確區(qū)分樣本車牌區(qū)域的種類，能夠有效地提高第一預(yù)設(shè)分類模型對(duì)背景噪聲的抗干擾能力。

實(shí)際應(yīng)用中，在對(duì)模型進(jìn)行訓(xùn)練獲得第一預(yù)設(shè)分類模型時(shí)，為了提高車牌檢測(cè)的正確率，還需要采集負(fù)樣本來對(duì)模型進(jìn)行訓(xùn)練。鑒于此，在本發(fā)明的一種具體實(shí)現(xiàn)方式中，在步驟s12之前，還可以包括：

s13、獲得為非車牌區(qū)域的樣本區(qū)域；

這里，非車牌區(qū)域可以為包含車道路面、綠化帶、隔離柵欄、車門窗、車頭散熱格柵、車燈、車標(biāo)、車身廣告文字等區(qū)域。

s14、按照所獲得的樣本區(qū)域的內(nèi)容，對(duì)所獲得的樣本區(qū)域進(jìn)行分類，得到多個(gè)類別的負(fù)樣本。

如上述的包含車道路面、綠化帶、隔離柵欄的區(qū)域可以作為路面類的樣本區(qū)域，包含車門窗、車頭散熱格柵、車燈的區(qū)域可以作為車身類的樣本區(qū)域，包含車標(biāo)、車身廣告文字的區(qū)域可以作為車身文字圖案類的樣本區(qū)域，當(dāng)然還可以有其他類別的樣本區(qū)域，此處不再一一贅述。

這種情況下，步驟s12可以包括：

根據(jù)預(yù)設(shè)的機(jī)器學(xué)習(xí)算法、正樣本和多個(gè)類別的負(fù)樣本，獲得第一預(yù)設(shè)分類模型。

這樣對(duì)樣本進(jìn)行類型的細(xì)分，有利于模型的收斂，有效地提高了車牌檢測(cè)的正確率。

s105：確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測(cè)結(jié)果。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，生成檢測(cè)結(jié)果后，可以將檢測(cè)結(jié)果存儲(chǔ)在檢測(cè)終端中，在檢測(cè)結(jié)果的數(shù)量達(dá)到一定數(shù)量后，再將所有的檢測(cè)結(jié)果發(fā)送給預(yù)設(shè)的終端，避免預(yù)設(shè)的終端總是收到檢測(cè)結(jié)果，影響用戶對(duì)終端的使用；另外，生成檢測(cè)結(jié)果后，也可以將該檢測(cè)結(jié)果直接發(fā)送給預(yù)設(shè)的終端，以便及時(shí)通知用戶車牌的檢測(cè)結(jié)果。

應(yīng)用圖1所示實(shí)施例，檢測(cè)終端接收到待檢測(cè)圖片后，根據(jù)待檢測(cè)圖片中像素點(diǎn)的像素值，獲得待檢測(cè)圖片的車牌候選區(qū)域m1，在車牌候選區(qū)域m1的寬高比值大于第一預(yù)設(shè)閾值的情況下，根據(jù)基于機(jī)器學(xué)習(xí)的第一預(yù)設(shè)分類模型，從車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，在根據(jù)基于機(jī)器學(xué)習(xí)的第一預(yù)設(shè)分類模型，判斷車牌候選區(qū)域m2是否為車牌區(qū)域，若為是，則確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測(cè)結(jié)果。這樣，避免了因?yàn)檐嚺坪蜻x區(qū)域的寬高比值過大誤判包含真實(shí)車牌的區(qū)域?yàn)榉擒嚺茀^(qū)域，提高了車牌檢測(cè)的正確率，另外，采用基于機(jī)器學(xué)習(xí)的第一預(yù)設(shè)分類模型采集車牌候選區(qū)域的特征，對(duì)車牌候選區(qū)域進(jìn)行分類，判斷車牌候選區(qū)域是否為車牌區(qū)域，而不是通過用戶手動(dòng)設(shè)置特征來建立分類模型，進(jìn)一步提高了車牌檢測(cè)的正確率。

參考圖2，圖2為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)方法的流程示意圖，該方法中，步驟s101可以包括如下步驟：

s1011：按照預(yù)設(shè)的掃描順序，獲得待檢測(cè)圖片的各個(gè)像素行的有效像素段；

其中，有效像素段為：根據(jù)像素行中灰度跳變值大于第二預(yù)設(shè)閾值的像素點(diǎn)確定的像素段。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，上述預(yù)設(shè)的掃描順序可以為橫向逐行掃描，也可以為橫向跨行掃描，還可以是其他掃描順序，本發(fā)明對(duì)此不進(jìn)行限定。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，上述步驟s1011，可以包括：

按照預(yù)設(shè)的掃描順序，通過以下步驟獲得待檢測(cè)圖片的每一像素行的有效像素段：

s21、計(jì)算像素行x中每一像素點(diǎn)的灰度跳變值；

其中，像素行x為待檢測(cè)圖片中的任一像素行。

需要說明的是，每一像素點(diǎn)的灰度跳變值為該像素點(diǎn)的像素值與上一掃描點(diǎn)的像素值的差值。

s22、選擇灰度跳變值大于第二預(yù)設(shè)閾值的像素點(diǎn)；

實(shí)際應(yīng)用中，車牌的顏色是有規(guī)定的，如：、藍(lán)底白字、黃底黑字、黑底白字和白底黑字等，因此在車牌區(qū)域中的背景區(qū)域的像素點(diǎn)和車牌字符串的像素點(diǎn)間的灰度跳變值是有跡可尋的，可以根據(jù)真實(shí)車牌中“底(車牌背景)”和“字(車牌前景)”間的灰度跳變值來確定第二預(yù)設(shè)閾值，假設(shè)，真實(shí)的車牌的“底”和“字”間的灰度跳變值為10，則可以確定第二預(yù)設(shè)閾值為10；另外，考慮到環(huán)境因素和圖片采集設(shè)備分辨率等因素的影響，可以將第二預(yù)設(shè)閾值設(shè)置為真實(shí)的車牌的“底”和“字”間的灰度跳變值的一定倍數(shù)，如：可將第二預(yù)設(shè)閾值設(shè)置為車牌的“底”和“字”間的灰度跳變值的0.8倍。

s23、根據(jù)所選擇的像素點(diǎn)中水平坐標(biāo)最大和最小的像素點(diǎn)，確定像素行x上的候選像素段；

s24、判斷候選像素段內(nèi)各個(gè)像素點(diǎn)的灰度跳變值是否與預(yù)設(shè)的灰度跳變規(guī)則相匹配，若為是，則執(zhí)行步驟s25；

實(shí)際應(yīng)用中，車牌上字符的類型以及排列順序是有規(guī)定的，也就是：漢字、字母、“·”、五個(gè)字符(包括字母、數(shù)字和/或漢字)，因此，在車牌區(qū)域的每個(gè) 像素行中像素點(diǎn)的灰度跳變值的變化是有規(guī)律的，可以根據(jù)該變化規(guī)律設(shè)置灰度跳變規(guī)則，若車牌候選區(qū)域的一個(gè)像素行中候選像素段滿足灰度跳變規(guī)則，則可以確定該候選像素段為有效像素段。

在本發(fā)明的一種具體實(shí)現(xiàn)方法中，可能確定的候選像素段過長(zhǎng)，其在與預(yù)設(shè)的灰度跳變規(guī)則進(jìn)行匹配時(shí)，該候選像素段中的一部分滿足灰度跳變規(guī)則，而另一部分不滿足灰度跳變規(guī)則，則可以截取滿足灰度跳變規(guī)則的一部分，并將該部分作為候選像素段。

s25、確定候選像素段為有效像素段。

s1012：根據(jù)各個(gè)有效像素段兩端像素點(diǎn)的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點(diǎn)的像素值，計(jì)算垂直相鄰的有效像素段的邊界相似程度；

這里，邊界相似程度可以為：垂直相鄰的兩個(gè)有效像素段同側(cè)/異側(cè)的兩端點(diǎn)像素點(diǎn)的像素值之間的差值，也可以為垂直相鄰的兩個(gè)有效像素段同側(cè)/異側(cè)的兩端點(diǎn)像素點(diǎn)的像素值之間的比值，本發(fā)明對(duì)此不進(jìn)行限定。

假設(shè)，垂直相鄰的兩個(gè)有效像素段分別為x1和x2，x1左側(cè)端點(diǎn)為a，x1右側(cè)端點(diǎn)為b，x2左側(cè)端點(diǎn)為c，x2右側(cè)端點(diǎn)為d，此時(shí)，x1和x2的邊界相似程度可以為a與b(或c與d)的差值，也可以為a與b(或c與d)的比值，也可以為a與c(或b與d)的差值，還可以為a與c(或b與d)的比值。

s1013：對(duì)邊界相似程度大于第三預(yù)設(shè)閾值的相鄰有效像素段進(jìn)行合并處理；

實(shí)際應(yīng)用中，在待檢測(cè)圖片中，車牌是占有一定區(qū)域的，而非是一個(gè)像素行，因此需要對(duì)邊界相似程度大于第三預(yù)設(shè)閾值的相鄰有效像素段進(jìn)行合并處理。

s1014：根據(jù)合并處理后的有效像素段，獲得待檢測(cè)圖片的車牌候選區(qū)域m1。

具體地，可以將合并處理后的有效像素段作為待檢測(cè)圖片的車牌候選區(qū)域m1，但是合并處理后的有效像素段的邊界并不一定是一條直線或近似直線，而是一條不規(guī)則的曲線，這種情況下需要進(jìn)一步確定車牌候選區(qū)域m1的邊界，因 此上述步驟s1014，可以包括：

s26、確定合并處理后的有效像素段中的疑似字符串區(qū)域；

s27、根據(jù)疑似字符串區(qū)域中像素點(diǎn)的像素值，獲得字符串顏色信息，并根據(jù)合并處理后的有效像素段中非疑似字符串區(qū)域中像素點(diǎn)的像素值，獲得背景顏色信息；

實(shí)際應(yīng)用中，車牌的“底(車牌背景)”和“字(車牌前景)”的顏色是有規(guī)定，車牌的“底”的顏色和“字”的顏色之間的對(duì)比是一定，因此可以獲得車牌的“底”的顏色信息和“字”的顏色信息，來確定車牌候選區(qū)域的邊界。

s28、根據(jù)字符串顏色信息和背景顏色信息，確定車牌候選區(qū)域的邊界；

假設(shè)，上述確定的字符串顏色信息為白色，上述確定的背景顏色信息為黑色，則確定疑似字符串區(qū)域相鄰的顏色為黑色的區(qū)域?yàn)楸尘皡^(qū)域，該背景區(qū)域的邊界為車牌候選區(qū)域的邊界。

另外，上述字符串顏色信息可以為疑似字符串區(qū)域中所有像素點(diǎn)的平均像素值a1，背景顏色信息可以為非疑似字符串區(qū)域中所有像素點(diǎn)的平均像素值a2，根據(jù)a1和a2的比值，確定第四預(yù)設(shè)閾值，若與疑似字符串區(qū)域相鄰的區(qū)域中所有像素點(diǎn)的平均像素值a3與a1的比值與第四預(yù)設(shè)閾值匹配，則可以確定該相鄰的區(qū)域?yàn)楸尘皡^(qū)域，該背景區(qū)域的邊界為車牌候選區(qū)域的邊界。

s29、根據(jù)所確定的邊界獲得車牌候選區(qū)域m1。

另外，在本發(fā)明中還可以采用基于車牌邊緣特征或遺傳算法的車牌檢測(cè)方法來確定車牌候選區(qū)域，也可以采用基于harr等特征的adaboost車牌檢測(cè)器來確定車牌候選區(qū)域，本發(fā)明對(duì)此不進(jìn)行限定。但是，這幾種確定車牌候選區(qū)域的方法與上述確定的車牌候選區(qū)域的方法相比，較為復(fù)雜且泛化能力較差。

應(yīng)用圖2所示實(shí)施例，檢測(cè)終端按照預(yù)設(shè)的掃描順序，獲得待檢測(cè)圖片的各個(gè)像素行的有效像素段，根據(jù)各個(gè)有效像素段兩端像素點(diǎn)的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點(diǎn)的像素值，計(jì)算垂直相鄰的有效像素段的邊界相似程度，對(duì)邊界相似程度大于第三預(yù)設(shè)閾值的相鄰有效像素段進(jìn)行合并處理，根據(jù)合并處理后的有效像素段，獲得待檢測(cè)圖片的車牌候選區(qū)域m1，這種獲得車牌候選區(qū)域的方法簡(jiǎn)單、容易實(shí)現(xiàn)，因此提高了車牌檢測(cè)方法的通 用性和泛化性。

參考圖3，圖3為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)方法的流程示意圖，該方法中，步驟s103可以包括如下步驟：

s1031：確定車牌候選區(qū)域m1中疑似字符串的位置；

在車牌候選區(qū)域m1的寬高比大于第一預(yù)設(shè)閾值的情況下，表明該車牌候選區(qū)域m1中包含有過多圖片背景區(qū)域，而過多圖片背景區(qū)域會(huì)產(chǎn)生背景噪聲，對(duì)車牌區(qū)域的檢測(cè)造成干擾，降低了車牌檢測(cè)的正確率。因此，對(duì)于寬高比大于第一預(yù)設(shè)閾值的車牌候選區(qū)域m1，需要重新確定車牌候選區(qū)域。而在車牌區(qū)域中必定包含車牌字符串，因此，在重新確定車牌候選區(qū)域時(shí)，首先確定車牌候選區(qū)域m1中疑似字符串的位置，再根據(jù)該位置來重新確定車牌候選區(qū)域。

s1032：按照預(yù)設(shè)的基于機(jī)器學(xué)習(xí)的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界；

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，通過上述基于機(jī)器學(xué)習(xí)的回歸算法，學(xué)習(xí)到的對(duì)象的特征不是用戶手動(dòng)設(shè)置的，而是通過基于機(jī)器學(xué)習(xí)到的，獲得的對(duì)象的特征更為全面，進(jìn)而確定的邊界更為準(zhǔn)確，可以有效的減少背景紋理對(duì)車牌檢測(cè)的干擾。

s1033：根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2。

在邊界確定后，邊界內(nèi)的區(qū)域就是車牌候選區(qū)域m2。

應(yīng)用圖3所示實(shí)施例，在車牌候選區(qū)域m1的寬高比大于第一預(yù)設(shè)閾值的情況下，檢測(cè)終端首先確定車牌候選區(qū)域m1中疑似字符串的位置，再按照預(yù)設(shè)的基于機(jī)器學(xué)習(xí)的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界，根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2，這樣基于機(jī)器學(xué)習(xí)的回歸算法中的特征不用用戶手動(dòng)設(shè)置，因此根據(jù)該回歸算法來確定車牌候選區(qū)域m2，有效地減少了背景紋理對(duì)車牌檢測(cè)的干擾，進(jìn)而提高車牌檢測(cè)的正確率。

參考圖4，圖4為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)方法的流程示意圖，該方法中還可以包括如下步驟：

s106：判斷車牌候選區(qū)域m2的亮度是否在預(yù)設(shè)的亮度范圍內(nèi)，若為否，則執(zhí)行步驟s107；

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，車牌候選區(qū)域m2的亮度可以為車牌候選區(qū)域m2中所有像素點(diǎn)的亮度的均值，也可以為車牌候選區(qū)域m2中某一部分區(qū)域中所有像素點(diǎn)的亮度的均值，還可以為車牌候選區(qū)域m2中隨機(jī)選擇的預(yù)設(shè)數(shù)量的像素點(diǎn)的亮度的均值，本發(fā)明對(duì)此不進(jìn)行限定。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，在判斷得到車牌候選區(qū)域m2不是車牌區(qū)域的情況下，判斷車牌候選區(qū)域m2的亮度是否在預(yù)設(shè)的亮度范圍內(nèi)，若車牌候選區(qū)域m2的亮度在預(yù)設(shè)的亮度范圍內(nèi)，則可以判定該車牌候選區(qū)域m2為非車牌區(qū)域，該次車牌檢測(cè)過程結(jié)束。

s107：對(duì)車牌候選區(qū)域m2進(jìn)行灰度均衡化處理；

其中，灰度均衡化處理的方法為現(xiàn)有技術(shù)，此處不再贅述。

s108：按照第二預(yù)設(shè)分類模型，判斷灰度均衡化處理后的車牌候選區(qū)域m2是否為車牌區(qū)域，若是車牌區(qū)域，則執(zhí)行步驟s105，生成檢測(cè)結(jié)果。

其中，第二預(yù)設(shè)分類模型，為通過機(jī)器學(xué)習(xí)算法對(duì)經(jīng)灰度均衡化處理后的樣本車牌區(qū)域進(jìn)行學(xué)習(xí)獲得的分類模型。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，在判斷得到灰度均衡化處理后的車牌候選區(qū)域m2不是車牌區(qū)域的情況下，則可以判定該車牌候選區(qū)域m2為非車牌區(qū)域，該次車牌檢測(cè)過程結(jié)束。

另外，在本發(fā)明的一種具體實(shí)現(xiàn)方式中，上述第二預(yù)設(shè)分類模型可以與第一預(yù)設(shè)分類模型的獲得方法相同，此處不再贅述。

需要說明的是，在獲得第二預(yù)設(shè)分類模型時(shí)，進(jìn)行模型訓(xùn)練的正樣本和負(fù)樣本都是經(jīng)灰度均衡化處理后的樣本車牌區(qū)域。

應(yīng)用圖4所示實(shí)施例，在判斷得到車牌候選區(qū)域m2不是車牌區(qū)域的情況下，檢測(cè)終端會(huì)判斷車牌候選區(qū)域m2的亮度是否在預(yù)設(shè)的亮度范圍內(nèi)，若不在預(yù)設(shè)的該亮度范圍內(nèi)，再對(duì)車牌候選區(qū)域m2進(jìn)行灰度均衡化處理，按照第二預(yù)設(shè)分類模型，判斷灰度均衡化處理后的車牌候選區(qū)域m2是否為車牌區(qū)域，若是車牌區(qū)域，則確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測(cè)結(jié)果，這樣避免了因車牌候選區(qū)域m2過亮或過暗，而誤判包含真實(shí)車牌的車牌候選區(qū)域m2為非車牌區(qū)域，提高了車牌檢測(cè)的正確率。

參考圖5，圖5為本發(fā)明實(shí)施例提供的一種車牌檢測(cè)裝置的結(jié)構(gòu)示意圖，該裝置可以包括：候選區(qū)域獲得模塊501、寬高比值判斷模塊502、候選區(qū)域確定模塊503、第一車牌區(qū)域判斷模塊504和檢測(cè)結(jié)果生成模塊505；

其中，候選區(qū)域獲得模塊501，用于根據(jù)待檢測(cè)圖片中像素點(diǎn)的像素值，獲得待檢測(cè)圖片的車牌候選區(qū)域m1；

寬高比值判斷模塊502，用于計(jì)算車牌候選區(qū)域m1的寬高比值，并判斷寬高比值是否大于第一預(yù)設(shè)閾值，若為是，則觸發(fā)候選區(qū)域確定模塊503；

候選區(qū)域確定模塊503，用于根據(jù)預(yù)設(shè)的基于機(jī)器學(xué)習(xí)的回歸算法，從車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，其中，車牌候選區(qū)域m2為寬高比值不大于第一預(yù)設(shè)閾值的區(qū)域；

第一車牌區(qū)域判斷模塊504，用于按照第一預(yù)設(shè)分類模型，判斷車牌候選區(qū)域m2是否為車牌區(qū)域，其中，第一預(yù)設(shè)分類模型，為通過機(jī)器學(xué)習(xí)算法對(duì)樣本車牌區(qū)域進(jìn)行學(xué)習(xí)獲得的分類模型，若為是，則觸發(fā)檢測(cè)結(jié)果生成模塊505；

檢測(cè)結(jié)果生成模塊505，用于確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測(cè)結(jié)果。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，上述車牌檢測(cè)裝置還可以包括：第一樣本區(qū)域獲得模塊和分類模型獲得模塊(圖5中未示出)；

其中，第一樣本區(qū)域獲得模塊，用于獲得邊界精確度大于預(yù)設(shè)精確度閾值的樣本車牌區(qū)域和/或?qū)捀弑戎敌∮诘谝活A(yù)設(shè)閾值的樣本車牌區(qū)域，并將所獲得的樣本車牌區(qū)域作為正樣本；

分類模型獲得模塊，用于根據(jù)預(yù)設(shè)的機(jī)器學(xué)習(xí)算法和正樣本，獲得第一預(yù)設(shè)分類模型。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，上述車牌檢測(cè)裝置還可以包括：第二樣本區(qū)域獲得模塊和樣本區(qū)域分類模塊(圖5中未示出)；

其中，第二樣本區(qū)域獲得模塊，用于獲得為非車牌區(qū)域的樣本區(qū)域；

樣本區(qū)域分類模塊，用于按照所獲得的樣本區(qū)域的內(nèi)容，對(duì)所獲得的樣本區(qū)域進(jìn)行分類，得到多個(gè)類別的負(fù)樣本；

這種情況下，分類模型獲得模塊，具體用于：

根據(jù)預(yù)設(shè)的機(jī)器學(xué)習(xí)算法、正樣本和多個(gè)類別的負(fù)樣本，獲得第一預(yù)設(shè)分類模型。

應(yīng)用圖5所示實(shí)施例，檢測(cè)終端接收到待檢測(cè)圖片后，根據(jù)待檢測(cè)圖片中像素點(diǎn)的像素值，獲得待檢測(cè)圖片的車牌候選區(qū)域m1，在車牌候選區(qū)域m1的寬高比值大于第一預(yù)設(shè)閾值的情況下，根據(jù)基于機(jī)器學(xué)習(xí)的第一預(yù)設(shè)分類模型，從車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，在根據(jù)基于機(jī)器學(xué)習(xí)的第一預(yù)設(shè)分類模型，判斷車牌候選區(qū)域m2是否為車牌區(qū)域，若為是，則確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測(cè)結(jié)果。這樣，避免了因?yàn)檐嚺坪蜻x區(qū)域的寬高比值過大誤判包含真實(shí)車牌的區(qū)域?yàn)榉擒嚺茀^(qū)域，提高了車牌檢測(cè)的正確率，另外，采用基于機(jī)器學(xué)習(xí)的第一預(yù)設(shè)分類模型采集車牌候選區(qū)域的特征，對(duì)車牌候選區(qū)域進(jìn)行分類，判斷車牌候選區(qū)域是否為車牌區(qū)域，而不是通過用戶手動(dòng)設(shè)置特征來建立分類模型，進(jìn)一步提高了車牌檢測(cè)的正確率。

參考圖6，圖6為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)裝置的結(jié)構(gòu)示意圖，該裝置中，候選區(qū)域獲得模塊501，可以包括：有效像素段獲得子模塊5011、相似程度計(jì)算子模塊5012、像素段合并子模塊5013和候選區(qū)域獲得子模塊5014；

其中，有效像素段獲得子模塊5011，用于按照預(yù)設(shè)的掃描順序，獲得待檢測(cè)圖片的各個(gè)像素行的有效像素段，其中，有效像素段為：根據(jù)像素行中灰度跳變值大于第二預(yù)設(shè)閾值的像素點(diǎn)確定的像素段；

相似程度計(jì)算子模塊5012，用于根據(jù)各個(gè)有效像素段兩端像素點(diǎn)的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點(diǎn)的像素值，計(jì)算垂直相鄰的有效像素段的邊界相似程度；

像素段合并子模塊5013，用于對(duì)邊界相似程度大于第三預(yù)設(shè)閾值的相鄰有效像素段進(jìn)行合并處理；

候選區(qū)域獲得子模塊5014，用于根據(jù)合并處理后的有效像素段，獲得待檢測(cè)圖片的車牌候選區(qū)域m1。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，有效像素段獲得子模塊5011，具體用于：

按照預(yù)設(shè)的掃描順序，獲得所述待檢測(cè)圖片的每一像素行的有效像素段；

這種情況下，有效像素段獲得子模塊5011，可以包括：灰度跳變值計(jì)算單元、像素點(diǎn)選擇單元、候選像素段獲得單元、灰度跳變判斷單元和有效像素段確定單元(圖6中未示出)；

其中，灰度跳變值計(jì)算單元，用于計(jì)算像素行x中每一像素點(diǎn)的灰度跳變值，其中，像素行x為所述待檢測(cè)圖片中的任一像素行；

像素點(diǎn)選擇單元，用于選擇灰度跳變值大于第二預(yù)設(shè)閾值的像素點(diǎn)；

候選像素段獲得單元，用于根據(jù)所選擇的像素點(diǎn)中水平坐標(biāo)最大和最小的像素點(diǎn)，獲得像素行x上的候選像素段；

灰度跳變判斷單元，用于判斷候選像素段內(nèi)各個(gè)像素點(diǎn)的灰度跳變值是否與預(yù)設(shè)的灰度跳變規(guī)則相匹配，若為是，則觸發(fā)有效像素段確定單元；

有效像素段確定單元，用于確定候選像素段為有效像素段。

在本發(fā)明的一種具體實(shí)現(xiàn)方式中，候選區(qū)域獲得子模塊5014，可以包括：疑似字符串區(qū)域確定單元、顏色信息獲得單元、邊界確定單元和候選區(qū)域獲得單元(圖6中未示出)；

其中，疑似字符串區(qū)域確定單元，用于確定合并處理后的有效像素段中的疑似字符串區(qū)域；

顏色信息獲得單元，用于根據(jù)疑似字符串區(qū)域中像素點(diǎn)的像素值，獲得字符串顏色信息，并根據(jù)合并處理后的有效像素段中非疑似字符串區(qū)域中像素點(diǎn)的像素值，獲得背景顏色信息；

邊界確定單元，用于根據(jù)字符串顏色信息和背景顏色信息，確定車牌候選區(qū)域的邊界；

候選區(qū)域獲得單元，用于根據(jù)所確定的邊界獲得車牌候選區(qū)域m1。

應(yīng)用圖6所示實(shí)施例，檢測(cè)終端按照預(yù)設(shè)的掃描順序，獲得待檢測(cè)圖片的各個(gè)像素行的有效像素段，根據(jù)各個(gè)有效像素段兩端像素點(diǎn)的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點(diǎn)的像素值，計(jì)算垂直相鄰的有效像素段的邊界相似程度，對(duì)邊界相似程度大于第三預(yù)設(shè)閾值的相鄰有效像素段進(jìn)行 合并處理，根據(jù)合并處理后的有效像素段，獲得待檢測(cè)圖片的車牌候選區(qū)域m1，這種獲得車牌候選區(qū)域的方法簡(jiǎn)單、容易實(shí)現(xiàn)，因此提高了車牌檢測(cè)方法的通用性和泛化性。

參考圖7，圖7為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)裝置的結(jié)構(gòu)示意圖，該裝置中，候選區(qū)域確定模塊503，包括：位置確定子模塊5031、邊界確定子模塊5032和候選區(qū)域確定子模塊5033；

其中，位置確定子模塊5031，用于確定車牌候選區(qū)域m1中疑似字符串的位置；

邊界確定子模塊5032，用于按照預(yù)設(shè)的基于機(jī)器學(xué)習(xí)的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界；

候選區(qū)域確定子模塊5033，用于根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2。

應(yīng)用圖7所示實(shí)施例，在車牌候選區(qū)域m1的寬高比大于第一預(yù)設(shè)閾值的情況下，檢測(cè)終端首先確定車牌候選區(qū)域m1中疑似字符串的位置，再按照預(yù)設(shè)的基于機(jī)器學(xué)習(xí)的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界，根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2，這樣基于機(jī)器學(xué)習(xí)的回歸算法中的特征不用用戶手動(dòng)設(shè)置，因此根據(jù)該回歸算法來確定車牌候選區(qū)域m2，有效地減少了背景紋理對(duì)車牌檢測(cè)的干擾，進(jìn)而提高車牌檢測(cè)的正確率。

參考圖8，圖8為本發(fā)明實(shí)施例提供的另一種車牌檢測(cè)裝置的結(jié)構(gòu)示意圖，該裝置還可以包括：亮度判斷模塊506、灰度均衡化處理模塊507和第二車牌區(qū)域判斷模塊508；

其中，亮度判斷模塊506，用于在判斷得到車牌候選區(qū)域m2不是車牌區(qū)域的情況下，判斷車牌候選區(qū)域m2的亮度是否在預(yù)設(shè)的亮度范圍內(nèi)，若為否，則觸發(fā)灰度均衡化處理模塊507；

灰度均衡化處理模塊507，用于對(duì)車牌候選區(qū)域m2進(jìn)行灰度均衡化處理；

第二車牌區(qū)域判斷模塊508，用于按照第二預(yù)設(shè)分類模型，判斷灰度均衡化處理后的車牌候選區(qū)域m2是否為車牌區(qū)域，若是車牌區(qū)域，則觸發(fā)檢測(cè)結(jié)果生成模塊505，其中，第二預(yù)設(shè)分類模型，為通過機(jī)器學(xué)習(xí)算法對(duì)經(jīng)灰度均衡化處 理后的樣本車牌區(qū)域進(jìn)行學(xué)習(xí)獲得的分類模型。

應(yīng)用圖8所示實(shí)施例，在判斷得到車牌候選區(qū)域m2不是車牌區(qū)域的情況下，檢測(cè)終端會(huì)判斷車牌候選區(qū)域m2的亮度是否在預(yù)設(shè)的亮度范圍內(nèi)，若不在預(yù)設(shè)的該亮度范圍內(nèi)，再對(duì)車牌候選區(qū)域m2進(jìn)行灰度均衡化處理，按照第二預(yù)設(shè)分類模型，判斷灰度均衡化處理后的車牌候選區(qū)域m2是否為車牌區(qū)域，若是車牌區(qū)域，則確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測(cè)結(jié)果，這樣避免了因車牌候選區(qū)域m2過亮或過暗，而誤判包含真實(shí)車牌的車牌候選區(qū)域m2為非車牌區(qū)域，提高了車牌檢測(cè)的正確率。

對(duì)于裝置實(shí)施例而言，由于其基本相似于方法實(shí)施例，所以描述的比較簡(jiǎn)單，相關(guān)之處參見方法實(shí)施例的部分說明即可。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語(yǔ)僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述方法實(shí)施方式中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以存儲(chǔ)于計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，這里所稱得的存儲(chǔ)介質(zhì)，如：rom/ram、磁碟、光盤等。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍內(nèi)。