本發(fā)明涉及圖像識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于像素級(jí)聯(lián)特征的模糊車牌檢測(cè)方法。

背景技術(shù)：

近十幾年來，車牌的檢測(cè)和識(shí)別在某些領(lǐng)域已經(jīng)能夠應(yīng)用，例如：違章車輛的車牌檢測(cè)識(shí)別和停車場(chǎng)車牌檢測(cè)識(shí)別等。拍攝圖像中車牌的拍攝質(zhì)量是影響檢測(cè)和識(shí)別方法的主要影響因素之一，在清晰車牌的檢測(cè)和識(shí)別已經(jīng)得到較好的解決并有許多成功的應(yīng)用，但是，在復(fù)雜監(jiān)視大場(chǎng)景下，車牌較小并且具有一定的模糊，其檢測(cè)仍然是一個(gè)非常具有挑戰(zhàn)性的問題，在復(fù)雜監(jiān)視大場(chǎng)景下車牌檢測(cè)中仍然有兩種主要難點(diǎn)需要克服：一，拍攝的車牌具有一定的模糊性，二，檢測(cè)標(biāo)示牌需要在大分辨率圖像中進(jìn)行搜索，這是一個(gè)非常耗時(shí)的過程。

Viola提出的基于AdaBoost算法、級(jí)聯(lián)機(jī)制和Haar-like特征的快速檢測(cè)系統(tǒng)，在車牌檢測(cè)中得到了較好的應(yīng)用，然而面對(duì)模糊車牌檢測(cè)時(shí)卻難以勝任。在車牌檢測(cè)領(lǐng)域，Viola的檢測(cè)框架已經(jīng)被成功的應(yīng)用在多個(gè)車牌檢測(cè)系統(tǒng)中，但其速度和識(shí)別率都有待提高，并且都沒有涉及模糊的車牌檢測(cè)問題。在基于AdaBoost的檢測(cè)方法中，具有代表性的有Dlagnekov等使用AdaBoost方法和Haar-like特征設(shè)計(jì)的標(biāo)志牌檢測(cè)方法，Zhang等使用基于AdaBoost的整體和局部特征設(shè)計(jì)的標(biāo)志牌檢測(cè)方法，這些方法都無法檢測(cè)模糊車牌，并且面對(duì)大分辨率圖像時(shí)運(yùn)算速度較慢。

因此，亟需一種針對(duì)復(fù)雜監(jiān)視大場(chǎng)景下的模糊車牌檢測(cè)方法，實(shí)現(xiàn)對(duì)車牌的快速檢測(cè)。

技術(shù)實(shí)現(xiàn)要素：

為解決現(xiàn)有技術(shù)存在的不足，本發(fā)明公開了一種基于像素級(jí)聯(lián)特征的模糊車牌檢測(cè)方法，本發(fā)明利用像素級(jí)聯(lián)特征，并將其級(jí)聯(lián)成一種檢測(cè)框架，能夠快速實(shí)時(shí)的檢測(cè)圖像中的不同尺寸車牌，其對(duì)檢測(cè)模糊的車牌的能力超出了已有的基于AdaBoost的方法。

為實(shí)現(xiàn)上述目的，本發(fā)明的具體方案如下：

一種基于像素級(jí)聯(lián)特征的模糊車牌檢測(cè)方法，包括以下步驟：

將輸入的待測(cè)圖像利用縮放算法生成金字塔圖像集合；

在像素級(jí)聯(lián)檢測(cè)器的離線訓(xùn)練過程中，通過計(jì)算“像素級(jí)聯(lián)特征”生成可供AdaBoost相關(guān)算法學(xué)習(xí)和訓(xùn)練使用的弱分類器；

使用上述生成的弱分類器，構(gòu)建能夠提取車牌顏色像素點(diǎn)特征的強(qiáng)分類器，并進(jìn)一步將強(qiáng)分類器級(jí)聯(lián)為像素級(jí)聯(lián)檢測(cè)器即建立包含不同尺寸車牌的級(jí)聯(lián)分類器結(jié)構(gòu)；

利用像素級(jí)聯(lián)檢測(cè)器，在金字塔圖像集合中以預(yù)定大小步進(jìn)地判定該檢測(cè)區(qū)域內(nèi)是否存在車牌，像素級(jí)聯(lián)檢測(cè)器的檢測(cè)能夠排除大部分背景窗口，但是得到的檢測(cè)窗口中仍包含部分背景；

基于HOG特征和SVM分類器進(jìn)一步判斷檢測(cè)是否存在車牌，標(biāo)定車牌的位置，按所在的金字塔圖像及縮小比例，換算到與原始圖像中，確定所檢車牌的位置及大小。

進(jìn)一步的，將輸入的待測(cè)圖像利用縮放算法生成金字塔圖像集合，具體的，取縮放比例為s，在模糊小尺寸車牌檢測(cè)情況下s的經(jīng)驗(yàn)取值范圍為0.87≤s≤0.95,則輸入圖像可按縮放比例s，將待測(cè)圖像等比例縮放為原圖像尺寸的s,s²,...,sⁿ倍，生成層數(shù)為n+1的金字塔圖像集合,n為正整數(shù)。

進(jìn)一步的，在線檢測(cè)過程中，利用像素級(jí)聯(lián)檢測(cè)器，在金字塔圖像集合中以預(yù)定大小步進(jìn)地判定該檢測(cè)區(qū)域內(nèi)是否存在車牌；在模糊車牌檢測(cè)過程中，步進(jìn)b的經(jīng)驗(yàn)取值范圍為5≤b≤10。

進(jìn)一步的，在HOG特征和SVM分類器的離線訓(xùn)練過程中，通過訓(xùn)練車牌和背景圖像樣本得到HOG+SVM分類器，將像素級(jí)聯(lián)檢測(cè)器得的檢測(cè)窗口作為輸入，提取其HOG特征，并使用離線訓(xùn)練的SVM分類器進(jìn)行二分類，包括車牌和背景，判斷該檢測(cè)窗口是車牌還是背景。

進(jìn)一步的，在金字塔縮放的圖像中標(biāo)定車牌的位置為(x,y)和大小為(w,h)，按所在的金字塔圖像的縮小比例s，換算到原始圖像中，確定所檢車牌的位置(x/s,y/s)及大小(w/s,h/s)，其中x、y分別為金字塔縮放的圖像中車牌所在的位置橫坐標(biāo)及縱坐標(biāo)，w、h分別為金字塔縮放的圖像中車牌的寬度及高度。

進(jìn)一步的，“像素級(jí)聯(lián)特征”的計(jì)算過程為：

構(gòu)建一個(gè)彩色空間通道組成的向量X＝(x₁,x₂,...,x_n)，其中x_i是對(duì)應(yīng)第i個(gè)彩色空間的像素點(diǎn)值，共n個(gè)彩色通道，對(duì)輸入圖像坐標(biāo)(i,j)像素點(diǎn)位置使用一個(gè)n維的權(quán)值向量W進(jìn)行加權(quán)相乘，并加上一個(gè)偏移值b，得到顏色通道轉(zhuǎn)換后的像素特征p_ij：

p_ij＝(W*X)_ij+b (1)

進(jìn)一步的，得到顏色通道轉(zhuǎn)換后的像素特征后，使用AdaBoost方法進(jìn)行訓(xùn)練，得到權(quán)值向量W和偏移值b，其訓(xùn)練過程中使用的弱分類器定義為c，

其中，η_p是訓(xùn)練過程中得到的閾值，σ∈{+1,-1}是一個(gè)極性參數(shù)。

AdaBoost方法是一種常見的機(jī)器學(xué)習(xí)方法，它能夠通過訓(xùn)練正、負(fù)訓(xùn)練樣本得到能夠區(qū)分正負(fù)樣本的弱分類器，這些弱分類器分類能力較弱，只能得到比50％正確率高一些的分類結(jié)果，但是將不同的弱分類器加權(quán)相加得到一個(gè)具有強(qiáng)分類功能的強(qiáng)分類器，該強(qiáng)分類器能夠有效的區(qū)分正負(fù)樣本。

進(jìn)一步的，在檢測(cè)過程中，面對(duì)是縮放算法生成的金字塔圖像集合中的矩形檢測(cè)窗口，因此需要將像素級(jí)別的特征轉(zhuǎn)化成矩形特征。

進(jìn)一步的，將像素級(jí)別的特征轉(zhuǎn)化成矩形特征的過程為：標(biāo)記檢測(cè)窗口R，其中共有n_R個(gè)像素點(diǎn)，像素特征弱分類器c級(jí)聯(lián)成像素級(jí)別的強(qiáng)分類器為C，第i個(gè)像素級(jí)別強(qiáng)分類表示為c(i)，其中c(i)包含的弱分類器表示為c(i)，Sgn函數(shù)是二值化函數(shù)，其括號(hào)內(nèi)的值大于0則sgn值為1，小于等于0則sgn值為-1，那么矩形特征強(qiáng)分類器表示為S_R：

進(jìn)一步的，對(duì)S_R設(shè)置閾值θ_S得到強(qiáng)分類器的分類結(jié)果函數(shù)H_p，可以判斷該窗口是車牌或非車牌，+1代表車牌，0代表非車牌：

雖然像素特征構(gòu)成的像素級(jí)聯(lián)檢測(cè)器對(duì)車牌和非車牌具有一定的區(qū)分能力，但是在復(fù)雜大場(chǎng)景下，具有較多的誤檢，因此在該方法檢測(cè)后需要使用HOG+SVM檢測(cè)器進(jìn)一步排除誤檢。

本發(fā)明的有益效果：

傳統(tǒng)基于AdaBoost學(xué)習(xí)的特征主要有Haar-like特征和MB-LBP特征等特征，這些特征都是一種灰度矩形特征，無法表達(dá)車牌的顯著顏色特性，并且都是矩形塊特征，對(duì)模糊和形狀變化的魯棒性不佳。并且，傳統(tǒng)Haar-like特征等特性在面對(duì)高分辨圖像時(shí)需要較大的運(yùn)算量，影響檢測(cè)方法的實(shí)時(shí)性。本發(fā)明設(shè)計(jì)的“像素級(jí)聯(lián)特征”能夠通過在像素基本對(duì)不同顏色進(jìn)行AdaBoost學(xué)習(xí)和級(jí)聯(lián)，對(duì)車牌的顯著顏色特征進(jìn)行表達(dá)，能夠達(dá)到對(duì)模糊車牌魯棒性檢測(cè)的目標(biāo)，并且能夠達(dá)到很好的實(shí)時(shí)性。

本方法能夠快速的檢測(cè)高分辨率圖像中的不同模糊程度的車牌，并且能夠達(dá)到很高的檢測(cè)率。

附圖說明

圖1為本發(fā)明像素級(jí)聯(lián)特征示意圖；

圖2(a)為本發(fā)明檢測(cè)原圖；

圖2(b)為本發(fā)明利用像素級(jí)聯(lián)檢測(cè)器的車牌感興趣區(qū)域提取結(jié)果；

圖2(c)為本發(fā)明為最終檢測(cè)結(jié)果；

圖3為本發(fā)明的檢測(cè)器結(jié)構(gòu)示意圖；

具體實(shí)施方式：

下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行詳細(xì)說明：

傳統(tǒng)基于AdaBoost學(xué)習(xí)的特征主要有Haar-like特征和MB-LBP特征等特征，這些特征都是一種灰度矩形特征，無法表達(dá)車牌的顯著顏色特性，并且都是矩形塊特征，對(duì)模糊和形狀變化的魯棒性不佳。并且傳統(tǒng)Haar-like特征等矩形特征特性導(dǎo)致了其在面對(duì)高分辨圖像時(shí)，需要較大的運(yùn)算速度，影響檢測(cè)方法的實(shí)時(shí)性。

本發(fā)明設(shè)計(jì)的“像素級(jí)聯(lián)特征”能夠通過在像素基本對(duì)不同顏色進(jìn)行AdaBoost學(xué)習(xí)和級(jí)聯(lián)，對(duì)車牌的顯著顏色特征進(jìn)行表達(dá)，能夠達(dá)到對(duì)模糊車牌魯棒性檢測(cè)的目標(biāo)，并且能夠達(dá)到很好的實(shí)時(shí)性。像素級(jí)聯(lián)特征的主要原理是：充分利用不同彩色空間對(duì)像素點(diǎn)的表達(dá)能力，使用AdaBoost學(xué)習(xí)方法學(xué)習(xí)針對(duì)像素點(diǎn)的級(jí)聯(lián)特征，并用來提取車牌顏色區(qū)域，然后針對(duì)提取的顏色區(qū)域?qū)⑾袼丶?jí)別的特征轉(zhuǎn)化成矩形特征。

如圖1所示，一種基于像素級(jí)聯(lián)特征的模糊車牌檢測(cè)方法，具體步驟如下：

基于車牌具有固定背景顏色的特點(diǎn)，提取像素的一系列不同彩色空間的值，并構(gòu)建一個(gè)彩色空間通道組成的向量X＝(x₁,x₂,...,x_n)，其中x_i是對(duì)應(yīng)第i個(gè)彩色空間的像素點(diǎn)值，共n個(gè)彩色通道，并且在X＝(x₁,x₂,...,x_n)中，不同的值都進(jìn)行了相同的歸一化操作。

對(duì)輸入圖像坐標(biāo)(i,j)像素點(diǎn)位置使用一個(gè)n維的權(quán)值向量W進(jìn)行加權(quán)相乘，并加上一個(gè)偏移值b，得到顏色通道轉(zhuǎn)換后的像素特征p_ij：

p_ij＝(W*X)_ij+b (1)

然后，使用AdaBoost方法進(jìn)行訓(xùn)練，得到權(quán)值向量W和偏移值b，其訓(xùn)練過程中使用的弱分類器定義為c，

其中，η_p是訓(xùn)練過程中得到的閾值，σ∈{+1,-1}是一個(gè)極性參數(shù)。

AdaBoost方法是一種常見的機(jī)器學(xué)習(xí)方法，它能夠通過訓(xùn)練正、負(fù)訓(xùn)練樣本得到能夠區(qū)分正負(fù)樣本的弱分類器，這些弱分類器分類能力較弱，只能得到比50％正確率高一些的分類結(jié)果，但是將不同的弱分類器加權(quán)相加得到一個(gè)具有強(qiáng)分類功能的強(qiáng)分類器，該強(qiáng)分類器能夠有效的區(qū)分正負(fù)樣本。

在檢測(cè)過程中，面對(duì)是縮放算法生成的金字塔圖像集合中的矩形檢測(cè)窗口，此需要將像素級(jí)別的特征轉(zhuǎn)化成矩形特征。記檢測(cè)窗口R，其中共有n_R個(gè)像素點(diǎn)，像素特征弱分類器c級(jí)聯(lián)像素級(jí)別的強(qiáng)分類器為C，第i個(gè)像素級(jí)別強(qiáng)分類表示為c(i)，其中c(i)包含的弱分類器表示為c(i)。Sgn函數(shù)是二值化函數(shù)，其括號(hào)內(nèi)的值大于0則sgn值為1，小于等于0則sgn值為-1，那么矩形特征強(qiáng)分類器表示為S_R：

對(duì)S_R設(shè)置閾值θ_S得到強(qiáng)分類器的分類結(jié)果函數(shù)H_p，可以判斷該窗口是車牌或非車牌(+1代表車牌，0代表非車牌)：

雖然像素特征構(gòu)成的像素級(jí)聯(lián)檢測(cè)器對(duì)車牌和非車牌具有一定的區(qū)分能力，但是在復(fù)雜大場(chǎng)景下，具有較多的誤檢，因此在該方法檢測(cè)后需要使用HOG+SVM檢測(cè)器進(jìn)一步排除誤檢。

在像素級(jí)聯(lián)特征檢測(cè)基礎(chǔ)上，設(shè)計(jì)基于HOG特征和SVM分類器的檢測(cè)方法，進(jìn)一步判斷檢測(cè)是否存在車牌。HOG特征，又稱為方向梯度直方圖(Histogram of Oriented Gradient)特征，是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測(cè)的特征描述子。它通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。HOG特征結(jié)合SVM分類器已經(jīng)被廣泛應(yīng)用于圖像識(shí)別中。本專利提取具有一定重疊的HOG特征，在50×14的最小檢測(cè)窗口下，提取的HOG特征為1944維，其參數(shù)為：一個(gè)block單元為10×4，block中每個(gè)小塊cell為5×2,步長step為5×2，方向?yàn)?個(gè)不同方向。將提取的HOG特征使用線性或非線性核函數(shù)SVM分類器，取得了較好的檢測(cè)效果。在具體的檢測(cè)結(jié)果中，圖2(a)為本發(fā)明檢測(cè)原圖；圖2(b)為本發(fā)明利用像素級(jí)聯(lián)檢測(cè)器的車牌感興趣區(qū)域提取結(jié)果；圖2(c)為本發(fā)明為最終檢測(cè)結(jié)果。

如圖3所示，一種基于像素級(jí)聯(lián)特征的模糊車牌檢測(cè)方法，在檢測(cè)過程中，整個(gè)檢測(cè)步驟如下：

(1)將待測(cè)圖像利用縮放算法生成金字塔圖像集合。

(2)通過計(jì)算“像素級(jí)聯(lián)特征”生成可供AdaBoost相關(guān)算法學(xué)習(xí)和訓(xùn)練使用的弱分類器；使用上述生成的弱分類器，建立包含不同尺寸車牌的級(jí)聯(lián)分類器結(jié)構(gòu)。

(3)利用像素級(jí)聯(lián)特征級(jí)聯(lián)結(jié)構(gòu)，在金字塔圖像集合中以預(yù)定大小步進(jìn)地判定該檢測(cè)區(qū)域內(nèi)是否存在車牌。

(4)設(shè)計(jì)基于HOG特征和SVM分類器的檢測(cè)方法，進(jìn)一步判斷檢測(cè)是否存在車牌。

(5)標(biāo)定車牌的位置，按所在的金字塔圖像及縮小比例，換算到與原始圖像中，確定所檢車牌的位置及大小。

上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。