专利名称：一种基于机器学习的车牌检测方法
技术领域：
本发明属于模式识别技术领域，具体涉及一种基于机器学习的车牌检测方法。
背景技术：
汽车牌照识别LPR(License Plate Recognition)系统是计算机视觉与模式识别技术在智能交通领域应用的重要研究课题之一。它在道路交通监控、被盗车辆跟踪、停车场管理等方面有广泛的应用前景。作为智能交通系统的重要组成部分，车辆牌照识别系统可以大大提高车辆管理工 作的效率，加快交通管理自动化、智能化的步伐。而车牌检测是车辆牌照识别系统完成车辆图像采集后对图像处理的第一步，它的好坏直接关系到整个系统识别率的高低，因此，如何快速、准确地检测出车牌是汽车牌照自动识别技术中非常关键的一步。目前国内外许多学者对汽车牌照自动识别技术进行了大量的研究，并取得了一些成果。检索该领域目前已有的文献，我们发现现有车牌检测算法沿用两条技术路线，一条技术路线是对车牌灰度图像进行处理，另一条技术路线则针对车牌彩色图像进行处理。在现实中，由于车牌图像背景复杂，车辆种类和颜色变化繁多，拍摄视角的变化，以及由于不同天气变化而导致的不同光照条件等诸多因素，使得车牌快速、准确检测难度较大。此外，大型民用车辆、小型民用车辆、外交使馆车辆以及军警特殊车辆，其车牌颜色与制式均有所不同，对不同类型车辆的车牌图像进行灰度化处理后其外观对比形式也有所差别，例如小型民用车辆的“蓝底白字”牌照灰度化后变成“深色底浅色字”牌照，大型民用车辆的“黄底黑字”牌照灰度化后变成“浅色底深色字”牌照。因此，如何快速、准确地在复杂场景中提取出车牌目标是现有车牌识别技术中有待进一步解决的问题。
发明内容
为了解决快速、准确地从复杂场景中检测车牌的技术问题，本发明提供了一种基于机器学习的车牌检测方法。—种基于机器学习的车牌检测方法，包括以下步骤(I)对原始彩色图像进行灰度化处理，然后对处理后所得到的灰度图像进行中值滤波；(2)计算中值滤波后所得到的灰度图像中除上、下、左、右边缘像素外的每一个像素的梯度幅值，从而得到灰度图像所对应的梯度图像；(3)在梯度图像中进行多尺度的候选区域提取，利用预先训练好的级联Adaboost分类器对梯度图像的各候选区域进行车牌检测，若该候选区域能检测出车牌，则保留该候选区域；反之，则剔除该候选区域；(4)对保留的各车牌候选区域进行二值化处理，并对所得到的各二值化图像进行形态学处理以标记保留的各车牌候选区域的连通域；(5)对于保留的每一车牌候选区域，若其连通域个数大于最小连通域个数阈值MinNumber_T且小于最大连通域个数阈值MaxNumber_T,则标记该车牌候选区域为真实车牌区域；反之，则标记为准伪车牌区域。进一步地,所述步骤(3)中的级联Adaboost分类器通过将依据多个训练样本集训练得到的强分类器级联得到，其中依据训练样本集进行强分类器的训练按照如下方式实现定义训练样本集(X1,Y1) (x2, y2)......(xn, yn), Ii e O, Ii = I, 2... η,初始化样本
权重W1, i； Xi是第i个输入训练样本，Yi是第i个样本类别标志；当= O,表示该样本是负样本即非车牌图像，当yi = I时，表示该样本是正样本即车牌图像，η是训练样本总数；(21)令迭代次数t = I(22)归一化权重
权利要求
1.一种基于机器学习的车牌检测方法，包括以下步骤 (1)对原始彩色图像进行灰度化处理，然后对处理后所得到的灰度图像进行中值滤波； (2)计算中值滤波后所得到的灰度图像中除上、下、左、右边缘像素外的每一个像素的梯度幅值，从而得到灰度图像所对应的梯度图像； (3)在梯度图像中进行多尺度的候选区域提取，利用预先训练好的级联Adaboost分类器对梯度图像的各候选区域进行车牌检测，若该候选区域能检测出车牌，则保留该候选区域；反之，则剔除该候选区域； (4)对保留的各车牌候选区域进行二值化处理，并对所得到的各二值化图像进行形态学处理以标记保留的各车牌候选区域的连通域； (5)对于保留的每一车牌候选区域，若其连通域个数大于最小连通域个数阈值MinNumber_T且小于最大连通域个数阈值MaxNumber_T,则标记该车牌候选区域为真实车牌区域；反之，则标记为准伪车牌区域。
2.根据权利要求I所述基于机器学习的车牌检测方法，其特征在于，所述步骤(3)中的级联Adaboost分类器通过将依据多个训练样本集训练得到的强分类器级联得到，其中依据训练样本集进行强分类器的训练按照如下方式实现 定义训练样本集(X1, Y1) (x2, y2)......(xn, yn), Yi G 0, Ii = I, 2. . . n,初始化样本权重Wlji5Xi是第i个输入训练样本，Yi是第i个样本类别标志；当= 0，表示该样本是负样本即非车牌图像，当yi = I时，表示该样本是正样本即车牌图像，n是训练样本总数； (21)令迭代次数t= I (22)归一化权重乞
3.根据权利要求I或2所述的基于机器学习的车牌检测方法，其特征在于，还包括步骤(6):在准伪车牌区域内进行多尺度的子区域提取，利用预先样本训练好的支持向量机SVM对准伪车牌区域内的各子区域进行车牌检测，若同时被检测为包含车牌的相邻子区域数目大于预定值，则将这些检测为包含车牌的相邻子区域进行合并，从而得到真实车牌区域。
4.根据权利要求3所述的一种基于机器学习的车牌检测方法，所述步骤(6)所述的SVM选用HOG特征训练得到。
全文摘要
本发明公开了一种基于机器学习的车牌检测方法，首先将原始彩色图像转换为梯度图像；然后结合Adaboost快速检测且虚警率低的特点，采用多尺度遍历搜索方式对车牌目标进行检测；最后将检测结果二值化和形态学处理，根据国内车牌字符特点对检测结果进行评判，标记车牌区域与准伪车牌区域。进一步，还提取准伪车牌区域特征，采用SVM对准伪车牌区域进行多尺度遍历识别，最后对识别结果评判输出。本发明采用梯度图像表示方法，从而将车辆牌照外观表现形式实现统一，利用Adaboost多尺度遍历搜索方式，能快速、有效地从复杂场景中提取出不同车牌；最后结合SVM对准伪车牌区域进行识别，进一步降低了虚警提高了检测率；其在道路交通监控、停车场管理等方面有广泛的应用前景。
文档编号G06K9/66GK102968646SQ201210411259
公开日2013年3月13日 申请日期2012年10月25日 优先权日2012年10月25日
发明者王润民, 桑农, 王岳环, 罗大鹏, 宋萌萌, 党小迪, 傅慧妮, 谢晓民 申请人:华中科技大学