一种车牌检测方法及装置制造方法
【专利摘要】本发明适用于图像处理领域，提供了一种车牌检测方法及装置，所述方法包括下述步骤：使用HOG模型对图像进行多尺度检测，并提取通过HOG模型检测的方框区域；对图像进行边缘计算，并计算经过边缘计算后的图像的积分图，获取得到图像的边缘积分图；在所述边缘积分图上获取通过HOG模型检测的方框区域，计算通过HOG模型检测的方框区域的边缘密度，提取边缘密度大于等于阈值的方框；通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域。本发明通过HOG特征对图像进行检测，然后进行边缘检测和边缘密度检测，最后通过Haar模型检测出车牌区域。
【专利说明】—种车牌检测方法及装置
【技术领域】
[0001]本发明属于图像处理领域，尤其涉及一种车牌检测方法及装置。
【背景技术】
[0002]车牌识别已经被广泛使用在停车场出入口，商厦出入口等地方。车牌识别一般分为车牌检测，字符分割与识别以及车牌投票这三步。车牌检测，即从视频中检测到车牌，而车票检测又是车牌识别中非常重要的一步，也是最耗时的一步。车牌检测就是在车辆图像中检测车牌的位置。由于车牌识别设备一般都是在室外使用，车牌和背景的成像条件是不可控制的，光照，复杂背景，摄像机的安装角度和距离等给车牌检测带来了困难。车牌区域在整幅图像中所占的比例较小，要从整幅图像中检测出车牌区域必然要在大量的背景信息中进行搜索。现实生活中对车牌的识别应用场景都有对时间的限制，因此更加需要快速检测到车牌。基于视频的车牌检测方法有很多，包括基于线模板的二值化图像中的角检测算法，利用遗传算法检测车牌，还有基于Haar特征的Adaboost检测等。其中基于Haar特征的Adaboost训练模型进行全图搜索。该方法检测率高，但速度慢，全图进行Haar检测能准确检测到车牌，但是运算量大，如果应用在嵌入式设备中，嵌入式设备的运算速度难以达到要求。另外Haar检测对角度要求高，如果车牌角度超过了 30度就会出现一定的漏检。
【发明内容】
[0003]本发明实施例的目的在于提供一种车牌检测方法及装置，旨在提供一种车牌检测方法，通过HOG特征对图像进行检测，然后进行边缘检测和边缘密度检测，最后通过Haar模型检测出车牌区域。
[0004]本发明实施例是这样实现的，一种车牌检测方法，所述方法包括下述步骤:
[0005]使用HOG模型对图像进行多尺度检测，并提取通过HOG模型检测的方框区域；
[0006]对图像进行边缘计算，并计算经过边缘计算后的图像的积分图，获取得到图像的边缘积分图；
[0007]在所述边缘积分图上获取通过HOG模型检测的方框区域，计算通过HOG模型检测的方框区域的边缘密度，提取边缘密度大于等于阈值的方框；
[0008]通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域。
[0009]进一步的，所述方法在使用HOG模型对图像进行多尺度检测的步骤前包括:
[0010]对图像进行转换，将图像转换为灰度图；
[0011]对图像进行缩放。
[0012]进一步的，所述方法在对图像进行转换，将图像转换为灰度图的步骤前还包括:
[0013]根据采集的正负样本，建立HOG模型。
[0014]进一步的，所述方法在通过Haar模型对边缘密度大于等于阈值的方框进行检测步骤前还包括:[0015]对边缘密度大于等于阈值的方框进行平分，并计算平分后各方框的平均边缘密度，根据平均边缘密度得到平均边缘密度偏差，标定偏差在阈值范围内的方框为类似车牌方框。
[0016]进一步的，所述通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域的步骤包括:
[0017]通过级联的Adaboost算法对Haar特征进行训练得到Haar模型；
[0018]通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域。
[0019]本发明实施例的另一目的在于提供一种车牌检测装置，所述装置包括:
[0020]方框区域提取单元，用于使用HOG模型对图像进行多尺度检测，并提取通过HOG模型检测的方框区域；
[0021]积分图计算单元，用于对图像进行边缘计算，并计算经过边缘计算后的图像的积分图，获取得到图像的边缘积分图；
[0022]方框提取单元，用于在所述边缘积分图上获取通过HOG模型检测的方框区域，计算通过HOG模型检测的方框区域的边缘密度，提取边缘密度大于等于阈值的方框；
[0023]车牌区域检测单元，用于通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域。
[0024]进一步的，所述装置还包括:
[0025]图像转换缩放单元，用于对图像进行转换，将图像转换为灰度图；对图像进行缩放。进一步的，所述装置还包括:
[0026]图像转换单元，用于对图像进行转换，将图像转换为灰度图。
[0027]进一步的，所述装置还包括:
[0028]标定单元，用于对边缘密度大于等于阈值的方框进行平分，并计算平分后各方框的平均边缘密度，根据平均边缘密度得到平均边缘密度偏差，标定偏差在阈值范围内的方框为类似车牌方框。
[0029]进一步的，所述车牌区域检测单元还包括:
[0030]模型训练单元,用于通过级联的Adaboost算法对Haar特征进行训练得到Haar模型；
[0031]精确检测单元，用于通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域。
[0032]本发明实施例通过一种车牌检测方法及装置，首先通过HOG特征获取得到一些方框区域，同时对图像进行边缘计算计算得到图像的边缘积分图，通过得到的方框区域与边缘积分图再精确提取出符合预设条件的方框，最后通过Haar模型检测出车牌区域，由于首先采用了 HOG特征进行检测可以实现大角度检测，同时HOG特征的模型对光线鲁棒，使得最后通过Haar模型检测到车牌的概率更高。
【专利附图】
【附图说明】
[0033]图1是本发明第一实施例提供的一种车牌检测方法的实现流程图；
[0034]图2是本发明第二实施例提供的一种车牌检测方法的实现流程图；[0035]图3是本发明第二实施例提供的一种车牌检测装置的结构图；以及
[0036]图4是本发明第二实施例提供的一种车牌检测装置的结构图。
【具体实施方式】
[0037]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0038]以下结合具体实施例对本发明的具体实现进行详细描述:
[0039]实施例一:
[0040]图1示出了本发明第一实施例提供的一种车牌检测方法的实现流程，详述如下:
[0041]S101，使用HOG模型对图像进行多尺度检测，并提取通过HOG模型检测的方框区域。
[0042]使用H0G(Histogram of oriented gradients)梯度方向直方图特征对每一幅正、负样本进行表征，形成HOG特征向量。HOG刻画图像的局部梯度幅值和方向特征，基于梯度特征对块的特征向量进行归一化处理。HOG允许块之间相互重叠，因此对光照变化和小量的偏移并不敏感，能有效地刻画出边缘特征。对于角度大的车牌检测效果好。之后通过形成的HOG特征向量建立HOG模型，通过HOG模型进行多尺度检测，对图像中每个能通过HOG验证的区域，都用一个方框区域显示，提取通过HOG模型检测的方框区域。
[0043]S102，对图像进行边缘计算，并计算经过边缘计算后的图像的积分图，获取得到图像的边缘积分图。
[0044]根据经验，车牌一般都处在边缘比较密集且分布均匀的区域，计算图像全图的边缘，为了搜索的方便，再计算经过边缘计算后的全图的积分图，这里称为边缘积分图，获取得到图像的边缘积分图。
[0045]S103，在所述边缘积分图上获取通过HOG模型检测的方框区域，计算通过HOG模型检测的方框区域的边缘密度，提取边缘密度大于等于阈值的方框。
[0046]使用获得的方框区域在边缘积分图上框出疑似车牌区域，再通过积分图计算这些区域的边缘密度，删除灰度图中边缘密度小于阈值的方框，提取边缘密度大于等于阈值的方框。
[0047]S104，通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域。
[0048]检测结束后对剩下的方框进行聚类操作，将每一类所有方框所占面积连起来形成块，之后通过Haar模型对剩下的块进行检测获得精确的车牌，检测出精确的车牌区域。
[0049]本发明实施例通过上述方式，一种车牌检测方法，首先通过HOG特征获取得到一些方框区域，同时对图像进行边缘计算计算得到图像的边缘积分图，通过得到的方框区域与边缘积分图再精确提取出符合预设条件的方框，最后通过Haar模型检测出车牌区域，由于首先采用了 HOG特征进行检测可以实现大角度检测，同时HOG特征的模型对光线鲁棒，使得最后通过Haar模型检测到车牌的概率更高。
[0050]实施例二:
[0051]图2示出了本发明第二实施例提供的一种车牌检测方法的实现流程，详述如下:[0052]S201，根据采集的正负样本，建立HOG模型。
[0053]选取出大量车牌图片和非车牌图片作为训练集的正、负样本，选取的过程可以通过人工的方式进行选取，之后使用HOG特征对每一幅正、负样本进行表征，形成特征向量，建立HOG模型。
[0054]。
[0055]S202，对图像进行转换，将图像转换为灰度图；对图像进行缩放。
[0056]首先将摄像头在捕捉到的图像进行图像转换处理，将图像转换为灰度图像，通过将图像转换为灰度图像，可以减少对图像处理的计算量；将转换后的图像进行缩放，具体的实施过程中可以把图片的宽度和高度各减少一半。将图像进行缩放后可以进一步减少对图像的计算量，提高检测出车牌区域的速度。
[0057]S203，使用HOG模型对图像进行多尺度检测，并提取通过HOG模型检测的方框区域。
[0058]使用HOG模型对图像进行多尺度检测，其中HOG模型的获取可以通过摄像头在各个时段和天气条件下拍摄并储存大量停车场出入口的视频。在这些视频中，人工截取出每辆车的车牌图像，车牌图像作为正样本，人工截取出其中不是车牌的部分，截取出的非车牌图片作为负样本。使用HOG特征对每一幅正、负样本进行表征，形成HOG特征向量。HOG刻画图像的局部梯度幅值和方向特征，基于梯度特征对块的特征向量进行归一化处理。HOG允许块之间相互重叠，因此对光照变化和小量的偏移并不敏感，能有效地刻画出边缘特征。对于角度大的车牌检测效果好。HOG特征是灰度图的梯度统计信息，而梯度主要存在于边缘的地方。计算图像的一阶梯度，梯度大小:
【权利要求】
1.一种车牌检测方法，其特征在于，所述方法包括下述步骤: 使用HOG模型对图像进行多尺度检测，并提取通过HOG模型检测的方框区域； 对图像进行边缘计算，并计算经过边缘计算后的图像的积分图，获取得到图像的边缘积分图； 在所述边缘积分图上获取通过HOG模型检测的方框区域，计算通过HOG模型检测的方框区域的边缘密度，提取边缘密度大于等于阈值的方框； 通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域。
2.如权利要求1所述的方法，其特征在于，所述方法在使用HOG模型对图像进行多尺度检测的步骤前包括: 对图像进行转换，将图像转换为灰度图； 对图像进行缩放。
3.如权利要求2所述的方法，其特征在于，所述方法在对图像进行转换，将图像转换为灰度图的步骤前还包括: 根据采集的正负样本，建立HOG模型。
4.如权利要求1所述的方法，其特征在于，所述方法在通过Haar模型对边缘密度大于等于阈值的方框进行检测步骤前还包括: 对边缘密度大于等于阈值的方框进行平分，并计算平分后各方框的平均边缘密度，根据平均边缘密度得到平均边缘密度偏差，标定偏差在阈值范围内的方框为类似车牌方框。
5.如权利要求1所述的方法，其特征在于，所述通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域的步骤包括: 通过级联的Adaboost算法对Haar特征进行训练得到Haar模型； 通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域。
6.一种车牌检测装置，其特征在于，所述装置包括: 方框区域提取单元，用于使用HOG模型对图像进行多尺度检测，并提取通过HOG模型检测的方框区域； 积分图计算单元，用于对图像进行边缘计算，并计算经过边缘计算后的图像的积分图，获取得到图像的边缘积分图； 方框提取单元，用于在所述边缘积分图上获取通过HOG模型检测的方框区域，计算通过HOG模型检测的方框区域的边缘密度，提取边缘密度大于等于阈值的方框； 车牌区域检测单元，用于通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域。
7.如权利要求5所述的装置，其特征在于，所述装置还包括: 图像转换缩放单元，用于对图像进行转换，将图像转换为灰度图；对图像进行缩放。
8.如权利要求6所述的装置，其特征在于，所述装置还包括: 模型建立单元，根据采集的正负样本，建立HOG模型。
9.如权利要求6所述的装置，其特征在于，所述装置还包括: 标定单元，用于对边 缘密度大于等于阈值的方框进行平分，并计算平分后各方框的平均边缘密度，根据平均边缘密度得到平均边缘密度偏差，标定偏差在阈值范围内的方框为类似车牌方框。
10.如权利要求6所述的装置，其特征在于，所述车牌区域检测单元还包括: 模型训练单元，用于通过级联 的Adaboost算法对Haar特征进行训练得到Haar模型；精确检测单元，用于通过Haar模型对边缘密度大于等于阈值的方框进行检测，检测得到精确的车牌区域。
【文档编号】G06K9/66GK103745197SQ201310739338
【公开日】2014年4月23日 申请日期:2013年12月27日 优先权日:2013年12月27日
【发明者】唐健, 李昕, 李锐 申请人:深圳市捷顺科技实业股份有限公司