本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
[0051]实施例
[0052]如图1所示，一种车辆无牌及车牌遮挡实时检测方法，包括步骤:
[0053](I)分别对视频每个单帧进行车牌识别和车辆检测；
[0054](2)将每帧识别到的车牌，与以往帧识别得到的车牌进行关联，综合识别后并在合适的时机输出车牌轨迹链；
[0055](3)同时，将每帧检测到的车辆，送入车辆跟踪模块，将多帧出现的同一个车辆关联起来，去除误检目标，在车辆驶出画面时输出车辆轨迹链；
[0056](4)对车牌轨迹链的综合识别结果进行分析，判断是否存在字符被遮挡的情况并给出被遮挡的字符位；
[0057](5)将车牌轨迹链和车辆轨迹链进行匹配，当没有匹配到车牌的车辆轨迹链被判断为车辆无牌。
[0058]在步骤(I)中，车牌识别和车辆检测均采用训练分类器识别，在识别前，分别在线下对车牌字符样本库和车辆图像的样本库提取特征，分别学习并建立识别模型对字符进行分类和用于判断目标是否为车辆。
[0059]车牌字符提取特征并学习建立识别模型在车牌字符样本学习模块中进行，车辆图像提取特征并学习建立识别模型在车辆样本学习模块中进行。
[0060]车牌字符样本学习模块，如图2所示。该模块使用车牌字符样本提取特征后进行训练得到分类模型，本实施例中是在字符二值图上提取网格特征、轮廓特征和密度特征，使用SVM方法进行训练，得到分类模型。
[0061]其中，车牌字符样本采用了 50324个车牌字符样本，其中车牌汉字19911个，不同字符数量分布较为均匀；字母数字合计30413个，各字符数量分布符合实际出现概率。车牌字符可以通过手动截取，也可以根据车牌识别模块的字符分割自动提取。
[0062]All、车牌字符在提取特征前，需要进行预处理操作，算法步骤如下:
[0063]Alll:将字符图像灰度化；
[0064]A112:将原来黄底、白底的车牌字符各像素点灰度值取反，即用255减去原像素值的结果作为新的灰度值；
[0065]A113:将灰度字符图像尺寸归一化为宽24X高48 ；
[0066]A114:将灰度字符图像二值化；
[0067]Al 15:对二值化字符图像进行去噪处理；
[0068]A116:重新定位二值化字符图像内前景点的边界，切除四周背景区域；
[0069]Al 17:尺寸再次归一化为宽24X高48。
[0070]A12、提取特征，本实施例采用网格特征、轮廓特征和密度特征描述字符图像，各特征提取算法步骤如下:
[0071]A121:提取网格特征，将24X48的二值化字符图像划分为72个4X4的小格子，求得每个格子里前景点的数量，将前景点数作为该格子的特征值，这样可以得到72维特征；
[0072]A122:提取轮廓特征，从左开始依次查找每行第一个前景点的位置，将其在该行中的序号作为特征值，得到左轮廓特征，共48维；同理可得48维右轮廓特征、24维上轮廓特征和24维下轮廓特征，轮廓特征共计144维；
[0073]A123:提取密度特征，密度特征统计字符图像在水平、垂直、正45°、负45°四个方向上每一条线上的跳变情况，密度特征共计61维；
[0074]A124:将上述三种特征串联起来共181维用于描述各个字符样本。
[0075]A13、训练得到分类模型，本实施例采用IibSVM工具来训练SVM分类模型，根据车牌上不同位置的字符类型不同的特点，训练三个分类模型，分别是:
[0076](I)用车牌首字符汉字及军车车牌首字母样本训练的模型；
[0077](2)用所有字母数字样本和“警”、“学”等尾汉字样本训练的模型；
[0078](3)用所有汉字、字母和数字样本训练的模型。
[0079]车辆样本学习模块，如图6所示。该模块使用正负样本(其中正样本是车辆图像)提取特征后进行训练得到分类模型，根据分类模型的结构来设计分类器。本实施例中采用人脸检测中较为常用的Haar-1ike特征，使用级联Gentleboost方法进行训练，得到级联分类器模型。本实施例中，训练正样本采用卡口监控视频中截取到的4013个车辆正样本，包含中、小车型的车头和车尾，不包含公交车、货车等大型车辆。正样本的归一化尺寸为宽32X高32，需要进行灰度化处理。负样本是3309幅各类没有车辆的各个场景背景大图。
[0080]B11、提取特征，本实施例采用Haar-1ike特征描述车辆区域图像，Haar-1ike特征提取算法的步骤如下:
[0081]Blll:根据附图10原型确定所有候选弱分类器的矩形块位置和大小块权重；
[0082]B112:记RecSum为矩形区域内灰度值之和，则按以下公式计算弱分类器特征值:
[0083]feature = wl.Re cSum(bigreet)+w2.Re cSum(smallrect)
[0084]B113:将所有弱分类器的特征串联起来用于描述一个样本图像。
[0085]B12、训练得到分类模型，本实施例采用级联Gentleboost来训练分类模型，得到的级联模型包含若干级强分类器，每级强分类器由Gentleboost训练得到的若干个单一阈值弱分类器组成。
[0086]步骤(I)分别在车牌识别模块和车辆检测模块中进行。
[0087]车牌识别模块，如图3所示，该模块识别单帧图像上的所有车牌，包含车牌定位、倾斜校正、字符分割、字符识别四个子模块。
[0088]C11、车牌定位，本实施是在全景图中检测车牌区域，算法步骤如下:
[0089]Clll:兴趣区域查找，可利用运动检测或梯度能量方法，为提高速度这一步可在缩小后的图像上进行；
[0090]C112:基于边缘投影法的粗定位，计算各兴趣区域的垂直边缘图，分别进行水平和垂直方向投影，找出投影密度值较为丰富的区域；
[0091]C113:边缘膨胀和连通域分析，对上一步区域内计算边缘点间距，根据间距统计值来对每一行做自适应膨胀，然后进行连通域分析，根据尺寸、宽高比、位置、边缘密度等特征，筛选出车牌区域。
[0092]C12、倾斜校正，计算出车牌倾斜角和错切角，然后将图像校正，对于摄像头架设情况较好的场景可不进行本项操作，本实施例主要步骤如下:
[0093]C121:提取车牌边缘图，并进行预处理，减少噪声；
[0094]C122:对边缘图进行Radon变换计算倾斜角，投影角度范围由接口传入参数控制，可计算-45?45度的倾斜角，对Radon投影数据进行分析，查找投影值较为显著的项，倾斜角即为其序号；
[0095]C123:对边缘图进行Radon变换计算错切角，根据水平倾斜角度和卡口车牌倾斜的实际情况限定投影角度范围，Radon曲线分析方法同步骤222 ;
[0096]C124:仿射变换校正图像，仿射变换矩阵由原车牌位置、倾斜角和错切角结合计笪并ο
[0097]C13、字符分割，得到车牌的精确边界，在此基础上对车牌图像进行二值化和去噪处理，最后进行字符切分，本实施例算法步骤如下:
[0098]C131:对车牌图像提取边缘图，根据跳变和投影精确定位车牌四周边界；
[0099]C132:对车牌图像二值化；
[0100]C133:将原来的黄底、白底车牌图像的二值图反色；可利用占空比等特征自动判断；
[0101]C134:去噪，去掉残留的车牌边框、铆钉、颗粒