一种多类型车牌检测方法及系统的制作方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，特别涉及一种多类型车牌检测方法及系统。
【背景技术】
[0002] 目前，国内市场上的车牌识别设备更多的是使用嵌入式设备。嵌入式设备比较稳 定，但是最大的问题的是运算能力较弱，一般有单帧识别与视频流识别两种模式。单帧识别 一般对一帧图像进行识别，对实时性要求比较低。视频流模式对实时性要求很高，如果要达 到实时性的要求，必须精简算法。
[0003] 目前，车牌识别设备已经被广泛应用于停车场、城市道路、高速公路等区域进行车 辆号牌的自动抓拍和识别。传统的车牌识别设备仅针对常见的民用车牌，例如蓝牌，黄牌和 黑牌（民用）进行识别。这些车牌的宽高比比较近似，号牌上的字符的个数以及分布比较 接近。因此可以使用相似的方法来解决不同车牌种类的识别问题。
[0004] 然而目前市面还存在其他类别的车牌，例如警牌，武警车牌，军牌，使馆牌等。另外 武警牌和军牌还分单双层牌。这些车牌的宽高比与普通车牌比，有较大差异。例如单层军 牌的宽高比比普通蓝牌要多30%，单层武警牌的宽高比甚至多50%。而双层军牌和双层武 警牌照比较窄，但是比较高。如果用常规的方法检测双层军牌和双层武警牌，容易出现漏掉 上层字符的情况。
[0005] 因此，如何对多种车牌进行准确的识别，是本领域技术人员需要解决的技术问题。
【发明内容】
[0006] 本发明的目的是提供一种多类型车牌检测方法，该方法能够对多种车牌进行准确 的识别；本发明的另一目的是提供一种多类型车牌检测系统。
[0007] 为解决上述技术问题，本发明提供一种多类型车牌检测方法，包括：
[0008] 获取车牌图像；
[0009] 分别利用预定短车牌参数和预定长车牌参数对所述车牌图像进行车牌粗检，得到 粗检区域；
[0010] 利用车牌过滤器对所述粗检区域进行筛选，得到车牌粗检区域；
[0011] 利用车牌分类器对所述车牌粗检区域进行检测，确定车牌类别。
[0012] 其中，对分别利用预定短车牌参数和预定长车牌参数对所述车牌图像进行车牌粗 检，得到粗检区域包括：
[0013] 将所述车辆图像转化为灰度图像，并计算所述灰度图像的边缘密度积分图；
[0014] 通过所述灰度图像的边缘密度积分图，计算粗检窗口区域的平均边缘密度，保留 平均边缘密度大于预定密度的窗口区域；
[0015] 对所述窗口区域利用面积重合度进行聚类操作，并选取同一类中边缘密度最大的 窗口区域；
[0016] 将每类中边缘密度最大的窗口区域的窗口的长和宽均扩大预定数值，形成扩大后 窗口区域；
[0017] 根据每个所述扩大后窗口区域进行水平投影，得到统计曲线，并根据所述统计曲 线确定字符区域；
[0018] 将所述字符区域的高作为划窗的高，将所述字符区域的高分别乘以预定短宽高比 和预定长宽高比得到划窗的两个宽，确定短划窗的高和宽，以及长划窗的高和宽；
[0019] 分别利用所述短划窗和所述长划窗对所述字符区域进行划窗运动，并记录计算得 到的边缘密度值，保留边缘密度值最大的区域为粗检区域。
[0020] 其中，所述通过所述灰度图像的边缘密度积分图，计算粗检窗口区域的平均边缘 密度还包括将所述粗检窗口区域按照预定比例进行扩大。
[0021] 其中，所述车牌过滤器的训练方法包括：
[0022] 分别获取每类车牌的视频图像，并保存对所述视频图像进行粗检后的图像；
[0023] 将每类所述图像中包含车牌图像的图像作为正样本，将每类所述图像中不包含车 牌图像的图像作为负样本；
[0024] 利用局部二值模式LBP特征提取方法提取所述正样本和所述负样本的LBP特征；
[0025] 使用支持向量机SVM算法对所述正样本和所述负样本的LBP特征进行训练，获得 车牌过滤器。
[0026] 其中，所述车牌分类器的训练方法包括：
[0027] 获取车牌正样本和车牌负样本；
[0028] 利用局部二值模式LBP特征提取方法提取所述车牌正样本和所述车牌负样本的 LBP特征；
[0029] 使用方向梯度直方图HOG特征对所述车牌正样本和所述车牌负样本进行表征，形 成方向梯度直方图HOG特征；
[0030] 提取所述车牌正样本和所述车牌负样本的颜色特征；
[0031] 使用支持向量机SVM算法对所述车牌正样本和所述车牌负样本的LBP特征、HOG特 征及颜色特征进行训练，获得车牌分类器。
[0032] 其中，所述的多类型车牌检测方法还包括：
[0033] 利用车牌分类器对所述车牌粗检区域进行检测，确定车牌的位置信息。
[0034] 本发明提供一种多类型车牌检测系统，包括：
[0035] 获取模块，用于获取车牌图像；
[0036] 粗检模块，用于分别利用预定短车牌参数和预定长车牌参数对所述车牌图像进行 车牌粗检，得到粗检区域；
[0037] 筛选模块，用于利用车牌过滤器对所述粗检区域进行筛选，得到车牌粗检区域；
[0038] 分类模块，用于利用车牌分类器对所述车牌粗检区域进行检测，确定车牌类别。
[0039] 其中，包括车牌过滤器训练模块，用于分别获取每类车牌的视频图像，并保存对所 述视频图像进行粗检后的图像；将每类所述图像中包含车牌图像的图像作为正样本，将每 类所述图像中不包含车牌图像的图像作为负样本；利用局部二值模式LBP特征提取方法提 取所述正样本和所述负样本的LBP特征；使用支持向量机SVM算法对所述正样本和所述负 样本的LBP特征进行训练，获得车牌过滤器。
[0040] 其中，包括车牌分类器训练模块，用于获取车牌正样本和车牌负样本；利用局部二 值模式LBP特征提取方法提取所述车牌正样本和所述车牌负样本的LBP特征；使用方向 梯度直方图HOG特征对所述车牌正样本和所述车牌负样本进行表征，形成方向梯度直方图 HOG特征；提取所述车牌正样本和所述车牌负样本的颜色特征；使用支持向量机SVM算法对 所述车牌正样本和所述车牌负样本的LBP特征、HOG特征及颜色特征进行训练，获得车牌分 类器。
[0041] 其中，所述的多类型车牌检测系统还包括：
[0042] 位置模块，用于利用车牌分类器对所述车牌粗检区域进行检测，确定车牌的位置 信息。
[0043] 本发明所提供的多类型车牌检测方法，包括：获取车牌图像；分别利用预定短车 牌参数和预定长车牌参数对所述车牌图像进行车牌粗检，得到粗检区域；利用车牌过滤器 对所述粗检区域进行筛选，得到车牌粗检区域；利用车牌分类器对所述车牌粗检区域进行 检测，确定车牌类别。
[0044] 该方法通过对获取的车牌图像利用两种不同的窗口参数即预定短车牌参数和预 定长车牌参数对车牌图像进行车牌粗检；能够得到较为准确的粗检区域。再通过对多种车 牌图像进行训练的车牌过滤器对粗检区域进行筛选，确定具有车牌的车牌粗检区域，在利 用通过对多种车牌图像进行训练得到的车牌分类器，可以精确的确定车牌粗检区域中的车 牌是什么类型；该方法能够对多种车牌进行准确的识别，具有速度快、准确率高的特点。
【附图说明】
[0045] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 提供的附图获得其他的附图。
[0046] 图1为本发明实施例提供的一种多类型车牌检测方法的流程图；
[0047] 图2为本发明实施例提供的一种车牌粗检过程的流程图；
[0048] 图3为本发明实施例提供的一种车牌过滤器的训练方法的流程图；
[0049] 图4为本发明实施例提供的一种车牌分类器的训练方法的流程图；
[0050] 图5为本发明实施例提供的另一多类型车牌检测方法的流程图；
[0051] 图6为本发明实施例提供的一种多类型车牌检测系统的结构框图。
【具体实施方式】
[0052] 本发明的核心是提供一种多类型车牌检测方法，该方法能够对多种车牌进行准确 的识别；本发明的另一核心是提供一种多类型车牌检测系统。
[0053] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054] 目前，对于单帧识别模式，由于对实时性要求相对较低，可以通过先粗检找到车牌 的大约位置，然后使用多个不同的车牌分类器去精确检测车牌。然而对于视频流模式，这种 方法无法满足实时性的需求。
[0055] 现有设备的使用的方法是先通过粗检的方式搜索到包含车牌的区域，然后再使用 车牌分类器（例如基于Haar特征，使用Adaboost算法训练得到）进行精检测来判定车牌的 真实位置。由于这些车牌的宽高比比较近似，号牌上的字符的个数以及分布比较接近。这 种方法具有实时性好，检测率高的好处。但是不能实现对多种车牌进行识别。
[0056] 本发明可以是使用视频