一种复杂场景中对车牌进行定位的方法和系统的制作方法
【专利摘要】本发明公开了一种复杂场景中对车牌进行定位的方法和系统，克服目前复杂场景中车牌定位准确率较低、分类器训练时间较长以及干扰和光照变化导致定位过程鲁棒性不高的不足。该方法包括：利用扫描窗口提取图像的子图像集；通过积分图像计算子图像集中每个子图像的矩形特征值；根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果；根据过滤结果获得车牌在图像中的位置。本申请的实施例实现了在复杂场景中对车牌的精确定位。
【专利说明】一种复杂场景中对车牌进行定位的方法和系统
【技术领域】
[0001]本发明涉及智能交通系统及自动化技术，尤其涉及一种复杂场景中对车牌进行定位的方法和系统。
【背景技术】
[0002]车牌识别技术是现代智能交通系统(Intelligent Transportation System, ITS)中的重要组成部分。高效的车牌识别系统(License Plate Recognition,LPR)可以大幅度提高路网的通行能力和服务质量。
[0003]车牌识别技术主要包括车牌区域的定位、车牌字符的分割和车牌字符的识别等三个部分。其中车牌区域的定位是为了检测目标图像中是否存在车牌以及确定车牌的位置，是车牌识别技术的基础，因此车牌区域是否提取得正确并且完全，是影响整个识别技术的关键。
[0004]常用的车牌定位方法可分为两大类，一类是基于规则的方法，它针对车牌特征包括形状、字符特点、颜色、纹理等采用图像处理的方式，配合先验知识和人的分析，研究出定位车牌的规则，包括基于纹理特征的算法、基于边缘特征结合数学形态学的算法、基于颜色特征的算法、基于视频特性的算法、基于小波变换的算法，基于分级扫描的算法等，但由于边缘或者纹理特征明显的非车牌区域的干扰和光照影响等因素，单一使用这些基于规则的方法并不适合复杂场景中的车牌定位。另一类是基于机器学习的方法，它通过一个晃动窗口扫描图像，提取窗口扫过区域的特征，然后将特征输入到事先训练好的分类器中将每个扫描区域进行分类，确定出车牌区域。应用到车牌定位中的比较广泛的机器学习的方法包括神经网络、支持向量机以及Adaboost算法等，它们需要经过充足的训练和参数调整后，才具备一定的泛化能力和正确率，因此分类器的训练比较费时费力，并且可靠性不高。
[0005]在实际的复杂场景中，单纯利用少量的正负样本结合AdaBoost这种机器学习的算法，对车牌精确定位的准确率不高(一般准确率在73%左右)，还不能符合国际上车牌定位的基本要求，而利用大量样本训练分类器对于训练过程来说是一个极大的负担，训练时间过长会导致新的问题的产生，而且寻找样本的过程也费时费力。
[0006]因此，有必要在提高定位车牌准确率的同时，减少训练分类器所需的正负样本，克服边缘或者纹理特征明显的非车牌区域的干扰和光照变化等不利因素的影响，最终准确高效地定位复杂场景中的车牌。
【发明内容】
[0007]本发明所要解决的技术问题是克服目前复杂场景中车牌定位准确率较低、分类器训练时间较长以及干扰和光照变化导致定位过程鲁棒性不高的不足。
[0008]为了解决上述技术问题，本发明提供了一种复杂场景中对车牌进行定位的方法，用于在图像中定位出车牌的位置；该方法包括:
[0009]利用扫描窗口提取所述图像的子图像集；[0010]通过积分图像计算所述子图像集中每个子图像的矩形特征值；
[0011]根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果；
[0012]根据所述过滤结果获得车牌在所述图像中的位置。
[0013]其中，根据所述训练样本获得所述级联分类器，包括:
[0014]根据矩形特征计算所述训练样本的特征值；
[0015]根据所述特征值训练弱分类器并形成弱分类器集；
[0016]根据所述弱分类器集构建强分类器；
[0017]利用根据不同矩形特征构建的强分类器获得所述级联分类器。
[0018]其中，根据所述过滤结果获得车牌在所述图像中的位置，包括:
[0019]根据所述过滤结果在所述图像中定位出车牌所在行；
[0020]在所述车牌所在行中确定包含车牌的候选区域；
[0021]根据车牌宽高比从所述候选区域中定位出车牌的位置。
[0022]其中，在所述车牌所在行中确定包含车牌的候选区域，包括:
[0023]对所述车牌所在行进行灰度化处理，得到灰度图；
[0024]对所述灰度图进行垂直边缘检测，获得垂直边缘检测结果；
[0025]对所述垂直边缘检测结果进行二值化处理，获得二值化结果；
[0026]对所述二值化结果进行垂直投影，获得所述候选区域。
[0027]本申请的实施例还提供了一种复杂场景中对车牌进行定位的系统，用于在图像中定位出车牌的位置；该系统包括:
[0028]提取模块，利用扫描窗口提取所述图像的子图像集；
[0029]计算模块，通过积分图像计算所述子图像集中每个子图像的矩形特征值；
[0030]过滤模块，根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果；
[0031]定位模块，根据过滤结果获得车牌在所述图像中的位置。
[0032]其中，所述定位模块包括:
[0033]第一定位单元，根据所述过滤结果在所述图像中定位出车牌所在行；
[0034]确定单元，在所述车牌所在行中确定包含车牌的候选区域；
[0035]第二定位单元，根据车牌宽高比从所述候选区域中定位出车牌的位置。
[0036]其中，所述确定单元包括:
[0037]灰度处理子单元，对所述车牌所在行进行灰度化处理，得到灰度图；
[0038]检测处理子单元，对所述灰度图进行垂直边缘检测，获得垂直边缘检测结果；
[0039]二值化处理子单元，对所述垂直边缘检测结果进行二值化处理，获得二值化结果;
[0040]垂直投影子单元，对所述二值化结果进行垂直投影，获得所述候选区域。
[0041]与现有技术相比，本申请的实施例实现了在复杂场景中对车牌的精确定位。本申请的实施例利用AdaBoost算法训练的级联分类器可以在前几级就排除大量伪车牌的干扰，并且机器学习的方法可以从一定程度上克服光照变化的影响。定位出车牌所在行后，再利用投影法在小范围内精确定位出车牌的左右边界，因此光照变化也不会在该小范围内产生巨大的影响，通过基于规则和机器学习的方法的定位实现了完整车牌的精确定位。
【专利附图】
【附图说明】
[0042]附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
[0043]图1为本申请实施例的复杂场景中对车牌进行定位的方法的流程示意图。
[0044]图2为本申请实施例中获得级联分类器的流程示意图。
[0045]图3为本申请实施例述及的矩形特征示意图。
[0046]图4为本申请实施例述及的车牌特征描绘示意图。
[0047]图5 (a)和图5 (b)为本申请实施例中利用积分图计算车牌矩形特征值的示意图。
[0048]图6为本申请实施例级联分类器筛选车牌的示意图。
[0049]图7为本申请实施例的复杂场景中对车牌进行定位的系统的构造示意图。
[0050]图8为本申请实施例中的定位模块的构造示意图。
[0051]图9为本申请实施例中的确定单元的构造示意图。
【具体实施方式】
[0052]以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。
[0053]本申请实施例的复杂场景中对车牌进行定位的方法和系统，用于在图像中定位出车牌的位置。本申请实施例所述的复杂场景，主要是指不同时间段和不同光照条件下实地的街道、马路、商场、地下停车场等。
[0054]本申请的实施例可以利用复杂场景下的各种车牌图像，包括特写图像以及低质量图像等，配合网上下载的一些车牌图像进行测试。
[0055]如图1所示，本申请实施例的复杂场景中对车牌进行定位的方法，主要包括如下步骤:
[0056]步骤S110，利用扫描窗口提取图像的子图像集。
[0057]步骤S120，通过积分图像计算子图像集中每个子图像的矩形特征值。
[0058]步骤S130，根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过 滤，获得过滤结果。
[0059]步骤S140，根据过滤结果获得车牌在图像中的位置。
[0060]本申请实施例中，级联分类器需要通过训练的方式来获得。图2示出了训练获得级联分类器的主要步骤。
[0061]步骤S210，收集少量的车牌正样本和非车牌负样本作为训练样本(a” S1), (a2, s2),...(an, sn),其中，Si = I 为正样本,共 p 个！Si = O 为负样本，共 q 个；p+q=η ;每个样本赋予一个初始化权重:
【权利要求】
1.一种复杂场景中对车牌进行定位的方法，用于在图像中定位出车牌的位置；其特征在于，该方法包括: 利用扫描窗口提取所述图像的子图像集； 通过积分图像计算所述子图像集中每个子图像的矩形特征值； 根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果； 根据所述过滤结果获得车牌在所述图像中的位置。
2.根据权利要求1所述的方法，其特征在于，根据所述训练样本获得所述级联分类器，包括: 根据矩形特征计算所述训练样本的特征值； 根据所述特征值训练弱分类器并形成弱分类器集； 根据所述弱分类器集构建强分类器； 利用根据不同矩形特征构建的强分类器获得所述级联分类器。
3.根据权利要求1所述的方法，其特征在于，根据所述过滤结果获得车牌在所述图像中的位置，包括: 根据所述过滤结果在所述图像中定位出车牌所在行； 在所述车牌所在行中确定包含车牌的候选区域； 根据车牌宽高比从所述候选区域中定位出车牌的位置。
4.根据权利要求3所述的方法，其特征在于，在所述车牌所在行中确定包含车牌的候选区域，包括: 对所述车牌所在行进行灰度化处理，得到灰度图； 对所述灰度图进行垂直边缘检测，获得垂直边缘检测结果； 对所述垂直边缘检测结果进行二值化处理，获得二值化结果； 对所述二值化结果进行垂直投影，获得所述候选区域。
5.一种复杂场景中对车牌进行定位的系统，用于在图像中定位出车牌的位置；其特征在于，该系统包括: 提取模块，利用扫描窗口提取所述图像的子图像集； 计算模块，通过积分图像计算所述子图像集中每个子图像的矩形特征值； 过滤模块，根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果； 定位模块，根据过滤结果获得车牌在所述图像中的位置。
6.根据权利要求5所述的系统，其特征在于，所述定位模块包括: 第一定位单元，根据所述过滤结果在所述图像中定位出车牌所在行； 确定单元，在所述车牌所在行中确定包含车牌的候选区域； 第二定位单元，根据车牌宽高比从所述候选区域中定位出车牌的位置。
7.根据权利要求6所述的系统，其特征在于，所述确定单元包括: 灰度处理子单元，对所述车牌所在行进行灰度化处理，得到灰度图； 检测处理子单元，对所述灰度图进行垂直边缘检测，获得垂直边缘检测结果； 二值化处理子单元，对所述垂直边缘检测结果进行二值化处理，获得二值化结果；垂直投影子单元，对所述二值化结果进行垂直投影，获得所述候选区域。
【文档编号】G06K9/66GK103903018SQ201410132465
【公开日】2014年7月2日 申请日期:2014年4月2日 优先权日:2014年4月2日
【发明者】熊继平, 汤清华, 赵健 申请人:浙江师范大学