一种车牌的定位方法及定位装置与流程

本发明涉及图像处理领域，具体涉及一种车牌的定位方法及定位装置。

背景技术：

车牌定位任务的目的是在一幅图像中定位出车牌的位置，它是智能交通领域中车牌识别系统最基础的一个步骤，从一幅图像中定位出车牌所处的区域之后，便可以进一步的识别该区域内的车牌号码。

目前常用的、成熟的车牌定位方法主要为机器学习方法，机器学习的主要思路为：采集大量的车牌正负样本数据，构建用以表述正负样本数据的特征集合，现有技术中常见的特征包括矩形特征(haar-like)、局部二值模式特征(LBP)和方向梯度直方图(Hog)特征等，利用特征集合对基于学习的分类器进行训练，得到车牌分类器，之后可以利用得到的车牌分类器对图像进行区域搜索，确定包括车牌的子区域，从而定位出车牌的位置。

但是，现有技术构建特征需要建立在图像识别的基础上，因此需要大量的数据处理过程，产生大量的特征，计算复杂，耗时较长。

技术实现要素：

本发明提供一种车牌的定位方法及定位装置，用于解决现有技术中车牌分类器的训练过程的计算复杂、耗时过长的问题。

本发明实施例的一方面提供了一种车牌的定位方法，包括：

步骤1、获取类别已知的样本图像，所述样本图像包括车牌图像和非车牌图像；

步骤2、计算所述样本图像的像素差异特征；

步骤3、根据所述样本图像的类别标识所述像素差异特征所属的类别；

步骤4、利用机器学习算法对标识有类别的所述像素差异特征进行学习，得到车牌分类器；

步骤5、利用所述车牌分类器对第一待检测子图像集中的子图像进行分类，得到第一分类结果，所述第一待检测子图像集通过以第一预设检测窗口遍历待定位图像得到；

步骤6、根据所述第一分类结果输出车牌定位结果。

结合第一方面，在第一方面的第一种可能的实现方式中，所述机器学习算法为GentleBoost算法。

结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述步骤4中利用机器学习算法对标识有类别的所述像素差异特征进行学习包括：

步骤4.1、利用GentleBoost算法对标识有类别标签的像素差异特征进行学习，得到第一分类器；

步骤4.2、重复步骤1至步骤4.1的训练过程，得到多层所述第一分类器；

步骤4.3、将所述多层第一分类器级联成所述车牌分类器。

结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述步骤4.1中得到的第一分类器包括若干个最优第二分类器，所述最优第二分类器通过GentleBoost算法训练得到。

结合第一方面、第一方面的第一种可能的实现方式、第一方面的第二种可能的实现方式和第一方面的第三种可能的实现方式之中任意一种，在第一方面的第四种可能的实现方式中，在步骤5中利用所述车牌分类器对第一待检测子图像集中的子图像进行分类之后，在步骤6中根据所述第一分类结果输出车牌定位结果之前，所述方法还包括：

根据所述第一分类结果判断所述第一待检测子图像集中是否包括目标子图像，所述目标子图像为属于车牌图像的子图像；

若是，则触发根据所述第一分类结果输出车牌定位结果的操作；

若否，则以第二预设检测窗口遍历所述待定位图像，得到第二待检测子图像集，所述第二预设检测窗口的尺寸与所述第一预设检测窗口的尺寸不同；

利用所述车牌分类器对所述第二待检测子图像集中的子图像进行分类，得到第二分类结果；

根据所述第二分类结果输出车牌定位结果。

本发明实施例的第二方面提供了一种车牌的定位装置，包括：

获取模块，用于获取类别已知的样本图像，所述样本图像包括车牌图像和非车牌图像；

计算模块，用于计算所述样本图像的像素差异特征；

标识模块，用于根据所述样本图像的类别标识所述像素差异特征所属的类别；

分类器训练模块，用于利用机器学习算法对标识有类别的所述像素差异特征进行学习，得到车牌分类器；

第一分类模块，用于利用所述车牌分类器对第一待检测子图像集中的子图像进行分类，得到第一分类结果，所述第一待检测子图像集通过以第一预设检测窗口遍历待定位图像得到；

第一定位模块，用于根据所述第一分类结果输出车牌定位结果。

结合第二方面，在第二方面的第一种可能的实现方式中，所述机器学习算法为GentleBoost算法。

结合第二方面或者第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述分类器训练模块包括：

单层训练单元，用于利用GentleBoost算法对标识有类别标签的像素差异特征进行学习，得到第一分类器；

循环训练单元，用于重复获取模块401、计算模块402、标识模块403以及单层训练单元4041的训练过程，得到多层所述第一分类器；

级联单元，用于将所述多层第一分类器级联成所述车牌分类器。

结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，所述步骤4.1中得到的第一分类器包括若干个最优第二分类器，所述最优第二分类器通过GentleBoost算法训练得到。

结合第二方面、第二方面的第一种可能的实现方式、第二方面的第二种可能的实现方式和第二方面的第三种可能的实现方式之中任意一种，在第二方面的第四种可能的实现方式中，所述定位装置还包括：

判断模块，用于根据所述第一分类结果判断所述第一待检测子图像集中是否包括目标子图像，所述目标子图像为属于车牌图像的子图像；

触发模块，用于当所述判断模块判定所述第一待检测子图像集中包括目标子图像时，触发根据所述第一分类结果输出车牌定位结果的操作；

遍历模块，用于当所述判断模块判定所述第一待检测子图像集中不包括目标子图像时，以第二预设检测窗口遍历所述待定位图像，得到第二待检测子图像集，所述第二预设检测窗口的尺寸与所述第一预设检测窗口的尺寸不同；

第二分类模块，用于利用所述车牌分类器对所述第二待检测子图像集中的子图像进行分类，得到第二分类结果；

第二定位模块，用于根据所述第二分类结果输出车牌定位结果。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明首先获取类别已知的车牌图像和非车牌图像，作为样本图像，通过计算所述样本图像的像素差异特征，并利用机器学习算法对标识有类别的所述像素差异特征进行学习，得到车牌分类器，从而利用所述车牌分类器对第一待定位图像中的车牌进行定位，由于本发明提供的车牌的定位方法无需建立在图像识别的基础上，因此数据处理的过程简单，特征较少，计算简单，耗时较短。

附图说明

图1是本发明车牌的定位方法一个实施例示意图；

图2是本发明车牌的定位方法另一个实施例示意图；

图3是本发明车牌的定位装置一个实施例示意图；

图4是本发明车牌的定位装置另一个实施例示意图。

具体实施方式

本发明实施例提供了一种车牌的定位方法及定位装置，用于简化数据处理过程，减少特征数量。

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例中的具体流程进行描述，请参阅图1，本发明实施例中车牌的定位方法一个实施例包括：

101、获取类别已知的样本图像，样本图像包括车牌图像和非车牌图像；

车牌的定位装置可以获取大量的类别已知的样本图像，样本图像的类别用以指明样本图像为车牌图像还是非车牌图像，获取到的样本图像中既包括车牌图像，也包括非车牌图像。

102、计算样本图像的像素差异特征；

车牌的定位装置获取到样本图像之后，可以计算样本图像的像素差异特征，像素差异特征根据样本图像中不同像素之间的差异来确定。

103、根据样本图像的类别标识像素差异特征所属的类别；

车牌的定位装置计算得到样本图像的像素差异特征之后，可以根据样本图像的类别对样本图像的像素差异特征所属的类别进行标识，以表明样本图像所属的类别为车牌图像还是非车牌图像。

104、利用机器学习算法对标识有类别的像素差异特征进行学习，得到车牌分类器；

车牌的定位装置得到标识有类别的像素差异特征之后，可以利用机器学习算法对标识有类别的像素差异特征进行学习，得到车牌分类器。

105、利用车牌分类器对第一待检测子图像集中的子图像进行分类，得到第一分类结果；

车牌的定位装置训练得到车牌分类器之后，可以利用车牌分类器对第一待检测子图像集中的子图像进行分类，得到第一分类结果。第一分类结果可以用以表明第一待检测子图像集中的子图像的类别。

106、根据第一分类结果输出车牌定位结果。

车牌的定位装置得到第一分类结果之后，可以根据第一分类结果输出车牌定位结果，车牌定位结果可以为第一待检测子图像集中属于车牌图像的子图像，也可以为属于车牌图像的子图像在第一待定位图像中的位置信息。

本发明首先获取类别已知的车牌图像和非车牌图像，作为样本图像，通过计算样本图像的像素差异特征，并利用机器学习算法对标识有类别的像素差异特征进行学习，得到车牌分类器，从而利用车牌分类器对第一待定位图像中的车牌进行定位，由于本发明提供的车牌的定位方法无需建立在图像识别的基础上，因此数据处理的过程简单，特征较少，计算简单，耗时较短。

请参阅图2，为本发明实施例中车牌的定位方法一个实施例，本实施例中，车牌的定位过程包括车牌分类器的训练过程和利用训练好的车牌分类器进行车牌的定位过程，车牌分类器的训练过程包括：

201、获取类别已知的样本图像，样本图像的类别包括车牌图像和非车牌图像；

车牌的定位装置首先进行样本图像的收集工作，收集大量的预设像素大小的样本图像，假设预设像素大小为(m*n)，m与n的比例需要参考车牌的长宽比例，或者m与n的比例与车牌的长宽比例相同，并且，由于样本图像用于训练分类器，因此收集的样本图像需要同时包括车牌图像和非车牌图像，即一些样本图像为包括车牌的车牌图像，其他样本图像为不包括车牌的非车牌图像。

202、计算样本图像的像素差异特征；

车牌的定位装置获取样本图像之后，可以确定样本图像中各个像素的灰度值，根据像素的灰度值可以计算样本图像的像素差异特征。像素差异特征F可以指第一像素差异d₁，第一像素差异d₁可以定义为第一像素的灰度值a₁与第二像素的灰度值a₂的差异，第一像素与第二像素在样本图像中的位置不同。为了提高车牌分类器分类结果的鲁棒性，像素差异特征可以包括多个像素差异，比如计算所有相隔两个像素位置的像素之间的差异，像素差异特征包括的像素差异越多，鲁棒性越高，包括的像素差异的最大个数为为了方便描述，以像素差异特征F包括第一像素差异d₁、第二像素差异d₂和第三像素差异d₃这三个像素差异为例，或者说向量F＝(d₁，d₂，d₃)，第一像素差异d₁可以定义为第一像素的灰度值a₁与第二像素的灰度值a₂的差异，第二像素差异d₂可以定义为第三像素的灰度值a₃与第四像素的灰度值a₄的差异，第三像素差异d₃可以定义为第五像素的灰度值a₅与第六像素的灰度值a₆的差异。

在本发明实施例中，差异可以简单定义为两个像素灰度值的差值，也可以定义为两个像素灰度值的商，还可以定义为其他形式，此处不做具体限定，只要当进行比较的对象的差异越大时，它们的差异值的绝对值越大，当进行比较的对象的差异越小时，它们的差异值的绝对值越小即可，具体形式可以根据车牌分类器分类结果的鲁棒性以及车牌分类器的训练过程的运算量和时间成本来综合考虑确定。作为举例，本发明实施例中的像素差异可以定义为d＝(a_x-a_y)/(a_x+a_y)，即d₁＝(a₁-a₂)/(a₁+a₂)，d₂＝(a₃-a₄)/(a₃+a₄)，d₃＝(a₅-a₆)/(a₅+a₆)。

203、根据样本图像的类别为其像素差异特征标注类别标签；

车牌的定位装置计算得到各个样本图像的像素差异特征之后，可以根据样本图像的类别对样本图像的像素差异特征进行标识，具体的，可以为像素差异特征标注类别标签，比如可以将车牌图像的像素差异特征标识为1，将非车牌图像的像素差异特征标识为0。在实际使用过程中，还可以通过其他方法标识像素差异特征所属的类别，此处不做具体限定。

车牌的定位装置为像素差异特征标注类别标签之后，可以利用标识有类别标签的像素差异特征对基于学习的分类器进行训练，得到车牌分类器，为了提高车牌分类器分类结果的鲁棒性，可以基于GentleBoost机器学习算法，训练车牌分类器，具体的可以参考如下步骤：

204、利用GentleBoost算法对标识有类别标签的像素差异特征进行学习，得到第一分类器，第一分类器包括若干个最优第二分类器，每个最优第二分类器通过GentleBoost算法训练所得；

通常GentleBoost算法对特征进行训练的过程为：首先训练得到第二分类器，第二分类器为精度较低的分类器，即弱分类器。之后从训练出的多个第二分类器中选出精度较高的若干个最优分类器，将若干个最优第二分类器继续训练，得到精度相对更高的第一分类器，即强分类器。

在本发明实施例中，对于步骤203得到的所有标识有类别标签的像素差异特征，利用GentleBoost算法进行特征选择，先得出若干最优弱分类器，然后将弱分类器累加得到强分类器。

为了进一步增加训练出的车牌分类器的鲁棒性，可以训练多层第一分类器，请参阅如下步骤：

205、重复步骤201至步骤204的训练过程，得到多层第一分类器；

对于每一层第一分类器，即强分类器，都可以设置弱分类器的最大个数和强分类器的分类精度。若某一层的第一分类器不满足弱分类器的个数的要求且精度未达到设定要求，则返回不厚201重新进行样本训练；若该层弱分类器的数量达到最大值或精度满足要求，则可以进行下一层第一分类器的训练，直至得到的第一分类器的层数达到预设层数，训练完成。

206、将多层第一分类器级联成车牌分类器；

训练得到多层第一分类器之后，可以将训练得到的多层第一分类器级联得到车牌分类器。

通过上述方法训练得到的车牌分类器能够对多种形式的车牌(倾斜、弯曲、大角度仿射等)具有较好地分类鉴别能力，从实际学习的过程中可以发现，某一些回归二叉树对规则的车牌具有好的分类表现，而另一些回归二叉树对存在严重仿射变换的车牌具有较强的鉴别能力。

以下继续介绍利用训练好的车牌分类器进行车牌的定位过程：

207、获取待定位图像；

车牌的定位装置训练得到车牌分类器之后，可以获取待定位图像，即需要进行车牌定位的图像，待定位图像中若包括车牌，车牌所占区域的尺寸通常远小于待定位图像的尺寸，比如，车牌所占区域的尺寸为待定位图像的尺寸的1/20～1/10。

208、以预设长宽比例的第一检测窗口遍历待定位图像，得到第一待检测子图像集；

预设长宽比例需要与训练车牌分类器的样本图像的长宽比例相同，在本实施例中，预设长宽比例需要为m:n。为了减少遍历时长以及待检测子图像的数量，可以按照长宽比例选用尺寸较大的第一检测窗口，得到第一待检测子图像集。为了利用训练好的车牌分类器对第一待检测子图像集中的图像进行分类，车牌的定位装置需要对第一待检测子图像集中的图像进行归一化处理，也就是将第一待检测子图像集中的图象的像素大小调整为与样本图像的像素大小相同(m*n)。

209、计算第一待检测子图像集中的子图像的像素差异特征；

参考步骤202，车牌的定位装置计算第一待检测子图像集中的子图像的像素差异特征。

需要说明的是，步骤207至步骤209只要在步骤210之前执行即可，具体时序不受本实施例中的步骤顺序的限制。

210、利用车牌分类器对第一待检测子图像集中的子图像进行分类，得到第一分类结果；

车牌的定位装置将第一待检测子图像集中的每一子图像的像素差异特征带入车牌分类器，逐层计算车牌分类器中每层第一分类器的输出。对于每一待检测子图像，若车牌分类器的任意一层第一分类器的输出低于训练所得的该第一分类器的阈值，则认为该子图像的像素差异特征所属的类别标签为0，该子图像为非车牌图像，若车牌分类器的任意一层第一分类器的输出不低于训练所得的该第一分类器的阈值，则认为该子图像的像素差异特征所属的类别标签为1，该子图像为车牌图像。

可见，只有通过前一层强分类器，才能进入后面一层强分类器，这样，大量的不包括车牌的子图像可以在前几次的判断过程中被快速排除，从而节约时间。而只有待检测子图像通过车牌分类器的所有层，才能被判定为车牌图像。

211、根据第一分类结果判断第一待检测子图像集中是否包括目标子图像，若是，则执行步骤212，若否，则执行步骤213；

车牌的定位装置得到第一分类结果之后，可以根据第一分类结果判断第一待检测子图像集中是否包括属于车牌图像的子图像，为了方便描述，将属于车牌图像的子图像称作目标子图像，若第一待检测子图像集中包括属于车牌图像的子图像，则执行步骤212，若第一待检测子图像集中不包括属于车牌图像的子图像，则执行步骤213。

212、根据第一分类结果输出车牌定位结果。

车牌的定位装置确定属于车牌图像的目标子图像之后，可以根据目标子图像输出车牌定位结果，具体的，车牌定位结果可以为目标子图像，或者，也可以确定目标子图像对应的位置区域，之后可以输出该位置区域在待定位图像中位置信息。

213、以预设长宽比例的第二检测窗口遍历待定位图像，得到第二待检测子图像集；

若第一待检测子图像集中的所有子图像均为非车牌图像，可能是待定位图像中的车牌对应的位置区域尺寸过小，对子图像进行归一化处理后，可能因分辨率降低而导致车牌对应的位置区域的像素减小，最终导致分类错误。因此，若第一待检测子图像集中的所有子图像均为非车牌图像，可以以尺寸较小的第二检测窗口遍历待定位图像，得到第二待检测子图像集，需要说明的是，第二检测窗口的长宽比例仍为预设长宽比例。

214、利用车牌分类器对第二待检测子图像集中的子图像进行分类，得到第二分类结果；

具体过程可以参考步骤209至步骤210，此处不再赘述。

215、根据第二分类结果输出车牌定位结果。

具体过程可以参考步骤212，此处不再赘述。

上面对本发明实施例中车牌的定位方法进行了描述，下面对本发明实施例中车牌的定位装置进行描述。

请参阅图3，本发明实施例中车牌的定位装置一个实施例包括：

获取模块301，用于获取类别已知的样本图像，样本图像包括车牌图像和非车牌图像；

计算模块302，用于计算样本图像的像素差异特征；

标识模块303，用于根据样本图像的类别标识像素差异特征所属的类别；

分类器训练模块304，用于利用机器学习算法对标识有类别的像素差异特征进行学习，得到车牌分类器；

第一分类模块305，用于利用车牌分类器对第一待检测子图像集中的子图像进行分类，得到第一分类结果，第一待检测子图像集通过以第一预设检测窗口遍历待定位图像得到；

第一定位模块306，用于根据第一分类结果输出车牌定位结果。

请参阅图4，本发明实施例中车牌的定位装置一个实施例包括：

获取模块401，用于获取类别已知的样本图像，样本图像包括车牌图像和非车牌图像；

计算模块402，用于计算样本图像的像素差异特征；

标识模块403，用于根据样本图像的类别标识像素差异特征所属的类别；

分类器训练模块404，用于利用机器学习算法对标识有类别的像素差异特征进行学习，得到车牌分类器；

第一分类模块405，用于利用车牌分类器对第一待检测子图像集中的子图像进行分类，得到第一分类结果，第一待检测子图像集通过以第一预设检测窗口遍历待定位图像得到；

第一定位模块406，用于当判断模块407判定第一待检测子图像集中包括目标子图像时，根据第一分类结果输出车牌定位结果。

定位装置还包括：

判断模块407，用于根据第一分类结果判断第一待检测子图像集中是否包括目标子图像，目标子图像为属于车牌图像的子图像；

遍历模块408，用于当判断模块407判定第一待检测子图像集中不包括目标子图像时，以第二预设检测窗口遍历待定位图像，得到第二待检测子图像集，第二预设检测窗口的尺寸与第一预设检测窗口的尺寸不同；

第二分类模块409，用于利用车牌分类器对第二待检测子图像集中的子图像进行分类，得到第二分类结果；

第二定位模块410，用于根据第二分类结果输出车牌定位结果。

分类器训练模块404包括：

单层训练单元4041，用于利用GentleBoost算法对标识有类别标签的像素差异特征进行学习，得到第一分类器；

循环训练单元4042，用于重复获取模块401、计算模块402、标识模块403以及单层训练单元4041的训练过程，得到多层第一分类器；

级联单元4043，用于将多层第一分类器级联成车牌分类器。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。