本发明涉及图像处理技术领域，更具体地说，涉及一种车牌检测方法、系统及设备和一种计算机可读存储介质。
背景技术：
近年来，车牌识别设备已经被广泛应用于停车场、城市道路等区域进行车辆号牌的自动抓拍和识别。现有技术中的车牌检测方式主要针对单个特征进行检测，对于噪音太强、模糊、半遮挡以及相似车牌等复杂环境往往检测精度不高。
因此，如何提高车牌检测精度是本领域技术人员需要解决的问题。
技术实现要素：
本发明的目的在于提供一种车牌检测方法、系统及设备和一种计算机可读存储介质，提高了车牌检测精度。
为实现上述目的，本发明提供了一种车牌检测方法，包括：
获取测试样本，并提取所述测试样本的边缘特征、hog特征和hsv特征；
根据所述边缘特征计算所述测试样本与训练集中每个字符的欧式距离，并将所有所述欧氏距离中的最小值对应的字符确定为目标字符；
通过所述训练集获取车牌类型，利用多分类的逻辑回归算法和所述hog特征确定目标车牌类型；
通过所述训练集获取车牌颜色特征，根据所述车牌颜色特征构建svm分类器，将所述hsv特征输入所述svm分类器中得到目标车牌颜色特征；
根据所述目标字符、所述目标车牌类型、所述目标车牌颜色特征确定所述测试样本的车牌检测结果。
其中，根据所述边缘特征计算所述测试样本与训练集中每个字符的欧式距离，并将所有所述欧氏距离中的最小值对应的字符确定为目标字符，包括：
根据所述边缘特征计算所述测试样本与训练集中每个字符的欧式距离，并将所有所述欧式距离进行归一化处理；
计算归一化处理后的欧式距离的第一基本概率分布，并将所有基本概率中的最大值对应的字符确定为所述目标字符。
其中，利用多分类的逻辑回归算法和所述hog特征确定目标车牌类型，包括：
根据所述hog特征利用多分类的逻辑回归算法，计算车牌类型的第二基本分布概率，并将所有基本概率中的最大值对应的车牌类型确定为所述目标车牌类型。
其中，将所述hsv特征输入所述svm分类器中得到目标车牌颜色类型，包括：
根据所述hsv特征利用所述svm分类器，计算所述车牌颜色类型的第三基本概率分布，并将所有基本概率中的最大值对应的车牌颜色类型确定为所述目标车牌颜色类型。
其中，还包括：
根据所述第一基本概率分布、所述第二基本概率分布和所述第三基本概率分布按预设的融合规则计算所述车牌检测结果的信任度。
其中，所述第一基本概率m1(ai)分布为：
其中，ni为所述训练集中的第i个字符，di为所述测试样本与所述第i个字符的欧式距离；α为1或2；
所述第二基本概率分布m2(bi)为：
其中，k为车牌类型总数，k∈(0,k]，w为权重组成的矩阵，wt为w的转置，b为所述多分类的逻辑回归算法的偏值，xi为第i个测试样本，yi为第i个测试样本的车牌类型；
所述第三基本概率m3(ci)分布为：
其中，ni为第i个车辆颜色特征，xi为第i个测试样本，yi为第i个车牌颜色特征。
其中，所述融合规则为：
其中，
为实现上述目的，本发明提供了一种车牌检测系统，包括：
提取模块，用于获取测试样本，并提取所述测试样本的边缘特征、hog特征和hsv特征；
第一确定模块，用于根据所述边缘特征计算所述测试样本与训练集中每个字符的欧式距离，并将所有所述欧氏距离中的最小值对应的字符确定为目标字符；
第二确定模块，用于通过所述训练集获取车牌类型，利用多分类的逻辑回归算法和所述hog特征确定目标车牌类型；
第三确定模块，用于通过所述训练集获取车牌颜色特征，根据所述车牌颜色特征构建svm分类器，将所述hsv特征输入所述svm分类器中得到目标车牌颜色特征；
检测模块，用于根据所述目标字符、所述目标车牌类型、所述目标车牌颜色特征确定所述测试样本的车牌检测结果。
为实现上述目的，本发明提供了一种车牌检测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述车牌检测方法的步骤。
为实现上述目的，本发明提供了一种计算机可读存储介质，，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述车牌检测方法的步骤。
通过以上方案可知，本发明提供的一种车牌检测方法包括：获取测试样本，并提取所述测试样本的边缘特征、hog特征和hsv特征；根据所述边缘特征计算所述测试样本与训练集中每个字符的欧式距离，并将所有所述欧氏距离中的最小值对应的字符确定为目标字符；通过所述训练集获取车牌类型，利用多分类的逻辑回归算法和所述hog特征确定目标车牌类型；通过所述训练集获取车牌颜色特征，根据所述车牌颜色特征构建svm分类器，将所述hsv特征输入所述svm分类器中得到目标车牌颜色特征；根据所述目标字符、所述目标车牌类型、所述目标车牌颜色特征确定所述测试样本的车牌检测结果。
本发明提供的车牌检测方法，提取测试样本的边缘特征、hog特征和hsv特征，对不同的特征针对性的采取不同的分类方式，以获得测试样本的目标字符、目标车牌类型、目标车牌颜色特征，并确定最终的检测结果。与现有技术中检测单个特征采取单一分类方式的方案相比，通过结合多个特征多种分类方法得到检测结果，多数据的集成提高了在多车道交通方式场景下的多视点和遮挡问题的车牌检测精度。本发明还公开了一种车牌检测系统及设备和一种计算机可读存储介质，同样能实现上述技术效果。
附图说明
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种车牌检测方法的流程图；
图2为本发明实施例公开的另一种车牌检测方法的流程图；
图3为本发明实施例公开的一种车牌检测系统的结构图；
图4为本发明实施例公开的一种车牌检测设备的结构图。
具体实施方式
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作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。
本发明实施例公开了一种车牌检测方法，提高了车牌检测精度。
参见图1，本发明实施例公开的一种车牌检测方法的流程图，如图1所示，包括：
s101：获取测试样本，并提取所述测试样本的边缘特征、hog特征和hsv特征；
在具体实施中，训练样本实则为车辆图像，此处获取测试样本，可以是由普通摄像头采集的，也可以是高清、超高清等其他摄像头采集，当然还可以是其他能够进行图像采集的设备进行采集所获得的图像，在此不作具体限定。获取车辆图像后，需要对该图像进行预处理操作，以便提取边缘特征、hog(中文全称：方向梯度直方图，英文全称：histogramoforientedgradients)特征和hsv(英文全称：hue,saturation,value，是根据颜色的直观特性由a.r.smith在1978年创建的一种颜色空间,也称六角锥体模型)特征，此处的预处理操作包含图像处理领域的常规技术手段。
s102：根据所述边缘特征计算所述测试样本与训练集中每个字符的欧式距离，并将所有所述欧氏距离中的最小值对应的字符确定为目标字符；
可以理解的是，边缘特征即车辆图片中的车牌字符。测试集中包含多个车牌，每个车牌包含多个字符，例如，a、b、京、粤等。利用欧式距离表征车牌字符与测试集中每个字符的相似度，相似度最高的即欧式距离最小的对应的字符即为车牌字符的目标字符。
s103：通过所述训练集获取车牌类型，利用多分类的逻辑回归算法和所述hog特征确定目标车牌类型；
在具体实施中，利用测试集中的车牌获取所有种类的车牌类型，例如，8位字符的新能源车牌、武警车牌、教练车牌、港澳车牌等。hog特征刻画图像的局部梯度幅值和方向特征，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，对于角度大的车标检测效果好。通过hog特征表征测试样本的车牌类型，利用多分类的逻辑回归算法判断测试样本的车牌属于哪一车牌类型，以此保证多分类逻辑回归具有最佳的性能，减少lr分类器训练时发生过拟合的情况。
s104：通过所述训练集获取车牌颜色特征，根据所述车牌颜色特征构建svm分类器，将所述hsv特征输入所述svm分类器中得到目标车牌颜色特征；
在具体实施中，利用测试集中的车牌获取所有种类的车牌颜色特征，例如，白色，蓝色，黄色等。通过hsv特征表征测试样本的颜色特征，利用svm(英文全称：supportvectormachine，中文全称：支持向量机，是一种快速的模式识别方法)分类器判断测试样本的车牌属于哪一底色。
需要说明的是，上述s102、s103、s104的执行过程并无先后顺序。
s105：根据所述目标字符、所述目标车牌类型、所述目标车牌颜色特征确定所述测试样本的车牌检测结果。
上述步骤得到的目标字符、目标车牌类型和目标车牌颜色特征共同组成了测试样本的车牌检测结果。
本发明实施例提供的车牌检测方法，提取测试样本的边缘特征、hog特征和hsv特征，对不同的特征针对性的采取不同的分类方式，以获得测试样本的目标字符、目标车牌类型、目标车牌颜色特征，并确定最终的检测结果。与现有技术中检测单个特征采取单一分类方式的方案相比，通过结合多个特征多种分类方法得到检测结果，多数据的集成提高了在多车道交通方式场景下的多视点和遮挡问题的车牌检测精度。
本发明实施例公开了一种车牌检测方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
参见图2，本发明实施例提供的另一种车牌检测方法的流程图，如图2所示，包括：
s201：获取测试样本，并提取所述测试样本的边缘特征、hog特征和hsv特征；
s221：根据所述边缘特征计算所述测试样本与训练集中每个字符的欧式距离，并将所有所述欧式距离进行归一化处理；
s222：计算归一化处理后的欧式距离的第一基本概率分布，并将所有基本概率中的最大值对应的字符确定为目标字符；
可以理解的是，由于欧式距离的真实值为[0，∞)，因此需将欧式距离进行归一化处理，即
所述第一基本概率m1(ai)分布为：
其中，ni为所述训练集中的第i个字符，di为所述测试样本与所述第i个字符的欧式距离；α为1或2；
也就是说，如果欧式距离为0，则相似度最大，这时候置信度为1，欧式距离不为0，则根据上述公式计算该字符对应的置信度。
s203：通过所述训练集获取车牌类型，根据所述hog特征利用多分类的逻辑回归算法，计算车牌类型的第二基本分布概率，并将所有基本概率中的最大值对应的车牌类型确定为目标车牌类型；
所述第二基本概率分布m2(bi)为：
其中，k为车牌类型总数，k∈(0,k]，w为权重组成的矩阵，wt为w的转置，b为所述多分类的逻辑回归算法的偏值，xi为第i个测试样本，yi为第i个测试样本的车牌类型；
s204：通过所述训练集获取车牌颜色特征，根据所述hsv特征利用所述svm分类器，计算所述车牌颜色特征的第三基本概率分布，并将所有基本概率中的最大值对应的车牌颜色特征确定为所述目标车牌颜色特征；
所述第三基本概率m3(ci)分布为：
其中，ni为第i个车辆颜色特征，xi为第i个测试样本，yi为第i个车牌颜色特征。
在具体实施中，svm分类器以sigmod函数作为连接函数，输出范围为0-1，通过该svm分类器利用上述公式可计算出车牌颜色特征的概率分布。
s205：根据所述目标字符、所述目标车牌类型、所述目标车牌颜色特征确定所述测试样本的车牌检测结果；
s206：根据所述第一基本概率分布、所述第二基本概率分布和所述第三基本概率分布按预设的融合规则计算所述车牌检测结果的信任度。
在辨识框架θ上，有互为相互独立的三个证据ai、bi、ci，其基本概率赋值函数分别为m1(ai)、m2(bi)、m3(ci)，本领域技术人员可以根据实际情况选择合适的融合规则进行融合，在此不作具体限定，优选为：
其中，
下面对本发明实施例提供的一种车牌检测系统进行介绍，下文描述的一种车牌检测系统与上文描述的一种车牌检测方法可以相互参照。
参见图3，本发明实施例提供的一种车牌检测系统的结构图，如图3所示，包括：
提取模块301，用于获取测试样本，并提取所述测试样本的边缘特征、hog特征和hsv特征；
第一确定模块302，用于根据所述边缘特征计算所述测试样本与训练集中每个字符的欧式距离，并将所有所述欧氏距离中的最小值对应的字符确定为目标字符；
第二确定模块303，用于通过所述训练集获取车牌类型，利用多分类的逻辑回归算法和所述hog特征确定目标车牌类型；
第三确定模块304，用于通过所述训练集获取车牌颜色特征，根据所述车牌颜色特征构建svm分类器，将所述hsv特征输入所述svm分类器中得到目标车牌颜色特征；
检测模块305，用于根据所述目标字符、所述目标车牌类型、所述目标车牌颜色特征确定所述测试样本的车牌检测结果。
本发明实施例提供的车牌检测系统，提取测试样本的边缘特征、hog特征和hsv特征，对不同的特征针对性的采取不同的分类方式，以获得测试样本的目标字符、目标车牌类型、目标车牌颜色特征，并确定最终的检测结果。与现有技术中检测单个特征采取单一分类方式的方案相比，通过结合多个特征多种分类方法得到检测结果，多数据的集成提高了在多车道交通方式场景下的多视点和遮挡问题的车牌检测精度。
在上述实施例的基础上，作为优选实施方式，所述第一确定模块302包括：
归一化单元，用于根据所述边缘特征计算所述测试样本与训练集中每个字符的欧式距离，并将所有所述欧式距离进行归一化处理；
确定单元，用于计算归一化处理后的欧式距离的第一基本概率分布，并将所有基本概率中的最大值对应的字符确定为所述目标字符。
在上述实施例的基础上，作为优选实施方式，所述第二确定模块303具体为通过所述训练集获取车牌类型，根据所述hog特征利用多分类的逻辑回归算法，计算车牌类型的第二基本分布概率，并将所有基本概率中的最大值对应的车牌类型确定为所述目标车牌类型的模块。
在上述实施例的基础上，作为优选实施方式，第三确定模块304包括：
构建单元，用于通过所述训练集获取车牌颜色特征，根据所述车牌颜色特征构建svm分类器；
计算单元，用于根据所述hsv特征利用所述svm分类器，计算所述车牌颜色特征的第三基本概率分布，并将所有基本概率中的最大值对应的车牌颜色特征确定为所述目标车牌颜色特征。
在上述实施例的基础上，作为优选实施方式，还包括：
计算模块，用于根据所述第一基本概率分布、所述第二基本概率分布和所述第三基本概率分布按预设的融合规则计算所述车牌检测结果的信任度。
在上述实施例的基础上，作为优选实施方式，所述第一基本概率m1(ai)分布为：
其中，ni为所述训练集中的第i个字符，di为所述测试样本与所述第i个字符的欧式距离；α为1或2；
所述第二基本概率分布m2(bi)为：
其中，k为车牌类型总数，k∈(0,k]，w为权重组成的矩阵，wt为w的转置，b为所述多分类的逻辑回归算法的偏值，xi为第i个测试样本，yi为第i个测试样本的车牌类型；
所述第三基本概率m3(ci)分布为：
其中，ni为第i个车辆颜色特征，xi为第i个测试样本，yi为第i个车牌颜色特征。
在上述实施例的基础上，作为优选实施方式，所述融合规则为：
其中，
本申请还提供了一种车牌检测设备，参见图4，本发明实施例提供的一种车牌检测设备的结构图，如图4所示，包括：
存储器401，用于存储计算机程序；
处理器402，用于执行所述计算机程序时可以实现上述实施例所提供的步骤。当然所述车牌检测设备还可以包括各种网络接口，电源等组件。
本发明实施例提供的车牌检测设备，提取测试样本的边缘特征、hog特征和hsv特征，对不同的特征针对性的采取不同的分类方式，以获得测试样本的目标字符、目标车牌类型、目标车牌颜色特征，并确定最终的检测结果。与现有技术中检测单个特征采取单一分类方式的方案相比，提高了车牌检测的精度。由此可见，本发明实施例提供的车牌检测设备，通过结合多个特征多种分类方法得到检测结果，多数据的集成提高了在多车道交通方式场景下的多视点和遮挡问题的车牌检测精度。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。