CN103745197B - 一种车牌检测方法及装置 - Google Patents
一种车牌检测方法及装置 Download PDFInfo
- Publication number
- CN103745197B CN103745197B CN201310739338.4A CN201310739338A CN103745197B CN 103745197 B CN103745197 B CN 103745197B CN 201310739338 A CN201310739338 A CN 201310739338A CN 103745197 B CN103745197 B CN 103745197B
- Authority
- CN
- China
- Prior art keywords
- image
- square frame
- hog
- models
- edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 238000007689 inspection Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000000284 extract Substances 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用于图像处理领域,提供了一种车牌检测方法及装置,所述方法包括下述步骤:使用HOG模型对图像进行多尺度检测,并提取通过HOG模型检测的方框区域;对图像进行边缘计算,并计算经过边缘计算后的图像的积分图,获取得到图像的边缘积分图;在所述边缘积分图上获取通过HOG模型检测的方框区域,计算通过HOG模型检测的方框区域的边缘密度,提取边缘密度大于等于阈值的方框;通过Haar模型对边缘密度大于等于阈值的方框进行检测,检测得到精确的车牌区域。本发明通过HOG特征对图像进行检测,然后进行边缘检测和边缘密度检测,最后通过Haar模型检测出车牌区域。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种车牌检测方法及装置。
背景技术
车牌识别已经被广泛使用在停车场出入口,商厦出入口等地方。车牌识别一般分为车牌检测,字符分割与识别以及车牌投票这三步。车牌检测,即从视频中检测到车牌,而车票检测又是车牌识别中非常重要的一步,也是最耗时的一步。车牌检测就是在车辆图像中检测车牌的位置。由于车牌识别设备一般都是在室外使用,车牌和背景的成像条件是不可控制的,光照,复杂背景,摄像机的安装角度和距离等给车牌检测带来了困难。车牌区域在整幅图像中所占的比例较小,要从整幅图像中检测出车牌区域必然要在大量的背景信息中进行搜索。现实生活中对车牌的识别应用场景都有对时间的限制,因此更加需要快速检测到车牌。基于视频的车牌检测方法有很多,包括基于线模板的二值化图像中的角检测算法,利用遗传算法检测车牌,还有基于Haar特征的Adaboost检测等。其中基于Haar特征的Adaboost训练模型进行全图搜索。该方法检测率高,但速度慢,全图进行Haar检测能准确检测到车牌,但是运算量大,如果应用在嵌入式设备中,嵌入式设备的运算速度难以达到要求。另外Haar检测对角度要求高,如果车牌角度超过了30度就会出现一定的漏检。
发明内容
本发明实施例的目的在于提供一种车牌检测方法及装置,旨在提供一种车牌检测方法,通过HOG特征对图像进行检测,然后进行边缘检测和边缘密度检测,最后通过Haar模型检测出车牌区域。
本发明实施例是这样实现的,一种车牌检测方法,所述方法包括下述步骤:
使用HOG模型对图像进行多尺度检测,并提取通过HOG模型检测的方框区域;
对图像进行边缘计算,并计算经过边缘计算后的图像的积分图,获取得到图像的边缘积分图;
在所述边缘积分图上获取通过HOG模型检测的方框区域,计算通过HOG模型检测的方框区域的边缘密度,提取边缘密度大于等于阈值的方框;
对边缘密度大于等于阈值的方框进行平分,并计算平分后各方框的平均边缘密度,根据平均边缘密度得到平均边缘密度偏差,标定偏差在阈值范围内的方框为类似车牌方框;
通过Haar模型对边缘密度大于等于阈值的方框进行检测及结合所述类似车牌方框,检测得到精确的车牌区域。
进一步的,所述方法在使用HOG模型对图像进行多尺度检测的步骤前包括:
对图像进行转换,将图像转换为灰度图;
对图像进行缩放。
进一步的,所述方法在对图像进行转换,将图像转换为灰度图的步骤前还包括:
根据采集的正负样本,建立HOG模型。
进一步的,所述通过Haar模型对边缘密度大于等于阈值的方框进行检测及结合所述类似车牌方框,检测得到精确的车牌区域的步骤包括:
通过级联的Adaboost算法对Haar特征进行训练得到Haar模型;
通过Haar模型对边缘密度大于等于阈值的方框进行检测及结合所述类似车牌方框,检测得到精确的车牌区域。
本发明实施例的另一目的在于提供一种车牌检测装置,所述装置包括:
方框区域提取单元,用于使用HOG模型对图像进行多尺度检测,并提取通过HOG模型检测的方框区域;
积分图计算单元,用于对图像进行边缘计算,并计算经过边缘计算后的图像的积分图,获取得到图像的边缘积分图;
方框提取单元,用于在所述边缘积分图上获取通过HOG模型检测的方框区域,计算通过HOG模型检测的方框区域的边缘密度,提取边缘密度大于等于阈值的方框;
标定单元,用于对边缘密度大于等于阈值的方框进行平分,并计算平分后各方框的平均边缘密度,根据平均边缘密度得到平均边缘密度偏差,标定偏差在阈值范围内的方框为类似车牌方框;
车牌区域检测单元,用于通过Haar模型对边缘密度大于等于阈值的方框进行检测及结合所述类似车牌方框,检测得到精确的车牌区域。
进一步的,所述装置还包括:
图像转换缩放单元,用于对图像进行转换,将图像转换为灰度图;对图像进行缩放。进一步的,所述装置还包括:
图像转换单元,用于对图像进行转换,将图像转换为灰度图。
进一步的,所述车牌区域检测单元还包括:
模型训练单元,用于通过级联的Adaboost算法对Haar特征进行训练得到Haar模型;
精确检测单元,用于通过Haar模型对边缘密度大于等于阈值的方框进行检测及结合所述类似车牌方框,检测得到精确的车牌区域。
本发明实施例通过一种车牌检测方法及装置,首先通过HOG特征获取得到一些方框区域,同时对图像进行边缘计算计算得到图像的边缘积分图,通过得到的方框区域与边缘积分图再精确提取出符合预设条件的方框,最后通过Haar模型检测出车牌区域,由于首先采用了HOG特征进行检测可以实现大角度检测,同时HOG特征的模型对光线鲁棒,使得最后通过Haar模型检测到车牌的概率更高。
附图说明
图1是本发明第一实施例提供的一种车牌检测方法的实现流程图;
图2是本发明第二实施例提供的一种车牌检测方法的实现流程图;
图3是本发明第二实施例提供的一种车牌检测装置的结构图;以及
图4是本发明第二实施例提供的一种车牌检测装置的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明第一实施例提供的一种车牌检测方法的实现流程,详述如下:
S101,使用HOG模型对图像进行多尺度检测,并提取通过HOG模型检测的方框区域。
使用HOG(Histogram of oriented gradients)梯度方向直方图特征对每一幅正、负样本进行表征,形成HOG特征向量。HOG刻画图像的局部梯度幅值和方向特征,基于梯度特征对块的特征向量进行归一化处理。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。对于角度大的车牌检测效果好。之后通过形成的HOG特征向量建立HOG模型,通过HOG模型进行多尺度检测,对图像中每个能通过HOG验证的区域,都用一个方框区域显示,提取通过HOG模型检测的方框区域。
S102,对图像进行边缘计算,并计算经过边缘计算后的图像的积分图,获取得到图像的边缘积分图。
根据经验,车牌一般都处在边缘比较密集且分布均匀的区域,计算图像全图的边缘,为了搜索的方便,再计算经过边缘计算后的全图的积分图,这里称为边缘积分图,获取得到图像的边缘积分图。
S103,在所述边缘积分图上获取通过HOG模型检测的方框区域,计算通过HOG模型检测的方框区域的边缘密度,提取边缘密度大于等于阈值的方框。
使用获得的方框区域在边缘积分图上框出疑似车牌区域,再通过积分图计算这些区域的边缘密度,删除灰度图中边缘密度小于阈值的方框,提取边缘密度大于等于阈值的方框。
S104,通过Haar模型对边缘密度大于等于阈值的方框进行检测,检测得到精确的车牌区域。
检测结束后对剩下的方框进行聚类操作,将每一类所有方框所占面积连起来形成块,之后通过Haar模型对剩下的块进行检测获得精确的车牌,检测出精确的车牌区域。
本发明实施例通过上述方式,一种车牌检测方法,首先通过HOG特征获取得到一些方框区域,同时对图像进行边缘计算计算得到图像的边缘积分图,通过得到的方框区域与边缘积分图再精确提取出符合预设条件的方框,最后通过Haar模型检测出车牌区域,由于首先采用了HOG特征进行检测可以实现大角度检测,同时HOG特征的模型对光线鲁棒,使得最后通过Haar模型检测到车牌的概率更高。
实施例二:
图2示出了本发明第二实施例提供的一种车牌检测方法的实现流程,详述如下:
S201,根据采集的正负样本,建立HOG模型。
选取出大量车牌图片和非车牌图片作为训练集的正、负样本,选取的过程可以通过人工的方式进行选取,之后使用HOG特征对每一幅正、负样本进行表征,形成特征向量,建立HOG模型。
S202,对图像进行转换,将图像转换为灰度图;对图像进行缩放。
首先将摄像头在捕捉到的图像进行图像转换处理,将图像转换为灰度图像,通过将图像转换为灰度图像,可以减少对图像处理的计算量;将转换后的图像进行缩放,具体的实施过程中可以把图片的宽度和高度各减少一半。将图像进行缩放后可以进一步减少对图像的计算量,提高检测出车牌区域的速度。
S203,使用HOG模型对图像进行多尺度检测,并提取通过HOG模型检测的方框区域。
使用HOG模型对图像进行多尺度检测,其中HOG模型的获取可以通过摄像头在各个时段和天气条件下拍摄并储存大量停车场出入口的视频。在这些视频中,人工截取出每辆车的车牌图像,车牌图像作为正样本,人工截取出其中不是车牌的部分,截取出的非车牌图片作为负样本。使用HOG特征对每一幅正、负样本进行表征,形成HOG特征向量。HOG刻画图像的局部梯度幅值和方向特征,基于梯度特征对块的特征向量进行归一化处理。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。对于角度大的车牌检测效果好。HOG特征是灰度图的梯度统计信息,而梯度主要存在于边缘的地方。计算图像的一阶梯度,梯度大小:梯度方向:Ang(x,y)=arccos(I(x+1,y)-I(x-1,y)/R)。梯度计算中具体可以,使用一维离散微分模板[-1 0 1]在水平方向上对样本图像进行处理,得到水平梯度图像;使用一维离散微分模板[-1 0 1]T在垂直方向上对样本图像进行处理,得到垂直梯度图像。直方图方向具体的可以为9个,将每个分块中所有像素的一维梯度直方图累加到其中,就形成了最终的特征。最后通过最终的特征建立HOG模型,利用级联的Adaboost算法对HOG特征进行训练,最终得到5层的级联车牌强分类器模型,再使用HOG模型对图像进行多尺度检测,提取通过HOG模型检测的方框区域。
S204,对图像进行边缘计算,并计算经过边缘计算后的图像的积分图,获取得到图像的边缘积分图。
对图像进行边缘计算,计算经过边缘计算后的图像的积分图,计算经过边缘计算后的图像的积分图,获取得到图像的边缘积分图。
S205,在所述边缘积分图上获取通过HOG模型检测的方框区域,计算通过HOG模型检测的方框区域的边缘密度,提取边缘密度大于等于阈值的方框。
之后通过获得的HOG模型检测的方框区域的坐标在边缘积分图上框出疑似车牌区域,通过积分图计算这些区域的边缘密度,删除灰度图中边缘密度小于阈值的方框,提取边缘密度大于等于阈值的方框。其中使用积分图可以加快边缘密度的计算。为了避免一个方框的所有点的边缘值相加的重复计算,在算法中使用了积分图。积分图上的每个点(x,y)包含了从点(0,0)到点(x,y)所有的像素的边缘值。如果用I(x,y)表示边缘计算后的灰度图,II(x,y)表示计算出来的积分图,那么:任意的一个矩形可以使用以下的方式计算:如果矩形的左上角为(xlt,ylt),右下角的坐标为(xrb,yrb),那么该矩形的积分图可以用下式计算:SUMD=II(xrb,yrb)-II(xlt,yrb)-II(xrb,ylt)+II(xlt,ylt),其中对于阈值的设定根据具体的应用场景以及训练的样本不同而有差异,在本实施例中设定的阈值为7。提取边缘密度大于等于阈值的方框。
S206,对边缘密度大于等于阈值的方框进行平分,并计算平分后各方框的平均边缘密度,根据平均边缘密度得到平均边缘密度偏差,标定偏差在阈值范围内的方框为类似车牌方框。
在背景和车身存在一些矩形物体,特征与车牌类似,但边缘分布不均匀。例如有些车灯连同旁边的区域会被误检为车牌且边缘密度高,但它的边缘密度分布不均匀。我们需要对边缘密度大于等于阈值的方框进行平分,具体的可以把检测到的方框平均分成5块,分别计算这5块的平均边缘密度。然后计算这5块的平均密度的偏差,如果偏差在阈值内,表示这个区域的边缘分布式均衡的,是类似车牌的区域,对类似车牌的局域还可以采用方框的聚类,具体的为采用最近邻的方法,只要两两之间的重合达到60%就认为这两个框式属于一类的。聚类后根据预设的删除条件删除以部分方框:根据经验,一个车牌区域搜索出来的方框会很多,因此聚类后如果有类别包含的方框小于10个,就把整个类的所有方框删除。如果多个scale检测到的位置重合,仅保留中间的scale,删除其他的scale检测到的方框。同一个scale在检测过程中进行平移,如果检测到的多个方框出现相邻两个大面积重合,仅保留中央的方框,并把该方框向上、下、左和右方向分别扩大10%。最后把每一类所有方框所占面积连起来形成块,最后标定连起来形成块为类似车牌方框。
S207,通过Haar模型对边缘密度大于等于阈值的方框进行检测,检测得到精确的车牌区域。
最后通过Haar模型对剩下的块进行检测,获得精确的车牌位置,其中Haar模型为利用级联的Adaboost算法对Haar特征进行训练,通过训练得到Haar模型,具体的可以将人工选取出大量车牌图片和非车牌图片作为训练集的正、负样本。使用Haar特征对每一幅正、负样本进行表征,形成特征向量,得到20层的级联车牌强分类器。形成Haar模型,通过Haar模型对边缘密度大于等于阈值的方框进行检测,检测得到精确的车牌区域。
本发明实施例通过上述方式,一种车牌检测方法,首先利用5层的HOG模型进行全图检测,然后对疑似车牌区域进行边缘密度检测以及边缘密度均衡检测。接着使用聚类的方法把靠近的区域聚集成疑似车牌区域。最后对剩下的几个车牌区域进行20层的Haar模型检测的方法。该方法比传统的全图进行Haar检测速度要快,并且利用HOG的特性能检测角度大的车牌,实验结果证明,该方法的检测率高,并且对光线鲁棒。
实施例三:
图3示出了本发明第三实施例提供的一种车牌检测装置的结构图,为了便于说明,仅示出了与本发明实施例相关的部分。
方框区域提取单元31,用于使用HOG模型对图像进行多尺度检测,并提取通过HOG模型检测的方框区域。
方框区域提取单元用于使用HOG特征对每一幅正、负样本进行表征,形成HOG特征向量。HOG刻画图像的局部梯度幅值和方向特征,基于梯度特征对块的特征向量进行归一化处理。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。对于角度大的车牌检测效果好。之后通过形成的HOG特征向量建立HOG模型,通过HOG模型进行多尺度检测,对图像中每个能通过HOG验证的区域,都用一个方框区域显示,提取通过HOG模型检测的方框区域。
积分图计算单元32,用于对图像进行边缘计算,并计算经过边缘计算后的图像的积分图,获取得到图像的边缘积分图。
根据经验,车牌一般都处在边缘比较密集且分布均匀的区域,通过积分图计算单元计算图像全图的边缘,为了搜索的方便,再计算经过边缘计算后的全图的积分图,这里称为边缘积分图,获取得到图像的边缘积分图。
方框提取单元33,用于在所述边缘积分图上获取通过HOG模型检测的方框区域,计算通过HOG模型检测的方框区域的边缘密度,提取边缘密度大于等于阈值的方框。
方框提取单元用于使用获得的方框区域在边缘积分图上框出疑似车牌区域,再通过积分图计算这些区域的边缘密度,删除灰度图中边缘密度小于阈值的方框,提取边缘密度大于等于阈值的方框。
车牌区域检测单元34,用于通过Haar模型对边缘密度大于等于阈值的方框进行检测,检测得到精确的车牌区域。
车牌区域检测单元用于检测结束后对剩下的方框进行聚类操作,将每一类所有方框所占面积连起来形成块,之后通过Haar模型对剩下的块进行检测获得精确的车牌,检测出精确的车牌区域。
本发明实施例通过上述方式,一种车牌检测装置,首先通过HOG特征获取得到一些方框区域,同时对图像进行边缘计算计算得到图像的边缘积分图,通过得到的方框区域与边缘积分图再精确提取出符合预设条件的方框,最后通过Haar模型检测出车牌区域,由于首先采用了HOG特征进行检测可以实现大角度检测,同时HOG特征的模型对光线鲁棒,使得最后通过Haar模型检测到车牌的概率更高。
实施例四:
图4示出了本发明第四实施例提供的一种车牌检测装置的结构图,为了便于说明,仅示出了与本发明实施例相关的部分。
模型建立单元41,根据采集的正负样本,建立HOG模型。
模型建立单元根据选取出大量车牌图片和非车牌图片作为训练集的正、负样本,选取的过程可以通过人工的方式进行选取,之后使用HOG特征对每一幅正、负样本进行表征,形成特征向量,建立HOG模型。
图像转换缩放单元42,用于对图像进行转换,将图像转换为灰度图;对图像进行缩放。
图像转换缩放单元具体可以包括:图像转换单元与图像缩放单元,其中图像转换单元用于首先将摄像头在捕捉到的图像进行图像转换处理,将图像转换为灰度图像,通过将图像转换为灰度图像,可以减少对图像处理的计算量;其中图像缩放单元用于将转换后的图像进行缩放,具体的实施过程中可以把图片的宽度和高度各减少一半。将图像进行缩放后可以进一步减少对图像的计算量,提高检测出车牌区域的速度。
方框区域提取单元43,用于使用HOG模型对图像进行多尺度检测,并提取通过HOG模型检测的方框区域。
方框区域提取单元用于使用HOG模型对图像进行多尺度检测,其中HOG模型的获取可以通过摄像头在各个时段和天气条件下拍摄并储存大量停车场出入口的视频。在这些视频中,人工截取出每辆车的车牌图像,车牌图像作为正样本,人工截取出其中不是车牌的部分,截取出的非车牌图片作为负样本。使用HOG特征对每一幅正、负样本进行表征,形成HOG特征向量。HOG刻画图像的局部梯度幅值和方向特征,基于梯度特征对块的特征向量进行归一化处理。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。对于角度大的车牌检测效果好。HOG特征是灰度图的梯度统计信息,而梯度主要存在于边缘的地方。计算图像的一阶梯度,梯度大小:梯度方向:Ang(x,y)=arccos(I(x+1,y)-I(x-1,y)/R)。梯度计算中具体可以,使用一维离散微分模板[-1 0 1]在水平方向上对样本图像进行处理,得到水平梯度图像;使用一维离散微分模板[-1 0 1]T在垂直方向上对样本图像进行处理,得到垂直梯度图像。直方图方向具体的可以为9个,将每个分块中所有像素的一维梯度直方图累加到其中,就形成了最终的特征。最后通过最终的特征建立HOG模型,利用级联的Adaboost算法对HOG特征进行训练,最终得到5层的级联车牌强分类器模型,再使用HOG模型对图像进行多尺度检测,提取通过HOG模型检测的方框区域。
积分图计算单元44,用于对图像进行边缘计算,并计算经过边缘计算后的图像的积分图,获取得到图像的边缘积分图。
积分图计算单元用于对图像进行边缘计算,计算经过边缘计算后的图像的积分图,计算经过边缘计算后的图像的积分图,获取得到图像的边缘积分图。
方框提取单元45,用于在所述边缘积分图上获取通过HOG模型检测的方框区域,计算通过HOG模型检测的方框区域的边缘密度,提取边缘密度大于等于阈值的方框。
方框提取单元用于通过获得的HOG模型检测的方框区域的坐标在边缘积分图上框出疑似车牌区域,通过积分图计算这些区域的边缘密度,删除灰度图中边缘密度小于阈值的方框,提取边缘密度大于等于阈值的方框。其中使用积分图可以加快边缘密度的计算。为了避免一个方框的所有点的边缘值相加的重复计算,在算法中使用了积分图。积分图上的每个点(x,y)包含了从点(0,0)到点(x,y)所有的像素的边缘值。如果用I(x,y)表示边缘计算后的灰度图,II(x,y)表示计算出来的积分图,那么:任意的一个矩形可以使用以下的方式计算:如果矩形的左上角为(xlt,ylt),右下角的坐标为(xrb,yrb),那么该矩形的积分图可以用下式计算:SUMD=II(xrb,yrb)-II(xlt,yrb)-II(xrb,ylt)+II(xlt,ylt),其中对于阈值的设定根据具体的应用场景以及训练的样本不同而有差异,在本实施例中设定的阈值为7。提取边缘密度大于等于阈值的方框。
标定单元46,用于对边缘密度大于等于阈值的方框进行平分,并计算平分后各方框的平均边缘密度,根据平均边缘密度得到平均边缘密度偏差,标定偏差在阈值范围内的方框为类似车牌方框。
标定单元用于在背景和车身存在一些矩形物体,特征与车牌类似,但边缘分布不均匀。例如有些车灯连同旁边的区域会被误检为车牌且边缘密度高,但它的边缘密度分布不均匀。我们需要对边缘密度大于等于阈值的方框进行平分,具体的可以把检测到的方框平均分成5块,分别计算这5块的平均边缘密度。然后计算这5块的平均密度的偏差,如果偏差在阈值内,表示这个区域的边缘分布式均衡的,是类似车牌的区域,对类似车牌的局域还可以采用方框的聚类,具体的为采用最近邻的方法,只要两两之间的重合达到60%就认为这两个框式属于一类的。聚类后根据预设的删除条件删除以部分方框:根据经验,一个车牌区域搜索出来的方框会很多,因此聚类后如果有类别包含的方框小于10个,就把整个类的所有方框删除。如果多个scale检测到的位置重合,仅保留中间的scale,删除其他的scale检测到的方框。同一个scale在检测过程中进行平移,如果检测到的多个方框出现相邻两个大面积重合,仅保留中央的方框,并把该方框向上、下、左和右方向分别扩大10%。最后把每一类所有方框所占面积连起来形成块,最后标定连起来形成块为类似车牌方框。
车牌区域检测单元47,用于通过Haar模型对边缘密度大于等于阈值的方框进行检测,检测得到精确的车牌区域。
车牌区域检测单元包括:模型训练单元和精确检测单元,模型训练单元用于通过级联的Adaboost算法对Haar特征进行训练得到Haar模型;精确检测单元用于通过Haar模型对边缘密度大于等于阈值的方框进行检测,检测得到精确的车牌区域。具体的为车牌区域检测单元用于最后通过Haar模型对剩下的块进行检测,获得精确的车牌位置,其中Haar模型为利用级联的Adaboost算法对Haar特征进行训练的模型,将人工选取出大量车牌图片和非车牌图片作为训练集的正、负样本。使用Haar特征对每一幅正、负样本进行表征,形成特征向量,得到20层的级联车牌强分类器。形成Haar模型,通过Haar模型对边缘密度大于等于阈值的方框进行检测,检测得到精确的车牌区域。
本发明实施例通过上述方式,一种车牌检测装置,首先利用5层的HOG模型进行全图检测,然后对疑似车牌区域进行边缘密度检测以及边缘密度均衡检测。接着使用聚类的方法把靠近的区域聚集成疑似车牌区域。最后对剩下的几个车牌区域进行20层的Haar模型检测的方法。该方法比传统的全图进行Haar检测速度要快,并且利用HOG的特性能检测角度大的车牌,实验结果证明,该方法的检测率高,并且对光线鲁棒。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种车牌检测方法,其特征在于,所述方法包括下述步骤:
使用HOG模型对图像进行多尺度检测,并提取通过HOG模型检测的方框区域;
对图像进行边缘计算,并计算经过边缘计算后的图像的积分图,获取得到图像的边缘积分图;
在所述边缘积分图上获取通过HOG模型检测的方框区域,计算通过HOG模型检测的方框区域的边缘密度,提取边缘密度大于等于阈值的方框;
对边缘密度大于等于阈值的方框进行平分,并计算平分后各方框的平均边缘密度,根据平均边缘密度得到平均边缘密度偏差,标定偏差在阈值范围内的方框为类似车牌方框;
通过Haar模型对边缘密度大于等于阈值的方框进行检测及结合所述类似车牌方框,检测得到精确的车牌区域。
2.如权利要求1所述的方法,其特征在于,所述方法在使用HOG模型对图像进行多尺度检测的步骤前包括:
对图像进行转换,将图像转换为灰度图;
对图像进行缩放。
3.如权利要求2所述的方法,其特征在于,所述方法在对图像进行转换,将图像转换为灰度图的步骤前还包括:
根据采集的正负样本,建立HOG模型。
4.如权利要求1所述的方法,其特征在于,所述通过Haar模型对边缘密度大于等于阈值的方框进行检测及结合所述类似车牌方框,检测得到精确的车牌区域的步骤包括:
通过级联的Adaboost算法对Haar特征进行训练得到Haar模型;
通过Haar模型对边缘密度大于等于阈值的方框进行检测及结合所述类似车牌方框,检测得到精确的车牌区域。
5.一种车牌检测装置,其特征在于,所述装置包括:
方框区域提取单元,用于使用HOG模型对图像进行多尺度检测,并提取通过HOG模型检测的方框区域;
积分图计算单元,用于对图像进行边缘计算,并计算经过边缘计算后的图像的积分图,获取得到图像的边缘积分图;
方框提取单元,用于在所述边缘积分图上获取通过HOG模型检测的方框区域,计算通过HOG模型检测的方框区域的边缘密度,提取边缘密度大于等于阈值的方框;
标定单元,用于对边缘密度大于等于阈值的方框进行平分,并计算平分后各方框的平均边缘密度,根据平均边缘密度得到平均边缘密度偏差,标定偏差在阈值范围内的方框为类似车牌方框;
车牌区域检测单元,用于通过Haar模型对边缘密度大于等于阈值的方框进行检测及结合所述类似车牌方框,检测得到精确的车牌区域。
6.如权利要求5所述的装置,其特征在于,所述装置还包括:
图像转换缩放单元,用于对图像进行转换,将图像转换为灰度图;对图像进行缩放。
7.如权利要求5所述的装置,其特征在于,所述装置还包括:
模型建立单元,根据采集的正负样本,建立HOG模型。
8.如权利要求5所述的装置,其特征在于,所述车牌区域检测单元还包括:
模型训练单元,用于通过级联的Adaboost算法对Haar特征进行训练得到Haar模型;
精确检测单元,用于通过Haar模型对边缘密度大于等于阈值的方框进行检测及结合所述类似车牌方框,检测得到精确的车牌区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310739338.4A CN103745197B (zh) | 2013-12-27 | 2013-12-27 | 一种车牌检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310739338.4A CN103745197B (zh) | 2013-12-27 | 2013-12-27 | 一种车牌检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103745197A CN103745197A (zh) | 2014-04-23 |
CN103745197B true CN103745197B (zh) | 2017-08-29 |
Family
ID=50502214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310739338.4A Expired - Fee Related CN103745197B (zh) | 2013-12-27 | 2013-12-27 | 一种车牌检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103745197B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268509B (zh) * | 2014-09-17 | 2018-05-29 | 深圳市捷顺科技实业股份有限公司 | 泥头车车牌检测的方法及*** |
CN104182769B (zh) * | 2014-09-17 | 2018-04-27 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法及*** |
CN104318225B (zh) * | 2014-11-19 | 2019-02-22 | 深圳市捷顺科技实业股份有限公司 | 车牌检测方法及装置 |
CN104463220A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法和*** |
CN105184291B (zh) * | 2015-08-26 | 2019-07-30 | 深圳市捷顺科技实业股份有限公司 | 一种多类型车牌检测方法及*** |
CN106651774B (zh) * | 2016-12-27 | 2020-12-04 | 深圳市捷顺科技实业股份有限公司 | 一种车牌超分辨率模型重建方法及装置 |
CN106846353B (zh) * | 2017-01-04 | 2020-02-21 | 美的集团股份有限公司 | 基于密度的图像处理方法、图像处理装置和设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129562A (zh) * | 2010-01-15 | 2011-07-20 | 富士通株式会社 | 图标识别方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7203363B2 (en) * | 2003-06-27 | 2007-04-10 | Chunghwa Telecom Co., Ltd. | String extraction method for image based on multiple stroke width patterns matching |
CA2535402A1 (en) * | 2003-07-10 | 2005-02-17 | James Simon | Autonomous wide-angle license plate recognition |
CN101246551A (zh) * | 2008-03-07 | 2008-08-20 | 北京航空航天大学 | 一种快速的车牌定位方法 |
-
2013
- 2013-12-27 CN CN201310739338.4A patent/CN103745197B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129562A (zh) * | 2010-01-15 | 2011-07-20 | 富士通株式会社 | 图标识别方法和装置 |
Non-Patent Citations (3)
Title |
---|
基于灰度方差和边缘密度的车牌定位算法;张浩鹏 等;《仪器仪表学报》;20110531;第32卷(第5期);第1095-1102页 * |
基于边缘与颜色信息的车牌精确定位算法;曾丽华 等;《北京航空航天大学学报》;20070930;第33卷(第9期);第2.2.1节 * |
用于车牌定位的分类器设计与相关算法研究;赵元兴;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120715;第2012年卷(第07期);第31页第三章 * |
Also Published As
Publication number | Publication date |
---|---|
CN103745197A (zh) | 2014-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103745197B (zh) | 一种车牌检测方法及装置 | |
CN103699905B (zh) | 一种车牌定位方法及装置 | |
CN106874894B (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
Liu et al. | Fast multiclass vehicle detection on aerial images | |
CN104318225B (zh) | 车牌检测方法及装置 | |
CN104933414B (zh) | 一种基于wld-top的活体人脸检测方法 | |
CN102803991B (zh) | 物体检测设备 | |
CN105404886B (zh) | 特征模型生成方法和特征模型生成装置 | |
Chen et al. | Human shadow removal with unknown light source | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
US9740965B2 (en) | Information processing apparatus and control method thereof | |
CN106610969A (zh) | 基于多模态信息的视频内容审查***及方法 | |
CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
JP6351243B2 (ja) | 画像処理装置、画像処理方法 | |
CN104951793B (zh) | 一种基于stdf特征的人体行为识别方法 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN103617426A (zh) | 一种自然环境干扰和有遮挡时的行人目标检测方法 | |
CN106940791B (zh) | 一种基于低维方向梯度直方图的行人检测方法 | |
CN103530638A (zh) | 多摄像头下的行人匹配方法 | |
CN103218604A (zh) | 交通场景中基于路面提取的行人检测方法 | |
CN104463240B (zh) | 一种仪表定位方法及装置 | |
CN106991419A (zh) | 基于轮胎内壁随机纹理的防伪方法 | |
CN104268595B (zh) | 通用物件检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170829 |
|
CF01 | Termination of patent right due to non-payment of annual fee |