CN104182769B - 一种车牌检测方法及*** - Google Patents
一种车牌检测方法及*** Download PDFInfo
- Publication number
- CN104182769B CN104182769B CN201410476339.9A CN201410476339A CN104182769B CN 104182769 B CN104182769 B CN 104182769B CN 201410476339 A CN201410476339 A CN 201410476339A CN 104182769 B CN104182769 B CN 104182769B
- Authority
- CN
- China
- Prior art keywords
- license plate
- car plate
- color
- car
- plate
- 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
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Character Input (AREA)
Abstract
本发明实施例提供一种车牌检测方法及***,其中,检测方法包括:获取车牌图像;对获取到的车牌图像隔帧交替使用白色字符车牌分类器和黑色字符车牌分类器中的任一个进行检测,得到车牌区域;确定白色字符车牌分类器检测到的车牌区域对应的车牌的底色属于第一类颜色,及黑色字符车牌分类器检测到的车牌区域对应的车牌的底色属于为第二类颜色。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种车牌检测方法及***。
背景技术
车牌是车辆的“身份证”号码,通过车牌,可以检测到车辆的许多重要信息,如车辆所属的省、市、县,及车辆的主人等,可以使人们更好地对交通***进行管理。在现有的车辆识别技术中,车辆检测是其中非常重要的一环节,若无法对车牌进行准确检测,那么对车牌的识别更无从说起。
在现有的车牌识别技术中,常用的方法是把所有收集到得车牌图像放入一起训练,利用基于Haar特征(哈尔特征)的Adaboost算法(Adaptive Boosting,自适应推进算进,一种迭代算法)训练得到一个车牌分类器,再利用这个车牌分类器对车牌进行检测。例如:使用蓝底、黑底、黄底和白底车牌的车牌图片进行一起训练,利用基于Haar特征的Adaboost算法训练得到一个可以检测到蓝底、黑底、黄底和白底车牌的车牌分类器,对获取的车牌图像使用该车牌分类器进行检测,可以检测到车牌图像中的蓝底、黑底、黄底和白底的车牌。
发明人发现:由于蓝底和黑底车牌为白色字符,黄底和白底车牌为黑色字符,四种底色的车牌经过灰度图转换后,蓝底和黑底车牌分别转换为灰底白字和黑底白字,黄底和白底车牌分别转换为灰底黑字和白底黑字,由于每个Haar的特征模板都是由两个或多个全等的矩形相邻组合而成,特征模板内有白色和黑色两种矩形,并将此模板定义为白色矩形像素和减去黑色矩形像素和,而蓝底和黑底车牌所提取出来的特征与黄底和白底车牌所提取出来的特征是相反的,因此,训练得到的车牌分类器可能会当被检测的车牌图像中拥有蓝底、黑底、黄底或白底的车牌时仍无法检测出与蓝底、黑底、黄底或白底的车牌相对应的车牌区域,或当被检测的车牌图像中没有蓝底、黑底、黄底或白底的车牌时且检测出本检测的车牌图像中拥有蓝底、黑底、黄底或白底的车牌相对应的车牌区域,使得车牌识别设备的检测性降低,误检率升高。
发明内容
有鉴于此,本发明实施例提供一种车牌检测方法及***,以解决现有技术中使用一个车牌分类器对不同字符颜色的车牌进行检测而造成的误检率高的问题。
为实现上述目的,本发明实施例提供如下技术方案:
一种车牌检测方法,包括:
获取车牌图像;
对获取到的车牌图像隔帧交替使用白色字符车牌分类器和黑色字符车牌分类器中的任一个进行检测,得到车牌区域;
确定白色字符车牌分类器检测到的车牌区域对应的车牌的底色属于第一类颜色,及黑色字符车牌分类器检测到的车牌区域对应的车牌的底色属于为第二类颜色。
其中,所述对获取到的车牌图像隔帧交替使用白色字符车牌分类器和黑色字符车牌分类器中的任一个进行检测包括:
若当前帧车牌图像的上一帧车牌图像使用黑色字符车牌分类器进行检测,则使用白色字符车牌分类器对所述当前帧车牌图像进行检测;
若当前帧车牌图像的上一帧车牌图像使用白色字符车牌分类器进行检测,则使用黑色字符车牌分类器对所述当前帧车牌图像进行检测。
其中,所述白色字符车牌分类器的训练步骤包括:
获取白色字符车牌图像,截取所述白色字符车牌图像中包含车牌的部分作为第一正样本,截取车牌图像样本中不包含车牌的部分作为第一负样本;使用哈尔特征对所述第一正样本和第一负样本进行表征,形成第一哈尔特征向量;利用迭代算法对所述第一哈尔特征向量进行训练,得到白色字符车牌分类器;
所述黑色字符车牌分类器的训练步骤包括:
获取黑色字符车牌图像,截取所述黑色字符车牌图像中包含车牌的部分作为第二正样本,截取车牌图像样本中不包含车牌的部分作为第二负样本;使用哈尔特征对所述第二正样本和第二负样本进行表征,形成第二哈尔特征向量;利用迭代算法对所述第二哈尔特征向量进行训练,得到黑色字符车牌分类器。
其中,检测车牌区域后还包括:
对使用白色字符车牌分类器检测到的车牌区域使用第一类颜色对应的颜色分类器进行检测,得到每个白色字符车牌分类器检测到的车牌区域的具体颜色;对一种颜色的车牌区域使用该种颜色对应的特殊字符分类器进行检测,得到不同类别的车牌区域;
对使用黑色字符车牌分类器检测到的车牌区域使用第二类颜色对应的颜色分类器进行检测,得到每个黑色字符车牌分类器检测到的车牌区域的具体颜色;对一种颜色的车牌区域使用该种颜色对应的特殊字符分类器进行检测,得到不同类别的车牌区域。
其中,对一种颜色的车牌区域使用该种颜色对应的特殊字符分类器进行检测后还包括:
判断所述该种颜色对应的车牌字符分类器是否检测到该种颜色的车牌区域;
若未检测到,则确认所述该种颜色车牌区域的颜色,判断所述该种颜色车牌区域的颜色在所述不同颜色的车牌区域中是否存在预先设定的相似颜色;
若存在,则对所述该种颜色的车牌区域进行所述相似颜色对应的特殊字符分类器进行检测。
其中,得到不同类别的车牌区域后还包括:
对特殊字符分类器检测后的车牌区域进行定位,确定所述特殊字符分类器检测后的车牌区域在所述车牌图像中的位置;将所述位置与所述车牌区域的颜色与类别相关联;显示所述车牌图像,在所显示的车牌图像中距所述位置预定距离的区域,标注所述车牌区域的颜色信息及类别信息。
其中,训练所述颜色分类器的步骤为:
将白色字符车牌分类器检测到的车牌区域和黑色字符车牌分类器检测到的车牌区域使用支持向量机训练,得到颜色分类器。
其中,训练所述特殊字符分类器的具体步骤包括:
截取车牌图像中包含特定的特殊字符的部分作为正样本,截取车牌图像样本中不包含特定的特殊字符的部分作为负样本;
使用哈尔特征对所述正样本和负样本进行表征,形成第三哈尔特征向量;
利用迭代算法对所述第三哈尔特征向量进行训练,得到特殊字符分类器。
一种车牌检测***,包括获取单元和检测单元,其中,
所述获取单元,用于获取车牌图像;
所述检测单元,用于对获取到的车牌图像隔帧交替使用白色字符车牌分类器和黑色字符车牌分类器中的任一个进行检测,得到车牌区域;确定白色字符车牌分类器检测到的车牌区域对应的车牌的底色属于第一类颜色,及黑色字符车牌分类器检测到的车牌区域对应的车牌的底色属于为第二类颜色。
其中,所述车牌检测***还包括:颜色分类单元和类别分类单元,其中,
所述颜色分类单元,用于对使用白色字符车牌分类器检测到的车牌区域使用第一类颜色对应的颜色分类器进行检测,得到不同颜色的车牌区域;对使用黑色字符车牌分类器检测到的车牌区域使用第二类颜色对应的颜色分类器进行检测,得到不同颜色的车牌区域;
所述类别分类单元,用于对一种颜色的车牌区域使用该种颜色对应的特殊字符分类器进行检测,得到不同类别的车牌区域。
基于的上述技术方案,本发明实施例提供的车牌检测方法,将车牌分为白色字符车牌和黑色字符车牌两类,使用具有白色字符车牌的车牌图像与具有黑色字符车牌的车牌图像分别训练出白色字符车牌分类器与黑色字符车牌分类器,由于车牌图像中的白色字符车牌经过灰度图转换后,均转化为黑底白字车牌或是灰底白字车牌,所有的白色字符车牌所提取出的哈尔特征均是相同的,因此,白色字符车牌分类器对具有白色字符车牌的车牌图像具有较高的检测率与较低的误检率;由于车牌图像中的黑色字符车牌经过灰度图转换后,均转化为白底黑字车牌或是灰底黑字车牌,所有的黑色字符车牌所提取出的哈尔特征均是相同的,因此,黑色字符分类器对具有黑色字符车牌的车牌图像具有较高的检测率与较低的误检率。对获取到的车牌图像进行检测时,将白色字符车牌分类器与黑色字符车牌分类器隔帧交错使用,既可实现现有技术中的既可检测白色字符车牌又可检测黑色字符车牌的功能,又可有效降低车牌分类器的误检率。
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。
图1为本发明实施例提供的车牌检测方法的流程图;
图2为本发明实施例提供的车牌检测方法中检测车牌区域的一种可选方法流程图;
图3为本发明实施例提供的车牌检测方法中训练白色字符车牌分类器的方法流程图;
图4为本发明实施例提供的车牌检测方法中检测民航车牌、使馆车牌和普通蓝底车牌的方法流程图;
图5为本发明实施例提供的车牌检测方法中检测军用车牌、警车车牌和普通黄底车牌的方法流程图;
图6为本发明实施例提供的车牌检测方法中相似颜色车牌判定的方法流程图;
图7为本发明实施例提供的车牌检测方法中标注车牌区域的颜色及类别的方法流程图;
图8为本发明实施例提供的车牌检测方法中训练颜色分类器的方法流程图;
图9为本发明实施例提供的车牌检测方法中训练特殊字符分类器的方法流程图;
图10为本发明实施例提供的车牌检测***的***框图;
图11为本发明实施例提供的车牌检测***的另一***框图。
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。
图1为本发明实施例提供的车牌检测方法的流程图,该车牌检测方法使用白色字符车牌分类器和黑色字符车牌分类器隔帧交替使用,来对获取的车牌图像进行检测,以降低车牌识别设备对车牌检测的误检率,参照图1,该方法可以包括:
步骤S100:获取车牌图像;
可选的,获取的车牌图像可以是直接来自图像采集设备采集而来的图像。
可选的,所使用的图像采集设备可以为摄像机。使用摄像机采集图像时,摄像机应设置于较高于图片采集区域的位置,使摄像机可以清楚、全面地看到经过路面或出入口的车辆的车牌,而所述摄像机的可以为摄像头可摆动的摄像机,使用摄像头可摆动的摄像机,当摄像机因为外部原因而使机身发生偏移时,可以通过控制摄像机摄像头的摆动来使摄像机可以重新捕获清晰、完整的图像。
可选的,获取的车牌图像可以是积分图,获取积分图可以包括:
步骤A:将图像采集设备采集的图像或通过图像采集设备采集后经过了检测选择后的图像换为灰度图;
步骤B:对得到灰度图进行全度积分,得到积分图。
对于一幅灰度的图像,积分图像中的任意一点(x,y)的值是指从图像的左上角到这个点的所构成的矩形区域内所有的点的灰度值之和。计算全图的积分图,使用积分图可以加快分类器检测的速度。为了避免一个方框的所有点的像素灰度值相加的重复计算,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)的所有像素灰度值,如果用I(x,y)表示灰度图,II(x,y)表示计算出来的积分图,那么:
可选的,任意的一个矩形可以使用以下的方式计算积分图:
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)
可选的,为了减少搜索量,可以在获取灰度图后将灰度图的宽度和高度各减少一半之后,在对得到的宽度和高度各减少一半之后灰度图进行积分,得到积分图。
步骤S110:对获取到的车牌图像隔帧交替使用白色字符车牌分类器和黑色字符车牌分类器中的任一个进行检测,得到车牌区域。确定白色字符车牌分类器检测到的车牌区域对应的车牌的底色属于第一类颜色,及黑色字符车牌分类器检测到的车牌区域对应的车牌的底色属于为第二类颜色。
其中,白色字符车牌分类器,是指可以用其检测出车牌图像中具有白色字符车牌的分类器,其中需要指出的是,在本发明实施例中,白色字符车牌并不仅仅是指车牌的字符全为白色的车牌,只要是车牌的字符中具有白色的字符,那么便是本发明实施例中所指的白色字符车牌。如:小型民用车的车牌为七个白色字符,本发明实施例认为其为白色字符车牌;而大使馆车牌,其为一个红色的“使”字加上六个白色的字符,本发明实施例也认为其为白色字符车牌。
对拥有白色字符车牌的车牌图像使用白色字符车牌分类器进行检测,可以检测出其中的具有白色字符车牌的车牌区域,在白色字符车牌分类器无误检的前提下,获取的车牌图像中具有多少个白色字符车牌,那么便可用白色字符车牌分类器检测到多少个具有白色字符车牌的车牌区域,若对不具有白色字符车牌的车牌图像使用白色字符车牌分类器进行检测,则白色字符车牌分类器将无法检测到车牌区域。
车牌图像中的白色字符车牌经过灰度图转换后,均转化为黑底白字车牌或是灰底白字车牌,所有的白色字符车牌所提取出的哈尔特征均是相同的,而现有技术中培训出的分类器中将白色字符车牌与黑色字符车牌一起训练,而白色字符车牌与黑色字符车牌所提取出的特征是相反的,一起训练增加了训练的难度,而且训练得到的分类器的特征比较多,多特征就意味这检测速度慢。这使得通过使用拥有白色字符车牌的车牌图像训练出来的白色字符车牌分类器在检测车牌图像时,可以相比现有技术可以更准确地检测出被检测车牌图像中的白色字符车牌区域,具有更低的误检率。
相应的,黑色字符车牌分类器,是指可以用其检测出车牌图像中具有黑色字符车牌的分类器,其中也需要指出的是,黑色字符车牌并不仅仅是指车牌的字符全为黑色的车牌,只要是车牌的字符中具有黑色的字符,那么便是本发明实施例中所指的黑色字符车牌。如:摩托车车牌,其为七个黑色的字符,本发明实施例认为其为黑色字符车牌;军车车牌,其为前两个红色字符字加上五个黑色的字符,警车车牌,其为六个黑色字符加上最后一个红色“警”字,本发明实施例也认为其均为黑色字符车牌。
对拥有黑色字符车牌的车牌图像使用黑色字符车牌分类器进行检测,可以检测出其中的具有黑色字符车牌的车牌区域,在黑色字符车牌分类器无误检的前提下,获取的车牌图像中具有多少个黑色字符车牌,那么便可用黑色字符车牌分类器检测到多少个具有黑色字符车牌的车牌区域,若对不具有黑色字符车牌的车牌图像使用黑色字符车牌分类器进行检测,则黑色字符车牌分类器将无法检测到车牌区域。
车牌图像中的黑色字符车牌经过灰度图转换后,均转化为白底黑字车牌或是灰底黑字车牌,所有的黑色字符车牌所提取出的哈尔特征均是相同的,而现有技术中培训出的分类器中将白色字符车牌与黑色字符车牌一起训练,而白色字符车牌与黑色字符车牌所提取出的特征是相反的,一起训练增加了训练的难度,而且训练得到的分类器的特征比较多,多特征就意味这检测速度慢。这使得通过使用拥有黑色字符车牌的车牌图像训练出来的黑色字符车牌分类器在检测车牌图像时,可以相比现有技术可以更准确地检测出被检测车牌图像中的黑色字符车牌区域,具有更低的误检率。
可选的,可以将视频保持以20-25帧每秒不影响客户体验的速度连续播放,由于硬件设备处理能力等原因,将车牌识别抽取其中的部分帧,对这些帧间隔使用白色字符车牌分类器和黑色字符车牌分类器进行检测。例如,抽取图像采集设备采集的奇数帧,再对这些帧间隔使用白色字符车牌分类器和黑色字符车牌分类器进行检测,即对图片采集设备中采集到的第一帧车牌图像使用白色字符车牌分类器,对图片采集设备中采集到的第三帧车牌图像使用黑色字符车牌分类器,对图片采集设备中采集到的第五帧车牌图像使用白色字符车牌分类器,以此类推,而所有偶数帧则全不处理。在卡口场景,所有车牌均是一车一卡,车辆从出现到消失会持续十秒以上,因此我们有足够的时间进行检测,不需要考虑漏检的问题。
在无误检的前提下,当获取的车牌图像中只有白色字符车牌时,使用白色字符车牌分类器可以检测到获取的车牌图像中具有白色字符车牌的车牌区域;当获取的车牌图像中只有黑色字符车牌时,使用黑色字符车牌分类器可以检测到获取的车牌图像中具有白色字符车牌的车牌区域;当获取的车牌图像中既有白色字符车牌又有黑色字符车牌时,可以在某一帧中通过白色字符车牌分类器检测到获取的车牌图像中具有白色字符车牌的车牌区域,在该帧的下一帧通过黑色字符车牌分类器检测到获取的车牌图像中具有黑色字符车牌的车牌区域。
确定白色字符车牌分类器检测到的车牌区域对应的车牌的底色属于第一类颜色,及黑色字符车牌分类器检测到的车牌区域对应的车牌的底色属于为第二类颜色。其中,所述的第一类颜色,可以是绿色、蓝色或黑色,比如民航的车牌为绿底白字,小型名用汽车的车牌为蓝底白底,大使馆车牌为黑底六个白色字符加上一个红色的“使”字。所述的第二类颜色,可以是白色或黄色,比如:军用车牌为白底五个黑色字符加上两个红色字符,警车车牌为白底六个黑色字符加上一个红色的“警”字。所有可检测的第一类颜色加上所述可检测的第二类颜色相加,便得到了现有技术中的车牌分类器所有可检测的颜色。
可选的,本发明实施例提供的车牌识别方法中获取车牌图像的方法,可以是对车牌图像逐帧地获取,先获取当前帧的车牌图像,对当前帧的车牌图像进行后续的步骤处理后再去获取下一帧的车牌图像。比如,先获取当前帧的车牌图像,对获取的当前帧车牌图像使用白色字符车牌分类器进行检测,在白色字符车牌分类器检测完后,再获取下一帧车牌图像,然后对该下一帧车牌图像使用黑色字符车牌进行检测。
可选的,可以在对当前帧使用白色字符车牌分类器或黑色字符车牌分类器之前,先对当前帧车牌图像的上一帧车牌图像使用的字符车牌分类器的种类判断,判断上一帧车牌图像是使用白色字符车牌分类器还是黑色字符车牌分类器进行车牌检测,若上一帧车牌图像使用黑色字符车牌分类器进行检测,则对当前帧车牌图像使用白色字符车牌分类器对所述当前帧车牌图像进行检测;若上一帧车牌图像使用白色字符车牌分类器进行检测,则对当前帧车牌图像使用黑色字符车牌分类器对所述当前帧车牌图像进行检测。
可选的,当在可以确定车牌识别设备的监控画面中只会存在一个车牌时,如停车场的出入口的车牌均为逐辆通行,在一个监控画面中不会出现两辆汽车的车牌。若上一帧车牌图像为使用白色字符车牌分类器进行检测,可以在上一帧车牌图像使用白色字符车牌分类器进行检测后判断白色字符车牌分类器是否在上一帧车牌图像中检测到车牌区域,若使用白色字符车牌分类器检测到车牌区域,并且车牌是有效的,这里的有效是指车牌区域经过分割识别后能达到标准,例如车牌字符识别使用支持向量机识别,识别后字符有置信度,如果置信度达标就说明车牌是有效的,则说明车牌检测成功,此次的车牌检测结束,无需再对此车使用黑色字符车牌分类器进行检测,可以在下一辆车接入监控画面后再使用黑色字符车牌分类器对其进行检测,可选的,对有效车牌区域可以执行跟踪来代替检测以节省资源,下一辆新车进入可以有一些新车判断条件,或者通过粗检检测到疑似车牌区域等,这些不在本专利讨论范畴;若使用白色字符车牌分类器未检测到车牌区域,或者检测到的车牌区域经过分割和识别后不能达标,则再在当前帧车牌图像使用黑色字符车牌分类器进行检测。由于在可以确定车牌识别设备的监控画面中只会存在一个车牌,因此,在某一帧使用白色字符车牌分类器或黑色字符车牌分类器中的一个进行检测而检测到车牌区域后,将无需再在下一帧对其使用白色字符车牌分类器或黑色字符车牌分类器中的另一个进行检测,如此,既不会漏检车牌,也可提高车牌检测的效率。
可选的,当在可以确定车牌识别设备的监控画面中只会存在一个车牌时,若使用白色字符车牌分类器检测到车牌区域,并且车牌是有效的,仍然对下一帧车牌图像使用黑色字符车牌分类器进行检测,若黑色字符车牌分类器也检测到车牌,并且车牌是有效的,则说明上述对上一帧车牌图像使用白色字符车牌分类器进行检测,或对当前帧车牌图像使用黑色字符车牌分类器检测的检测结果之一有误,可以对比前后两个车牌的特征,判断哪个更可靠,例如对比前后两个车牌的所有的字符的置信度之和,高的更可靠;也可在对当前帧车牌图像使用黑色字符车牌分类器进行检测后再对下一帧车牌图像使用白色字符车牌分类器进行检测,之后再判断此次的白色字符车牌分类器是否检测到车牌图像,以此类推,直到检测到车牌图像为止。如此,可进一步降低车牌检测的误检率。
本发明实施例提供的车牌检测方法,将车牌分为白色字符车牌和黑色字符车牌两类,使用具有白色字符车牌的车牌图像与具有黑色字符车牌的车牌图像分别训练得到白色字符车牌分类器与黑色字符车牌分类器,由于车牌图像中的白色字符车牌经过灰度图转换后,均转化为黑底白字车牌或是灰底白字车牌,所有的白色字符车牌所提取出的哈尔特征均是相同的,因此,白色字符车牌分类器对具有白色字符车牌的车牌图像具有较高的检测率与较低的误检率;由于车牌图像中的黑色字符车牌经过灰度图转换后,均转化为白底黑字车牌或是灰底黑字车牌,所有的黑色字符车牌所提取出的哈尔特征均是相同的,因此,黑色字符分类器对具有黑色字符车牌的车牌图像具有较高的检测率与较低的误检率。对获取到的车牌图像进行检测时,将白色字符车牌分类器与黑色字符车牌分类器隔帧交错使用,既可实现现有技术中的既可检测白色字符车牌又可检测黑色字符车牌的功能,又可有效提高了车牌分类器的检测率与降低车牌分类器的误检率。确定白色字符车牌分类器检测到的车牌区域对应的车牌的底色属于第一类颜色,及黑色字符车牌分类器检测到的车牌区域对应的车牌的底色属于为第二类颜色
同时,将车牌分为白色字符车牌和黑色字符车牌,使训练分类器时需要使用更少的Haar特征数量变少,加快了分类器训练的速度,在实际使用的时候,由于Haar特征数字的减少,也会加快检测的速度。
可选的,图2示出了本发明实施例提供的车牌检测方法中检测车牌区域的一种可选方法流程图,参照图2,检测车牌区域的一种可选方法可以包括:
步骤S200:判断上一帧车牌图像是否使用白色字符车牌分类器进行检测;
步骤S210:若是,判断白色字符车牌分类器是否成功检测到车牌区域,若没有成功,进入步骤S220;
步骤S220:使用黑色字符车牌分类器对当前帧车牌图像进行检测;
步骤S230:若否,判断黑色字符车牌分类器是否成功检测到车牌区域,若没有成功,进入步骤S240;
步骤S240:使用白色字符车牌分类器对当前帧车牌图形进行检测。
若当前帧为第一帧,即在当前帧车牌图像之前没有上一帧车牌图像,则无需判断上一帧车牌图像是否使用白色字符车牌分类器进行检测,直接对当前程车牌图像使用白色字符车牌分类器和黑色字符车牌分类器中的任一个进行检测。
当在可以确定车牌识别设备的监控画面中只会存在一个车牌时,使用图2示出检测车牌区域的一种可选方法来检测车牌区域,在某一帧使用白色字符车牌分类器或黑色字符车牌分类器中的一个进行检测而检测到车牌区域后,并且车牌为有效车牌,不再对下一帧车牌图像使用白色字符车牌分类器或黑色字符车牌分类器中的另一个进行检测,只在某一帧使用白色字符车牌分类器或黑色字符车牌分类器中的一个进行检测未检测到车牌区域,或者检测出来的车牌区域无效后再对下一帧车牌图像使用白色字符车牌分类器或黑色字符车牌分类器中的另一个进行检测,如此,既不会漏检车牌,也可提高车牌检测的效率。
可选的,图3示出了本发明实施例提供的车牌检测方法中训练白色字符车牌分类器的方法流程图,参照图3,训练白色字符车牌分类器的方法可以包括:
步骤S300:获取白色字符车牌图像,截取所述白色字符车牌图像中包含车牌的部分作为第一正样本,截取车牌图像样本中不包含车牌的部分作为第一负样本;
其中,白色字符车牌图像是指,具有白色字符车牌的车牌图像,获取白色字符车牌图像的具体方法与前文所描述的获取车牌图像的方法相同。
可选的,可以使用人工识别手动截取的方式来截取第一正样本和第二正样本,也可以使用机器自动识别机器自动截取的方式来截取第一正样本和第二正样本。
步骤S310:使用哈尔特征对所述第一正样本和第一负样本进行表征,形成第一哈尔特征向量;
哈尔特征(Haar特征,Haar-like features)是一种用于物体识别的图像特征,使用检测窗口中指定位置的相邻矩形,计算每一个矩形的像素和并取其差值,然后用这些差值来对图像的子区域进行分类。例如,当前有一个人脸图像集合,通过观察可以发现,人的眼睛的颜色要比两颊的深,因此,用于人脸检测的哈尔特征是分别放置在眼睛和脸颊的两个相邻矩形。这些矩形的位置则通过类似于人脸图像的外接矩形的检测窗口进行定义。在检测阶段,一个与目标物体同样尺寸的检测窗口将在输入图像上滑动,在图像的每一个子区域都计算出一个哈尔特征向量,然后这个差值会与一个预先计算好的阈值进行比较,将目标和非目标区分开来,单个哈尔特征向量可以视为一个弱分类器,而多个哈尔特征向量的组合可以形成一个级联分类器,最终形成一个强分类器。哈尔特征的计算非常快速,使用一个称为积分图的结构,任意尺寸的哈尔特征可以在常数时间内进行计算。
步骤S320:利用迭代算法对所述第一哈尔特征向量进行训练,得到白色字符车牌分类器。
可选的,可以使用Adaboost(Adaptive Boosting,自适应推进)算法来对哈尔特征向量进行训练,从而得到互补车牌分类器。Adaboost算法的核心思想是针对同一个训练集训练不同的弱分类器,然后把这些弱分类器集合起来,构成一个强分类器。其算法本身是通过改变数据分布来实现的,根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值,将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。
相应的,训练黑色字符车牌分类器的方法与训练白色字符车牌分类器的方法相同。先获取黑色字符车牌图像,截取所述黑色字符车牌图像中包含车牌的部分作为第二正样本,截取车牌图像样本中不包含车牌的部分作为第二负样本;然后,使用哈尔特征对所述第二正样本和第二负样本进行表征,形成第二哈尔特征向量;最后,利用迭代算法对所述第二哈尔特征向量进行训练,得到黑色字符车牌分类器。
可选的,可以在本发明实施例提供的车牌检测方法中的检测车牌区域后对检测到的车牌区域使用对应的颜色分类器进行检测,得到每个白色字符车牌分类器检测到的车牌区域的具体颜色,同时,在知道其具体颜色的车牌区域使用对应的特殊字符分类器进行类别分类。如,在本发明实施例提供的车牌检测方法后检测得到对应车牌底色为第一类颜色的车牌区域,如绿色、蓝色和黑色的车牌区域,之后,对得到的绿色、蓝色和黑色的车牌区域使用由绿色、蓝色和黑色的车牌区域训练得到的颜色分类器进行检测,得到每个车牌区域的具体颜色,然后对绿色的车牌区域使用其对应的特殊字符分类器,如民航车牌分类器,判断该绿色的车牌区域对应的车牌是普通绿色车牌还是民航车牌;对黑色的车牌区域使用其对应的特殊字符分类器,如使馆车牌分类器,判断黑色的车牌区域是普通黑色车牌还是使馆车牌。
可选的,可以由本发明实施例的方法对民航车牌、使馆车牌和普通蓝底车牌进行检测,以确定其具体的车牌种类。其中,民航车牌的车牌特征绿底白字,并以“民航”两字开头;使馆车牌的车牌特征是黑底白一个红色的“使”字加上六个白色的字符;普通蓝底车牌的车牌特征是蓝底白字。
可选的,图4示出了本发明实施例提供的车牌检测方法中检测民航车牌、使馆车牌和普通蓝底车牌的方法流程图,参照图4,检测民航车牌、使馆车牌和普通蓝底白字车牌的方法可以包括:
步骤S400:获取白色字符车牌分类器检测到的车牌区域;
通过白色字符车牌分类器检测到的车牌区域可以确定其为绿底车牌对应的绿色车牌区域、黑底车牌对应的黑色车牌区域或蓝底车牌对应的蓝色车牌区域中的任一种,但无法确定其具体为绿色车牌区域、黑色车牌区域或蓝色车牌区域中的哪一种车牌区域。也有可能存在误检,把黑色字符车牌区域或者背景误检为白色字符区域,但是这些区域会在后续处理中去除。
此时,确定的白色字符车牌分类器检测到的车牌区域对应的车牌的底色的第一类颜色,包括绿色、黑色和蓝色。
步骤S410:对白色字符车牌分类器检测到的车牌区域使用可区分绿色、蓝色和黑色的颜色分类器进行检测,得到绿色车牌区域、蓝色车牌区域和黑色车牌区域;
其中,可区分绿色、黑色和蓝色的颜色分类器是通过绿底车牌、黑底车牌和蓝底车牌对应的车牌区域训练得到的颜色分类器,通过该可区分绿色、黑色和蓝色的颜色分类器,可以将通过白色字符车牌分类器检测到的绿底车牌对应的车牌区域、黑底车牌对应的车牌区域和蓝底车牌对应的车牌区域一个个地确定其具体地颜色。
步骤S420:获取绿色的车牌区域,对其使用民航车牌分类器进行检测;若检测到该车牌区域,则可确定该绿色的车牌区域为民航车牌;
步骤S430:获取黑色的车牌区域,对其使用使馆车牌分类器进行检测,若检测到该车牌区域,则可确定该黑色的车牌区域为使馆车牌;
步骤S440:获取蓝色的车牌区域,确定该蓝色的车牌区域为普通蓝底车牌。
其中,民航车牌分类器和使馆车牌分类器分别是由民航车牌和使馆车牌训练得到的特殊字符分类器,通过民航车牌分类器可以将所有具有以“民航”两字开头的车牌区域检测出来,通过使馆车牌分类器可以将所有具有“使”字的车牌区域检测出来。普通蓝底车牌没有特殊的字符,其无对应的特殊字符车牌分类,所有不需要使用特殊字符分类器对其进行检测。
另外,需要说明的是,步骤S420、步骤S430和步骤S440的先后顺序是可以随意变换的,步骤S420、步骤S430和步骤S440的先后顺序对车牌的检测结果没有影响,并且,可以同时进行步骤S420、步骤S430和步骤S440,且同时进行步骤S420、步骤S430和步骤S440时可以减少完成车牌的颜色和类别检测所需的时间。
可选的,可以由本发明实施例的方法对军用车牌、警车车牌和普通黄底车牌进行检测,以确定其具体的车牌种类。其中,军用车牌的车牌特征是白底两个左侧红色的英文字符加上五个黑色的字符,警车车牌的车牌特征白底,六个黑色字符加上一个红色“警”字,普通黄底车牌的车牌特征是黄底黑字。
可选的,图5示出了本发明实施例提供的车牌检测方法中检测军用车牌、警车车牌和普通黄底车牌的方法流程图,参照图5,检测军用车牌、警车车牌和普通黄底车牌的方法包括:
步骤S500:获取黑色字符车牌分类器检测到的车牌区域;
黑色字符车牌分类器检测到的车牌区域可以确定其为白底车牌对应的白色车牌区域或黄底车牌对应的黄色车牌区域。也有可能存在误检,把白色字符车牌区域或者背景误检为黑色字符区域,但是这些区域会在后续处理中去除。
此时,确定的黑色字符车牌分类器检测到的车牌区域对应的车牌的底色的第二类颜色,包括白色和黄色。
步骤S510:对黑色字符车牌分类器检测到的车牌区域使用可区分白色和黄色的颜色分类器进行检测,得到每个黑色字符车牌分类器检测到的车牌区域的具体颜色;
其中,可区分白色和黄色的颜色分类器是通过白底和黄底车牌对应的车牌区域训练得到的颜色分类器,通过该可区分白色和黄色的颜色分类器,可以将通过黑色字符车牌分类器检测到的白底车牌对应的车牌区域、和黄底车牌对应的车牌区域逐个地确定其具体地颜色,即确定每一个由黑色字符车牌分类器检测到车牌区域的具体颜色。
步骤S520:获取白色的车牌区域,对其使用军用车牌分类器进行检测,若检测到该车牌区域,则可确定该白色的车牌区域为军用车牌;
步骤S530:获取白色的车牌区域,对其使用警车车牌分类器进行检测,若检测到该车牌区域,则可确定该白色的车牌区域为警车车牌;
步骤S540:获取黄色的车牌区域,确定该黄色的车牌区域为普通黄底车牌。
其中,军用车牌分类器和警车车牌分类器分别是由军用车牌和警车车牌训练得到的特殊字符分类器,通过军用车牌分类器可以将所有左侧具有两个红色的英文字符车牌区域检测出来,通过警车车牌分类器可以将所有具有“警”字的车牌区域检测出来。普通黄底车牌没有特殊的字符,其无对应的特殊字符车牌分类,所有不需要使用特殊字符分类器对其进行检测。
另外,需要说明的是,步骤S520、步骤S530和步骤S540的先后顺序也是可以随意变换的,步骤S520、步骤S530和步骤S540的先后顺序对车牌的检测结果没有影响,并且,也可以同时进行步骤S520、步骤S530和步骤S540,且同时进行步骤S520、步骤S530和步骤S540时可以减少完成车牌的颜色和类别检测所需的时间。
可选的,在对一种颜色的车牌区域使用该种颜色对应的特殊字符分类器进行检测后还可以再进行相似颜色的车牌的判定,顾名思义,相似颜色车牌是指两个或是多个车牌底色颜色相似的车牌,某两个或是多个车牌是否属于相似车牌是由最开始预先便设定好的,比如,可以在对车牌进行检测前便预先设定绿底车牌与蓝底车牌为相似颜色车牌。当对某个使用颜色分类器分类为绿色的车牌区域使用民航车牌分类器进行检测时,若没有检测到“民航”二字,则说明之前的颜色分类器的检测有误,判断最开始的白色字符车牌分类器检测到的车牌区域中是否存在蓝色的车牌区域被误识别成绿色,若存在,则判定该被检测为绿色的车牌区域为蓝色的车牌区域。
可选的,图6示出了本发明实施例提供的车牌检测方法中相似颜色车牌判定的方法流程图,以被误判定为绿色的车牌区域为例,其中,蓝色车牌与绿色车牌为预订的相似颜色车牌,参照图6,相似颜色车牌判定的方法可以包括:
步骤S600:判断被检测为绿色的车牌区域是否检测到“民航”二字;
步骤S610:若未检测到,判断白色字符车牌分类器检测到的车牌区域中是否存在蓝色的车牌区域被误识别成绿色;
步骤S620:若存在,判定该车牌区域为蓝色的车牌区域。
当某个被判定为某种颜色的车牌区域在使用该种颜色对应的特殊字符分类器进行检测而未检测到该被判定为该种的车牌区域后,若无相似颜色车牌的判定过程,我们将得知该被判定为该种颜色的车牌区域被误检了,而无法再得知该被误检的车牌区域的正确颜色及类别,即无法将误检的车牌纠正过来使其变为正确检测,若对该误检的车牌区域使用相似颜色车牌判定,则可以很好得将该误检纠正过来,进一步降低车牌检测的误检率。
可选的,在得到不同类别的车牌区域后还可以对每个车牌区域进行定位,并在每个车牌区域的特定位置标注该车牌区域的颜色及类别。
对其他被判定错误颜色的车牌区域为也可以使用上述的相似颜色车牌判定的方法,只需要上述实施例中的绿色改为相应的颜色即可。
可选的,图7示出了本发明实施例提供的车牌检测方法中标注车牌区域的颜色及类别的方法流程图,以绿底民航车牌为例,参照图7,标注车牌区域的颜色及类别的方法可以包括:
步骤S700:获取绿底民航车牌区域;
其中,绿底民航车牌区域即为具有绿底民航车牌的车牌图像中被检测出的具有绿底民航车车牌的车牌区域;
步骤S710:对获取的绿底民航车牌区域进行定位,确定该绿底民航车牌区域在该绿底民航车牌对应的车牌图像中的位置;
对车牌区域进行定位后,可以获得该车牌区域的坐标信息,由此坐标信息来确定该车牌区域在车牌图像中的位置。
步骤S720:将确定的位置与该绿底民航车牌区域的颜色与类别相关联;
由于是绿底民航车牌区域,因此,此处的颜色与类别分别是指绿色和民航车牌。
步骤S730:显示该绿底民航车牌区域对应的车牌图像,在显示的车牌图像中距绿底民航车牌区域预定距离的区域,标注“绿色,民航车牌”。
可选的,可以在显示器上显示该绿底民航车牌区域对应的车牌图像,及需要显示的标注。
可选的,车牌识别设备可以通过无线网络或数据线将信息传递给显示器,然后显示器显示该绿底民航车牌区域对应的车牌图像,及需要显示的标注。
对其他需要标准车牌区域的颜色及类别车牌,上述实施例所述的方法也同样适用,只需要将上述具体实施方式中的颜色及类别改为所需要标注的车牌区域的颜色及类别的颜色即可。
可选的,图8示出了本发明实施例提供的车牌检测方法中训练颜色分类器的方法流程图,以训练可区别出绿色和黑色车牌区域的颜色分类器为例,参照图8,训练颜色分类器的方法可以包括:
步骤S800:获取绿色车牌区域和黑色车牌区域;
步骤S810:对绿色车牌区域和黑色车牌区域使用支持向量机训练,得颜色分类器。
可选的,可以在对绿色车牌区域和黑色车牌区域使用支持向量机训练之前,对所获取的绿色车牌区域和黑色车牌区域转换为HSV(H色度,S亮度,V饱和度)颜色模型,并从HSV颜色模型中提取每一块车牌区域的颜色特征,然后将这些颜色特征进行分类,再将这些分类后的颜色特征送入支持向量机进行训练。
具体的,将RGB(R红,G绿,B蓝)颜色空间转换为HSV颜色空间的过程为:
Imax=max(R,G,B);
Imin=min(R,G,B);
若Imax=R,则H=(G-B)/(Imax-Imin);
若Imax=G,则H=2+(B-R)/(Imax-Imin);
若Imax=B,则H=4+(R-G)/(Imax-Imin);
H=H×60°,若H<0°,H=H+360°;
V=max(R,G,B);
S=(max-min)/max。
可选的,可以将我们将真彩色空间均匀压缩到16色索引色空间,降低计算复杂度。第一类从349°到11°,第二类从12°到34°,以此类推。由于黑色和白色的H分量都为0,通过H分量无法判断出黑色和白色。但是可以通过结合S分量的办法来区分。黑色的H分量和S分量均为0,白色的H分量为0,但是S分量为1。我们把H分量的第一类去掉,分为2类。即把H分量为第一类,S分量为0分成一类。把S分量为1分成另一类。再加上原来色彩中的15类,一共分成17种颜色分类。
相对于几何特征而言,彩色直方图是一种概率统计的方法,具有旋转不变性和缩放不变性等特点。我们对上述的17种分类进行统计,根据HSV颜色空间H分量中对应颜色在输入图像中出现的频率,得到了图像的彩色直方图。例如蓝牌是蓝底白字,蓝牌样本得到的彩色直方图会在蓝色分量和白色分量上比较多。黄牌是黄底黑字,黄牌样本到的彩色直方图会在黄色分量和黑色分量上比较多。
可选的,将上述的17种颜色作为一个17维特征,进行支持向量机(SVM)训练。
SVM训练的样本集可以表示为:
(x1,y1),(x2,y2),…,(xn,yn)。
其中,xi∈Rd,Rd是训练样本集,yi∈{-1,1},yi=1表示xi∈ω1,yi=-1表示xi∈ω2,ω1和ω2是两种不同的分类。
对于线性分类,决策函数为
g(x)=ωTx+b,
其中,ω是分类面的梯度,而b是偏置,
ωTx+b=1和ωTx+b=-1的分类间隔为
SVM为了最大化分类间隔,需要求解
经过推导,
g(x)表示为:
其中αi是训练得到的支持向量系数。
当需要训练可区别出绿色车牌区域、黑色车牌区域和蓝色车牌区域的颜色分类器使,则将上述实施例中的再增加蓝色车牌区域,使用绿色车牌区域、黑色车牌区域和蓝色车牌区域一起训练。以后需要对颜色分类器增加对某一种颜色的车牌区域的识别,将该种颜色的车牌区域加入其中训练,易于所使用的颜色分类器的升级和更新。
训练器可区别特定颜色的颜色分类器实施例中的方法也同样适用。
可选的,图9示出了本发明实施例提供的车牌检测方法中训练特殊字符分类器的方法流程图,以训练可检测民航车牌的特殊字符分类器为例,参照图9,训练训练特殊字符分类器的方法可以包括:
步骤S900:获取具有民航车牌的车牌图像,截取车牌图像中特殊字符“民航”两字作为正样本,截取车牌图像样本中不包含特殊字符“民航”两字的部分作为负样本;
步骤S910:使用哈尔特征对所述正样本和负样本进行表征,形成第三哈尔特征向量;
步骤S920:利用迭代算法对所述第三哈尔特征向量进行训练,得到民航车牌分类器。
可选的,也可以使用Adaboost(Adaptive Boosting,自适应推进)算法来对此第三哈尔特征向量进行训练,从而得到民航车牌分类器。
训练其他的特殊字符分类器使用本实施例的方法也同样适用,只需要将特殊字符改为训练所需要的特殊字符即可。
本发明实施例提供的车牌检测方法隔帧交替使用白色字符车牌分类器和黑色字符车牌分类器中的任一个对车牌图像进行检测,以实现降低车牌检测的误检率的问题。
下面对本发明实施例提供的车牌检测***进行介绍,下文描述的车牌检测***与上文描述的车牌检测方法可相互对应参照。
图10为本发明实施例提供的车牌检测***的***框图,参照图10,该车牌检测***可以包括:获取单元100和检测单元200,其中,
获取单元100,用于获取车牌图像;
检测单元200,用于对获取到的车牌图像隔帧交替使用白色字符车牌分类器和黑色字符车牌分类器中的任一个进行检测,得到车牌区域;确定白色字符车牌分类器检测到的车牌区域对应的车牌的底色属于第一类颜色,及黑色字符车牌分类器检测到的车牌区域对应的车牌的底色属于为第二类颜色。
可选的,图11示出了本发明实施例提供的车牌检测***的另一***框图,参照图11,车牌检测***还包括:颜色分类单元300、类别分类单元400,其中,
颜色分类单元300,用于对使用白色字符车牌分类器检测到的车牌区域使用第一类颜色对应的颜色分类器进行检测,得到不同颜色的车牌区域;对使用黑色字符车牌分类器检测到的车牌区域使用第二类颜色对应的颜色分类器进行检测,得到不同颜色的车牌区域;
类别分类单元400,用于对一种颜色的车牌区域使用该种颜色对应的特殊字符分类器进行检测,得到不同类别的车牌区域。
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。对于实施例公开的装置而言,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。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
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。
Claims (10)
1.一种车牌检测方法,其特征在于,包括:
获取车牌图像;所述车牌图像包括将图像采集设备采集的图像经过处理后得到的积分图;
对获取到的车牌图像隔帧交替使用白色字符车牌分类器和黑色字符车牌分类器中的任一个进行检测,得到车牌区域;所述白色字符车牌分类器和所述黑色字符车牌分类器是通过将车牌分为白色字符车牌和黑色字符车牌两类,使用具有白色字符车牌的车牌图像与具有黑色字符车牌的车牌图像分别训练得到的;
确定白色字符车牌分类器检测到的车牌区域对应的车牌的底色属于第一类颜色,及黑色字符车牌分类器检测到的车牌区域对应的车牌的底色属于为第二类颜色。
2.根据权利要求1所述的车牌检测方法,其特征在于,所述对获取到的车牌图像隔帧交替使用白色字符车牌分类器和黑色字符车牌分类器中的任一个进行检测包括:
若当前帧车牌图像的上一帧车牌图像使用黑色字符车牌分类器进行检测,则使用白色字符车牌分类器对所述当前帧车牌图像进行检测;
若当前帧车牌图像的上一帧车牌图像使用白色字符车牌分类器进行检测,则使用黑色字符车牌分类器对所述当前帧车牌图像进行检测。
3.根据权利要求1所述的车牌检测方法,其特征在于,所述白色字符车牌分类器的训练步骤包括:
获取白色字符车牌图像,截取所述白色字符车牌图像中包含车牌的部分作为第一正样本,截取车牌图像样本中不包含车牌的部分作为第一负样本;使用哈尔特征对所述第一正样本和第一负样本进行表征,形成第一哈尔特征向量;利用迭代算法对所述第一哈尔特征向量进行训练,得到白色字符车牌分类器;
所述黑色字符车牌分类器的训练步骤包括:
获取黑色字符车牌图像,截取所述黑色字符车牌图像中包含车牌的部分作为第二正样本,截取车牌图像样本中不包含车牌的部分作为第二负样本;使用哈尔特征对所述第二正样本和第二负样本进行表征,形成第二哈尔特征向量;利用迭代算法对所述第二哈尔特征向量进行训练,得到黑色字符车牌分类器。
4.根据权利要求1所述的车牌检测方法,其特征在于,检测车牌区域后还包括:
对使用白色字符车牌分类器检测到的车牌区域使用第一类颜色对应的颜色分类器进行检测,得到每个白色字符车牌分类器检测到的车牌区域的具体颜色;对一种颜色的车牌区域使用该种颜色对应的特殊字符分类器进行检测,得到不同类别的车牌区域;
对使用黑色字符车牌分类器检测到的车牌区域使用第二类颜色对应的颜色分类器进行检测,得到每个黑色字符车牌分类器检测到的车牌区域的具体颜色;对一种颜色的车牌区域使用该种颜色对应的特殊字符分类器进行检测,得到不同类别的车牌区域。
5.根据权利要求4所述的车牌检测方法,其特征在于,对一种颜色的车牌区域使用该种颜色对应的特殊字符分类器进行检测后还包括:
判断所述该种颜色对应的车牌字符分类器是否检测到该种颜色的车牌区域;
若未检测到,则确认所述该种颜色车牌区域的颜色,判断所述该种颜色车牌区域的颜色在所述不同颜色的车牌区域中是否存在预先设定的相似颜色;
若存在,则对所述该种颜色的车牌区域进行所述相似颜色对应的特殊字符分类器进行检测。
6.根据权利要求4所述的车牌检测方法,其特征在于,得到不同类别的车牌区域后还包括:
对特殊字符分类器检测后的车牌区域进行定位,确定所述特殊字符分类器检测后的车牌区域在所述车牌图像中的位置;将所述位置与所述车牌区域的颜色与类别相关联;显示所述车牌图像,在所显示的车牌图像中距所述位置预定距离的区域,标注所述车牌区域的颜色信息及类别信息。
7.根据权利要求4所述的车牌检测方法,其特征在于,训练所述颜色分类器的步骤为:
将白色字符车牌分类器检测到的车牌区域和黑色字符车牌分类器检测到的车牌区域使用支持向量机训练,得到颜色分类器。
8.根据权利要求4所述的车牌检测方法,其特征在于,训练所述特殊字符分类器的具体步骤包括:
截取车牌图像中包含特定的特殊字符的部分作为正样本,截取车牌图像样本中不包含特定的特殊字符的部分作为负样本;
使用哈尔特征对所述正样本和负样本进行表征,形成第三哈尔特征向量;
利用迭代算法对所述第三哈尔特征向量进行训练,得到特殊字符分类器。
9.一种车牌检测***,其特征在于,包括获取单元和检测单元,其中,
所述获取单元,用于获取车牌图像;所述车牌图像包括将图像采集设备采集的图像经过处理后得到的积分图;
所述检测单元,用于对获取到的车牌图像隔帧交替使用白色字符车牌分类器和黑色字符车牌分类器中的任一个进行检测,得到车牌区域;确定白色字符车牌分类器检测到的车牌区域对应的车牌的底色属于第一类颜色,及黑色字符车牌分类器检测到的车牌区域对应的车牌的底色属于为第二类颜色;所述白色字符车牌分类器和所述黑色字符车牌分类器是通过将车牌分为白色字符车牌和黑色字符车牌两类,使用具有白色字符车牌的车牌图像与具有黑色字符车牌的车牌图像分别训练得到的。
10.根据权利要求9所述的车牌检测***,其特征在于,还包括:颜色分类单元和类别分类单元,其中,
所述颜色分类单元,用于对使用白色字符车牌分类器检测到的车牌区域使用第一类颜色对应的颜色分类器进行检测,得到不同颜色的车牌区域;对使用黑色字符车牌分类器检测到的车牌区域使用第二类颜色对应的颜色分类器进行检测,得到不同颜色的车牌区域;
所述类别分类单元,用于对一种颜色的车牌区域使用该种颜色对应的特殊字符分类器进行检测,得到不同类别的车牌区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410476339.9A CN104182769B (zh) | 2014-09-17 | 2014-09-17 | 一种车牌检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410476339.9A CN104182769B (zh) | 2014-09-17 | 2014-09-17 | 一种车牌检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182769A CN104182769A (zh) | 2014-12-03 |
CN104182769B true CN104182769B (zh) | 2018-04-27 |
Family
ID=51963795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410476339.9A Expired - Fee Related CN104182769B (zh) | 2014-09-17 | 2014-09-17 | 一种车牌检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182769B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834932A (zh) * | 2015-04-29 | 2015-08-12 | 河南城建学院 | 一种汽车车牌识别的matlab算法 |
FR3049744B1 (fr) * | 2016-04-01 | 2018-03-30 | Thales | Procede de representation synthetique d'elements d'interet dans un systeme de visualisation pour aeronef |
CN106127248A (zh) | 2016-06-24 | 2016-11-16 | 平安科技(深圳)有限公司 | 基于深度学习的车牌分类方法及*** |
CN106778765B (zh) * | 2016-11-22 | 2021-04-23 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别的方法及装置 |
CN108154160B (zh) * | 2017-12-27 | 2020-02-21 | 苏州科达科技股份有限公司 | 车牌颜色识别方法及*** |
CN109273071A (zh) * | 2018-08-23 | 2019-01-25 | 广东数相智能科技有限公司 | 一种建立白色物体对比模型的方法 |
CN113781790B (zh) * | 2021-08-31 | 2022-08-12 | 深圳市捷顺科技实业股份有限公司 | 一种识别车牌的方法及停车场终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530608A (zh) * | 2013-10-10 | 2014-01-22 | 智博锐视(北京)科技有限公司 | 车辆类型判断方法和装置 |
CN103699905A (zh) * | 2013-12-27 | 2014-04-02 | 深圳市捷顺科技实业股份有限公司 | 一种车牌定位方法及装置 |
CN103745197A (zh) * | 2013-12-27 | 2014-04-23 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1301490C (zh) * | 2004-12-30 | 2007-02-21 | 北京中星微电子有限公司 | 一种移动终端的光符识别中分区域判定背景色的方法 |
EP2601617A4 (en) * | 2010-08-05 | 2017-12-06 | Hi-Tech Solutions Ltd. | Method and system for collecting information relating to identity parameters of a vehicle |
CN102184393A (zh) * | 2011-06-20 | 2011-09-14 | 苏州两江科技有限公司 | 一种根据车牌识别判断车型的方法 |
-
2014
- 2014-09-17 CN CN201410476339.9A patent/CN104182769B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530608A (zh) * | 2013-10-10 | 2014-01-22 | 智博锐视(北京)科技有限公司 | 车辆类型判断方法和装置 |
CN103699905A (zh) * | 2013-12-27 | 2014-04-02 | 深圳市捷顺科技实业股份有限公司 | 一种车牌定位方法及装置 |
CN103745197A (zh) * | 2013-12-27 | 2014-04-23 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
"视频图像车牌颜色辨别方法";王祖龙;《应用科技》;20110131;第38卷(第1期);第45页第1段、45页第2节、第46-47页第2.1-2.3节、第48页第3段、图2-4、6 * |
Also Published As
Publication number | Publication date |
---|---|
CN104182769A (zh) | 2014-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182769B (zh) | 一种车牌检测方法及*** | |
CN106682601B (zh) | 一种基于多维信息特征融合的驾驶员违规通话检测方法 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN104616021B (zh) | 交通标志图像处理方法及装置 | |
CN103971126B (zh) | 一种交通标志识别方法和装置 | |
CN106599792B (zh) | 一种手部驾驶违规行为的检测方法 | |
CN104392205B (zh) | 一种非正常车牌的识别方法和*** | |
CN105702048B (zh) | 基于行车记录仪的高速公路前车违法占道识别***及方法 | |
CN107491762B (zh) | 一种行人检测方法 | |
CN103824081B (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN102364496B (zh) | 一种基于图像分析的汽车车牌自动识别方法及*** | |
CN104217217B (zh) | 一种基于两层分类的车辆标志物检测方法与*** | |
CN104268596B (zh) | 一种车牌识别器及其车牌检测方法与*** | |
CN107978165A (zh) | 基于计算机视觉的交叉口标志标线与信号灯智能感知方法 | |
CN102214309B (zh) | 一种基于头肩模型的特定人体识别方法 | |
CN104992148A (zh) | 基于随机森林的atm终端部分遮挡人脸关键点检测方法 | |
CN104951784A (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
CN105184291B (zh) | 一种多类型车牌检测方法及*** | |
CN105844245A (zh) | 一种伪装人脸检测方法及*** | |
CN101984453B (zh) | 一种人眼识别***及方法 | |
CN103413147A (zh) | 一种车牌识别方法和*** | |
CN102620766B (zh) | 地下道路交通标志动态视认性测试方法 | |
CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
CN112183438B (zh) | 基于小样本学习神经网络的违规行为的图像识别方法 | |
CN105160292A (zh) | 一种车辆标识识别方法与*** |
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: 20180427 |
|
CF01 | Termination of patent right due to non-payment of annual fee |