CN104463220A - 一种车牌检测方法和*** - Google Patents

Abstract

本发明实施例提供一种车牌检测方法和***，其中，方法包括：获取车牌图像，并对所述车牌图像进行灰度化处理，得到灰度图；对所述灰度图依次进行离散余弦变换、sign转换、平方运算、反离散余弦变换和二值化处理，得到边缘显著特征图；搜索所述边缘显著特征图中边缘密度大于预定阈值的区域，得到疑似车牌区域；对所述疑似车牌区域使用车牌分类器进行检测，得到车牌区域。更适用于硬件实现，算法更加容易移植到嵌入式***中。

Description

一种车牌检测方法和***

技术领域

本发明涉及图像处理技术领域，特别是涉及一种车牌检测方法和***。

背景技术

目前，车牌识别设备已经被广泛应用于停车场、城市道路、高速公路等区域进行车辆号牌的自动抓拍和识别，车牌识别技术可以分为车牌检测、车牌检测、车牌分割与识别和车牌投票三个步骤，其中，车牌检测，是指在包含车牌区域的车牌图像中检测到其中车牌区域，因为，车牌图像中的车牌区域往往只为车牌图像中的一小部分，因此，车牌检测往往是车牌识别技术中最为耗时的一步。随着高清摄像机的普及，车牌识别设备使用高清摄像机成为趋势，如何能在高分辨率图像中快速搜索全图并找到车牌区域成为了一个新的挑战。现有技术中，在获取车牌图像后，通常直接采用车牌分类器，如基于哈尔Haar特征的AdaBoost车牌分类器，对获的车牌图像进行检测，即对获取的车牌图像全图进行Haar检测，使用车牌分类器能够精确地检测到获取的车牌图像中的车牌区域，但是，由于获取的车牌图像面积大，像素点多，为了在获取的车牌图像中检测得到所需的车牌区域，需要经过繁杂的计算，运算量庞大，如果应用在嵌入式设备中，其速度将无法满足要求，不适用于硬件设备实现。

发明内容

有鉴于此，本发明实施例提供一种车牌检测方法和***，以解决现有技术中对获取的车牌图像直接使用车牌分类器来检测车牌区域，在得到车牌区域的过程中，运算量庞大，如果应用在嵌入式设备中，其速度将无法满足要求，不适用于硬件设备实现的问题。

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，并对所述车牌图像进行灰度化处理，得到灰度图；

对所述灰度图依次进行离散余弦变换、sign转换、平方运算、反离散余弦变换和二值化处理，得到边缘显著特征图；

搜索所述边缘显著特征图中边缘密度大于预定阈值的区域，得到疑似车牌区域；

对所述疑似车牌区域使用车牌分类器进行检测，得到车牌区域。

其中，所述得到边缘显著特征图后还包括：

生成所述边缘显著特征图的积分图，搜索所述积分图中边缘密度大于预定阈值的区域，得到疑似车牌区域。

其中，所述搜索所述边缘显著特征图中边缘密度大于预定阈值的区域包括：

取预定数目预定尺寸矩形扫描框对所述边缘显著特征图进行隔行扫描；

每个矩形扫描框每移动一个像素，计算其内所有像素点的灰度值；

保留平均边缘灰度值大于预定阈值的矩形扫描框。

其中，所述保留平均边缘灰度值大于预定阈值的矩形扫描框后还包括：利用所有保留的矩形扫描框的面积重合度进行聚类操作；

所述利用所有保留的矩形扫描框的面积重合度进行聚类操作包括：

计算所有保留的矩形扫描框中两两间的面积重合度；

若两个矩形扫描框间的面积重合度大于预定阈值，则认为该两个矩形扫描框为同一类，根据所述两两间的面积重合度对所有保留的矩形扫描框矩形进行分类，保留每类矩形扫描框中平均边缘灰度值最大的矩形扫描框。

其中，所述得到疑似车牌区域后还包括：

对所述疑似车牌区域进行水平投影和垂直投影，得到投影后疑似车牌区域，对所述投影后疑似车牌区域使用车牌分类器进行检测，得到车牌区域。

其中，所述车牌分类器包括：

获取车牌训练样本；

取所述车牌训练样本中包含车牌的部分为正样本，取所述车牌图像样本中的不包含车牌的部分为负样本；

使用哈尔Haar特征对所述正样本和负样本进行表征，形成Haar特征向量；

利用迭代算法对所述Haar特征向量进行训练，得到车牌分类器。

其中，所述得到车牌区域后还包括：

对所述车牌区域进行字符分割与识别，得到所述车牌区域的置信度；

若所述置信度大于预定阈值，则说明没有误检。

一种车牌检测***，包括：获取模块、计算模块、搜索模块和检测模块；其中，

所述获取模块，用于获取车牌图像，并对所述车牌图像进行灰度化处理，得到灰度图；

所述计算模块，用于对所述灰度图依次进行离散余弦变换、sign转换、平方运算、反离散余弦变换和二值化处理，得到边缘显著特征图；

所述搜索模块，用于搜索所述边缘显著特征图中边缘密度大于预定阈值的区域，得到疑似车牌区域；

所述检测模块，用于对所述疑似车牌区域使用车牌分类器进行检测，得到车牌区域。

其中，所述搜索模块包括：扫描单元、第一计算单元和第一保留单元；其中，

所述扫描单元，用于取预定数目预定尺寸矩形扫描框对所述边缘显著特征图进行隔行扫描；

所述计算单元，用于每个矩形扫描框每移动一个像素，计算其内所有像素点的灰度值；

所述保留单元，用于保留平均边缘灰度值大于预定阈值的矩形扫描框。

其中，所述搜索模块还包括：第二计算单元和第二保留单元；其中，

所述第二计算单元，用于计算所有保留的矩形扫描框中两两间的面积重合度；

所述第二保留单元，用于若两个矩形扫描框间的面积重合度大于预定阈值，则认为该两个矩形扫描框为同一类，根据所述两两间的面积重合度对所有保留的矩形扫描框矩形进行分类，保留每类矩形扫描框中平均边缘灰度值最大的矩形扫描框。

基于上述技术方案，本发明实施例提供的车牌检测方法和***，在获取车牌图像后，通过对获取的车牌图像进行灰度化处理，得到灰度图，然后对得到的灰度图依次进行离散余弦变换、sign转换、平方运算、反离散余弦变换和二值化处理，得到边缘显著特征图，再搜索该边缘显著特征图中边缘密度大于预定阈值的区域，得到疑似车牌区域，最后只需要通过对得到的疑似车牌区域使用车牌分类器进行检测，便可得到所需的车牌区域。在获取车牌图像后，通过利用车牌图像中车牌区域的边缘密度较大的显著特征，得到疑似车牌区域后只对得到的疑似车牌区域使用车牌分类器进行检测，便可得到准确的车牌区域，不再使用车牌分类器对获取的车牌图像进行全图检测，减少了检测得到车牌图像中车牌区域的计算量，且，通过离散余弦变换的方法来得到边缘显著特征图，算法更加容易移植到嵌入式***中，更适用于硬件实现。

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的另一流程图；

图3为本发明实施例提供的车牌检测方法中搜索边缘显著特征图中边缘密度大于预定阈值的区域的方法流程图；

图4为本发明实施例提供的车牌检测方法中利用所有保留的矩形扫描框的面积重合度进行聚类操作的方法流程图；

图5为本发明实施例提供的车牌检测方法的再一方法流程图；

图6为本发明实施例提供的车牌检测方法中训练车牌分类器的方法流程图；

图7为本发明实施例提供的车牌检测方法中判断是否误检的方法流程图；

图8为本发明实施例提供的车牌检测***的***框图；

图9为本发明实施例提供的车牌检测***的***框图中搜索模块的结构框图；

图10为本发明实施例提供的车牌检测***的***框图中搜索模块的另一结构框图。

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，该车牌检测方法只需要对得到的疑似车牌区域进行使用基于哈尔Haar特征训练的车牌分类器进行检测，便可得到准确的车牌区域，减少了检测得到车牌图像中车牌区域的计算量，且通过离散余弦变换的方法来得到边缘显著特征图，更适用于硬件实现，算法更加容易移植到嵌入式***中；参照图1，该车牌检测方法可以包括：

步骤S100：获取车牌图像，并对所述车牌图像进行灰度化处理，得到灰度图；

车牌图像是指在停车场出入口等处通过摄像机等图像采集设备采集到的包含汽车车牌的图像。

可选的，获取车牌图像的图像采集设备可以为摄像机。

步骤S110：对所述灰度图依次进行离散余弦变换、sign转换、平方运算、反离散余弦变换和二值化处理，得到边缘显著特征图；

可选的，如果设输入的二维车牌图像的宽为M，高为N，那么，车牌图像上的任意一点可以表示为：f(x,y)，其中，x＝0,1,2,...,M-1，y＝0,1,2,...,N-1，如果用F(u,v)表示二维车牌图像的余弦变换系数，那么有u＝0,1,2,...,M-1，v＝0,1,2,...,N-1，二维车牌图像的离散余弦变换可以表示为：

$F(u,v)=\frac{2}{\sqrt{\mathrm{MN}}}C\left(u\right)C\left(v\right)\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)\cos \frac{(2x+1)\mathrm{u\π}}{2M}\cos \frac{(2y+1)\mathrm{v\π}}{2N}.$

其中，

可选的，对离散余弦变换后的图像进行sign转换，Sign函数对输入的每个数值进行转换，可以为：

$\mathrm{Sign}\left(x\right)=\left\{\begin{array}{c}1,\mathrm{if\; x}>0\\ 0,\mathrm{if\; x}=0\\ -1,\mathrm{if\; x}<0\end{array}\right..$

对sign转换后的图像进行平方运算，经过了平方运算后，原来为-1的点会变成1。

可选的，对平方运输后的图进行反离散余弦变换时，若设图像的大小为MxN，用F(u,v)表示二维图像的余弦变换系数，那么有u＝0,1,2,...,M-1，v＝0,1,2,...,N-1。对于时域图像上的任意一点f(x,y)，x＝0,1,2,...,M-1，y＝0,1,2,...,N-1，反离散余弦变换可以表示为：

$f(x,y)=\frac{2}{\sqrt{\mathrm{MN}}}\underset{u=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{v=0}{\overset{N-1}{\mathrm{\&Sigma;}}}F(u,v)C\left(u\right)C\left(v\right)\cos \frac{(2x+1)\mathrm{u\&pi;}}{2M}\cos \frac{(2y+1)\mathrm{v\&pi;}}{2N},$

其中

对反离散余弦变换后得到的图像进行二值化操作，操作后不为0的点表示具有一定边缘信息，这个图即为边缘显著特征图。

可选的，在得到边缘显著特征图后，可以生成该边缘显著特征图的积分图，搜索该积分图中边缘密度大于预定阈值的区域，得到疑似车牌区域。对显著特征图生成积分图，使用积分图可以加快计算，避免一个方框的所有点的显著特征值相加的重复计算。

步骤S120：搜索所述边缘显著特征图中边缘密度大于预定阈值的区域，得到疑似车牌区域；

可选的，可以通过取预定数目预定尺寸矩形扫描框对所述边缘显著特征图进行隔行扫描；每个矩形扫描框每移动一个像素，计算其内所有像素点的灰度值；保留平均边缘灰度值大于预定阈值的矩形扫描框，来搜索所述边缘显著特征图中边缘密度大于预定阈值的区域，得到疑似车牌区域。

可选的，可以使用三个尺度比例为1:1.5:2.25来扫描边缘显著特征图，每个尺度的方框从图的最上面到最下面的比例为1:1.5，框的大小按比例逐渐变大。例如第一尺度的框的大小为90x30，当这个框滑动到图像底部的时候，大小变化为135x45。即三个尺度在不同位置上，方框的大小是预先设定的。使用3个不同尺度的方框对积分图进行隔行扫描。

可选的，在搜索所述边缘显著特征图中边缘密度大于预定阈值的区域的操作中，在保留平均边缘灰度值大于预定阈值的矩形扫描框后还可以利用所有保留的矩形扫描框的面积重合度进行聚类操作，去除扫描得到的重复的框，减少使用车牌分类器检查的疑似车牌区域的数量，进一步加快检测车牌区域的速度。

可选的，利用所有保留的矩形扫描框的面积重合度进行聚类操作可以为，通过计算所有保留的矩形扫描框中两两间的面积重合度，若两个矩形扫描框间的面积重合度大于预定阈值，则认为该两个矩形扫描框为同一类，根据所述两两间的面积重合度对所有保留的矩形扫描框矩形进行分类，保留每类矩形扫描框中平均边缘灰度值最大的矩形扫描框。

可选的，对于一般的车牌，车牌内的字符的边缘密度最高，字符加部分边框的边缘密度就会降低，搜索得到的框仅仅表示图像中边缘密度较大的区域，可能包括完整的车牌，也可能只包含部分车牌，对车牌的定位不一定准确，因此，可以对搜索得到的疑似车牌区域获取预定的范围，在扩大后的区域首先提取边缘信息，然后对边缘图进行水平投影和垂直投影。

可选的，可以将搜索到的疑似车牌区域按左右各扩大小图宽度的20％，上下歌扩到高度的30％。

可选的，可以通过把方框的每一列的像素值相加，然后计算每一列的像素值的和的平均值，从最左边往右搜索，找到大于平均值的第一列，标记该列的坐标为左边缘。从最右边往左搜索，找到大于平均值的第一列，标记该列的坐标为右边缘来进行水平投影。

可选的，可以通过把方框的每一行的像素值相加，然后计算每一行的像素值的和的平均值，从最上边往下搜索，找到大于平均值的第一行，标记该列的坐标为上边缘，从最下边往上搜索，找到大于平均值的第一行，标记该列的坐标为下边缘来进行垂直投影。

因为一般的车牌区域的边缘密度比较大，车牌周边区域的边缘密度比较小，通过垂直和水平和投影可以更精确找到车牌的位置；另外对于一些背景区域，如果没有较强的边缘差，例如草丛，方框扩大后无法收缩。另外有些较小的物体会出现垂直和水平投影后面积过小，因此通过设置方框的最小值和最大值可以过滤一部分虚检。

步骤S130：对所述疑似车牌区域使用车牌分类器进行检测，得到车牌区域。

车牌区域是指车牌图像中包含车牌的区域，一般来说，一幅车牌图像的整图中只有一小部分为车牌区域。

可选的，使用的车牌分类器可以为基于哈尔Haar特征训练的AdaBoost车牌分类器。

可选的，可以通过获取车牌训练样本；取获取的车牌训练样本中包含车牌的部分为正样本，取获取的车牌图像中的不包含车牌的部分为负样本；使用Haar特征对所述正样本和负样本进行表征，形成Haar特征向量；利用迭代算法对所述Haar特征向量进行训练，得到车牌分类器。

其中，Haar特征是一种矩形特征，矩形特征对一些简单的图形结构例如边缘，线段比较敏感，但只能描述特定走向，比较粗略。但是对于一个检测器，里面包含几十万个不同的矩形特征，再通过使用Adaboost算法进行训练，就可以得到一个强分类器。

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。特征模板在子窗口内都可以以任意尺寸任意放置，每一种形态称为一个特征。

可选的，使用的迭代算法可以为Adaboost算法，Adaboost算法是一种自适应的boosting算法，其基本思想是当分类器对某些样本正确分类时，则减少这些样本的权值。当错误分类时，则增加这些样本的权值，让学习算法在后续的学习中集中对比较难的训练样本进行学习，最终得到一个识别准确率理想的分类器。每一层的训练采用最小允许检测率和最大允许误检率作为强分类器迭代停止依据，当每一层的强分类器的和都达到训练前的设定值时，该级训练即完成。下一层强分类器的训练负样本将从该层中被错误分类的负样本中产生。

可选的，在得到车牌区域后可以通过对得到的车牌区域进行字符分割与识别来判断是否有误检，对车牌区域进行字符分割与识别后，将得到车牌区域的置信度，判断得到的车牌区域置信度是否大于预定阈值，若大于则说明没有误检。

基于上述技术方案，本发明实施例提供的车牌检测方法和***，在获取车牌图像后，通过对获取的车牌图像进行灰度化处理，得到灰度图，然后对得到的灰度图依次进行离散余弦变换、sign转换、平方运算、反离散余弦变换和二值化处理，得到边缘显著特征图，再搜索该边缘显著特征图中边缘密度大于预定阈值的区域，得到疑似车牌区域，最后只需要通过对得到的疑似车牌区域使用车牌分类器进行检测，便可得到所需的车牌区域。在获取车牌图像后，通过利用车牌图像中车牌区域的边缘密度较大的显著特征，得到疑似车牌区域后只对得到的疑似车牌区域使用车牌分类器进行检测，便可得到准确的车牌区域，不再使用车牌分类器对获取的车牌图像进行全图检测，减少了检测得到车牌图像中车牌区域的计算量，且，通过离散余弦变换的方法来得到边缘显著特征图，算法更加容易移植到嵌入式***中，更适用于硬件实现。

可选的，图2示出了本发明实施例提供的车牌检测方法的另一流程图，参照图2，该车牌检测另一方法可以包括：

步骤S200：获取车牌图像，并对所述车牌图像进行灰度化处理，得到灰度图；

步骤S210：对所述灰度图依次进行离散余弦变换、sign转换、平方运算、反离散余弦变换和二值化处理，得到边缘显著特征图；

步骤S220：生成所述边缘显著特征图的积分图；

积分图上的每个点(x,y)包含了从点(0,0)到点(x,y)所有的像素的显著特征值。

可选的，如果用I(x,y)表示显著特征图，II(x,y)表示计算出来的积分图，那么：

$\mathrm{II}(x,y)=\underset{x^{\&prime;}\&le;x,y^{\&prime;}\&le;y}{\mathrm{\&Sigma;}}I(x^{\&prime;},y^{\&prime;}),$

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(x_lt,y_lt)，右下角的坐标为(x_rb,y_rb)，那么该矩形的积分图可以用下式计算：

SUM_D＝II(x_rb,y_rb)-II(x_lt,y_rb)-II(x_rb,y_lt)+II(x_lt,y_lt)。

步骤S230：搜索所述积分图中边缘密度大于预定阈值的区域，得到疑似车牌区域；

对显著特征图生成积分图，使用积分图可以加快计算，避免一个方框的所有点的显著特征值相加的重复计算。

步骤S240：对所述疑似车牌区域使用基于哈尔Haar特征训练的车牌分类器进行检测，得到车牌区域。

可选的，图3示出了本发明实施例提供的车牌检测方法中搜索边缘显著特征图中边缘密度大于预定阈值的区域的方法流程图，参照图3，该搜索边缘显著特征图中边缘密度大于预定阈值的区域的方法可以包括：

步骤S300：取预定数目预定尺寸矩形扫描框对所述边缘显著特征图进行隔行扫描；

可选的，可以使用三个尺度比例为1:1.5:2.25来扫描边缘显著特征图，每个尺度的方框从图的最上面到最下面的比例为1:1.5，框的大小按比例逐渐变大。例如第一尺度的框的大小为90x30，当这个框滑动到图像底部的时候，大小变化为135x45。即三个尺度在不同位置上，方框的大小是预先设定的。使用3个不同尺度的方框对积分图进行隔行扫描。

步骤S310：每个矩形扫描框每移动一个像素，计算其内所有像素点的灰度值；

步骤S320：保留平均边缘灰度值大于预定阈值的矩形扫描框。

边缘灰度值是指，矩形扫描框边缘像素点的灰度值，平均边缘灰度值是指矩形扫描框边缘像素点的灰度值的平均值，一般而言，边缘灰度值越高则边缘密度越大。

可选的，图4示出了本发明实施例提供的车牌检测方法中利用所有保留的矩形扫描框的面积重合度进行聚类操作的方法流程图，参照图4，该利用所有保留的矩形扫描框的面积重合度进行聚类操作的方法可以包括：

步骤S400：计算所有保留的矩形扫描框中两两间的面积重合度；

步骤S410：若两个矩形扫描框间的面积重合度大于预定阈值，则认为该两个矩形扫描框为同一类，根据所述两两间的面积重合度对所有保留的矩形扫描框矩形进行分类，保留每类矩形扫描框中平均边缘灰度值最大的矩形扫描框。

只要矩形扫描框两两之间的重合面积达到阈值，就认为这两个矩形扫描框扫到的框属于一类，对于同一类的框，仅需要保留其中边缘灰度值较大的一个框即可，减少使用车牌分类器检查的疑似车牌区域的数量，进一步加快检测车牌区域的速度。

可选的，图5示出了本发明实施例提供的车牌检测方法的再一方法流程图，参照图5，该车牌检测再一方法可以包括：

步骤S500：获取车牌图像，并对所述车牌图像进行灰度化处理，得到灰度图；

步骤S510：对所述灰度图依次进行离散余弦变换、sign转换、平方运算、反离散余弦变换和二值化处理，得到边缘显著特征图；

步骤S520：搜索所述边缘显著特征图中边缘密度大于预定阈值的区域，得到疑似车牌区域；

步骤S530：对所述疑似车牌区域进行水平投影和垂直投影，得到投影后疑似车牌区域；

可选的，可以通过把方框的每一列的像素值相加，然后计算每一列的像素值的和的平均值，从最左边往右搜索，找到大于平均值的第一列，标记该列的坐标为左边缘。从最右边往左搜索，找到大于平均值的第一列，标记该列的坐标为右边缘来进行水平投影。

可选的，可以通过把方框的每一行的像素值相加，然后计算每一行的像素值的和的平均值，从最上边往下搜索，找到大于平均值的第一行，标记该列的坐标为上边缘，从最下边往上搜索，找到大于平均值的第一行，标记该列的坐标为下边缘来进行垂直投影。

因为一般的车牌区域的边缘密度比较大，车牌周边区域的边缘密度比较小，通过垂直和水平和投影可以更精确找到车牌的位置。

步骤S540：对所述投影后疑似车牌区域使用基于哈尔Haar特征训练的车牌分类器进行检测，得到车牌区域。

可选的，图6示出了本发明实施例提供的车牌检测方法中训练车牌分类器的方法流程图，参照图6，该训练车牌分类器的方法可以包括：

步骤S600：获取车牌训练样本；

车牌训练样本是指用来训练车牌分类器的车牌图像。

可选的，使用摄像机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，得到车牌训练样本。

步骤S610：取所述车牌训练样本中包含车牌的部分为正样本，取所述车牌图像样本中的不包含车牌的部分为负样本；

可选的，可以通过人工的方式截取车牌训练样本中包含车牌的部分为正样本，通过人工的方式截取车牌图像样本中的不包含车牌的部分为负样本。

步骤S620：使用Haar特征对所述正样本和负样本进行表征，形成Haar特征向量；

步骤S630：利用迭代算法对所述Haar特征向量进行训练，得到车牌分类器。

可选的，使用的迭代算法可以为Adaboost算法，最后可得到的基于Haar特征的Adaboost车牌分类器。

可选的，图7示出了本发明实施例提供的车牌检测方法中判断是否误检的方法流程图，参照图7，该判断是否误检的方法可以包括：

步骤S700：对所述车牌区域进行字符分割与识别，得到所述车牌区域的置信度；

对车牌区域进行字符分割与识别后，将会得到该车牌区域的置信度。

步骤S710：判断所述置信度大于预定阈值；

步骤S720：若大于，则判定没有误检。

本发明实施例提供的车牌检测方法，只需要对得到的疑似车牌区域使用车牌分类器进行检测，便可得到准确的车牌区域，减少了检测得到车牌图像中车牌区域的计算量，且通过离散余弦变换的方法来得到边缘显著特征图，算法更加容易移植到嵌入式***中，更适用于硬件实现，。

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8为本发明实施例提供的车牌检测***的***框图，参照图8，该车牌检测***可以包括：获取模块100、计算模块200、搜索模块300和检测模块400；其中，

获取模块100，用于获取车牌图像，并对所述车牌图像进行灰度化处理，得到灰度图；

计算模块200，用于对所述灰度图依次进行离散余弦变换、sign转换、平方运算、反离散余弦变换和二值化处理，得到边缘显著特征图；

搜索模块300，用于搜索所述边缘显著特征图中边缘密度大于预定阈值的区域，得到疑似车牌区域；

检测模块400，用于对所述疑似车牌区域使用车牌分类器进行检测，得到车牌区域。

可选的，图9示出了本发明实施例提供的车牌检测***的***框图中搜索模块300的结构框图，参照图9，该搜索模块300可以包括：扫描单元310、第一计算单元320和第一保留单元330；其中，

扫描单元310，用于取预定数目预定尺寸矩形扫描框对所述边缘显著特征图进行隔行扫描；

第一计算单元320，用于每个矩形扫描框每移动一个像素，计算其内所有像素点的灰度值；

第一保留单元330，用于保留平均边缘灰度值大于预定阈值的矩形扫描框。

可选的，图10示出了本发明实施例提供的车牌检测***的***框图中搜索模块300的另一结构框图，参照图10，该搜索模块300还可以包括：第二计算单元340和第二保留单元350；其中，

第二计算单元340，用于计算所有保留的矩形扫描框中两两间的面积重合度；

第二保留单元350，用于若两个矩形扫描框间的面积重合度大于预定阈值，则认为该两个矩形扫描框为同一类，根据所述两两间的面积重合度对所有保留的矩形扫描框矩形进行分类，保留每类矩形扫描框中平均边缘灰度值最大的矩形扫描框。

本发明实施例提供的车牌检测***，只需要对得到的疑似车牌区域使用车牌分类器进行检测，便可得到准确的车牌区域，减少了检测得到车牌图像中车牌区域的计算量，且通过离散余弦变换的方法来得到边缘显著特征图，算法更加容易移植到嵌入式***中，更适用于硬件实现。

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，并对所述车牌图像进行灰度化处理，得到灰度图；

对所述灰度图依次进行离散余弦变换、sign转换、平方运算、反离散余弦变换和二值化处理，得到边缘显著特征图；

搜索所述边缘显著特征图中边缘密度大于预定阈值的区域，得到疑似车牌区域；

对所述疑似车牌区域使用车牌分类器进行检测，得到车牌区域。

2.根据权利要求1所述的车牌检测方法，其特征在于，所述得到边缘显著特征图后还包括：

生成所述边缘显著特征图的积分图，搜索所述积分图中边缘密度大于预定阈值的区域，得到疑似车牌区域。

3.根据权利要求1所述的车牌检测方法，其特征在于，所述搜索所述边缘显著特征图中边缘密度大于预定阈值的区域包括：

取预定数目预定尺寸矩形扫描框对所述边缘显著特征图进行隔行扫描；

每个矩形扫描框每移动一个像素，计算其内所有像素点的灰度值；

保留平均边缘灰度值大于预定阈值的矩形扫描框。

4.根据权利要求3所述的车牌检测方法，其特征在于，所述保留平均边缘灰度值大于预定阈值的矩形扫描框后还包括：利用所有保留的矩形扫描框的面积重合度进行聚类操作；

所述利用所有保留的矩形扫描框的面积重合度进行聚类操作包括：

计算所有保留的矩形扫描框中两两间的面积重合度；

若两个矩形扫描框间的面积重合度大于预定阈值，则认为该两个矩形扫描框为同一类，根据所述两两间的面积重合度对所有保留的矩形扫描框矩形进行分类，保留每类矩形扫描框中平均边缘灰度值最大的矩形扫描框。

5.根据权利要求1所述的车牌检测方法，其特征在于，所述得到疑似车牌区域后还包括：

对所述疑似车牌区域进行水平投影和垂直投影，得到投影后疑似车牌区域，对所述投影后疑似车牌区域使用车牌分类器进行检测，得到车牌区域。

6.根据权利要求1所述的车牌检测方法，其特征在于，所述车牌分类器包括：

获取车牌训练样本；

取所述车牌训练样本中包含车牌的部分为正样本，取所述车牌图像样本中的不包含车牌的部分为负样本；

使用哈尔Haar特征对所述正样本和负样本进行表征，形成Haar特征向量；

利用迭代算法对所述Haar特征向量进行训练，得到车牌分类器。

7.根据权利要求1所述的车牌检测方法，其特征在于，所述得到车牌区域后还包括：

对所述车牌区域进行字符分割与识别，得到所述车牌区域的置信度；

若所述置信度大于预定阈值，则说明没有误检。

8.一种车牌检测***，其特征在于，包括：获取模块、计算模块、搜索模块和检测模块；其中，

所述获取模块，用于获取车牌图像，并对所述车牌图像进行灰度化处理，得到灰度图；

所述计算模块，用于对所述灰度图依次进行离散余弦变换、sign转换、平方运算、反离散余弦变换和二值化处理，得到边缘显著特征图；

所述搜索模块，用于搜索所述边缘显著特征图中边缘密度大于预定阈值的区域，得到疑似车牌区域；

所述检测模块，用于对所述疑似车牌区域使用车牌分类器进行检测，得到车牌区域。

9.根据权利要求8所述的车牌检测***，其特征在于，所述搜索模块包括：扫描单元、第一计算单元和第一保留单元；其中，

所述扫描单元，用于取预定数目预定尺寸矩形扫描框对所述边缘显著特征图进行隔行扫描；

所述第一计算单元，用于每个矩形扫描框每移动一个像素，计算其内所有像素点的灰度值；

所述第一保留单元，用于保留平均边缘灰度值大于预定阈值的矩形扫描框。

10.根据权利要求9所述的车牌检测***，其特征在于，所述搜索模块还包括：第二计算单元和第二保留单元；其中，

所述第二计算单元，用于计算所有保留的矩形扫描框中两两间的面积重合度；

所述第二保留单元，用于若两个矩形扫描框间的面积重合度大于预定阈值，则认为该两个矩形扫描框为同一类，根据所述两两间的面积重合度对所有保留的矩形扫描框矩形进行分类，保留每类矩形扫描框中平均边缘灰度值最大的矩形扫描框。