• / 21
  • 下載費用:30 金幣  

復雜場景下的車牌檢測方法及裝置.pdf

摘要
申請專利號:

CN201510347046.5

申請日:

2015.06.19

公開號:

CN106257494A

公開日:

2016.12.28

當前法律狀態:

實審

有效性:

審中

法律詳情: 實質審查的生效IPC(主分類):G06K 9/46申請日:20150619|||公開
IPC分類號: G06K9/46; G06K9/38; G06K9/62 主分類號: G06K9/46
申請人: 浙江宇視科技有限公司
發明人: 危春波
地址: 310051 浙江省杭州市濱江區西興街道江陵路88號10幢南座1-11層
優先權:
專利代理機構: 中國商標專利事務所有限公司 11234 代理人: 宋義興
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510347046.5

授權公告號:

|||

法律狀態公告日:

2017.01.25|||2016.12.28

法律狀態類型:

實質審查的生效|||公開

摘要

本發明公開了一種復雜場景下的車牌檢測方法,包括:對輸入的圖像進行粗定位,所述粗定位包括水平濾波以及二值化處理,用經過訓練的精定位分類器對具有粗定位區域的圖像進行車牌區域檢測,還包括:將檢測出車牌區域的圖像通過分支訓練所得的降誤檢分類器排除誤檢出車牌區域的圖像,得到包含車牌區域的最終圖像。本發明還包括一種車牌檢測裝置。本發明所采用的車牌檢測方法及裝置與現有的方法相比,突出的優點在于誤檢率低,在保證車牌的正檢率基礎上,較已有方法速度快。

權利要求書

1.一種復雜場景下的車牌檢測方法,包括:對輸入的圖像進行粗定位,
所述粗定位包括水平濾波以及二值化處理,用經過訓練的精定位分類器對
具有粗定位區域的圖像進行車牌區域檢測,其特征在于,還包括:
將檢測出車牌區域的圖像通過分支訓練所得的降誤檢分類器排除誤
檢出車牌區域的圖像,得到包含車牌區域的最終圖像;所述分支訓練中所
采用的正樣本為在精定位分類器的訓練中分類正確的訓練樣本,負樣本包
括精定位分類器訓練中分類錯誤的訓練樣本。
2.如權利要求1所述復雜場景下的車牌檢測方法,其特征在于,所述粗
定位在進行二值化處理之前還包括對圖像進行垂直濾波,所述垂直濾波采
用的分段濾波器由三個高斯濾波器疊加而成,其中:
第一高斯濾波器的第一幅值T1>0,第二高斯濾波器的幅值及第三高斯
濾波器幅值相同,均為第二幅值T2,且T2<0;
第一高斯濾波器的期望值μ1、第二高斯濾波器的期望值μ2及第三高
斯濾波器的期望值μ3之間的關系滿足:μ2<μ1<μ3,且abs(μ1-μ2)
=abs(μ3-μ1);
第一高斯濾波器的方差第二高斯濾波器的方差及第三高斯濾波
器的方差之間的關系滿足:
第一幅值T1與第二幅值T2滿足如下公式:
T1<abs(2*T2);
所得到的分段濾波器波峰的波長λ1、兩側波谷的波長λ2與車牌高度H
取值滿足如下公式:
λ1+2*λ2<2*H+C;
λ2≤λ1≤2*λ2;
其中C為常數。
3.如權利要求1至2任一項所述復雜場景下的車牌檢測方法,其特征在
于,所述水平濾波采用高斯濾波器進行,所述高斯濾波器的波長λ0與車牌
長度W滿足關系式:
W/a<λ0<W/b;
其中a>b>2。
4.如權利要求1所述復雜場景下的車牌檢測方法,其特征在于,所述精
定位分類器為用基于級聯結構的Adaboost算法對MB-LBP特征進行所述訓
練得到的分類器。
5.如權利要求4所述復雜場景下的車牌檢測方法,其特征在于,用基于
級聯結構的Adaboost算法進行訓練的過程中,訓練樣本的權重按如下公式
更新:
<mrow> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>*</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <msub> <mi>f</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>&beta;</mi> <mi>t</mi> </msub> <msub> <mi>&alpha;</mi> <mi>t</mi> </msub> </mrow> </msup> <mo>;</mo> </mrow>
其中wt+1,i表示當前強分類器第i個訓練樣本在第t次弱分類器分類后更
新得到的權重,wt,i表示更新前的權重,βt表示權重因子,yi表示第i個樣本
的目標值,ft(xi)表示第i個訓練樣本在第t個弱分類器的分類結果值;αt的
取值方式為:對于第i個訓練樣本第t次弱分類器的分類,如果分類正確,
則αt=z1;如果正樣本分類錯誤,則αt=z2;如果負樣本分類錯誤,則αt=z3;
其中z3<z1<z2。
6.如權利要求1所述復雜場景下的車牌檢測方法,其特征在于,利用基
于級聯結構的Adaboost算法對Haar特征模板進行所述分支訓練。
7.如權利要求6所述復雜場景下的車牌檢測方法,其特征在于,所述分
支訓練所采用的特征模板還包括以下類Haar特征模板:
由兩個第一區域和三個第二區域組成的特征模板,各個區域沿水平方
向排布,并且第一區域和第二區域間隔排布;
由兩個第一區域和兩個第二區域組成的特征模板,各個區域沿水平方
向排布,第一區域及第二區域間隔排布;
由一個第一區域和四個第二區域組成的特征模板,各區域沿水平方向
排布,第一區域的兩側分別排布兩個第二區域;
由五個第一區域和兩個第二區域組成的特征模板,各區域沿豎直方向
排布,且兩個第二區域之間排布五個第一區域;
各個類Haar特征模板的第一區域及第二區域均為矩形,且同一類Haar
特征模板內的各個區域面積相等,類Haar特征模板的特征值定義為第一區
域中的像素和與第二區域中的像素和相減之差。
8.如權利要求6或7所述復雜場景下的車牌檢測方法,其特征在于,所
述分支訓練的方法包括:
a,利用所有正樣本及負樣本對特征模板用基于級聯結構的Adaboost
算法進行訓練,得到統一訓練的強分類器;
b,按現存車牌的顏色將正樣本分為若干種,顏色種類與正樣本種類
一一對應,每種正樣本結合所有負樣本對特征模板用Adaboost算法分別進
行訓練,得到每種顏色對應的分支強分類器;
c,判斷各種顏色所對應的強分類器包含的弱分類器數目相加之和是
否小于統一分類的強分類器所包含弱分類器數目:如果是,則將各個分支
強分類器分別加入當前的級聯分類器并標記分叉;否則,將統一訓練的強
分類器加入當前的級聯分類器并標記不分叉;
d,判斷是否分叉:如果是,則采用步驟b的方法對特征模板用Adaboost
算法訓練直至所得到的級聯分類器誤差小于預定值;否則,重復步驟a、
步驟b以及步驟c直至所得到的級聯分類器誤差小于預定值。
9.一種復雜場景下的車牌檢測裝置,包括粗定位單元,對輸入的圖像
進行粗定位,所述粗定位包括水平濾波以及二值化處理,以及車牌區域檢
測單元,用經過訓練的精定位分類器對具有粗定位區域的圖像進行車牌區
域檢測,其特征在于,還包括:
降誤檢單元,將檢測出車牌區域的圖像通過分支訓練所得的降誤檢分
類器排除誤檢出車牌區域的圖像,得到包含車牌區域的最終圖像;所述分
支訓練中所采用的正樣本為在精定位分類器的訓練中分類正確的訓練樣
本,負樣本包括精定位分類器訓練中分類錯誤的訓練樣本。
10.如權利要求9所述復雜場景下的車牌檢測裝置,其特征在于,所述
粗定位單元還包括垂直濾波子單元,用于在進行二值化處理之前對圖像進
行垂直濾波,所述垂直濾波采用的分段濾波器由三個高斯濾波器疊加而
成,其中:
第一高斯濾波器的第一幅值T1>0,第二高斯濾波器的幅值及第三高斯
濾波器幅值相同,均為第二幅值T2,且T2<0;
第一高斯濾波器的期望值μ1、第二高斯濾波器的期望值μ2及第三高
斯濾波器的期望值μ3之間的關系滿足:μ2<μ1<μ3,且abs(μ1-μ2)
=abs(μ3-μ1);
第一高斯濾波器的方差第二高斯濾波器的方差及第三高斯濾波
器的方差之間的關系滿足:
第一幅值T1與第二幅值T2滿足如下公式:
T1<abs(2*T2);
所得到的分段濾波器波峰的波長λ1、兩側波谷的波長λ2與車牌高度H
取值滿足如下公式:
λ1+2*λ2<2*H+C;
λ2≤λ1≤2*λ2;
其中C為常數。

說明書

復雜場景下的車牌檢測方法及裝置

技術領域

本發明涉及圖像處理領域,尤其涉及復雜場景下的車牌檢測方法及裝
置。

背景技術

車牌檢測技術是智能交通系統中的核心基礎模塊,為許多應用提供關
鍵的信息,例如用于車輛捕獲、車牌的定位及識別,車輛的違章抓拍等。

在實際交通場景中車牌豐富多樣:有藍牌、黃牌;在不同光照下會出
現過曝、低對比度;部分車輛會有遮擋、臟污;不同拍攝角度車牌會有傾
斜等各種復雜情況;且一些路面及車體廣告紋理豐富,容易嘗試誤檢。如
何提升各種復雜場景下的車牌檢測指標和性能是一個具有挑戰性問題。

最原始的車牌檢測主要基于圖形處理求車牌紋理同時結合車牌顏色
信息方式,例如公開號為CN104123553A的專利文獻公開了一種基于級聯
形態學變換的車牌定位方法及系統,包括:對原圖像進行降采樣及灰度處
理得到灰度圖像;對灰度圖像進行級聯形態學變換并二值化,并對聯通區
域進行初步篩選得到若干個候選區域;計算各候選區域的顏色直方圖信息
分別與標準車牌的顏色直方圖信息的相似度,并根據相似度判定車牌區
域;通過降采樣的逆運算將各車牌區域映射到原圖像中得到相應的原車牌
區域。該方法速度快,但復雜情況下的車牌檢測率低,對于圖像處于過曝、
低對比度、臟污、大角度等復雜交通場景下適應性不佳;復雜情況下的車
牌誤檢率高,因此不能滿足實際應用需要。

后續有人提出通過機器學習方式進行車牌目標檢測,例如公開號為
CN102968646A的專利文獻公開了一種基于機器學習的車牌檢測方法,首
先將原始彩色圖像轉換為梯度圖像;然后結合Adaboost快速檢測且虛警率
低的特點,采用多尺度遍歷搜索方式對車牌目標進行檢測;最后將檢測結
果二值化和形態學處理,根據國內車牌字符特點對檢測結果進行評判,標
記車牌區域與準偽車牌區域。進一步,還提取準偽車牌區域特征,采用SVM
對準偽車牌區域進行多尺度遍歷識別,最后對識別結果評判輸出。這個方
法的缺點在于無粗定位,對整個車體區域進行掃描車牌檢測耗時較多,并
且未針對車牌進行特征設計,因此對于車體紋理豐富的車牌而言,同樣存
在誤檢率偏高。

因此,如何提供一種減少車牌誤檢率的檢測方法,是目前亟需解決的
技術問題。

發明內容

為了解決現有技術存在的問題,本發明提供了一種車牌檢測方法,能
夠在復雜場景下進行誤檢率較低的車牌檢測。

一種復雜場景下的車牌檢測方法,包括:對輸入的圖像進行粗定位,
所述粗定位包括水平濾波以及二值化處理,用經過訓練的精定位分類器對
具有粗定位區域的圖像進行車牌區域檢測,還包括:

將檢測出車牌區域的圖像通過分支訓練所得的降誤檢分類器排除誤
檢出車牌區域的圖像,得到包含車牌區域的最終圖像;所述分支訓練中所
采用的正樣本為在精定位分類器的訓練中分類正確的訓練樣本,負樣本包
括精定位分類器訓練中分類錯誤的訓練樣本。

通過精定位分類器之后,得到的車牌檢測結果存在著較高的誤檢率,
通過分支訓練所得的降誤檢分類器進行進一步的降誤檢。

分支訓練的區分度較高,例如按車牌顏色進行區分,選擇較佳的訓練
方式訓練級聯分類器,使得誤檢率較低,同時分支訓練所采用的負樣本為
對精定位分類器訓練時未能檢出的樣本,通過這種方式訓練出的級聯分類
器能夠對精定位后的圖像進一步降低誤檢率。

進一步而言,所述粗定位在進行二值化處理之前還包括對圖像進行垂
直濾波。現有的濾波僅僅采用水平濾波,加入垂直濾波后能夠排除圖像中
高度上與現有車牌相差過多的區域,從而達到車牌粗定位的目的。

為了達到排除一些明顯不符合車牌形狀區域的目的,進一步而言,所
述粗定位在進行二值化處理之前還包括對圖像進行垂直濾波,所述垂直濾
波采用的分段濾波器由三個高斯濾波器疊加而成,其中:

第一高斯濾波器的第一幅值T1>0,第二高斯濾波器的幅值及第三高斯
濾波器幅值相同,均為第二幅值T2,且T2<0;

第一高斯濾波器的期望值μ1、第二高斯濾波器的期望值μ2及第三高
斯濾波器的期望值μ3之間的關系滿足:μ2<μ1<μ3,且abs(μ1-μ2)
=abs(μ3-μ1);

第一高斯濾波器的方差、第二高斯濾波器的方差及第三高斯濾波
器的方差之間的關系滿足:

第一幅值T1與第二幅值T2滿足如下公式:

T1<abs(2*T2);

所得到的分段濾波器波峰的波長λ1、兩側波谷的波長λ2與車牌高度H
取值滿足如下公式:

λ1+2*λ2<2*H+C;

λ2≤λ1≤2*λ2;

其中C為常數。

通過波長與現有車牌的高度H之間的關系設定,濾除高度過窄和過高
的紋理,且分段濾波器的波峰與波谷之間分段,在濾波過程中能夠突出車
牌,將高度上與車牌接近的區域更精確地區分濾除。由于攝像機安裝角度
和安裝位置不同,導致圖像中的車牌高度不同,為了減少濾波器對車牌高
度依賴加入常數C,其中C的取值根據攝像機與運動目標的距離進行設置,
距離越近則C的取值越大。

進一步而言,所述水平濾波采用高斯濾波器進行,所述高斯濾波器的
波長λ0與車牌長度W滿足關系式:

W/a<λ0<W/b;

其中a>b>2。

其中a和b為經驗取值,以使得水平濾波器能根據現有車牌的長度濾除
一些水平方向上明顯不符合條件的區域。

通過垂直濾波和水平濾波的結合,能夠濾除一些與現有車牌明顯不符
的區域,從而實現車牌區域的粗定位,大大提高了車牌的檢測效率。

在粗定位之后,得到候選車牌區域,通過進一步的精定位,排除一些
偽車牌區域。進一步而言,所述精定位分類器為用基于級聯結構的
Adaboost算法進行所述訓練得到的分類器。

Adaboost算法的核心在于,每一次訓練之后根據訓練結果更新訓練樣
本的權重,增加被錯誤分類的訓練樣本的權重,使得下一次訓練過程中,
被錯誤分類的訓練樣本選中的機會更大,將弱分類器的訓練焦點放在被錯
分的訓練樣本上。這種每次更新樣本權重的訓練方法與一般的訓練方法相
比,可以較大地降低誤檢率。

級聯分類器由若干強分類器級聯而成,且每個強分類器又由若干最優
弱分類器融合而成,這種級聯結構對于誤檢率較低的訓練方法而言能夠進
一步降低誤檢率,因此級聯結構的Adaboost算法,能夠在很大程度上降低
誤檢率。

為了在這一步能夠將分類器達到更好的檢出效果,進一步而言,用
Adaboost算法對MB-LBP特征訓練,訓練樣本的權重按如下公式更新:

<mrow> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>*</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <msub> <mi>f</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>&beta;</mi> <mi>t</mi> </msub> <msub> <mi>&alpha;</mi> <mi>t</mi> </msub> </mrow> </msup> <mo>;</mo> </mrow>

其中wt+1,i表示當前強分類器第i個訓練樣本在第t次弱分類器分類后更
新得到的權重,wt,i表示更新前的權重,βt表示權重因子,yi表示第i個樣本
的目標值,ft(xi)表示第i個訓練樣本在第t個弱分類器的分類結果值;αt的
取值方式為:對于第i個訓練樣本第t次弱分類器的分類,如果分類正確,
則αt=z1;如果正樣本分類錯誤,則αt=z2;如果負樣本分類錯誤,則αt=z3;
其中z3<z1<z2。

通過增加αt,使得被分類錯誤的正樣本權重增加比正確分類的樣本以
及被錯誤負樣本權重增加的速度要快,這種方式能夠降低樣本被漏檢的可
能性,保證較好的檢出率。

在保證檢出率的情況下,需要降低誤檢率。

進一步而言,分支訓練所采用的特征模板包括以下類Haar特征模板:

由兩個第一區域和三個第二區域組成的特征模板,各個區域沿水平方
向排布,并且第一區域和第二區域間隔排布;

由兩個第一區域和兩個第二區域組成的特征模板,各個區域沿水平方
向排布,左側由第二區域開始,第一區域與第二區域間隔排布;

由一個第一區域和四個第二區域組成的特征模板,各區域沿水平方向
排布,第一區域的兩側分別排布兩個第二區域;

由五個第一區域和兩個第二區域組成的特征模板,各區域沿豎直方向
排布,且兩個第二區域之間排布五個第一區域;

各個類Haar特征模板的第一區域及第二區域均為矩形,且同一類Haar
特征模板內的各個區域面積相等,類Haar特征模板的特征值定義為第一區
域中的像素和與第二區域中的像素和相減之差。

進一步而言,所述分支訓練的方法包括:

a,利用所有正樣本及負樣本對特征模板用基于級聯結構的Adaboost
算法進行訓練,得到統一訓練的強分類器;

b,按現存車牌的顏色將正樣本分為若干種,顏色種類與正樣本種類
一一對應,每種正樣本結合所有負樣本對特征模板用Adaboost算法分別進
行訓練,得到每種顏色對應的分支強分類器;

c,判斷各種顏色所對應的強分類器包含的弱分類器數目相加之和是
否小于統一分類的強分類器所包含弱分類器數目:如果是,則將各個分支
強分類器分別加入當前的級聯分類器并標記分叉;否則,將統一訓練的強
分類器加入當前的級聯分類器并標記不分叉;

d,判斷是否分叉:如果是,則采用步驟b的方法對特征模板用Adaboost
算法訓練直至所得到的級聯分類器誤差小于預定值;否則,重復步驟a、
步驟b以及步驟c直至所得到的級聯分類器誤差小于預定值。

分支訓練通過將按顏色分類訓練得到的分支強分類器與統一訓練得
到的統一強分類器進行弱分類器數目的比較,弱分類器數目越小表示分類
性能越好,從而確定開始分叉的位置,得到較佳的級聯分類器,確保所訓
練的分類器不受車牌顏色的干擾。

利用本發明所提供的方法,本發明還提供了一種車牌檢測的裝置,確
保檢測出的圖像具有較低的誤檢率。

一種復雜場景下的車牌檢測裝置,包括粗定位單元,對輸入的圖像進
行粗定位,所述粗定位包括水平濾波以及二值化處理,以及車牌區域檢測
單元,用經過訓練的精定位分類器對具有粗定位區域的圖像進行車牌區域
檢測,還包括:

降誤檢單元,將檢測出車牌區域的圖像通過分支訓練所得的降誤檢分
類器排除誤檢出車牌區域的圖像,得到包含車牌區域的最終圖像;所述分
支訓練中所采用的正樣本為在精定位分類器的訓練中分類正確的訓練樣
本,負樣本包括精定位分類器訓練中分類錯誤的訓練樣本。

進一步而言,所述粗定位單元還包括垂直濾波子單元,用于在進行二
值化處理之前對圖像進行垂直濾波,所述垂直濾波采用的分段濾波器由三
個高斯濾波器疊加而成,其中:

第一高斯濾波器的第一幅值T1>0,第二高斯濾波器的幅值及第三高斯
濾波器幅值相同,均為第二幅值T2,且T2<0;

第一高斯濾波器的期望值μ1、第二高斯濾波器的期望值μ2及第三高
斯濾波器的期望值μ3之間的關系滿足:μ2<μ1<μ3,且abs(μ1-μ2)
=abs(μ3-μ1);

第一高斯濾波器的方差、第二高斯濾波器的方差及第三高斯濾波
器的方差之間的關系滿足:

第一幅值T1與第二幅值T2滿足如下公式:

T1<abs(2*T2);

所得到的分段濾波器波峰的波長λ1、兩側波谷的波長λ2與車牌高度H
取值滿足如下公式:

λ1+2*λ2<2*H+C;

λ2≤λ1≤2*λ2;

其中C為常數。

本發明所采用的車牌檢測方法及裝置與現有的方法相比,突出的優點
在于誤檢率低,在保證車牌的檢出率基礎上,通過粗定位排除無關區域,
檢出速度較已有方法快。

附圖說明

圖1為本發明當前實施例的方法流程圖;

圖2為當前實施例的粗定位流程圖;

圖3為當前實施例的垂直濾波器波形圖;

圖4為當前實施例的粗定位效果圖;

圖5為當前實施例的精定位分類器訓練流程圖;

圖6為當前實施例的精定位效果圖;

圖7為當前實施例過用Adaboost算法分支訓練Haar特征所得的級聯分
類器降誤檢的流程圖;

圖8A為當前實施例的分支訓練所采用的第一類Haar特征模板;

圖8B為當前實施例的分支訓練所采用的第二類Haar特征模板;

圖8C為當前實施例的分支訓練所采用的第三類Haar特征模板;

圖8D為當前實施例的分支訓練所采用的第四類Haar特征模板;

圖9為用本發明當前實施例的方法進行降誤檢得到的車牌區域檢測結
果第一效果圖;

圖10為用現有技術的方法進行降誤檢得到的車牌區域檢測結果第一
效果圖;

圖11為用本發明當前實施例的方法進行降誤檢得到的車牌區域檢測
結果第二效果圖

圖12為用現有技術的方法進行降誤檢得到的車牌區域檢測結果第二
效果圖。

具體實施方式

為了對本發明進一步地闡釋,現結合說明書附圖和實施例對本發明進
行解釋說明。

本發明當前實施例的方法如圖1所示,利用本發明的車牌檢測裝置進
行。本發明當前實施例包括如下步驟:

步驟一,基于車牌分段濾波器車牌粗定位。該步驟利用粗定位單元進
行,粗定位的流程如圖2所示,根據標定的車牌寬、高設定濾波器的大小,
對輸入圖像進行濾波、二值化及連通區域的提取,獲得車牌所在的候選框,
這一步能極大縮小后續處理的圖像大小,提升處理效率。

步驟1-1,圖像灰度化。對輸入的圖像進行灰度化處理并下采樣,將
圖像縮小,輸入的圖像為電警、卡口場景的前景運動目標。

步驟1-2,圖像梯度化,利用soble濾波器對灰度化后的圖像進行濾波,
獲得梯度圖像。

步驟1-3,對梯度化圖像垂直濾波,如圖3所示,對梯度圖像采用分段
濾波器進行垂直濾波。該步驟利用粗定位單元中的垂直濾波子單元進行。

垂直濾波采用的分段濾波器由三個高斯濾波器疊加而成,其中:

第一高斯濾波器的第一幅值T1>0,第二高斯濾波器的幅值及第三高斯
濾波器幅值相同,均為第二幅值T2,且T2<0;

第一高斯濾波器的期望值μ1、第二高斯濾波器的期望值μ2及第三高
斯濾波器的期望值μ3之間的關系滿足:μ2<μ1<μ3,且abs(μ1-μ2)
=abs(μ3-μ1);

第一高斯濾波器的方差、第二高斯濾波器的方差及第三高斯濾波
器的方差之間的關系滿足:

第一幅值T1與第二幅值T2滿足如下公式:

T1<abs(2*T2); 公式1

分段濾波器中間波長λ1、兩側波長λ2與車牌高度H取值滿足公式2
及公式3:

λ1+2*λ2<2*H+C; 公式2

λ2<=λ1<=2*λ2; 公式3

其中C為一個常數,用于降低濾波器設計對車牌高度的依賴。

垂直濾波后的圖像可以降低高度上很窄的紋理和高度上很大的紋理
強度,增強與車牌高度相當的紋理強度,從而排除一些明顯不符合車牌特
征的區域。

步驟1-4,使用高斯濾波器對垂直濾波圖像進行水平濾波,獲得水平
濾波圖像,高斯濾波器的生成遵循下面的規則:

高斯濾波器的波長λ0與車牌長度W滿足公式4:

W/a<λ0<W/b; 公式4

其中a>b>2;

步驟1-5,對水平濾波后圖像進行二值化。在當前實施例中利用Otsu
算法(大津法)進行二值化,在采用該方法時設定閾值,將超過閾值的像
素點判定為背景。為了獲得更精確的二值化圖像,在當前實施例中,根據
經驗取值,對超過閾值的像素點數設置限定值,如采用大津法二值化所得
到的超過閾值的點數大于限定值,則重新設定閾值進行二值化,直至滿足
條件,獲得二值圖像;

步驟1-6,提取二值圖像中的連通區域。此過程需要遍歷一次圖像,
最后獲得可能的車牌候選區域,進行后續的車牌精定位。

如果在這一步驟未檢出粗定位區域(無粗定位框)則判定為無車牌并
結束步驟,否則進入步驟二。一張圖像利用當前實施例粗定位得到的結果
如圖4所示,其中黑色矩形所圍成的區域為粗定位區域。

步驟二,將具有粗定位區域的圖像采用Adaboost算法對MB-LBP特
征訓練所得的級聯分類器精定位。MB-LBP(Multi-scale Block Local Binary
Patterns,多塊分區局部二進制模式)特征對原圖像按一定倍率進行縮放,
每縮放一級均采用經過訓練的基于MB-LBP特征的級聯Adaboost分類器
進行檢測,中間任何一個分類器不能通過的矩形框判為非車牌目標,將通
過所有級聯分類器的矩形區域進行區域融合,作為第一輪車牌檢測結果輸
出。該步驟由車牌區域檢測單元進行。

基于MB-LBP特征的Adaboost級聯分類器精定位訓練過程如圖5所
示,包括:

首先,獲得所有樣本的MB-LBP特征。

MB-LBP特征分類器采用多分支結構來構造弱分類器,這個分類器包
括256個分支,每一個分支的函數值與MB-LBP特征值一一對應。如公式
5,公式6所示,其中gc是中心子塊的灰度值和,gi(i=1,2,...,8)分別是周圍
八領域的灰度值和;每個子塊的灰度值和基于積分圖像進行計算得到
MB-LBP特征值f(gc)。

<mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>g</mi> <mi>c</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mn>1</mn> <mn>8</mn> </munderover> <mi>s</mi> <mrow> <mo>(</mo> <msub> <mi>g</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>g</mi> <mi>c</mi> </msub> <mo>)</mo> </mrow> <mo>*</mo> <msup> <mn>2</mn> <mi>i</mi> </msup> </mrow> 公式5

<mrow> <mi>s</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = '{' close = ''> <mtable> <mtr> <mtd> <mtext>1</mtext> </mtd> <mtd> <mtext>if</mtext> </mtd> <mtd> <mrow> <mi>x</mi> <mo>&GreaterEqual;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mtext>0</mtext> </mtd> <mtd> <mtext>if</mtext> </mtd> <mtd> <mrow> <mi>x</mi> <mo>&lt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow> 公式6

每個MB-LBP特征由3*3個小區域組成,其中每個小區域大小一致,
為矩形即可;針對每個小區域求像素值的和,將周圍8個小區域的像素值
和與中心區域的像素值分別進行比較,若周圍區域大于中心區域像素值之
和,則該區域標記為1,否則為0,所得到8位二進制數,為MB-LBP特
征。窗口向右或向下滑動,可得到所有的MB-LBP特征。

接著,利用Adaboost算法對MB-LBP特征進行級聯分類器的訓練,
訓練方法包括:

步驟2-1,遍歷所有的MB-LBP特征,找到誤差最小的MB-LBP特征
所對應的弱分類器,構造8個32位整形數據作為最優弱分類器,每一位
對應一個MB-LBP特征值,共8*32=256位。

步驟2-2,初始化誤差權重w1,i=D(i),w1,i表示訓練前的第i個樣本,
或其中k為正樣本數量,l為負樣本數量。

步驟2-3,進行弱分類器訓練,并根據訓練結果更新訓練樣本的權重。
對于每個弱分類器ft(xi),其中t=1,2,...,T(其中T為弱分類器個數)進行如下操
作,歸一化訓練樣本的權重,讓其在(0,1)區間。對當前的最優弱分類器,
本發明提供了一種新的權重更新方式,增加更新速率因子αt,按照公式7
進行訓練樣本權重的更新,當前最優弱分類器更新每個訓練樣本所對應的
權重:

<mrow> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>+</mo> <mtext>1</mtext> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>*</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <msub> <mi>f</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>&beta;</mi> <mi>t</mi> </msub> <msub> <mi>&alpha;</mi> <mi>t</mi> </msub> </mrow> </msup> </mrow> 公式7

其中,wt+1,i表示第i個樣本第t個弱分類器,βt表示權重因子,yi表
示第i個樣本的目標值,ft(xi)表示第i個樣本在第t個弱分類器輸出的
輸出值。

<mrow> <msub> <mi>&beta;</mi> <mi>t</mi> </msub> <mo>=</mo> <mi>ln</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>&epsiv;</mi> <mi>t</mi> </msub> </mrow> <msub> <mi>&epsiv;</mi> <mi>t</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow> 公式8

εt表示弱分類器的訓練誤差。

如果分類正確,則αt=1;如果正樣本分類錯誤,則αt=2;如果負
樣本分類錯誤,則αt=0.5。當樣本分類正確時,權重正常減少;當正樣
本分類錯誤(即漏檢)時,權重快速增加;當負樣本分類錯誤(即誤檢)
時,權重緩慢增加,這種權重更新方法使得漏檢的正樣本權重更大,能更
好地保證檢出率。

在利用當前所有訓練樣本訓練得到全部最優弱分類器之后,將所有最
優弱分類器融合形成當前的強分類器,并判斷強分類器個數是否達到預期,
如未達到預期再更新訓練樣本,進行下一個分類器的訓練所有的弱分類器
在訓練下一個強分類器之前需要更新正、負樣本,其中選中的正樣本需通
過當前級聯分類器,選中的負樣本為當前級聯分類器不能排除的負樣本。

將其中一個圖像利用訓練得到的精定位分類器進行精定位,所得到的
其效果圖如圖6所示。

步驟三:將檢測出車牌區域的圖像通過用Adaboost算法分支訓練Haar
特征所得的級聯分類器排除誤檢出車牌區域的圖像,得到包含車牌區域的
最終圖像。

步驟三由降誤檢單元進行,其中,分支訓練中所采用的正樣本為在精
定位分類器的訓練中分類正確的訓練樣本,負樣本為精定位分類器訓練中
分類錯誤的訓練樣本。經過步驟一、二后,各種場景中的車牌目標都能檢
出,但存在一些誤檢,特別是紋理豐富的非車牌目標,誤檢率較高。通過
針對車牌設計的基于Haar特征的Adaboost分類器能進行針對性地降誤檢,
檢測過程和步驟二一致,不同點在分類器和計算方式。

其中基于針對車牌Haar特征的多分支Adaboost分類器降誤檢訓練流
程圖如圖7所示。

Haar特征是一類圖形表示的特征,特征為矩形,矩形分為矩形的第一
區域(通常用白色表示)和第二區域(通常用黑色表示),并定義特征值
為第一區域內的像素和與第二區域內的像素和之差。本發明當前實施例針
對車牌的特點新增了4種類Haar特征模板,如圖8A至圖8D所示。分支
訓練所采用的特征模板包括以下類Haar特征模板:

如圖8A所示,由兩個第一區域和三個第二區域組成的第一特征模板,
各個區域沿水平方向排布,并且第一區域和第二區域間隔排布;

如圖8B所示,由兩個第一區域和兩個第二區域組成的第二特征模板,
各個區域沿水平方向排布,左側由第二區域開始,第一區域與第二區域間
隔排布;

如圖8C所示,由一個第一區域和四個第二區域組成的第三特征模板,
各區域沿水平方向排布,第一區域的兩側分別排布兩個第二區域;

如圖8D所示,由五個第一區域和兩個第二區域組成的第四特征模板,
各區域沿豎直方向排布,且兩個第二區域之間排布五個第一區域;

各個類Haar特征模板的第一區域及第二區域均為矩形,且同一類Haar
特征模板內的各個區域面積相等,類Haar特征模板的特征值定義為第一區
域中的像素和與第二區域中的像素和相減之差。

在當前實施例中,分支訓練采用了全部四個特征模板,這些特征模板
在訓練中被選中的機會明顯大于原始的Haar特征模板,有利于車牌的檢
出及誤檢車牌的剔除。

分支訓練的方法包括:

a,利用所有正樣本及負樣本對特征模板用Adaboost算法進行訓練,得
到統一訓練的強分類器。現有的車牌按顏色分為黃色和藍色兩種車牌,在
步驟a的訓練方式中,兩種顏色的正樣本進行統一的訓練。

b,按現存車牌的顏色將正樣本分為若干種,顏色種類與正樣本種類
一一對應,每種正樣本結合所有負樣本對特征模板用Adaboost算法分別進
行訓練,得到每種顏色對應的分支強分類器。在步驟b中,正樣本被分為
包含藍色車牌的正樣本和包含黃色車牌的正樣本,分別將兩種正樣本與所
有負樣本進行訓練,得到分支強分類器。

c,判斷2種顏色所對應的強分類器包含的弱分類器數目相加之和是否
小于統一分類的強分類器所包含弱分類器數目:如果是,則將各個分支強
分類器分別加入當前的級聯分類器并標記分叉;否則,將統一訓練的強分
類器加入當前的級聯分類器,并標記為不分叉。

d,判斷是否分叉:如果是,則采用步驟b的方法對特征模板用Adaboost
算法訓練直至所得到的級聯分類器誤差小于預定值;否則,重復步驟a、
步驟b以及步驟c直至所得到的級聯分類器誤差小于預定值。

級聯分類器的構造方法與基于MB-LBP類似,包括:

首先,構造最優弱分類器,方式與精定位分類器中基于MB-LBP特征
構造最優弱分類器的方式類似,遍歷所有的特征模板,找到使誤差最小的
特征模板對應的弱分類器為最優弱分類器;

然后,更新訓練樣本的權重,該訓練樣本權重的更新直接使用不引入
αt權重更新因子的公式7與8,即

<mrow> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>*</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <msub> <mi>f</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>&beta;</mi> <mi>t</mi> </msub> </mrow> </msup> </mrow>

<mrow> <msub> <mi>&beta;</mi> <mi>t</mi> </msub> <mo>=</mo> <mi>ln</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>&epsiv;</mi> <mi>t</mi> </msub> </mrow> <msub> <mi>&epsiv;</mi> <mi>t</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow>

在訓練誤差達到預設的閾值之后,所得到的全弱分類器形成當前的強
分類器,判斷強分類器的個數是否達到預期,如未達到預期則進行下一個
強分類器的訓練。在訓練下一個強分類器之前需要更新正、負樣本,其中
選中的正樣本需通過當前級聯分類器,選中的負樣本為Haar特征Adaboost
級聯算法訓練時誤檢為車牌且當前級聯分類器不能排除的負樣本。

將兩張經過步驟一及步驟二的圖像通過步驟三之后得到的效果圖分
別如圖9及圖11所示,圖9中D1至D6的矩形框以及圖12中F1及F2
的矩形框均為車牌區域;作為對比,將圖像通過用現有的Adaboost算法
對Haar特征進行訓練所得到的效果圖分別如圖10及圖12所示,可以看
到,現有的方法存在很大的誤檢率,例如圖10中,C6所表示的矩形框將
車燈誤檢為車牌,而C3則將廣告牌誤檢為車牌;圖12中E2、E3及E4
均將非車牌區域誤檢為車牌區域。

本發明所采用的車牌檢測方法及裝置與現有的方法相比,突出的優點
在于誤檢率低,在保證車牌的正檢率基礎上,較已有方法速度快。

關 鍵 詞:
復雜 場景 車牌 檢測 方法 裝置
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:復雜場景下的車牌檢測方法及裝置.pdf
鏈接地址:http://www.rgyfuv.icu/p-6100816.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
山东11选5中奖结果走势图