CN103530608A - 车辆类型判断方法和装置 - Google Patents

Abstract

本发明提供了一种车辆类型判断方法，所述方法包括：获取车牌图像；从所述车牌图像中分割出字符图像；判断所述字符图像的底色；根据所述字符图像的底色判断车牌底色；根据所述车牌底色判断车辆类型。本发明提供的车辆类型判断方法，相比使用整个车牌的颜色均值判断车辆类型的方法，字符图像的颜色组成相对简单，受车牌图像中边框等背景颜色的影响小，使得车辆类型的判断更加准确，极大地降低了误判率。本发明还提供了一种车辆类型判断装置。

Description

车辆类型判断方法和装置

技术领域

本发明涉及图像识别领域，特别是涉及一种车辆类型判断方法和装置。

背景技术

随着计算机分析技术和图像视频处理技术的飞速发展，汽车牌照识别系统(License Plate Recognition System,LPRS)已成为智能交通系统(IntelligentTransportation System,ITS)的重要组成部分，广泛应用于车辆追查与跟踪，高速公路收费、停车场管理等领域。

车辆类型判断是汽车牌照识别系统的重要输出之一，现有的汽车牌照识别系统在判断车辆类型时，一般是计算整个车牌的颜色均值，通过设定阈值来判断车牌的颜色，从而根据车牌的颜色判断车辆类型。

然而，由于车牌的颜色多样，比如中大型汽车、挂车等大型车的车牌是黄底黑字，其它的一些小型车（比如小型汽车、教练车、警用车等）的车牌是蓝底白字或者黄底黑字或者白底黑字，因此用整个车牌颜色均值来判断车辆类型并不准确，误判率高。

发明内容

基于此，有必要针对用整个车牌的颜色均值来判断车辆类型误判率高的问题，提供一种车辆类型判断方法和装置。

一种车辆类型判断方法，所述方法包括：

获取车牌图像；

从所述车牌图像中分割出字符图像；

判断所述字符图像的底色；

根据所述字符图像的底色判断车牌底色；

根据所述车牌底色判断车辆类型。

一种车辆类型判断装置，所述装置包括：

车牌图像获取模块，用于获取车牌图像；

车牌图像分割模块，用于从所述车牌图像中分割出字符图像；

字符图像底色判断模块，用于判断所述字符图像的底色；

车牌底色判断模块，用于根据所述字符图像的底色判断车牌底色；

车辆类型判断模块，用于根据所述车牌底色判断车辆类型。

上述车辆类型判断方法和装置，从车牌图像中分割出字符图像，判断分割出的字符图像的底色，再根据字符图像的底色判断车牌底色，从而可以根据车牌底色判断车辆的类型。相比使用整个车牌的颜色均值判断车辆类型的方法，字符图像的颜色组成相对简单，受车牌图像中边框等背景颜色的影响小，使得车辆类型的判断更加准确，极大地降低了误判率。

附图说明

图1为一个实施例中车辆类型判断方法的流程示意图；

图2为一个实施例中双层车牌的车牌图像示意图；

图3为一个实施例中从车牌图像中分割出字符图像的步骤的流程示意图；

图4为一个实施例中去除字符图像中的边界背景图像的步骤的流程示意图；

图5为一个实施例中去除字符图像中的边界背景图像的过程的示意图；

图6为一个实施例中判断字符图像的底色的步骤的流程示意图；

图7为一个实施例中车辆类型判断装置的结构框图；

图8为一个实施例中车牌图像分割模块的结构框图；

图9为另一个实施例中车牌图像分割模块的结构框图；

图10为一个实施例中车辆类型判断装置的结构框图；

图11为一个实施例中字符图像底色判断模块的结构框图。

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。

如图1所示，在一个实施例中，提供了一种车辆类型判断方法，包括：

步骤102，获取车牌图像。

车牌图像是包含车牌影像的图像数据，在实际应用中，车牌图像中通常还可能包括部分背景图像。可控制摄像头采集道路、停车场等场地的场景图像，然后从场景图像中定位出车牌图像。车牌大致为矩形，其包含汉字、字母和数字，且具有特定的排列规律，因此可通过检测场景图像中的汉字、字母和数字等字符在场景图像中定位出车牌位置，从而获得车牌图像。可以将车牌图像存储在本地存储中或远程终端上，需要时从本地存储中或者通过网络从远程终端获取车牌图像。

步骤104，从车牌图像中分割出字符图像。

分割出的字符图像为矩形，包括字符区域和底色区域。如图2所示，车牌图像202为双层车牌的图像，分割得到的字符图像204包括字符区域204a和底色区域204b。

车牌包括双层车牌和单层车牌，如图2所示，双层车牌是指车牌上排列有两行字符，第一行有2个宽高比为1:1的字符，第二行有5个宽高比为1：2的字符；单层车牌是指车牌中共有7个宽高比为1：2的字符，且排列为一行。车牌中的汉字字符的个数、位置和汉字种类是有规律的，一般只有一个汉字字符，位于车牌中所有字符的首位，且取自各省的简称，比如“粤”、“京”等。车牌中的字母、数字符号也都来自有限的字符集合，且车牌中的字符与车牌图像中的背景图像差别较大，因此可通过字符识别从车牌图像中分割出字符图像。

如图3所示，在一个实施例中，步骤104包括：

步骤302，对车牌图像进行窗口扫描，获得多个窗口图像。

可使用一个矩形窗口，按照预设方向和预设步长在车牌图像中移动，从而进行窗口扫描，获得多个窗口图像。其中预设方向可为从左向右、从上向下，或者从右向左，从下向上等；预设步长可分为水平步长和垂直步长，预设步长的值可为像素的个数，可根据实际需要设定。

可使用多个尺度的矩形窗口对车牌图像进行扫描，获得多个窗口图像。具体地，先使用初始尺寸的矩形窗口对车牌图像进行扫描，扫描完毕后，按照一定的比例因子放大或缩小矩形窗口，再次对车牌图像进行扫描，直至矩形窗口的尺寸超过车牌图像的尺寸。

还可以使用固定尺寸的矩形窗口对多个尺度下的车牌图像进行扫描，获得多个窗口图像。具体地，先使用固定尺寸的矩形窗口对初始尺寸的车牌图像进行扫描，扫描完毕后，按照一定的比例因子缩小车牌图像，再次使用固定尺寸的矩形窗口对对缩小的车牌图像进行扫描，直至矩形窗口的尺寸超过缩小的车牌图像的尺寸。

由于在扫描车牌图像时，难以保证字符的尺寸与矩形窗口的尺寸一致，使用固定尺寸的矩形窗口对原始的车牌图像进行扫描存在漏检的可能。而对车牌图像进行多尺度的窗口扫描，可有效避免漏检的发生。

步骤304，对每个窗口图像进行字符识别，获得字符窗口图像。

可使用训练过的字符分类器对每个窗口图像进行字符识别，识别为字符的窗口图像就是字符窗口图像，从而过滤掉识别为非字符的窗口图像。

字符分类器可选择基于Haar特征（矩形特征）的Gentle Adaboost级联分类器（一种迭代算法，其核心思想是针对同一个训练样本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），也可以选取其它特征或分类器，对此不作限定。

可事先准备训练样本集更新字符分类器的训练样本集，对字符分类器进行训练，训练样本集包括正训练样本和负训练样本。其中，正训练样本为事先准备的车牌图像中的字符图片，负训练样本可以选择车牌中非字符的区域的图片。为了提高字符分类器的识别性能，选择训练样本时应注意训练样本的多样性，如选取不同尺寸下的训练样本、模糊情况下的训练样本、倾斜的训练样本、部分遮挡的训练样本等。由于车牌中的大部分字符的宽高比为1：2，因此可选取宽高比为1：2的训练样本更新字符分类器的训练样本集，对字符分类器进行训练。

步骤306，根据字符窗口图像获得字符图像。

具体地，可标记字符窗口图像在车牌图像中的位置，将位置相差在指定范围内，或者重叠区域超过预设重叠阈值的字符窗口图像合并，从而获得字符图像。合并字符窗口图像时，可取各个具有重叠区域的字符窗口图像的位置坐标的平均值。

由于训练样本集对字符分类器进行训练时选取的训练样本的宽高比为1：2，而双层车牌有5个宽高比为1：2的字符，2个宽高比为1：1的字符；单层车牌有7个宽高比为1：2的字符。因此对于双层车牌可分割出5个字符图像，而单层车牌则可以分割出7个字符图像，据此可判断车牌是双层车牌还是单层车牌。

参考图2，图2中，使用经过宽高比为1：2的训练样本训练过的字符分类器对车牌图像202进行了分割处理，可获得“0”、“1”、“2”、“3”、“4”、“5”这5个字符的字符图像，由于“粤”和“A”的宽高比为1：1，因此不会被识别出来，据此可判断该车牌为双层车牌。

在一个实施例中，步骤306之后还包括：将字符图像作为正训练样本、车牌图像中除字符图像以外的区域图像作为负训练样本更新字符分类器的训练样本集，对字符分类器进行训练。

本实施例中，从车牌图像中分割出字符图像后，又将字符图像作为正训练样本、车牌图像中除字符图像以外的区域图像作为负训练样本更新字符分类器的训练样本集，对字符分类器进行训练，可实现分类器的在线学习，不断充实训练样本集，提高字符分类器的识别准确率。

步骤106，判断字符图像的底色。

字符图像包括字符区域和底色区域，字符的颜色与底色不同，且底色区域的面积大于字符区域的面积，因此可将字符图像中面积比重较大的区域的颜色作为字符图像的底色。

步骤108，根据字符图像的底色判断车牌底色。

事实上车牌的底色与字符图像的底色应该具有一致的颜色。但在实际应用中，由于光线、个别字符被污染等因素的影响，对字符图像的底色的判断可能会出现误差，从而影响对车牌底色的判断，因此可使用多个字符图像的底色判断车牌底色。具体地，可统计每个字符图像的底色，将多数字符图像的底色作为车牌底色。比如对于单层车牌的车牌图像，分割出的7个字符图像中，5个字符图像的底色判断为黄色，则判断该车牌图像的底色为黄色。

步骤110，根据车牌底色判断车辆类型。

不同类型的车辆，使用的车牌的底色也有差异，因此可根据车牌底色判断车辆的车型。举例说明，对于单层车牌，黑底车牌对应领馆车和使馆车等小型车；白底车牌对应武警车和警车等小型车；蓝底和黄底车牌对应家用轿车。而对于双层黄底车牌，则对应大型汽车或挂车。

上述车辆类型判断方法，从车牌图像中分割出字符图像，判断分割出的字符图像的底色，再根据字符图像的底色判断车牌底色，从而可以根据车牌底色判断车辆的类型。相比使用整个车牌的颜色均值判断车辆类型的方法，字符图像的颜色组成相对简单，受车牌图像中边框等背景颜色的影响小，使得车辆类型的判断更加准确，极大地降低了误判率。

如图4所示，在一个实施例中，步骤106之前还包括去除字符图像中的边界背景图像的步骤，具体包括：

步骤402，从字符图像中提取字符骨架，获得字符骨架图像。

可采用形态学梯度运算提取字符图像中的字符骨架，具体地，可将字符图像二值化（只有黑白两种颜色），然后分别进行膨胀和腐蚀处理，然后将两个处理结果相减得到字符骨架。采用形态学梯度运算提取字符图像中的字符骨架，可以突出字符图像中的边缘信息。

膨胀处理的过程具体为：用结构元素扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果结果为0，结果图像中该像素点为0，否则为1。腐蚀处理的过程具体为：用结构元素扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果结果都为1，结果图像中该像素点为1，否则为0。其中，结构元素可以为圆形、椭圆形、长方形和矩形。

步骤404，对字符骨架图像进行垂直投影和水平投影，确定字符骨架图像中字符骨架的边界。

水平投影是指二维图像按列向x轴方向投影，垂直投影是指二维图象按行向y轴方向投影，投影的结果可以看成是一维图像。

对字符骨架图像进行垂直投影，计算字符骨架图像每列的均值，并按与字符骨架图像每列一一对应的顺序排列为队列。从队列的第一端向第二端检测，检测到第一个不为0的均值，则以字符骨架图像中该点对应的列作为第一边界；再从队列的第二端向第一端检测，检测到第一个不为0的均值，则以字符骨架图像中该点对应的列作为第二边界。

同理，对字符骨架图像进行水平投影，计算字符骨架图像每行的均值，并按与字符骨架图像每行一一对应的顺序排行为队行。从队行的第一端向第二端检测，检测到第一个不为0的均值，则以字符骨架图像中该点对应的行作为第三边界；再从队行的第二端向第一端检测，检测到第一个不为0的均值，则以字符骨架图像中该点对应的行作为第四边界。

步骤406，根据字符骨架的边界去除字符图像中的边界背景图像。

将第一边界、第二边界、第三边界和第四边界对应到字符图像中，保留四个边界之间的部分，这样就去除了字符图像中的边界背景图像，得到了精准的字符图像。

举例说明，参考图5，图5中对字符图像502提取字符骨架获得字符骨架图像504。对字符骨架图像504进行垂直投影，确定第一边界与第二边界，如字符骨架图像504中的左右两条竖线；对字符骨架图像504进行水平投影，确定第三边界和第四边界，如字符骨架图像504中的上下两条横线。然后将四条边界对应到字符骨架图像502中，得到确定边界的字符骨架图像506，然后去除边界背景图像506a，从而获得精准的字符图像508。

本实施例中，去除字符图像中的边界背景图像，得到精准的字符图像，使得后续在判断字符图像的底色时，判断结果更为准确，进而使得判断车辆类型的结果更为准确，进一步降低了车辆类型的误判率。

如图6所示，在一个实施例中，步骤106具体包括：

步骤602，判断字符图像为黑白图像或彩色图像，若字符图像为黑白图像，则执行步骤604，若字符图像为彩色图像，则执行步骤606。

车牌有黑白车牌和彩色车牌，对应的字符图像有黑白图像和彩色图像。其中黑白车牌是指白底黑字或者是黑底白字的车牌；彩色车牌是指蓝底白字、黄底黑字等包含黑与白之外的颜色的车牌。在这里将字符图像分为黑白图像和彩色图像，对于黑白图像和彩色图像采用不同的处理方式，进而判断字符图像的底色。

具体的，可通过判断字符图像中R（红）、G（绿）、B（蓝）三个通道的均值的偏差是否在预设颜色范围内来判断字符图像是黑白图像还是彩色图像。若字符图像中R（红）、G（绿）、B（蓝）三个通道的均值近似相等，则三个均值的偏差在预设颜色范围内，从而可判断字符图像为黑白图像。

步骤604，根据字符图像中的字符区域或底色区域占字符图像的面积比重判断字符图像的底色。

若字符图像为黑白图像，可能是白底黑字或者是黑底白字，可根据字符图像中字符区域的像素面积占字符图像的总像素面积的比重来判断字符图像的底色。

具体地，将字符图像二值化，先采用形态学梯度运算提字符图像中的字符骨架，获得字符骨架图像（具体过程参见步骤402中的描述，这里不再赘述）。提取的字符骨架包含了字符图像中的边缘信息，如图5中的字符骨架图像504所示，此时字符骨架是“空心”的，而字符骨架中的空心部分实际上也是字符区域，因此需要再对字符骨架图像采用连通域分析处理，将字符骨架图像中的字符骨架中断开的区域进行合并处理。

根据字符图像中字符区域的面积小于其所在区域的面积的一半的先验知识，在经过连通域分析的字符骨架图像中，若白色部分（字符骨架图像中表示为1的部分）的像素面积（或者像素个数）占整个字符骨架图像的像素面积（或者像素个数）的比重小于字符占比阈值，则字符图像的底色为黑色；相反，若白色部分的像素面积（或者像素个数）占整个字符骨架图像的像素面积（或者像素个数）的比重大于字符占比阈值，则字符图像的底色为白色。

步骤606，提取字符图像中的底色区域的色相值和饱和度值。

若字符图像为彩色图像，处理过程比黑白图像的字符图像稍微复杂。具体地，先将字符图像二值化，并采用形态学梯度运算提取字符骨架，然后采用连通域分析对字符骨架图像进行处理，将字符骨架中断开的区域进行合并。此时，字符骨架图像中字符区域为表示为1，底色区域表示为0。

对字符骨架图像进行反色处理，字符区域变为0，底色区域变为1，得到掩膜图像。然后将二值化前的字符图像转换到HSV（色相（H）、饱和度（S）和明度（V））颜色空间中，并按照掩膜图像提取字符图像中底色区域各个像素的色相值和饱和度值。具体地，由于掩膜图像中，字符区域为0，底色区域为1，则在转换颜色空间后的字符图像中，只提取掩膜图像中表示为1的像素对应的色相值和饱和度值。

步骤608，根据色相值和饱和度值计算颜色置信度。

彩色车牌一般为蓝底或黄底，因此可根据字符图像中底色区域各个像素的色相值和饱和度值计算底色区域的色相均值和饱和度均值，然后用底色区域的色相均值及饱和度均值与标准色相均值及标准饱和度均值的欧式距离计算蓝色置信度和黄色置信度。

具体地，在HSV颜色空间中，蓝色的标准色相阈值为[90,140],蓝色标准饱和度阈值为[40,255]，则蓝色的标准色相均值为115，蓝色的标准饱和度均值为147.5；黄色的标准色相阈值为[15,30],黄色的标准饱和度阈值为[40,255]，则黄色的标准色相均值22.5，黄色的标准饱和度均值为147.5。

颜色置信度计算公式为：

$\mathrm{blue}=\sqrt{(\frac{{(H_{\mathrm{average}}-H_{\mathrm{ThreshBlue}})}^2}{180}+\frac{{(S_{\mathrm{average}}-S_{\mathrm{ThreshBlue}})}^2}{255})};$

$\mathrm{yellow}=\sqrt{(\frac{{(H_{\mathrm{average}}-H_{\mathrm{ThreshYellow}})}^2}{180}+\frac{{(S_{\mathrm{average}}-S_{\mathrm{ThreshYellow}})}^2}{255})};$

blueConfidence=1–blue/(blue+yellow)；

yellowConfidence=1–yellow/(blue+yellow)。

其中，H_average为底色区域的色相均值，H_ThreshBlue为蓝色标准色相均值；S_average为底色区域的饱和度均值，S_ThreshBlue为蓝色标准饱和度均值；H_ThreshYellow为黄色标准色相均值；S_ThreshYellow为黄色标准饱和度均值；blue为底色区域的色相均值及底色区域的饱和度均值与蓝色标准色相均值及蓝色标准饱和度均值的欧式距离；yellow为底色区域的色相值均值及底色区域的饱和度值均值与黄色标准色相均值及黄色标准饱和度均值的欧式距离；blueConfidence为蓝色置信度，yellowConfidence为黄色置信度。

步骤610，根据颜色置信度判断字符图像的底色。

对于多个颜色置信度，可采用多个颜色置信度中值最大的颜色置信度作为字符图像的底色。如上所示，可判断颜色置信度中蓝色置信度和黄色置信度的大小，取蓝色置信度和黄色置信度中较大的值所对应的颜色为字符图像的底色。若蓝色置信度较大，说明字符图像的底色为蓝色，若黄色置信度较大，则字符图像的底色为黄色。

本实施例中，在判断字符图像的底色时，采用分治思想，对于黑白图像和彩色图像根据其各自的特性采用更为合适的方式判断字符图像的底色。其中，黑白图像由于本身只有黑和白两种颜色，只需判断底色是黑还是白，处理过程相对简单。而彩色图像则需要先确定字符区域和底色区域，然后再提取底色区域的颜色从而判断字符图像的底色，相对复杂一些。因此采用分治思想可减少计算复杂度，可提高判断车辆类型的效率，且相比用一种方式判断字符图像的底色判断结果更为准确。

如图7所示，在一个实施例中，提供了一种车辆类型判断装置，包括：车牌图像获取模块702、车牌图像分割模块704、字符图像底色判断模块706、车牌底色判断模块708和车辆类型判断模块710。

车牌图像获取模块702用于获取车牌图像。

车牌图像分割模块704用于从车牌图像中分割出字符图像。

字符图像底色判断模块706用于判断字符图像的底色。

车牌底色判断模块708用于根据字符图像的底色判断车牌底色。

车辆类型判断模块710用于根据车牌底色判断车辆类型。

如图8所示，在一个实施例中，车牌图像分割模块704包括：窗口扫描模块704a、字符识别模块704b和字符图像生成模块704c

窗口扫描模块704a用于对车牌图像进行窗口扫描，获得多个窗口图像。

字符识别模块704b用于对每个窗口图像进行字符识别，获得字符窗口图像。

字符图像生成模块704c用于根据字符窗口图像获得字符图像。

如图9所示，在一个实施例中，字符识别模块704b还用于使用字符分类器对每个窗口图像进行字符识别。

车牌图像分割模块704还包括：

训练模块704d，用于将字符图像作为正训练样本、车牌图像中除字符图像以外的区域图像作为负训练样本更新字符分类器的训练样本集，对字符分类器进行训练。

如图10所示，在一个实施例中，该车辆类型判断装置还包括字符骨架提取模块712、边界确定模块714和边界背景图像去除模块716。

字符骨架提取模块712用于从字符图像中提取字符骨架，获得字符骨架图像。

边界确定模块714用于对字符骨架图像进行垂直投影和水平投影，确定字符骨架图像中字符骨架的边界。

边界背景图像去除模块716用于根据字符骨架的边界去除字符图像中的边界背景图像。

如图11所示，在一个实施例中，字符图像底色判断模块706包括：颜色判断模块706a、黑白图像处理模块706b和彩色图像处理模块706c。

颜色判断模块706a用于判断字符图像为黑白图像或彩色图像。

黑白图像处理模块706b用于若字符图像为黑白图像，则根据字符图像中的字符区域或底色区域占字符图像的面积比重判断字符图像的底色。

彩色图像处理模块706c包括：

提取模块706c1，用于若字符图像为彩色图像，则提取字符图像中的底色区域的色相值和饱和度值。

置信度计算模块706c2，用于根据色相值和饱和度值计算颜色置信度。

判断模块706c3，用于根据颜色置信度判断字符图像的底色。

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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random Access Memory，RAM）等。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种车辆类型判断方法，所述方法包括：

获取车牌图像；

从所述车牌图像中分割出字符图像；

判断所述字符图像的底色；

根据所述字符图像的底色判断车牌底色；

根据所述车牌底色判断车辆类型。

2.根据权利要求1所述的方法，其特征在于，所述从所述车牌图像中分割出字符图像，包括：

对所述车牌图像进行窗口扫描，获得多个窗口图像；

对每个所述窗口图像进行字符识别，获得字符窗口图像；

根据所述字符窗口图像获得字符图像。

3.根据权利要求2所述的方法，其特征在于，所述对每个所述窗口图像进行字符识别，包括：

使用字符分类器对每个所述窗口图像进行字符识别；

所述根据所述字符窗口图像获得字符图像之后，还包括：

将所述字符图像作为正训练样本、所述车牌图像中除所述字符图像以外的区域图像作为负训练样本更新所述字符分类器的训练样本集，对所述字符分类器进行训练。

4.根据权利要求1所述的方法，其特征在于，所述判断所述字符图像的底色之前，还包括：

从所述字符图像中提取字符骨架，获得字符骨架图像；

对所述字符骨架图像进行垂直投影和水平投影，确定所述字符骨架图像中所述字符骨架的边界；

根据所述字符骨架的边界去除所述字符图像中的边界背景图像。

5.根据权利要求1所述的方法，其特征在于，所述判断所述字符图像的底色，包括：

判断所述字符图像为黑白图像或彩色图像；

若所述字符图像为黑白图像，则

根据所述字符图像中的字符区域或底色区域占所述字符图像的面积比重判断所述字符图像的底色。

6.根据权利要求5所述的方法，其特征在于，所述判断所述字符图像的底色，还包括：

若所述字符图像为彩色图像，则

提取所述字符图像中的底色区域的色相值和饱和度值；

根据所述色相值和所述饱和度值计算颜色置信度；

根据所述颜色置信度判断所述字符图像的底色。

7.一种车辆类型判断装置，其特征在于，所述装置包括：

车牌图像获取模块，用于获取车牌图像；

车牌图像分割模块，用于从所述车牌图像中分割出字符图像；

字符图像底色判断模块，用于判断所述字符图像的底色；

车牌底色判断模块，用于根据所述字符图像的底色判断车牌底色；

车辆类型判断模块，用于根据所述车牌底色判断车辆类型。

8.根据权利要求7所述的装置，其特征在于，所述车牌图像分割模块包括：

窗口扫描模块，用于对所述车牌图像进行窗口扫描，获得多个窗口图像；

字符识别模块，用于对每个所述窗口图像进行字符识别，获得字符窗口图像；

字符图像生成模块，用于根据所述字符窗口图像获得字符图像。

9.根据权利要求8所述的装置，其特征在于，所述字符识别模块还用于使用字符分类器对每个所述窗口图像进行字符识别；

所述车牌图像分割模块还包括：

训练模块，用于将所述字符图像作为正训练样本、所述车牌图像中除所述字符图像以外的区域图像作为负训练样本更新所述字符分类器的训练样本集，对所述字符分类器进行训练。

10.根据权利要求7所述的装置，其特征在于，所述装置还包括：

字符骨架提取模块，用于从所述字符图像中提取字符骨架，获得字符骨架图像；

边界确定模块，用于对所述字符骨架图像进行垂直投影和水平投影，确定所述字符骨架图像中所述字符骨架的边界；

边界背景图像去除模块，用于根据所述字符骨架的边界去除所述字符图像中的边界背景图像。

11.根据权利要求7所述的装置，其特征在于，所述字符图像底色判断模块包括：

颜色判断模块，用于判断所述字符图像为黑白图像或彩色图像；

黑白图像处理模块，用于若所述字符图像为黑白图像，则根据所述字符图像中的字符区域或底色区域占所述字符图像的面积比重判断所述字符图像的底色。

12.根据权利要求11所述的装置，其特征在于，所述字符图像底色判断模块还包括彩色图像处理模块，包括：

提取模块，用于若所述字符图像为彩色图像，则提取所述字符图像中的底色区域的色相值和饱和度值；

置信度计算模块，用于根据所述色相值和所述饱和度值计算颜色置信度；

判断模块，用于根据所述颜色置信度判断所述字符图像的底色。

Images