CN103903018A - 一种复杂场景中对车牌进行定位的方法和系统 - Google Patents

Abstract

本发明公开了一种复杂场景中对车牌进行定位的方法和系统，克服目前复杂场景中车牌定位准确率较低、分类器训练时间较长以及干扰和光照变化导致定位过程鲁棒性不高的不足。该方法包括：利用扫描窗口提取图像的子图像集；通过积分图像计算子图像集中每个子图像的矩形特征值；根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果；根据过滤结果获得车牌在图像中的位置。本申请的实施例实现了在复杂场景中对车牌的精确定位。

Description

一种复杂场景中对车牌进行定位的方法和系统

技术领域

本发明涉及智能交通系统及自动化技术，尤其涉及一种复杂场景中对车牌进行定位的方法和系统。

背景技术

车牌识别技术是现代智能交通系统（Intelligent Transportation System，ITS）中的重要组成部分。高效的车牌识别系统（License Plate Recognition，LPR）可以大幅度提高路网的通行能力和服务质量。

车牌识别技术主要包括车牌区域的定位、车牌字符的分割和车牌字符的识别等三个部分。其中车牌区域的定位是为了检测目标图像中是否存在车牌以及确定车牌的位置，是车牌识别技术的基础，因此车牌区域是否提取得正确并且完全，是影响整个识别技术的关键。

常用的车牌定位方法可分为两大类，一类是基于规则的方法，它针对车牌特征包括形状、字符特点、颜色、纹理等采用图像处理的方式，配合先验知识和人的分析，研究出定位车牌的规则，包括基于纹理特征的算法、基于边缘特征结合数学形态学的算法、基于颜色特征的算法、基于视频特性的算法、基于小波变换的算法，基于分级扫描的算法等，但由于边缘或者纹理特征明显的非车牌区域的干扰和光照影响等因素，单一使用这些基于规则的方法并不适合复杂场景中的车牌定位。另一类是基于机器学习的方法，它通过一个晃动窗口扫描图像，提取窗口扫过区域的特征，然后将特征输入到事先训练好的分类器中将每个扫描区域进行分类，确定出车牌区域。应用到车牌定位中的比较广泛的机器学习的方法包括神经网络、支持向量机以及Adaboost算法等，它们需要经过充足的训练和参数调整后，才具备一定的泛化能力和正确率，因此分类器的训练比较费时费力，并且可靠性不高。

在实际的复杂场景中，单纯利用少量的正负样本结合AdaBoost这种机器学习的算法，对车牌精确定位的准确率不高（一般准确率在73%左右），还不能符合国际上车牌定位的基本要求，而利用大量样本训练分类器对于训练过程来说是一个极大的负担，训练时间过长会导致新的问题的产生，而且寻找样本的过程也费时费力。

因此，有必要在提高定位车牌准确率的同时，减少训练分类器所需的正负样本，克服边缘或者纹理特征明显的非车牌区域的干扰和光照变化等不利因素的影响，最终准确高效地定位复杂场景中的车牌。

发明内容

本发明所要解决的技术问题是克服目前复杂场景中车牌定位准确率较低、分类器训练时间较长以及干扰和光照变化导致定位过程鲁棒性不高的不足。

为了解决上述技术问题，本发明提供了一种复杂场景中对车牌进行定位的方法，用于在图像中定位出车牌的位置；该方法包括：

利用扫描窗口提取所述图像的子图像集；

通过积分图像计算所述子图像集中每个子图像的矩形特征值；

根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果；

根据所述过滤结果获得车牌在所述图像中的位置。

其中，根据所述训练样本获得所述级联分类器，包括：

根据矩形特征计算所述训练样本的特征值；

根据所述特征值训练弱分类器并形成弱分类器集；

根据所述弱分类器集构建强分类器；

利用根据不同矩形特征构建的强分类器获得所述级联分类器。

其中，根据所述过滤结果获得车牌在所述图像中的位置，包括：

根据所述过滤结果在所述图像中定位出车牌所在行；

在所述车牌所在行中确定包含车牌的候选区域；

根据车牌宽高比从所述候选区域中定位出车牌的位置。

其中，在所述车牌所在行中确定包含车牌的候选区域，包括：

对所述车牌所在行进行灰度化处理，得到灰度图；

对所述灰度图进行垂直边缘检测，获得垂直边缘检测结果；

对所述垂直边缘检测结果进行二值化处理，获得二值化结果；

对所述二值化结果进行垂直投影，获得所述候选区域。

本申请的实施例还提供了一种复杂场景中对车牌进行定位的系统，用于在图像中定位出车牌的位置；该系统包括：

提取模块，利用扫描窗口提取所述图像的子图像集；

计算模块，通过积分图像计算所述子图像集中每个子图像的矩形特征值；

过滤模块，根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果；

定位模块，根据过滤结果获得车牌在所述图像中的位置。

其中，所述定位模块包括：

第一定位单元，根据所述过滤结果在所述图像中定位出车牌所在行；

确定单元，在所述车牌所在行中确定包含车牌的候选区域；

第二定位单元，根据车牌宽高比从所述候选区域中定位出车牌的位置。

其中，所述确定单元包括：

灰度处理子单元，对所述车牌所在行进行灰度化处理，得到灰度图；

检测处理子单元，对所述灰度图进行垂直边缘检测，获得垂直边缘检测结果；

二值化处理子单元，对所述垂直边缘检测结果进行二值化处理，获得二值化结果；

垂直投影子单元，对所述二值化结果进行垂直投影，获得所述候选区域。

与现有技术相比，本申请的实施例实现了在复杂场景中对车牌的精确定位。本申请的实施例利用AdaBoost算法训练的级联分类器可以在前几级就排除大量伪车牌的干扰，并且机器学习的方法可以从一定程度上克服光照变化的影响。定位出车牌所在行后，再利用投影法在小范围内精确定位出车牌的左右边界，因此光照变化也不会在该小范围内产生巨大的影响，通过基于规则和机器学习的方法的定位实现了完整车牌的精确定位。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1为本申请实施例的复杂场景中对车牌进行定位的方法的流程示意图。

图2为本申请实施例中获得级联分类器的流程示意图。

图3为本申请实施例述及的矩形特征示意图。

图4为本申请实施例述及的车牌特征描绘示意图。

图5（a）和图5（b）为本申请实施例中利用积分图计算车牌矩形特征值的示意图。

图6为本申请实施例级联分类器筛选车牌的示意图。

图7为本申请实施例的复杂场景中对车牌进行定位的系统的构造示意图。

图8为本申请实施例中的定位模块的构造示意图。

图9为本申请实施例中的确定单元的构造示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。

本申请实施例的复杂场景中对车牌进行定位的方法和系统，用于在图像中定位出车牌的位置。本申请实施例所述的复杂场景，主要是指不同时间段和不同光照条件下实地的街道、马路、商场、地下停车场等。

本申请的实施例可以利用复杂场景下的各种车牌图像，包括特写图像以及低质量图像等，配合网上下载的一些车牌图像进行测试。

如图1所示，本申请实施例的复杂场景中对车牌进行定位的方法，主要包括如下步骤：

步骤S110，利用扫描窗口提取图像的子图像集。

步骤S120，通过积分图像计算子图像集中每个子图像的矩形特征值。

步骤S130，根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果。

步骤S140，根据过滤结果获得车牌在图像中的位置。

本申请实施例中，级联分类器需要通过训练的方式来获得。图2示出了训练获得级联分类器的主要步骤。

步骤S210，收集少量的车牌正样本和非车牌负样本作为训练样本(a₁,s₁),(a₂,s₂),...(a_n,s_n)，其中，s_i＝1为正样本，共p个；s_i＝0为负样本，共q个；p+q＝n；每个样本赋予一个初始化权重：

$w_{1,i}=\left\{\begin{array}{cc}1/p& s_i=1\\ 1/q& s_i=0\end{array}\right.$    式（1）

利用矩形特征来表示车牌特征，所述的矩形特征如图3所示，包括二矩形特征、三矩形特征和四矩形特征。通过这些矩形特征来描述车牌的特征，如图4所示，第一幅是原始车牌，第二幅表示字母A的区域颜色比它右边的区域颜色浅，即第二个字符后面有间距；第三幅表示字母Q和数字1区域的颜色比它们中间的区域浅，即两个字符有间距。同样，其他目标字符也可以用一些图3中的矩形特征来表示，细分矩形单元格之后可以进一步来表现车牌的矩形特征。本申请的实施例中，使用特征比单纯地使用像素点具有很大的优越性，并且速度更快。

本申请的实施例利用如图5（a）和图5（b）所示的积分图来计算矩形特征的值，也就是将白色区域的像素值和减去黑色区域的像素值和，关键还是要计算单个区域块中的像素值和。像素平面上坐标S(x,y)的积分图是其左上角距离原点的所有像素之和，定义为：

$\mathrm{SS}(x,y)=\underset{x^{\′}\≤x,y^{\′}\≤y}{\mathrm{\Σ}}S(x^{\′},y^{\′})$    式（2）

其中SS(x,y)作为辅助空间，表示图像S(x,y)的积分图，在此积分图像中任意点(x,y)的值SS(x,y)是以(0,0)为左上点，(x,y)为右下点的矩形的所有像素点之和。S(x',y')表示原始图像S(x,y)在点(x',y')的像素值。

计算好辅助图像后，就可以计算任意矩形的像素值和，如图5（b）中区域T的像素值的和为：

T＝SS(x₉,y₉)+SS(x₅,y₅)-SS(x₆,y₆)-SS(x₈,y₈)   式（3）

当区域R和T组成矩形特征时，该矩形特征RT的特征值为：

RT＝T-R＝(SS(x₉,y₉)+SS(x₅,y₅)-SS(x₆,y₆)-SS(x₈,y₈))   式（4）-(SS(x₈,y₈)+SS(x₄,y₄)-SS(x₅,y₅)-SS(x₇,y₇))＝SS(x₉,y₉)-2SS(x₈,y₈)+SS(x₇,y₇)-SS(x₆,y₆)+2SS(x₅,y₅)-SS(x₄,y₄)

以此类推可以来计算其他的矩形特征。

从上可看出任意矩形特征的特征值只与特征矩形的端点的积分图有关，而与图像的坐标无关。

通过计算特征矩形的端点的积分图，再进行简单的加减运算，就可以得到特征值。这样不仅可以提高特征的计算速度，也能提高目标的检测速度。

步骤S220，进行k＝1,2...K次迭代，首先归一化权重：

$q_{k,i}=w_{k,i}/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{k,j}$    式（5）

利用计算好的特征值来训练弱分类器c(a,e,T)，其中，a为样本，e为特征值，T为阈值。阈值T是每次迭代中具有最小误差的元素与它前一个元素的均值，可以保证弱分类器的错误率低于50%。

弱分类器根据阈值判断子图像是否为车牌。

$c(a,e,T)=\left\{\begin{array}{cc}1& e\left(a\right)<T\\ 0& \mathrm{else}\end{array}\right.$    式（6）

训练一个弱分类器就是确定e的最优阈值，使得这个弱分类器对所有训练样本的加权分类误差最低，该分类器为最佳弱分类器。

第k次迭代时最小误差ε_k的计算方法以及最佳弱分类器为：

$\begin{array}{c}{\mathrm{\&epsiv;}}_k={\min }_{e,T}{\mathrm{\&Sigma;}}_i^n{q}_{k,i}|c(a_i,e,T)-s_i|\\ ={\mathrm{\&Sigma;}}_i^n{q}_{k,j}|c(a_i,e_k,T_k)-s_i|\end{array}$

c_k(a)＝c(a,e_k,T_k)   式（7）

步骤S230，根据每次迭代产生的最佳弱分类构建强分类器，利用选定的最佳弱分类器来更新权重：

$q_{k+1,i}=\left\{\begin{array}{cc}{q}_{k,i}{\mathrm{\&theta;}}_k& \mathrm{rightclassify}\\ q_{k,i}& \mathrm{wrongclassify}\end{array}\right.$    式（8）

其中，θ_k＝ε_k/(1-ε_k)，由于θ_k小于1，也就是说错误分类的样本权重得到了加强，在下一次迭代中会引起更多的重视。最后得到的强分类器为：

$\mathrm{SC}\left(a\right)=\left\{\begin{array}{cc}1& \underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_k{c}_k\left(a\right)\&GreaterEqual;\frac{1}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_k\\ 0& \mathrm{else}\end{array}\right.$    式（9）

其中，ψ_k＝log(1/θ_k)，为第k次迭代的最佳弱分类器在强分类器中的加权系数。

将不同的矩形特征产生的强分类器按照简单到复杂的顺序进行级联，获取级联分类器。其中，训练级数记为nstages，本申请的实施例设为15；每一级强分类器的最小检测率记为minihitrate，本申请的实施例设为0.99，最大误警率记为maxfalsealarm，本申请的实施例设为0.5；本申请的实施例中车牌正样本的个数设为1100，车牌负样本的个数为3300。

本申请的实施例在应用时，通过一个滑动窗口扫描待确定车牌位置的图像，获取多个子图像，形成子图像集。本申请的实施例在每次扫描过程中扫描窗口的大小都会在上一次扫描窗口的基础上扩大10%，并且扫描时矩形特征的大小以及构造弱分类器对应的阈值也会同时随着检测窗口变化的比例系数进行同比例的调整。

根据强分类器的判决条件，当全部最佳弱分类器的投票结果经过加权相加后与强分类器阈值差距较大时，说明此区域基本不含车牌，无需扩大扫描窗口。

当某个区域基本不含车牌时，它的邻近区域包含车牌的可能性也比较小，扫描窗口可以以较大的步长向下一个扫描点跃进检测，而当接近或者满足判决条件时，需要以较小的步长跃进扫描，通过这种变步长的扫描方法获取子图像集，既可以保证检测的精度，又可以提高检测的速度。

通过积分图计算子图像集中每个子图像的矩形特征值，利用级联分类器对每个子图像的矩形特征值进行判决。如图6所示，如果判别结果为1，则这个窗口中含有候选车牌，如果判别结果为0，则该窗口不含车牌。

通过分类器的级联，在每一级可以将大部分非车牌部分掉滤除，仅让含有车牌的部分通过进入到下一级分类器，这样可以有效提高检测速度。

在Adaboost算法中利用不严格的比较少量的正负训练样本虽然能够在短时间内训练出分类器，但按照前述的车牌定位的准确率计算方法车牌定位的准确率只有73%左右，主要是车牌左右边界定位不精确，远没有达到车牌定位的要求。但Adaboost算法能精确检测到车牌的上下边界，因此在根据过滤结果能直接确定车牌位置时，就根据过滤结果直接确定车牌在图像中的位置；如果根据过滤结果还不能直接确定车牌位置时，就将左右边界定位不精确的车牌所在区域扩展为车牌所在行。

首先，根据过滤结果在图像中定位出车牌所在行，并对定位出来的车牌所在行进行预处理。该预处理主要包括灰度化处理、边缘检测处理以及二值化处理。

首先提取彩色图像的像素矩阵并转化为灰度图像来减少图像处理的时间和空间。

灰度化处理采用加权平均法，该法根据人眼对各种颜色的敏感度不同，用不同的权值对RGB三个分量进行加权平均，使图像达到最符合人眼视觉的效果。本申请实施例中所用到的加权平均的灰度化公式为：

Gray＝0.3R+0.59G+0.11B       式（10）

车牌所在行经过灰度化后，获得车辆所在行的灰度图；车牌所在的区域具有明显并且集中的垂直边缘，而非车牌区域很少有这类垂直边缘特征，因此对灰度图进行垂直边缘检测处理，可以突出车牌区域的垂直边缘特征。

本申请实施例采用的垂直边缘检测算子为：

g(x,y)＝|f(x+1,y)-f(x-1,y)|    式（11）

f(x,y)为灰度化图像中的目标像素点，新的灰度值为目标像素点左右相邻像素点的灰度差值的绝对值，这种垂直边缘检测算子能有效提取车牌的垂直边缘，并且它的计算量小，可以满足车牌定位的实时性要求。

灰度图所在行经过垂直边缘检测处理后，对垂直边缘检测结果采用OTSU二值化算法进行二值化处理，获得二值化结果。它按照图像的目标和背景类间方差最大时取到二值化的阈值，不管图像的直方图有无明显的双峰都能达到比较好的效果。

将大小为M×N的图像I(x,y)的分割阈值记为ξ，图像中像素点的灰度值大于阈值ξ的数目记为K₁，小于ξ的记为K₂，即M×N＝K₁+K₂。属于目标的像素点的个数占整幅图像的比例记做α₁＝K₁/(M×N)，目标像素点的平均灰度记作β₁；属于背景的像素点占整幅图像的比例记做α₂＝K₂/(M×N)，背景像素点的平均灰度记作β₂，整幅图像的平均灰度记作β，类间方差记为γ，那么这些变量的关系如下：

β＝α₁×β₁+α₂×β₂   式（12）

γ＝(β-β₁)²×α₁+(β-β₂)²×α₂   式（13）

将式（12）代入式（13），得到：

γ＝(β₁-β₂)²×α₁×α₂   式（14）

分割阈值ξ从灰度值0-255开始迭代，计算每次迭代的边缘检测图像的类间方差γ并将前后两次的γ进行比较，当γ为最大的时候取得二值化效果最好的分割阈值ξ。然后根据获取的最佳分割阈值ξ对图像进行二值化，图像中灰度值大于阈值ξ的像素点的新值记为1，小于阈值ξ的像素点的新值记为0，将灰度图转化为二值图，转化公式为：

$b(x,y)=\left\{\begin{array}{cc}1& g(x,y)\&GreaterEqual;\mathrm{\&xi;}\\ 0& \mathrm{else}\end{array}\right.$       式（15）

对二值化后的处理结果进行垂直投影，获得每列的投影值。根据车牌区域和非车牌区域投影值的区别，判断出车牌在车牌所在行的左右边界，在车牌所在行中形成包含车牌的候选区域。本申请利用的投影表达式为：

$\mathrm{col}\left(j\right)=\underset{i=0}{\overset{\mathrm{width}-1}{\mathrm{\&Sigma;}}}b(i,j)$     式（16）

其中width为图像的宽度。

车牌所在行的投影值会形成具有较小间隔的多峰分布，而车牌的左右边界与相邻的非车牌区域的投影波峰的间隔较大，非车牌区域波峰比较小或者本身的宽度比较小。

统计出比较密集的波峰区域的总宽度（车牌区），并去除宽度和峰值都较小的波峰区域（非车牌区），就可以利用车牌的投影特性来确定车牌的左右边界，形成车牌在图像中的候选区域。

获取了车牌所在行二值化图像的投影向量之后，从左往右扫描投影向量，当col(j)＞ω时，j记为车牌的左边界，为了使得所有车牌字符的所在每列的垂直投影值都大于阈值ω，将ω设为车牌所在行高度的1/6，使得候选区域尽可能包含车牌的左右边界。继续向右扫描投影向量，当col(j)＜ω时，j-1记为车牌的右边界，当整个投影向量扫描完毕之后可以得到由多个左右边界形成的候选区域。候选区域region的个数假定为K。

在候选区域region中，相邻的两个区域的相距如果很小的话，这两个区域极有可能是车牌的某个字符区域由于边缘检测被分割成了两个部分或者车牌的两个字符之间本身就存在着间隔将两个字符割断了，所以需要将这些相邻且相距很近的区域进行合并来获取完整的车牌区域，当候选区域k满足式（17），即第k个候选区域的右边界与后面相邻的第k+1个候选区域的左边界之间的距离小于预设距离阈值δ，就用第k+1个区域的右边界替换第k个区域的右边界并删除第k+1个区域，这样便完成了该两个区域的合并。为了防止属于车牌区域的候选区域没被合并的情况出现，这里设置δ较大，为车牌所在行高度的2/3。

region(k+1).left-region(k).right＜δ    式（17）

当区域被合并完毕之后获得L个候选区域，这些区域中还存在宽高比不符合常规车牌宽高比（常规车牌宽高比为3.14）的非车牌区域，需要对这些区域进行排除，L个候选区域中不符合式（18）的区域都要被舍掉，最终根据车牌宽高比在图像中定位出车牌的位置。

2≤(region(l).right-region(l).left)/(region(l).down-region(l).up)≤6   式（18）

本申请的实施例能够以很高的概率定位出完整车牌，但此时还是会有些误检区域存在。在计算定位出来的区域的宽高比与标准车牌的宽高比的相似度，将相似度排在最前面的候选区域输入到字符分割模块，如果分割出完整的7个字符，则停止输入候选区域，即第一块就是车牌；否则继续输入相似度排在后面的候选区域，直到分割出完整的7个字符，从而排除伪车牌的干扰。

本申请实施例的复杂场景中对车牌进行定位的系统，用于在图像中定位出车牌的位置。如图7所示，该系统主要包括提取模块710、计算模块720、过滤模块730以及定位模块740。

提取模块710，利用扫描窗口提取图像的子图像集。

计算模块720，与提取模块710相连，通过积分图像计算子图像集中每个子图像的矩形特征值。

过滤模块730，与计算模块720相连，根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果。

定位模块740，与过滤模块730相连，根据过滤结果获得车牌在图像中的位置。

如图8所示，定位模块740主要包括：

第一定位单元741，根据过滤结果在图像中定位出车牌所在行；

确定单元742，与第一定位单元741相连，在车牌所在行中确定包含车牌的候选区域；

第二定位单元743，与确定单元742相连，根据车牌宽高比从候选区域中定位出车牌的位置。

如图9所示，确定单元742主要包括：

灰度处理子单元7421，对车牌所在行进行灰度化处理，得到灰度图；

检测处理子单元7422，与灰度处理子单元7421相连，对灰度图进行垂直边缘检测，获得垂直边缘检测结果；

二值化处理子单元7423，与检测处理子单元7422相连，对垂直边缘检测结果进行二值化处理，获得二值化结果；

垂直投影子单元7424，与二值化处理子单元7423相连，对二值化结果进行垂直投影，获得候选区域。

本申请实施例可以克服现有技术在复杂情况下车牌定位不精确的缺陷。该方法首先利用AdaBoost算法对场景图片中车牌所在的行进行定位，需要收集较少的车牌正样本和非车牌负样本并根据AdaBoost算法训练级联分类器，通过训练好的级联分类器定位出场景图片中的车牌并将不精确的车牌区域扩展为车牌所在的行；定位出来的车牌所在行的图片经过灰度化、边缘检测和二值化等预处理，利用垂直投影法对车牌所在行的图片中的完整车牌区域进行定位，获得精确的车牌区域。本发明利用AdaBoost算法和投影法定位出复杂场景图片中精确的车牌区域，在节省车牌分类器训练时间的同时提高了车牌定位的准确率，为后续车牌识别工作打下良好的基础。

本申请的实施例利用AdaBoost算法和垂直投影法定位车牌所在区域的方法，将基于规则和基于机器学习的方法结合起来，AdaBoost算法利用灰度值的矩形特征，受光照影响不大，并且级联分类器在前面就滤除了大量的伪车牌，但是它的定位准确率一般，要获得高定位准确率对于训练样本的质和量有相当严格的要求且训练周期长。投影法简单快速，可以在小范围内具有很高的定位准确率，但是泛化能力不强，将两种方法结合可以取长补短，先用Adaboost算法和较少的训练样本训练级联分类器并检测出车牌所在行，再对车牌所在行的图像进行灰度化、边缘检测和自适应二值化三步预处理后利用垂直投影法分割出完整车牌所在的区域，将两者结合起来可以克服Adaboost算法的缺陷，显著提高车牌定位的准确率，并且对于伪车牌和光照变化具有较高的鲁棒性，能够在复杂场景中获得良好的车牌定位效果。

虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (7)

1.一种复杂场景中对车牌进行定位的方法，用于在图像中定位出车牌的位置；其特征在于，该方法包括：

利用扫描窗口提取所述图像的子图像集；

通过积分图像计算所述子图像集中每个子图像的矩形特征值；

根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果；

根据所述过滤结果获得车牌在所述图像中的位置。

2.根据权利要求1所述的方法，其特征在于，根据所述训练样本获得所述级联分类器，包括：

根据矩形特征计算所述训练样本的特征值；

根据所述特征值训练弱分类器并形成弱分类器集；

根据所述弱分类器集构建强分类器；

利用根据不同矩形特征构建的强分类器获得所述级联分类器。

3.根据权利要求1所述的方法，其特征在于，根据所述过滤结果获得车牌在所述图像中的位置，包括：

根据所述过滤结果在所述图像中定位出车牌所在行；

在所述车牌所在行中确定包含车牌的候选区域；

根据车牌宽高比从所述候选区域中定位出车牌的位置。

4.根据权利要求3所述的方法，其特征在于，在所述车牌所在行中确定包含车牌的候选区域，包括：

对所述车牌所在行进行灰度化处理，得到灰度图；

对所述灰度图进行垂直边缘检测，获得垂直边缘检测结果；

对所述垂直边缘检测结果进行二值化处理，获得二值化结果；

对所述二值化结果进行垂直投影，获得所述候选区域。

5.一种复杂场景中对车牌进行定位的系统，用于在图像中定位出车牌的位置；其特征在于，该系统包括：

提取模块，利用扫描窗口提取所述图像的子图像集；

计算模块，通过积分图像计算所述子图像集中每个子图像的矩形特征值；

过滤模块，根据每个子图像的矩形特征值，利用根据训练样本获得的级联分类器对每个子图像进行过滤，获得过滤结果；

定位模块，根据过滤结果获得车牌在所述图像中的位置。

6.根据权利要求5所述的系统，其特征在于，所述定位模块包括：

第一定位单元，根据所述过滤结果在所述图像中定位出车牌所在行；

确定单元，在所述车牌所在行中确定包含车牌的候选区域；

第二定位单元，根据车牌宽高比从所述候选区域中定位出车牌的位置。

7.根据权利要求6所述的系统，其特征在于，所述确定单元包括：

灰度处理子单元，对所述车牌所在行进行灰度化处理，得到灰度图；

检测处理子单元，对所述灰度图进行垂直边缘检测，获得垂直边缘检测结果；

二值化处理子单元，对所述垂直边缘检测结果进行二值化处理，获得二值化结果；

垂直投影子单元，对所述二值化结果进行垂直投影，获得所述候选区域。

Images