CN104318225A - 车牌检测方法及装置 - Google Patents

Abstract

本发明公开了一种车牌检测方法及装置，获取车辆图像；通过车牌粗检分类器对所述车辆图像进行检测，得到粗检窗口区域；计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域；通过车牌精检分类器对所述车牌粗检区域进行检测，得到精检窗口区域，并对所述精检窗口区域进行融合，完成车牌检测；该方法能够快速、准确的完成车牌检测。

Description

车牌检测方法及装置

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及装置。

背景技术

近年来，车牌识别设备已经被广泛应用于停车场、城市道路等区域进行车辆号牌的自动抓拍和识别。

车牌识别一般分为车牌检测，字符分割与识别以及车牌投票这三步；其中，车牌检测，即从视频中检测到车牌，是非常重要的一步，也是最耗时的一步。许多应用场景又都有时间的需求；例如城市道路等对车辆进行自动抓拍和识别的设备，就需要在车辆在具有一定速度运动的情况下，还能够快速、准确的检测到车牌，就会对时间的要求很高，是一个难题。

因此，如何快速、准确的检测到车牌，是本领域技术人员需要解决的问题。

发明内容

本发明的目的是提供一种车牌检测方法，该方法能够快速、准确的完成车牌检测；本发明的另一目的是提供一种车牌检测装置。

为解决上述技术问题，本发明提供一种车牌检测方法，包括：

获取车辆图像；

通过车牌粗检分类器对所述车辆图像进行检测，得到粗检窗口区域；

计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域；

通过车牌精检分类器对所述车牌粗检区域进行检测，得到精检窗口区域，并对所述精检窗口区域进行融合，完成车牌检测。

其中，所述车牌粗检分类器的训练方法包括：

获取摄像机在设定时段和天气条件下所拍摄的多个车辆图像，以车牌图像作为正样本，以非车牌图像作为负样本；

使用二值化固定窗口梯度BING算法对每一幅车辆图像的正样本和负样本进行训练，获得车牌粗检分类器。

其中，所述车牌精检分类器的训练方法包括：

获取摄像机在设定时段和天气条件下所拍摄的多个车辆图像，以车牌图像作为正样本，以非车牌图像作为负样本；

使用方向梯度直方图HOG特征对每一幅车辆图像的正样本和负样本进行表征，形成方向梯度直方图HOG特征向量；

利用支持向量机SVM算法对得到的方向梯度直方图HOG特征进行训练，获得车牌精检分类器。

其中，所述正样本和负样本还可以分为：蓝色车牌和黑色车牌正样本，蓝色车牌和黑色车牌负样本，黄色车牌和白色车牌正样本和黄色车牌和白色车牌负样本。

其中，所述通过车牌粗检分类器对所述车辆图像进行检测，得到粗检窗口区域包括：

通过车牌粗检分类器对所述车辆图像进行检测，并得到粗检窗口区域的得分；

将所述粗检窗口区域的得分按分数从高到低进行排序，并选取前预定数量的粗检窗口区域。

其中，所述计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域包括：

将所述车辆图像转化为灰度图，并计算所述灰度图像的边缘密度积分图；

通过所述灰度图像的边缘密度积分图，计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域。

其中，所述通过所述灰度图像的边缘密度积分图，计算所述粗检窗口区域的平均边缘密度还包括将所述粗检窗口区域按照预定比例进行扩大。

其中，所述保留平均边缘密度大于预定密度的窗口区域还包括：将所述窗口区域分为预定个数的区域，并计算出预定个数的区域的平均边缘密度的偏差，当偏差在阈值内则该窗口区域为车牌粗检区域。

其中，所述通过车牌精检分类器对所述车牌粗检区域进行检测，得到精检窗口区域，并对所述精检窗口区域进行融合包括：

通过车牌精检分类器对所述车牌粗检区域进行检测，并得到精检窗口区域的置信度；

通过比较所述精检窗口区域的重合度；

当所述重合度达到预定值，则为同一个车牌类，选取置信度最高的精检窗口区域为车牌区域；当所述重合度达不到预定值，则为不同车牌类，在各个不同车牌类中选取各类中置信度最高的精检窗口区域为该类的车牌区域。

本发明提供一种的车牌检测装置，包括：获取模块，粗检模块，判断模块，精检模块，其中，

获取模块，用于获取车辆区域；

粗检模块，用于通过车牌粗检分类器对所述车辆图像进行检测，得到粗检窗口区域；

判断模块，用于计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域；

精检模块，用于通过车牌精检分类器对所述车牌粗检区域进行检测，得到精检窗口区域，并对所述精检窗口区域进行融合，完成车牌检测。

本发明所提供的车牌检测方法，获取车辆图像；通过车牌粗检分类器对所述车辆图像进行检测，得到粗检窗口区域；计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域；通过车牌精检分类器对所述车牌粗检区域进行检测，得到精检窗口区域，并对所述精检窗口区域进行融合，完成车牌检测；通过车牌粗检分类器对车辆图像进行初次检测，快速获得粗检窗口区域；对得到的粗检窗口区域利用平均边缘密度进行筛选，删除其中的非车牌区域，减少了精检的工作量即加快了精检的速度；最后的通过车牌精检分类器对车牌粗检区域进行检测，提高了车牌检测的准确度。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些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粗检分类器的训练方法的流程图；

图3为本发明实施例提供的车牌精检分类器的训练方法的流程图；

图4为本发明实施例提供的得到粗检窗口区域的方法的流程图；

图5为本发明实施例提供的得到车牌粗检区域的方法的流程图；

图6为本发明实施例提供的对车牌粗检区域进行检测得到精检窗口区域，并对所述精检窗口区域进行融合的方法的流程图；

图7为本发明实施例提供的车牌检测装置的结构框图；

图8为本发明实施例提供的粗检模块的结构框图；

图9为本发明实施例提供的判断模块的结构框图；

图10为本发明实施例提供的精检模块的结构框图。

具体实施方式

本发明的目的是提供一种车牌检测方法，该方法能够快速、准确的完成车牌检测；本发明的另一目的是提供一种车牌检测装置。

为使本发明实施例的目的、技术方案和优点更加清楚，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。

基于视频流的车牌检测方法有很多，包括基于线模板的二值化图像中的角检测算法，利用遗传算法检测车牌，还有基于哈尔小波Haar特征的级联的演算Adaboost检测等；虽然全图进行Haar检测能准确检测到车牌，但是运算量大，如果应用在嵌入式设备中，速度达不到要求。另外Haar检测对角度要求高，如果车牌角度超过了30度检测效果不好。

在一帧图像中搜索到车牌的位置，可以认为是进行对象检测的过程。传统的对象检测方法是用训练样本中标记好的含有物体的窗口作为正样本，然后使用不包含物体的窗口作为负样本进行分类器训练。每类物体都要训练一个特定的分类器。

测试的时候，使用多尺寸，多尺度窗口遍历测试样本进行分类，从而检测出物体的位置以及类别。后续的改进包括使用级联的思想，例如AdaBoost算法，只有通过了全部的层数才认为是检测对象，一般的负样本会在检测的前几层就被拒绝，不需要进行下面的检测。还有利用物体的显著特征，例如边缘密度等进行前期的过滤。

近些年，一种新的计算窗口的类物性(objectness measure)的方法被提出，即通过提取出含有物体的窗口，然后判断窗口是否含有物体。通过这个方法可以迅速找到疑似包含物体的窗口，然后再对这些窗口进行进一步的检测

本发明可以是使用视频流模式，对采集到得每帧图像进行车牌检测，视频流模式的好处是当前帧如果检测失败可以在下一帧对车牌继续进行检测，因此对单帧检测的检测率的要求可以降低。并利用二值化固定窗口区域BING算法的快速搜索特性以及利用基于方向梯度直方图HOG特征训练的支持向量机车牌精检分类器的精确检测的准确性，提出了一种车牌检测方法。该方法能快速检测到车牌和检测率高，并且适合硬件实施。

其中，方向梯度直方图HOG(Histogram of oriented gradients)刻画图像的局部梯度幅值和方向特征。HOG允许块之间相互重叠，因此对光照变化和小量的偏移并不敏感，能有效地刻画出边缘特征。对于角度大的车标检测效果好。通过HOG特征向量建立HOG模型，通过HOG模型进行多尺度检测，对图像中每个能通过HOG验证的区域，都用一个方框区域显示，提取通过HOG模型检测的区域例如方框区域。

其中，二值化固定窗口区域BING算法为Mingming Cheng等在IEEE CVPR2014提出了一种新的计算的方法，即BING(BinarizedNormed Gradients，二值化的固定窗口的梯度)，该方法可以用于快速计算搜索窗口的类物性，然后通过得分判断搜索窗口是否包含需要检测的物体。

请参考图1，图1为本发明实施例提供的车牌检测方法的流程图；该车牌检测方法可以包括：

步骤s100、获取车辆图像；

这里获取车辆图像，可以是由普通摄像头采集的，也可以是高清、超高清等其他摄像头采集；也可以是其他能够进行图像采集的设备进行采集所获得的图像。

步骤s110、通过车牌粗检分类器对所述车辆图像进行检测，得到粗检窗口区域；

其中，将车辆图像利用车牌粗检分类器进行检测，能够通过检测的即为包含车牌的粗检窗口区域；

其中，车牌粗检分类器是通过BING算法训练成的，因此通过该车牌粗检分类器对所述车辆图像进行检测可以快速计算搜索窗口的类物性，然后通过判断搜索窗口是否包含需要检测的物体，即通过检测，没有则被排除。

步骤s120、计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域；

其中，由于通过车牌粗检分类器对所述车辆图像进行检测，速度快，但可能存在一定的误检和漏检，因此将得到的粗检窗口区域计算他们的平均边缘密度数值，由于车牌的一个特征就是车牌区域的边缘密度大，因此利用一个预定密度就能排除不是车牌的区域，其中，预定密度可以是经过大量的试验得到；保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域；删除平均边缘密度大于预定密度的窗口区域。

这样就大大提高了窗口区域为车牌区域的概率，减少了利用车牌精检分类器对所述车牌粗检区域进行检测的数量，加快了检测速度。

步骤s130、通过车牌精检分类器对所述车牌粗检区域进行检测，得到精检窗口区域，并对所述精检窗口区域进行融合，完成车牌检测。

其中，经过上面几步的筛选，大大减少了需要进行车牌精确检测的区域，通过车牌精检分类器对所述车牌粗检区域进行检测，可以得到零个到多个精检窗口区域也可以理解为确定包含车牌的区域，对这些区域进行融合，例如可以利用重合度进行融合，完成车牌检测，最终得到准确的车牌区域。

其中，车牌精检分类器是利用基于HOG特征的经过支持向量机训练得到的车牌分类器，其中，支持向量机(Support Vector Machine，简称SVM)是一种快速的模式识别方法。SVM训练的样本集可以表示为：(x₁,y₁)，(x₂,y₂)，…，(x_n,y_n)。

其中：x_i∈R^d，R^d是训练样本集。y_i∈{-1,1}，y_i＝1表示x_i∈ω₁，y_i＝-1表示x_i∈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)＝ω^Tx+b，其中ω是分类面的梯度，而b是偏置。ω^Tx+b＝1和ω^Tx+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α_i是训练得到的支持向量系数。

基于上述技术方案，本发明实施例提供的车牌检测方法，获取车辆图像；通过车牌粗检分类器对所述车辆图像进行检测，得到粗检窗口区域；计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域；通过车牌精检分类器对所述车牌粗检区域进行检测，得到精检窗口区域，并对所述精检窗口区域进行融合，完成车牌检测；通过车牌粗检分类器对车辆图像进行初次检测，可以快速的获得粗检窗口区域；对得到的粗检窗口区域利用平均边缘密度进行筛选，删除其中的非车牌区域，减少了精检的工作量即加快了精检的速度；最后的通过车牌精检分类器对车牌粗检区域进行检测，提高了车牌检测的准确度。

可选的，请参考图2，图2为本发明实施例提供的车牌粗检分类器的训练方法的流程图；该车牌粗检分类器的训练方法可以包括：

步骤s200、获取摄像机在设定时段和天气条件下所拍摄的多个车辆图像，以车牌图像作为正样本，以非车牌图像作为负样本；

步骤s210、使用二值化固定窗口梯度BING算法对每一幅车辆图像的正样本和负样本进行训练，获得车牌粗检分类器。

其中，可选的，这里使用二值化固定窗口梯度BING算法对每一幅车辆图像的正样本和负样本进行表征，获得车牌粗检分类器，也可以使用其他算法进行，这里只是一个优选的方式。

其中，BING的实现流程可以如下：

1、计算训练样本中含有物体的窗口的NG特征，将其作为正样本，计算训练样本中的随机背景窗口的NG特征，将其作为负样本，用正负样本训练线性SVM，得到滤波器向量w。NG特征即(NormedGradient)，固定窗口的梯度。所有含有封闭边界轮廓的物体的窗口在归一化成固定的小规格后，例如可以是8 x 8大小的窗口，所形成的64维的向量的梯度具有很强的相关性，可以明显看到物体与背景的梯度模式的差别。

2、对训练图像做几种规格归一化，可以表示为l＝(i,x,y)。这里的l表示含有物体的窗口，i表示窗口的大小，x和y表示窗口的位置。

3、计算每个窗口的得分，可以表示为s_l＝<w,g_l>，s_l是分类器输出的分数，w是滤波器向量，g_l是64维的NG特征。s_l可以理解为w和g_l的点乘。

4、对于每种尺寸取出来的窗口在计算得到的分数后，根据非极大值抑制，non-maximal suppression(NMS)，分别从每种规格下选择少量的窗口。在每种规格下进行一次线性SVM训练，训练得到参数，支持向量v_i和偏置t_i，其中i表示规格。最后窗口的类物性的分数可以表示为：o_l＝v_i·s_l+t_i。

可选的，请参考图3，图3为本发明实施例提供的车牌精检分类器的训练方法的流程图；该车牌粗检分类器的训练方法可以包括：

步骤s300、获取摄像机在设定时段和天气条件下所拍摄的多个车辆图像，以车牌图像作为正样本，以非车牌图像作为负样本；

步骤s310、使用方向梯度直方图HOG特征对每一幅车辆图像的正样本和负样本进行表征，形成方向梯度直方图HOG特征向量；

其中，可选的，这里使用方向梯度直方图HOG特征对每一幅车辆图像的正样本和负样本进行表征，形成方向梯度直方图HOG特征向量，也可以使用其他算法进行，这里只是一个优选的方式。

其中，HOG特征是灰度图的梯度统计信息，而梯度主要存在于边缘的地方。可以根据如下公式计算梯度，获得HOG特征，其中I(x,y)表示在图像I上的一个点。

图像的一阶梯度的大小为：

$R(x,y)=\sqrt{{(I(x+1,y)-I(x-1,y))}^2+{(I(x,y-1)-I(x,y+1))}^2},$

梯度方向为：

Ang(x,y)＝arccos(I(x+1,y)-I(x-1,y)/R)。

直方图方向为9个，将每个分块中所有像素的一维梯度直方图累加到其中，就形成了最终的HOG特征。

步骤s320、利用支持向量机SVM算法对得到的方向梯度直方图HOG特征进行训练，获得车牌精检分类器。

可选的，所述正样本和负样本还可以分为：蓝色车牌和黑色车牌正样本，蓝色车牌和黑色车牌负样本，黄色车牌和白色车牌正样本和黄色车牌和白色车牌负样本。

其中，经过大量的试验进行测试与统计，把车牌按照黄色、白色车牌字符作为一类，按照蓝色、黑色车牌字符作为一类，再使用BING算法进行训练，得到的车牌模型在检测的时候检测率比起混合在一起训练要高，对于使用HOG+SVM训练的模型也会有相同的结果。

因此在进行车牌粗检分类器，车牌精检分类器进行训练的过程中优选的将所得到的正样本和负样本按照车牌的颜色进行一个分类在进行训练。因此可以得到蓝色车牌和黑色车牌正样本，蓝色车牌和黑色车牌负样本，黄色车牌和白色车牌正样本和黄色车牌和白色车牌负样本。

其中，由于BING支持多分类，因此使用BING的模型进行车牌粗检分类器的训练过程中可以对这几类型车牌进行同时的训练，得到车牌粗检分类器。

其中，使用HOG特征对每一幅蓝色车牌和黑色车牌的正、负样本进行表征，形成HOG特征向量，再利用SVM对得到的HOG特征进行训练，获得蓝黑车牌精检分类器；

使用HOG特征对每一幅黄色车牌和白色车牌的正、负样本进行表征，形成HOG特征向量，再利用SVM对得到的HOG特征进行训练，获得黄白车牌精检分类器。

可选的，请参考图4，图4为本发明实施例提供的得到粗检窗口区域的方法的流程图；该方法可以包括：

步骤s400、通过车牌粗检分类器对所述车辆图像进行检测，并得到粗检窗口区域的得分；

其中，在利用车牌粗检分类器进行监测的过程中，会对检测过程进行一个打分，在检测结束后能够得到粗检窗口区域的得分；

可以计算每个窗口的得分，可以表示为s_l＝<w,g_l>，s_l是分类器输出的分数，w是滤波器向量，g_l是64维的NG特征。s_l可以理解为w和g_l的点乘。

对于每种尺寸取出来的窗口在计算得到的分数后，根据非极大值抑制，non-maximal suppression(NMS)，分别从每种规格下选择少量的窗口。在每种规格下进行一次线性SVM训练，训练得到参数，支持向量v_i和偏置t_i，其中i表示规格。最后窗口的类物性的分数可以表示为：o_l＝v_i·s_l+t_i。

步骤s410、将所述粗检窗口区域的得分按分数从高到低进行排序，并选取前预定数量的粗检窗口区域。

其中，将粗检窗口区域的得分按分数从高到低进行排序，并选取前预定数量的粗检窗口区域，是由于得分比较高的窗口表示包含需要检测的物体的可能性高。通过对得分排序，然后检测排名靠前的窗口即可获得需要检测的对象。

使用BING算法训练得到的车牌粗检分类器对输入的一帧图像进行检测。输入的图像是彩色图像，包含红、绿和蓝三个通道。每个检测窗口会有一个得分。该得分表示当前检测窗口包含车牌的可能性，得分越高，表示包含车牌可能性越高。

其中，这里为了提升检测的速度，还可以将NG特征二值化，因为二值化后的数据在计算时可以得到更快的速度。

优选的，对所有检测窗口的得分进行排序，提取排名前n的窗口。由于车牌的特征比较明显，并且形变较小，经过大量的测试试验，如果使用BING算法训练得到的车牌粗检分类器进行粗检，可以选取保留排名前400的窗口，车牌的检测率已经能满足需求，因此本实施例中n为400。

这里通过上述方法，不必要将全部通过车牌粗检分类器的粗检窗口区域都进行之后的处理，现在能够在保证检测质量的基础上减少了后续的工作，加快了检测速度。

可选的，将参考图5，图5为本发明实施例提供的得到车牌粗检区域的方法的流程图；该方法可以包括：

步骤s500、将所述车辆图像转化为灰度图，并计算所述灰度图像的边缘密度积分图；

其中，可以是将输入的RGB车辆图像转换为灰度图，使用一维离散微分模版[-1 0 1]在水平方向上对样本图像进行处理，得到水平梯度图像；使用一维离散微分模版[-1 0 1]^T在垂直方向上对样本图像进行处理，得到垂直梯度图像。

计算所述灰度图像的边缘密度积分图，使用积分图可以加快边缘密度的计算。为了避免一个区域的所有像素点的边缘值相加的重复计算，在算法中使用了积分图。积分图上的每个像素点(x,y)包含了从点(0,0)到点(x,y)所有的像素的边缘值，那么积分图

其中，用I(x,y)表示边缘计算后的灰度图，II(x,y)表示计算出来的积分图，

例如，任意的一个矩形可以使用以下的方式计算积分图，即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利用下面的公式进行计算：

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

其中，根据上面公式的描述可知，II(x_rb,y_rb)为(0,0)到(x_rb,y_rb)得所有像素的边缘值的和，II(x_lt,y_rb)为(0,0)到(x_lt,y_rb)得所有像素的边缘值的和，II(x_rb,y_lt)为(0,0)到(x_rb,y_lt)得所有像素的边缘值的和，II(x_lt,y_lt)为(0,0)到(x_lt,y_lt)得所有像素的边缘值的和。

步骤s510、通过所述灰度图像的边缘密度积分图，计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域。

其中，通过所述灰度图像的边缘密度积分图，在该图上找到粗检窗口区域的位置，通过上述算法可以立即计算出粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度(经过大量试验确定的)的窗口区域为车牌粗检区域。

通过上述技术方案，可以使用积分图可以加快边缘密度的计算。为了避免一个区域的所有像素点的边缘值相加的重复计算，进一步加快了车牌检测的速度。

可选的，所述通过所述灰度图像的边缘密度积分图，计算所述粗检窗口区域的平均边缘密度还包括将所述粗检窗口区域按照预定比例进行扩大。

其中，由于粗检得到的粗检窗口区域包含的车牌可能出现不完整的情况，因此把得到的粗检窗口区域按照预定比例进行扩大，使得尽可能在不损坏很多计算时间的情况下，使得车牌区域尽可能的能够包含在粗检窗口区域内。例如由于根据得分选取了n个粗检窗口区域因此只需要将得到的得分排名前n的窗口上和下扩大高度的20％，左和右扩大宽度的20％(经过大量试验得到的优选值)。

可选的，所述保留平均边缘密度大于预定密度的窗口区域还包括：将所述窗口区域分为预定个数的区域，并计算出预定个数的区域的平均边缘密度的偏差，当偏差在阈值内则该窗口区域为车牌粗检区域。

其中，由于利车牌区域的边缘密度大的特性对窗口区域进行了筛选，仅保留平均边缘密度大于预定密度的窗口区域，但是在背景和车身还存在一些矩形物体也具有与车牌类似的特征，因此可能得到的窗口区域仍然会存在例如有些车灯连同旁边的区域会被误检为车牌区域的情况。

虽然在背景和车身还存在一些矩形物体也具有与车牌类似的特征，但是他们的边缘分布不均匀，而车牌区域的边缘分布均匀。例如虽然有些车灯连同旁边的区域会被误检为车牌且边缘密度高，但它的边缘密度分布不均匀，因此可以利用边缘密度是否均匀，将不是的窗口区域删除，例如可以将检测到的窗口区域平均分成n块，分别计算这n块的平均边缘密度。然后计算这n块的平均密度的偏差，如果偏差在阈值内，表示这个区域的边缘分布式均衡的，是类似车牌的区域即车牌粗检区域，其中，优选的n为5。

通过上述方法，通过平均边缘密度以及边缘密度是否均匀即边缘密度的偏差，因此在很大程度上将不是车牌区域的窗口进行删除，减少了后续工作量，加快检测速度。

可选的，请参考图6，图6为本发明实施例提供的对车牌粗检区域进行检测得到精检窗口区域，并对所述精检窗口区域进行融合的方法的流程图；该方法可以包括：

步骤s600、通过车牌精检分类器对所述车牌粗检区域进行检测，并得到精检窗口区域的置信度；

其中，使用基于HOG特征的经过支持向量机训练得到的车牌精检分类器对经过筛选得到的车牌粗检区域窗口进行车牌精确检测，得到0个到多个精检窗口区域。

步骤s610、通过比较所述精检窗口区域的重合度；

其中，由于车牌区域有可能会被多个精检窗口区域所包含，因此会出现同一个车牌被检测了多次，并且也都通过了车牌精检分类器的检测，因此有必要判断所有的检测结果是否有重合，这里可以利用重合度来进行检测。

步骤s620、当所述重合度达到预定值，则为同一个车牌类，选取置信度最高的精检窗口区域为车牌区域；当所述重合度达不到预定值，则为不同车牌类，在各个不同车牌类中选取各类中置信度最高的精检窗口区域为该类的车牌区域。

其中，当所述重合度达到预定值，则为同一个车牌类，也即认为是得到同一个车牌，由于HOG+SVM训练得到的车牌分类器每次检测都会有一个置信度；从该类所有目标中选取置信度最高的一个作为车牌检测的结果；因为置信度越高在认为包含准确车牌区域的可能性越高，因此需要选择置信度高的区域为车牌区域。

当所述重合度达不到预定值，则为不同车牌类，也即图像中包含多个车牌，就会存在多个类，对每个类均采用该类置信度最高的目标作为该车牌检测的结果即作为车牌区域。

基于上述技术方法，本发明实施例提供的车牌检测方法，通过车牌粗检分类器对车辆图像进行初次检测，可以快速的获得粗检窗口区域；选取得分高的粗检窗口区域，对得分高的粗检窗口区域利用平均边缘密度进行筛选，删除其中的非车牌区域，又通过边缘密度是否均匀进行进一步的筛选，减少了精检的工作量即加快了精检的速度；最后的通过车牌精检分类器对车牌粗检区域进行检测，又通过融合找到准确的车牌区域，提高了车牌检测的准确度。

本发明实施例提供了车牌检测方法，可以通过上述方法能够快速、准确的完成车牌检测。

下面对本发明实施例提供的车牌检测装置进行介绍，下文描述的车牌检测装置与上文描述的车牌检测方法可相互对应参照。

请参考图7，图7为本发明实施例提供的车牌检测装置的结构框图；该装置可以包括：获取模块100，粗检模块200，判断模块300，精检模块400，其中，

获取模块100，用于获取车辆区域；

粗检模块200，用于通过车牌粗检分类器对所述车辆图像进行检测，得到粗检窗口区域；

判断模块300，用于计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域；

精检模块400，用于通过车牌精检分类器对所述车牌粗检区域进行检测，得到精检窗口区域，并对所述精检窗口区域进行融合，完成车牌检测。

请参考图8，图8为本发明实施例提供的粗检模块200的结构框图；粗检模块200可以包括：粗检单元210，选取单元220，其中，

粗检单元210，通过车牌粗检分类器对所述车辆图像进行检测，并得到粗检窗口区域的得分；

选取单元220，将所述粗检窗口区域的得分按分数从高到低进行排序，并选取前预定数量的粗检窗口区域。

请参考图9，图9为本发明实施例提供的判断模块300的结构框图；判断模块300可以包括：第一计算单元310，第一判断单元320，其中，

第一计算单元310，用于计算所述粗检窗口区域的平均边缘密度；

第一判断单元320，保留平均边缘密度大于预定密度的窗口区域。

可选的，判断模块300还可以包括：第二计算单元，用于将所述车辆图像转化为灰度图，并计算所述灰度图像的边缘密度积分图。

可选的，判断模块300还可以包括：扩大单元，用于粗检窗口区域按照预定比例进行扩大。

可选的，判断模块300还可以包括：第三计算单元，第二判断单元，其中，

第三计算单元，用于将所述窗口区域分为预定个数的区域，并计算出预定个数的区域的平均边缘密度的偏差；

第二判断单元，用于判断当偏差在阈值内则该窗口区域为车牌粗检区域。

请参考图10，图10为本发明实施例提供的精检模块400的结构框图；精检模块400可以包括：精检单元410，第四计算单元420，融合单元430，其中，

精检单元410，用于通过车牌精检分类器对所述车牌粗检区域进行检测，并得到精检窗口区域的置信度；

第四计算单元420，用于计算所述精检窗口区域的重合度；

融合单元430，用于当所述重合度达到预定值，则为同一个车牌类，选取置信度最高的精检窗口区域为车牌区域；当所述重合度达不到预定值，则为不同车牌类，在各个不同车牌类中选取各类中置信度最高的精检窗口区域为该类的车牌区域。

本发明实施例提供了车牌检测装置，可以通过上述装置能够快速、准确的完成车牌检测。

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。

以上对本发明所提供的车牌检测方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种车牌检测方法，其特征在于，包括：

获取车辆图像；

通过车牌粗检分类器对所述车辆图像进行检测，得到粗检窗口区域；

计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域；

通过车牌精检分类器对所述车牌粗检区域进行检测，得到精检窗口区域，并对所述精检窗口区域进行融合，完成车牌检测。

2.如权利要求1所述的车牌检测方法，其特征在于，所述车牌粗检分类器的训练方法包括：

获取摄像机在设定时段和天气条件下所拍摄的多个车辆图像，以车牌图像作为正样本，以非车牌图像作为负样本；

使用二值化固定窗口梯度BING算法对每一幅车辆图像的正样本和负样本进行训练，获得车牌粗检分类器。

3.如权利要求1所述的车牌检测方法，其特征在于，所述车牌精检分类器的训练方法包括：

获取摄像机在设定时段和天气条件下所拍摄的多个车辆图像，以车牌图像作为正样本，以非车牌图像作为负样本；

使用方向梯度直方图HOG特征对每一幅车辆图像的正样本和负样本进行表征，形成方向梯度直方图HOG特征向量；

利用支持向量机SVM算法对得到的方向梯度直方图HOG特征进行训练，获得车牌精检分类器。

4.如权利要求2或3所述的车牌检测方法，其特征在于，所述正样本和负样本还可以分为：蓝色车牌和黑色车牌正样本，蓝色车牌和黑色车牌负样本，黄色车牌和白色车牌正样本和黄色车牌和白色车牌负样本。

5.如权利要求1所述的车牌检测方法，其特征在于，所述通过车牌粗检分类器对所述车辆图像进行检测，得到粗检窗口区域包括：

通过车牌粗检分类器对所述车辆图像进行检测，并得到粗检窗口区域的得分；

将所述粗检窗口区域的得分按分数从高到低进行排序，并选取前预定数量的粗检窗口区域。

6.如权利要求1所述的车牌检测方法，其特征在于，所述计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域包括：

将所述车辆图像转化为灰度图，并计算所述灰度图像的边缘密度积分图；

通过所述灰度图像的边缘密度积分图，计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域。

7.如权利要求6所述的车牌检测方法，其特征在于，所述通过所述灰度图像的边缘密度积分图，计算所述粗检窗口区域的平均边缘密度还包括将所述粗检窗口区域按照预定比例进行扩大。

8.如权利要求1或6所述的车牌检测方法，其特征在于，所述保留平均边缘密度大于预定密度的窗口区域还包括：将所述窗口区域分为预定个数的区域，并计算出预定个数的区域的平均边缘密度的偏差，当偏差在阈值内则该窗口区域为车牌粗检区域。

9.如权利要求1所述的车牌检测方法，其特征在于，所述通过车牌精检分类器对所述车牌粗检区域进行检测，得到精检窗口区域，并对所述精检窗口区域进行融合包括：

通过车牌精检分类器对所述车牌粗检区域进行检测，并得到精检窗口区域的置信度；

通过比较所述精检窗口区域的重合度；

当所述重合度达到预定值，则为同一个车牌类，选取置信度最高的精检窗口区域为车牌区域；当所述重合度达不到预定值，则为不同车牌类，在各个不同车牌类中选取各类中置信度最高的精检窗口区域为该类的车牌区域。

10.一种车牌检测装置，其特征在于，包括：获取模块，粗检模块，判断模块，精检模块，其中，

获取模块，用于获取车辆区域；

粗检模块，用于通过车牌粗检分类器对所述车辆图像进行检测，得到粗检窗口区域；

判断模块，用于计算所述粗检窗口区域的平均边缘密度，保留平均边缘密度大于预定密度的窗口区域，则该窗口区域为车牌粗检区域；

精检模块，用于通过车牌精检分类器对所述车牌粗检区域进行检测，得到精检窗口区域，并对所述精检窗口区域进行融合，完成车牌检测。