CN105205489B - 基于颜色纹理分析器与机器学习的车牌检测方法 - Google Patents

Abstract

本发明公开了一种基于颜色纹理分析器与机器学习的车牌检测方法，包括以下步骤：步骤1、对预处理后的图片进行纹理特征提取；步骤2、对纹理特征提取的候选车牌图进行透射变换矫正车牌倾斜角；步骤3、对车牌底色进行判断，针对蓝黄牌进行两次颜色特征提取锁定目标位置；步骤4、针对白色的车牌进行第二次纹理特征提取；步骤5、对特征提取后的候选车牌进行机器学习判断。具有准确性高和应用前景好等优点。

Description

基于颜色纹理分析器与机器学习的车牌检测方法

技术领域

本发明涉及一种车牌检测技术，属于计算机图像处理领域，特别涉及一种基于颜色纹理分析器与机器学习的车牌检测方法，本发明是一种基于颜色特征、纹理特征以及支持向量机的车牌检测方法。

背景技术

随着社会的高速发展，人们对私家车的需求越来越大，由此带来巨大的交通压力影响着人们正常的出行。车牌识别是智能交通的重要组成部分，但是现在的车牌识别方法由于自身的局限性只适用于简单场景，如小区管理入口，停车场收费入口等。作为车辆的唯一标记识别物，车牌的识别对于车辆的监控有着重大的意义。未来，现实生活中会有更多的地方使用到车牌识别系统。通常来说，现实场景往往比较复杂，监视区域会出现一些路人，树木等干扰物，而且期间的光照与拍摄视角也会多样化。现有的车牌识别方法无法对上述场景进行高效的处理，视角的倾斜角度带来的图像形变不能简单地通过图像旋转方法处理，光照突变给车牌颜色信息带来了很大的干扰，传统的颜色空间不能合理地分离颜色通道。这些问题大大降低了检测车牌的准确率，是本领域技术人员亟待解决的一个技术问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于颜色纹理分析器与机器学习的车牌检测方法，该车牌检测方法解决了光照不均带来的颜色变化的干扰问题，矫正了倾斜角度过大或者形变的车牌图片，提高了白颜色车牌在白颜色车辆下定位的准确率。

本发明的目的通过以下技术方案实现：一种基于颜色纹理分析器与机器学习的车牌检测方法，包括以下步骤：

步骤1、图片预处理与基于边缘信息纹理特征提取，对预处理后的图片进行纹理特征提取；

步骤2、车牌图片的透射变换，对纹理特征提取的候选车牌图进行透射变换矫正车牌倾斜角；

步骤3、基于颜色信息特征提取，对车牌底色进行判断，针对蓝黄牌进行两次颜色特征提取锁定目标位置；

步骤4、二次纹理特征信息提取，针对白色的车牌进行第二次纹理特征提取；

步骤5、建立车牌图库，分类训练，对特征提取后的候选车牌进行机器学习判断。

在步骤1中，采用了sobel算子进行边缘纹理提取以及使用新的片断连接方法对目标区域进行连接；

由于车牌边缘纹理较为简结，在竖直方向以及水平方向上进行边缘提取足以突出车牌字符所在的位置。以下是sobel算子在水平x方向以及竖直y方向上的两个运算模板：

式中，Gx表示纵向边缘检测模板，Gy表示横向边缘检测模板；

所述Gx和Gy都是3x3的矩阵，在待检测的图片中使用相同大小的3x3移动窗口遍历整幅图片，在这个过程中分别将模板和移动窗口区域的像素点进行卷积，选取计算值的绝对值较大的点并保留下来。

此外，考虑到车牌边框附近的细线杂块影响，本发明提出了一种新的连接像素点的方法，降低真正车牌的区域与干扰区域连接的可能性；所述新的连接像素点的方法包括如下步骤：

A、用模板窗口遍历图像，当该区域内特征像素点达到阈值，执行步骤B，否则，继续遍历。并且在平移模板窗口过程中，每次均与上一个矩形窗口三分之一的重叠区域，因此可以很好地连接片段区域；

B、将该有效区域划分为四个部分，在每部分查找外围点，将得到的边界点连接起来，形成一个封闭的轮廓(由此可以确保不扩大外轮廓区域)，然后将轮廓内的位置全部设置为有效区域。

在步骤2中，采用透射变换的方法对倾斜的候选车牌图片进行矫正，具体包括以下步骤：

步骤21、对候选图像进行canny算子的边缘提取，得到大概的车牌边缘信息；

步骤22、在canny算子边缘图中使用Hough变换找到图片中接近水平以及竖直的直线，并记录每一条直线的斜率以及截距值；

步骤23、对hough变换找到的直线进行综合决策，选出最贴近车牌边框的四条直线，计算其两两相交的坐标；

步骤24、根据步骤23计算出来的4个坐标值，结合下面的公式，计算出坐标系之间转换的透视变换矩阵M：

[x′，y′，w′]＝[u，v，w]·M，

式中，M为透视变换矩阵，[u，v，w]为透视变换前的坐标，[x′，y′，w′]为透视变换后的坐标；

步骤25、通过透视变换矩阵M，将原图的像素点坐标转换到新的坐标系中，从而进行透射变换，矫正倾斜变形的车牌。

在步骤3中，采用YCrCb颜色空间以及LAB颜色空间对黄蓝底色的车牌进行颜色特征提取，所述颜色特征提取包括以下步骤：

步骤31、将候选车牌图转换到YCrCb颜色空间，根据其Y通道的数值大小判断车牌是否是蓝黄底色的车牌；

步骤32、针对黄蓝色车牌，根据YCrCb空间中的Cb通道数值大小，使用固定阈值法将符合阈值的蓝黄色像素点标记为前景，将非法的像素点标记为背景；

步骤33、使用新的片段连接方法对步骤32中的前景像素点进行连接，得到颜色特征提取的车牌位置图；

步骤34、对步骤33颜色特征提取后的车牌进行长宽比例判断。针对不符正常车牌长宽比例的候选图，本方法会将其转化到LAB颜色空间进行二次特征提取，根据图片在B通道的数值大小进行大津法的自动阈值化；

步骤35、对步骤34中得到的二值化图片使用新的片段连接方法，得到第二次颜色特征提取的车牌位置图。

在步骤4中，采用拉普拉斯算子对白色的车牌进行二次边缘纹理特征提取，所述纹理特征提取包括以下步骤：

步骤41、将候选车牌图转换到YCrCb颜色空间，根据其Y通道的数值大小判断车牌是否是白色的车牌；

步骤42、针对白色车牌，使用拉普拉斯二阶算子对候选车牌区域进行再次边缘提取，以下是在3x3的模板下，拉普拉斯算子在水平x方向以及竖直y方向的运算模板：

式中，为水平方向上的二阶导数模板，为竖直方向上的二阶导数模板，f[x+1，y]、f[x，y]、f[x－1，y]、f[x，y+1]、和f[x，y－1]分别为在图片(x+1，y)、(x，y)、(x-1，y)、(x，y+1)和(x,y-1)处像素值的大小。

步骤43、对步骤42处理后的边缘提取图，使用新的片段连接方法对车牌字符边缘进行连接，得到二次纹理特征提取后的车牌位置图。

在步骤5中，采用基于HOG特征的SVM分类器对候选车牌进行最终的判断；HOG是一种在计算机视觉以及图像处理中进行物体检测的特征描述子。在图像中，物体的局部外观以及形状可以通过其局部梯度或边缘信息描述，根据这一特点，HOG主要通过计算和统计图像局部区域的提督方向直方图来构成物体的特征。

本发明的原理：本发明综合了颜色特征，纹理特征以及机器学习的方法提高车牌检测的准确性以及鲁棒性，首先，要对处理的图片进行sobel算子提取边缘特征以及使用透射变换矫正候选区域，接着，根据车牌颜色的分类分别进行不同的算法流程。针对黄蓝色车牌，本方法使用了YCrCb颜色空间以及LAB颜色空间对图像进行颜色特征提取，去除不和谐色块的干扰。针对白色车牌，本方法使用了二阶拉普拉斯算子进行二次纹理特征提取，目的是为了进一步锁定车牌的精确区域。最合结合SVM分类器对候选车牌区域进行机器学习判断，决定最终的车牌所在的位置。本发明可以较好地应对光照不均情况下拍摄的图片，在一定程度上较好处理运动模糊的车牌图片，此外，本发明的车牌检测(含白色警车上白色车牌的检测)准确性高，有较好的应用前景。

本发明相对于现有技术具有如下的优点及效果：

1、提出了基于颜色纹理分析器与机器学习的车牌检测方法，提高了复杂场景下车牌检测的准确率，并对光照变化以及车牌形变具有鲁棒性。

3、提出利用直线检测与色彩决策相结合的车牌边界定位方法，准确的找出车牌边界指导车牌的矫正。

4、提出了片断连接方法，尽可能缩小车牌纹理连接范围，减少传统的膨胀带来的干扰。

5、针对白色车牌的定位，提出了二次纹理特征检测的方法，大大提高了白色车牌在白色车辆下定位的准确率。

附图说明

图1是本发明方法的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，一种基于颜色纹理分析器与机器学习的车牌检测方法，是一种结合了颜色以及纹理特征对车牌进行初步定位，经过有监督的分类器验证车牌的车牌定位算法。该方法首先对预处理后的图片进行基于sobel算子的边缘检测，然后通过提出的片段连接方法将目标边缘部分连接起来。经过纹理检测的步骤后得到的车牌区域，采用了Hough变换的方法寻找车牌附近的直线，根据距离以及比例的决策方法选择最接近车牌的四条边界，从而找到车牌的四个顶点进行透射变换，对车牌图像进行校正。接下来，本发明通过YCrCb颜色空间固定阈值对车牌底色蓝色黄色以及白色进行判断。对于黄蓝牌的汽车，本发明在纹理检测的基础上对其进行基于YCrCb颜色空间的色彩特征提取，进一步缩小的车牌的精确定位区域。此外，对于一些长宽比例明显不符合我们车牌的比例的候选区域，本发明会在YCrCb颜色空间基础上再进行基于LAB颜色空间的A通道颜色特征提取，通过大津法化进行再次分割前景以及背景，去除候选区域内有干扰的颜色部分。对于白色车牌，本发明采用了两次纹理检测的方法，使用拉普拉斯边缘提取算子对车牌图片进行进一步边缘提取，把非车牌部分的白色干扰区域去除。最后把定位到的车牌放进分类器中进行判断决定最终的车牌检测区域。如果经过上述步骤还没有任何一副图片通过机器学习的判断，本发明会采取基于YCrCb颜色空间的全图颜色特征提取，弥补流程开始的纹理特征检测的不足。

具体步骤如下：

步骤1、基于sobel算子边缘提取以及片段连接法进行车牌纹理特征检测；

Sobel边缘提取算子模板可以通过以下公式进行求解：

diff(k)＝Pascal(k，WS－2)－Pascal(k－1，WS－2)， (3)

式中，WS为模板窗口大小，Smooth_K为当模板窗口大小为WS时第k个最优离散滤波算子，k∈[0，WS－1]。Pascal(k，WS)、Pascal(k，WS－2)和Pascal(k－1，WS－2)分别是参数为(k,WS)、(k,WS‐2)和(k‐1,WS‐2)的Pascal算子。diff(k)为对应的差分参数。

通过公式(2)、(3)可以求得一个矩阵向量，通过公式(1)可以求得另外一个矩阵向量。这个两个矩阵向量进行矩阵乘积可以得到一个完整的sobel算子模板。假设sobel模板是3x3大小，那么公式(2)和公式(3)计算得到的模板是[1 0 －1]^T，通过公式(1)计算出来的模板是[1 2 1]，整体乘积就得到最终的模板：

式中，Gx表示纵向边缘检测模板，Gy表示横向边缘检测模板。

根据求得的sobel模板，图片中的所有区域都进行相应的卷积运算得到一个新的图像。选取新图像中的绝对值偏大的像素点并保留下来就可以得到边缘信息。由于车牌上文字信息比较明显，因此车牌位置附近的值相对比较大，容易被保留下来。

为了最大限度的连接起车牌文字区域的纹理特征，同时避免附近其他边缘的干扰，提出了片段连接的算法，该算法具体实施如下：

A、用模板窗口遍历图像，当该区域内特征像素点达到阈值，进行步骤b，否则，继续遍历。并且在平移模板窗口过程中，每次均与上一个矩形窗口三分之一的重叠区域，因此可以很好地连接片段区域。

B、将该有效区域划分为四个部分，在每部分查找外围点，将得到的边界点连接起来，形成一个封闭的轮廓(由此可以确保不扩大外轮廓区域)，然后将轮廓内的位置全部设置为有效区域。

经过上述处理，车牌区域基本可以有效的连接起来，从而初步定为到车牌位置。

步骤2、基于Hough变换的车牌透射变换校正。

考虑到车牌检测算法须在不同环境，克服光照，对比度影响下运行，对经过上述步骤处理后的车牌图片进行canny算子边缘提取，结合Hough变换以及边缘之间的距离、比例，从而找到车牌附近最贴切的四条边线，分别记录为：

y＝k1*x+b1， (5)

y＝k2*x+b2， (6)

y＝k3*x+b3， (7)

y＝k4*x+b4， (8)

式中，x为图像(x,y)处的横坐标、y为图像(x,y)处的纵坐标，k1、k2、k3和k4分别为上、下、左和右这四条边线的斜率，b1、b2、b3和b4分别为上、下、左和右这四条边线的截距。

根据线与线相交，可以得到相应的车牌四个顶点的坐标。分别(x1,y1),(x2,y2),(x3,y3),(x4,y4)。根据透视变换的公式可以求出透视变换矩阵：

[x′，y′，w′]＝[u，v，w]·M，(9)

式中，M为透视变换矩阵，a_ij为透视变换的参数，其中，i＝1，2，3，j＝1，2，3；[u，v，w]为透视变换前的坐标，[x′，y′，w′]为透视变换后的坐标。

其中(10)是变换矩阵，通过这个变换矩阵可以进行坐标系的变换。

步骤3、对于蓝黄色车牌，使用基于YCrCb以及LAB颜色空间特征提取的车牌颜色特征检测。

相比于RGB颜色空间以及HSV颜色空间，YCrCb颜色空间将色调与光照亮度分开了，有利于颜色的分离以及增加了抗光照影响的能力。在YCrCb空间中，Y代表了亮度，Cr以及Cb代表了色调，其中，Cr表示红色信号部分与基于RGB空间计算出来的光照亮度信号的差异，Cb表示蓝色信号部分与基于RGB空间计算出来的光照亮度信号的差异。

通过将图片转换到YCrCb颜色空间中，利用其中Cb通道进行蓝色、黄色彩的特征提取。考虑到白色像素点以及车牌区域附近的相似颜色干扰，用十分宽松的阈值进行颜色界限定位可以减少车牌的漏检。

式中，f(x，y)表示图片像素点在Cb通道的值。阈值blue_t表示蓝色的界限值。大于这个界限值表示此像素点是蓝色，反之则为非目标点。

式中，g(x，y)表示图片像素点在Cb通道的值，阈值yellow_t表示黄色的界限值。不大于这个界限值表示此像素点是黄色，反之则为非目标点。

经过上述处理后不排除还有一些非车牌区域由于颜色比较相似或者其相应的数值满足上述两式导致了结果图混入了较多的非目标区域。针对这个情况，该方法将候选区域的像素点转换到LAB的颜色空间中，根据其B通道的像素值进行大津法自动阈值化将干扰的非车牌区域去除。

LAB颜色空间是基于生理特征的颜色系统，它跟人的视觉感应比较接近。其中的L分量代表着亮度，主要用于分辨黑白，A分量代表红绿颜色，B通道代表着黄蓝色通道。鉴于LAB颜色空间对色调的分辨比较出色，本专利结合自动阈值方法以及LAB颜色空间将车牌区域的色块与非目标区域的色块成功地分离出来，达到进一步的精细定位效果。

步骤4、对于白色车牌，使用第二次纹理特征检测；

白色车牌是军警车的专用车牌，我国军警车比较喜欢使用白色的车辆，特别是警察的车，这导致了车牌附近的白色干扰色块较难去除的情况。本发明为了改善这一点，还使用了精确定位边缘的二阶拉普拉斯算子。

拉普拉斯算子使用了二阶微分，将边缘部分的坐标转化为函数中的零点求解，更为容易地将图片中的细腻边缘勾勒出来，其定义如下：

式中，为拉普拉斯边缘检测算子，和为在水平方向与竖直方向上的二阶导数模板。

其中，针对3x3的算子模板，x方向以及y方向的二阶导可以表示为：

式中，f[x+1，y]、f[x，y]、f[x－1，y]、f[x，y+1]、和f[x，y－1]分别为在图片(x+1，y)、(x，y)、(x‐1，y)、(x，y+1)和(x，y‐1)处像素值的大小。

第一次纹理定位后的白色车牌图片附近一般带有其他的白色杂块干扰。由于白色杂块内部的边缘信息不充分，在经过拉普拉斯算子进一步提取边缘的时候就会被过滤掉，保留下来的部分就是真正的车牌区域。这个时候通过本发明之前提出的新的片段连接方法可以在保证将字符边缘连接起来情况下，尽可能去除细线杂块对车牌区域的干扰。

步骤5、机器学习判定车牌；

经过车牌定位算法处理后的图像一般会得到至少1个候选车牌图片。当候选图片多于1个的时候说明图像有可能含有多个车牌或者有非车牌区域出现。对于如何排除这些非车牌区域，避免这些错误区域进入字符分割与识别处理中就需要使用到分类器。首先对候选图片进行HOG特征提取，之后将其放入SVM分类器进行判断。SVM分类器通过对训练样本图片的HOG特征进行学习，得出了一个权重矩阵，对于后来的测试图片，SVM分类器会根据其HOG特征以及权重矩阵的得出它是否是车牌图片的结论。

HOG是一种在计算机视觉以及图像处理中进行物体检测的特征描述子；在图像中，物体的局部外观以及形状可以通过其局部梯度或边缘信息描述，根据这一特点，HOG主要通过计算和统计图像局部区域的提督方向直方图来构成物体的特征；所述HOG特征提取主要分为以下步骤：

A、标准化gamma空间与颜色空间；

通过gamma压缩公式对像素点的每个颜色通道计算平方根，目的是为了减少光照对图像的影响，降低图像局部的阴影和光照变化，将整个图像归一化。Gamma压缩公式如下：

I(x，y)＝I(x，y)^gamma， (16)

式中，I(x，y)表示图像I，gamma为伽马变换参数，通过伽马变换将低亮度部分的差距拉大，而造成低亮度部分的细节能够被人眼明显的感觉出来。

B、计算图像每个像素的梯度；

使用水平梯度算子[‐101]对原图像做卷积运算，求得图像在x方向上的梯度分量，再使用[1 0 1]^T垂直梯度算子对图像做卷积运算，求得图像在y方向上的梯度分量。根据以下公式可以算出梯度的大小以及方向:

f_x(x,y)＝g(x+1,y)－g(x－1,y)， (17)

f_y(x，y)＝g(x，y+1)－g(x，y－1)， (18)

式中，f_x(x，y)表示像素点(x，y)在水平方向梯度，f_y(x，y)表示像素点(x，y)在竖直方向上的梯度，g(x+1，y)、g(x－1，y)、g(x，y+1)和g(x，y－1)表示像素点(x+1，y)、(x－1，y)、(x，y+1)和(x，y－1)处灰度值的大小。结合公式(14)和(15)，像素点(x，y)的梯度方向以及大小可以由以下公式求得：

式中，f(x，y)为像素点(x，y)的梯度大小，θ为像素点(x，y)的梯度方向，f_x(x，y)表示表示像素点(x，y)在水平方向的梯度，f_y(x，y)表示像素点(x，y)在竖直方向的梯度。

C、为每个细胞单元构建梯度方向直方图；

把图像分成小的单元格cell，构建单元格内的梯度直方统计图。cell单元格是HOG特征中的最小的单位，检测窗口滑动的步长距离就是以cell单元格长或者宽为单位。在cell单元格构建梯度直方图目的是为了得到局部特征描述子。在cell单元格中首先要确定梯度方向要分为多少块，单元格cell中的每个像素点都为其中某个方向进行投票，这里的票数是带有权值，并不是每一票意义都相等，通过这种方式就可以得到单元格cell中梯度方向的直方图。

D、收集HOG特征；

检测窗口中所有重叠块，并把它们的HOG特征收集串联起来，形成可以表述图像的最终的特征向量。

将HOG提取到的候选车牌区域特征放入SVM中分类，可以得到车牌判定结果。SVM也成为支持向量机，它在样本比较小，样本数据线性不可分以及数据维数较高情况下表现比较出色。支持向量机方法是建立在统计学的VC理论以及机构风险最小原理的基础上的，根据有限的样本信息，在模型的复杂性和学习能力之间寻找最佳折衷，获得较好的泛化能力。其原理是通过核函数将低维空间的点映射到高维空间中，使得原来不可分的数据成为线性可分。

通过机器学习的方法，进一步筛选了车牌范围，排除了背景区域均符合车牌纹理、颜色特征的干扰，从而精确的获得车牌位置。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (3)

1.一种基于颜色纹理分析器与机器学习的车牌检测方法，其特征在于，包括以下步骤：

步骤1、对预处理后的图片进行纹理特征提取；

在步骤1中，采用了sobel算子进行边缘纹理提取以及使用新的片断连接方法对目标区域进行连接；以下是sobel算子在水平x方向以及竖直y方向上的两个运算模板：

式中，Gx表示纵向边缘检测模板，Gy表示横向边缘检测模板；

所述Gx和Gy都是3x3的矩阵，在待检测的图片中使用相同大小的3x3移动窗口遍历整幅图片，在这个过程中分别将模板和移动窗口区域的像素点进行卷积，选取计算值的绝对值较大的点并保留下来；

所述对预处理后的图片进行纹理特征提取中，采用了一种连接像素点的方法，所述连接像素点的方法包括如下步骤：

A、用模板窗口遍历图像，当该区域内特征像素点达到阈值，执行步骤B，否则，继续遍历，并且在平移模板窗口过程中，每次均与上一个矩形窗口三分之一的重叠区域，因此可以很好地连接片段区域；

B、将该重叠区域划分为四个部分，在每部分查找外围点，将得到的边界点连接起来，

形成一个封闭的轮廓，然后将轮廓内的位置全部设置为有效区域；

步骤2、对纹理特征提取的候选车牌图进行透射变换矫正车牌倾斜角；

步骤3、对车牌底色进行判断，针对蓝黄牌进行两次颜色特征提取锁定目标位置；

在步骤3中，采用YCrCb颜色空间以及LAB颜色空间对黄蓝底色的车牌进行颜色特征提取，所述颜色特征提取包括以下步骤：

步骤31、将候选车牌图转换到YCrCb颜色空间，根据其Y通道的数值大小判断车牌是否是蓝黄底色的车牌；

步骤32、针对黄蓝色车牌，根据YCrCb空间中的Cb通道数值大小，使用固定阈值法将符合阈值的蓝黄色像素点标记为前景，将非法的像素点标记为背景；

步骤33、使用新的片段连接方法对步骤32中的前景像素点进行连接，得到颜色特征提取的车牌位置图；

步骤34、对步骤33颜色特征提取后的车牌进行长宽比例判断，针对不符正常车牌长宽比例的候选图，本方法会将其转化到LAB颜色空间进行二次特征提取，根据图片在B通道的数值大小进行大津法的自动阈值化；

步骤35、对步骤34中得到的二值化图片使用新的片段连接方法，得到第二次颜色特征提取的车牌位置图；

步骤4、针对白色的车牌进行第二次纹理特征提取；

在步骤4中，采用拉普拉斯算子对白色的车牌进行二次边缘纹理特征提取，所述纹理特征提取包括以下步骤：

步骤41、将候选车牌图转换到YCrCb颜色空间，根据其Y通道的数值大小判断车牌是否是白色的车牌；

步骤42、针对白色车牌，使用拉普拉斯二阶算子对候选车牌区域进行再次边缘提取，以下是在3x3的模板下，拉普拉斯算子在水平x方向以及竖直y方向的运算模板：

式中，为水平方向上的二阶导数模板，为竖直方向上的二阶导数模板，f[x+1,y]、f[x,y]、f[x-1,y]、f[x,y+1]、和f[x,y-1]分别为在图片(x+1,y)、(x,y)、(x-1,y)、(x,y+1)和(x,y-1)处像素值的大小；

步骤43、对步骤42处理后的边缘提取图，使用新的片段连接方法对车牌字符边缘进行连接，得到二次纹理特征提取后的车牌位置图；

步骤5、对特征提取后的候选车牌进行机器学习判断。

2.根据权利要求1所述的基于颜色纹理分析器与机器学习的车牌检测方法，其特征在于，在步骤2中，采用透射变换的方法对倾斜的候选车牌图片进行矫正，具体包括以下步骤：

步骤21、对候选图像进行canny算子的边缘提取，得到大概的车牌边缘信息；

步骤22、在canny算子边缘图中使用Hough变换找到图片中接近水平以及竖直的直线，并记录每一条直线的斜率以及截距值；

步骤23、对hough变换找到的直线进行综合决策，选出最贴近车牌边框的四条直线，计算其两两相交的坐标；

步骤24、根据步骤23计算出来的4个坐标值，结合下面的公式，计算出坐标系之间转换的透视变换矩阵M：

[x′,y′,w′]＝[u,v,w]·M，

式中，M为透视变换矩阵，[u,v,w]为透视变换前的坐标，[x′,y′,w′]为透视变换后的坐标；

步骤25、通过透视变换矩阵M，将原图的像素点坐标转换到新的坐标系中，从而进行透射变换，矫正倾斜变形的车牌。

3.根据权利要求1所述的基于颜色纹理分析器与机器学习的车牌检测方法，其特征在于，在步骤5中，采用基于HOG特征的SVM分类器对候选车牌进行最终的判断。