CN106529522A - 一种基于积分通道特征的车牌定位方法 - Google Patents

Abstract

本发明涉及计算机视觉领域，特指一种基于积分通道特征的车牌定位方法。针对智能视频监控中车牌定位识别问题，该车牌定位方法包括两个步骤：1.训练车牌样本特征提取及特征组织，包括手动抠取原始车牌图像；提取积分通道特征；以及基于Adaboost算法训练检测器。2.车牌检测定位；包括用滑窗法对目标图像进行扫描，获取初定位车牌图像；将检测器输出的图像进行非极大值抑制处理后的初定位结果进行基于霍夫变换的倾斜校正；将输出的二次定位后的车牌输入检测器，得出最终定位车牌结果。本发明对车牌识别程度高，定位精度好，远高于传统定位方法精度，鲁棒性好，能获得较好的检测性能，同时还能保持高效率，实时性也能满足需求。

Description

一种基于积分通道特征的车牌定位方法

技术领域

本发明涉及计算机视觉领域，特指一种基于积分通道特征的车牌定位方法。

背景技术

随着现代化交通的发展，车辆牌照自动识别技术越来越受到人们的重视，是近年来计算机视觉与模式识别技术在智能交通领域的重要研究课题之一。车辆牌照自动识别系统可用于公路收费站、停车场、十字路口等场所的车辆管理，对于道路交通和停车场车辆管理具有重要的促进作用。

车牌识别技术包括车牌定位、字符分割和字符识别3个基本环节，其中车牌定位是字符分割和字符识别的前提，也是牌照识别的难点。在这方面已有很多学者做了研究，提出了多种车牌定位方法。大体分成以下几类：1)基于车牌底色的定位方法。对车牌底色进行加强，再用投影方法确定车牌位置。2)基于车牌纹理特征的定位方法。由于车牌区域字符比较集中，其纹理特征有别于其他区域，通过小波变换、边缘增强等方法提取该特征，实现车牌定位；3)基于灰度跳变的定位方法。根据车牌内字符较为集中，灰度跳变频率较高且有一定的规律这一特征，对图像进行行扫描，从而确定车牌位置；4)基于多重特征的定位方法。对车牌颜色(纹理)进行提取，确定若干候选区域，对候选区域进行纹理(颜色)分析得到车牌区域；5)基于彩色边缘的定位方法。对彩色图像求取边缘，并结合数学形态学方法得到若干候选区域，通过大小、长宽比例等几何特征确定牌照区域。方法1—3均基于车牌区域的单一特征，当背景中出现近似纹理或颜色时，定位难度大大增加；方法4、5综合考虑了车牌的纹理和颜色特征，定位效果要优于其他基于单一特征的定位方法。但方法4对车牌颜色和纹理特征的提取是顺序进行的，即先分割出车牌颜色，再进行纹理分析，或先进行纹理分析，再进行颜色分割，这样就导致了定位时间的增加；方法5虽然采用了彩色边缘检测算子，但实际上并没有利用车牌特有的颜色特征，而且得到的干扰边缘较多，增加了定位的难度。在彩色图像中，大多数图像的边缘是由颜色差异造成的，也就是说边缘是依赖于颜色差异而存在的。

基于上述方法都存在一些原理性的弊端，本发明提出了一种基于积分通道特征的车牌定位方法。积分通道特征其基本思想是通过对输入图形进行各种线性和非线性的变换,图像的很多常用特征,例如局部求和、直方图、Haar以及它们的变种,可以借助积分图来快速、高效地计算。该方法通常用于需要高精度的行人跟踪检测，因其本身方法的特征，受外部条件影响相较上述通用方法较小，且由于利用了多个量化的梯度方向，通过原始图像建立的多通道图像训练出相应的检测器，从而对车牌识别程度高，定位精度好，远高于传统定位方法精度，鲁棒性好，能获得较好的检测性能。同时该方法还能保持高效率，实时性也能满足需求。

发明内容

本发明要解决的技术问题在于：针对传统的车牌定位方法定位不准确，定位精度不理想，鲁棒性较差等这些特定问题，为了提高监控系统的车牌识别定位准确程度，并使其满足实时性需求，提出一种基于积分通道特征的车牌定位方法，该车牌定位方法技术方案具体如下：

包括如下步骤：

1、一种基于积分通道特征的车牌定位方法，包括以下步骤：

S1)训练车牌样本特征提取及特征组织；

S2)车牌检测定位，得出定位车牌结果。

作为本发明的进一步优化，所述步骤S1)具体包括：

S1.1)手动获取原始车牌图像，手动抠取出任意正常国标车牌；

S1.2)对抠取出的车牌图像提取积分通道特征；

S1.3)基于Adaboost算法训练检测器；

所述步骤S2)具体包括：

S2.1)对目标图像进行扫描，获取初定位车牌图像；

S2.2)将检测器输出的图像进行非极大值抑制处理后的初定位结果进行倾斜校正；

S2.3)将输出的二次定位后的车牌输入检测器，得出最终定位车牌结果。

作为本发明的进一步优化，所述步骤S1.2)中，积分通道特征提取为三个通道特征提取，用以下公式分别计算通道特征：

S1.2.1)LUV通道的建立，将图像从RGB颜色空间转为LUV颜色空间，RGB转LUV通道公式如下：

最后计算得到LUV色彩空间中的L、U、V通道；

S1.2.2)梯度幅值通道的建立，一副图像中每个像素点具有八领域和四个边缘检测方向，采用在窗口中分别计算X方向、Y方向、Z方向的一阶偏导有限差分均值来确定像素点的梯度幅值，四个方向梯度幅值计算公式如下：

M[i,j]＝(|P_x[i,j]|+|P_45°[i,j]|+|P_y[i,j]|+|P_135°[i,j]|)

其中I[i,j]是坐标为3×3窗口中心像素点的灰度值，M[i,j]为中心像素点的梯度幅值，由上述公式最后得到整幅图像的梯度幅值图；

S1.2.3)梯度直方图通道的建立，梯度直方图特征提取过程步骤如下：

S1.2.3.1)以图像I[i,j]为中心取3×3的像素邻域作为采样窗口；

S1.2.3.2)计算该像素点的梯度方向θ[i,j]和梯度幅值M[i,j]，

θ[i,j]＝arctan(I[i,j+1]-I[i,j-1])/I[i+1,j]-I[i-1,j]

S1.2.3.3)将梯度方向分为6个方向，即将180°平均分成6份，平均间隔30°；按照椭圆圈的高斯加权范围将该像素邻域上所有点梯度方向角度相同像素点梯度幅值相加；

S1.2.3.4)最后统计6个方向上的梯度幅值累加和，得到整幅图像6个方向上的梯度幅值图。

作为本发明的进一步优化，所述步骤S1.3)包括：

训练阶段，利用Adaboost对提取的积分通道特征训练出强分类器；从大量特征中挑选出最优特征并制作成弱分类器，再通过弱分类器集成获得高精度的强分类器；

弱分类器的定义为：

其中，f_j表示一个特征，p_j表示不等式方向，θ_j表示阈值；

判别阶段，计算检测出定位车牌窗口的积分通道特征，运用强分类器进行“打分”，即是判别车牌位置的自信度，自信度是识别的时候系统可信程度，最后存储一段视频中分数最高的那一帧或者几帧图像；

具体训练算法如下：

S1.3.1)给定n个样本图像，x_i是输入样本图像，y_i是类别标志，其中y_i＝0表示为负样本，y_i＝1表示为正样本；

S1.3.2)初始化权重：

其中m和l分别为非正确车牌样本和正确车牌样本的数量，n＝m+l；

S1.3.3)For t＝1,2,3,…,T

S1.3.3.1)归一化权重：其中ω_t为统计分布；

S1.3.3.2)随机选择积分通道特征j：

随机选择通道索引bin_k(k＝1,2,…,10)；

随机选择矩形区域Rect_j并计算像素值之和；

S1.3.3.3)对每个特征j，训练一个弱分类器h_j，计算相应的ω_t的错误率：

ε_j＝∑_iω_i|h_j(x_i)-y_i|；

S1.3.3.4)选择最小错误率ε_t的弱分类器h_t；

S1.3.3.5)更新权重：其中，当x_i被正确分类时，e_i＝0，反之，e_i＝1；

S1.3.4)最终强分类器为h(x):

其中，

作为本发明的进一步优化，所述步骤S2.1)中，根据国内车牌的固定比例设定一个固定大小的滑窗，从获取视频图像顶端开始进行逐一扫描，将每次扫描截取的图像进行积分通道特征计算，与AdaBoost算法训练出的强检测器进行比对，得到相似度最高的图像区域，即初步判定为车牌位置，截取该图像区域初定位图像并输出检测器。

作为本发明的进一步优化，所述步骤S2.1)中，采用基于贪心策略的非极大值抑制方法，所述非极大值抑制方法步骤如下：

S2.1.1)将初始检测窗口按照检测分数从高到低排序；

S2.1.2)将第1个初始检测窗口作为当前的抑制窗口；

S2.1.3)非极大值抑制。将所有检测分数比当前抑制窗口低的初始窗口作为被抑制窗口。计算当前抑制窗口与被抑制窗口的重合面积比率：面积的交集/面积的并集。剔除重合面积比率高于设定阈值的窗口；

S2.1.4)如果只剩最后一个初始检测窗口则结束，否则按照排好的顺序，取下一个未被抑制的窗口作为抑制窗口，转到步骤S2.1.3)。

相对于现有技术而言，本发明的有益效果在于：

本发明应用了积分通道特征思想，通过对输入图形进行各种线性和非线性的变换,借助积分图来快速、高效地计算图像特征，受外部条件影响较小，且由于利用了多个量化的梯度方向，通过原始图像建立的多通道图像训练出相应的检测器，从而对车牌识别程度高，定位精度好，远高于传统定位方法精度，鲁棒性好，能获得较好的检测性能。同时该方法还能保持高效率，实时性也能满足需求。

附图说明

图1是本发明整体算法流程图；

图2是本发明车牌图像三种积分特征通道图像；

图3是本发明四个方向梯度算子示意图；

图4是本发明像素点方向示意图；

图5是本发明基于霍夫变换的倾斜校正以后的车牌图像对比图。

具体实施方式

以基于积分特征通道的车牌定位为例，结合附图对本发明做进一步详细说明。

S1.训练车牌样本特征提取及特征组织；

S1.1手动抠取出任意正常国标车牌；

S1.2对抠取出的车牌图像进行积分通道特征提取；

积分通道特征由Dollár P等人在2009年提出,最早通常用于行人检测,是目前评估效果较好的检测算子。其基本思想是通过对输入图形进行各种线性和非线性的变换,图像的很多常用特征,例如局部求和、直方图、Haar以及它们的变种,可以借助积分图来快速、高效地计算。给定一个输入图像矩阵I，其对应的通道指的是原始输入图像的某种输出响应。对于灰度图，其对应的通道矩阵C＝I,即原图本身；

对于彩图,其每个颜色通道都对应一个通道。其他类似的通道可以通过各种线性和非线性的方法计算得到。令Ω代表图像的某种通道计算函数,则对应的通道C＝Ω(I)。

在计算中，不同的变换可以形成不同的通道类型，本发明中选取3种不同的通道作为积分通道特征，以保证其准确性。其中LUV颜色通道能够很好地描述车牌亮度及色度变化，梯度幅值通道很好地反映了车牌的轮廓，梯度直方图通道则从不同梯度方向上综合对车牌位置姿态变化进行描述。3种通道变换如图2所示。

S1.2.1LUV通道的建立

在图像处理中，LUV色彩空间(全称CIE1976(L*，U*，V*))优于RGB色彩空间。LUV色彩空间的目的是建立与人的视觉统一的色彩空间，具备一致性和均匀性且各色彩分量之间不相关。在LUV色彩空间中，L表示亮度，U、V表示色度。一般图像颜色都是RGB颜色空间的，通过下面的公式可以转换到LUV颜色空间中。

最后计算得到LUV色彩空间中的L、U、V通道。

S1.2.2梯度幅值通道

梯度幅值是一种用于图像边缘检测的描述方法。一幅图像中每个像素点具有八邻域以及四个边缘检测方向。为了能够在像素点X方向、Y方向、Z方向上检测边缘，本文使用在窗口中分别计算X方向Y方向、Z方向的一阶偏导数有限差分均值来确定像素点的梯度幅值的方法。四个方向的梯度算子分别为图3所示。其中I[i,j]是坐标为3×3窗口中心像素点的灰度值，M[i,j]为中心像素点的梯度幅值，其计算公式如下所示，对应四个方向上的计算公式为：

M[i,j]＝(|P_x[i,j]|+|P_45°[i,j]|+|P_y[i,j]|+|P_135°[i,j]|)

由上述公式最后得到整幅图像的梯度幅值图。

S1.2.3梯度直方图通道

梯度直方图思想来源于梯度方向直方图(Histograms of Oriented Gradients，HOG)是2005年Dalal等人将它用于行人识别而得名。HOG作为一种局部特征描述子，对方向、尺度、光照不敏感。后来Deniz等人将HOG成功应用于人脸识别，得到了比较好的效果。梯度直方图特征提取过程如下：

步骤1以图像I[i,j]为中心取3×3的像素邻域作为采样窗口。

步骤2计算该像素点的梯度方向θ[i,j]和梯度幅值M[i,j]。

θ[i,j]＝arctan(I[i,j+1]-I[i,j-1])/I[i+1,j]-I[i-1,j]

如图4所示，箭头代表该像素点的方向。

步骤3将梯度方向分为6个方向，即将180°平均分成6份，平均间隔30°。按照椭圆圈的高斯加权范围将该邻域上所有点梯度方向角度相同像素点梯度幅值相加。

步骤4最后统计6个方向上的梯度幅值累加和，得到整幅图像6个方向上的梯度幅值图。

最后得到的10个通道的图像如图2所示。

S1.3基于Adaboost算法训练检测器

训练阶段，利用Adaboost对提取的积分通道特征训练出强分类器，在判别阶段，计算检测出定位车牌窗口的积分通道特征，运用强分类器进行“打分”，即是判别车牌位置的自信度，自信度是识别的时候系统可信程度，最后存储一段视频中分数最高的那一帧或者几帧图像。

AdaBoost算法由Schapire、Freund等人于1996年提出,其实质是弱分类器的分类学习过程,是集成机器学习方法的一种,具有计算效率高、调节参数少、针对弱分类器的构造兼容性强,且对样本先验知识和数据格式要求低等优点，因此，得到广泛推广。AdaBoost中每个特征都对应一个弱分类器,但并不是每一个特征都能很好地描述前景目标的特点。如何从大量特征中挑选出最优特征并制作成弱分类器,再通过弱分类器集成,最终获得高精度的强分类器，是AdaBoost算法训练过程所要解决的关键问题。

弱分类器的定义为：

其中，f_j表示一个特征，p_j表示不等式方向，θ_j表示阈值。

具体训练算法如下：

S1.3.1)给定n个样本图像，x_i是输入样本图像，y_i是类别标志，其中y_i＝0表示为负样本，y_i＝1表示为正样本；

S1.3.2)初始化权重：

其中m和l分别为非正确车牌样本和正确车牌样本的数量，n＝m+l；

S1.3.3)For t＝1,2,3,…,T

S1.3.3.1)归一化权重：其中ω_t为统计分布；

S1.3.3.2)随机选择积分通道特征j：

随机选择通道索引bin_k(k＝1,2,…,10)；

随机选择矩形区域Rect_j并计算像素值之和；

S1.3.3.3)对每个特征j，训练一个弱分类器h_j，计算相应的ω_t的错误率：ε_j＝∑_iω_i|h_j(x_i)-y_i|；

S1.3.3.4)选择最小错误率ε_t的弱分类器h_t；

S1.3.3.5)更新权重：其中，当x_i被正确分类时，e_i＝0，反之，e_i＝1；

S1.3.4)最终强分类器为h(x):

其中，

S2.车牌的检测定位；

S2.1用滑窗法对目标图像进行扫描，获取初定位车牌图像；

本发明方法根据国内车牌的固定比例，设定一个固定大小的滑窗，从获取视频图像顶端开始进行逐一扫描，为了提高扫描准确度，通常设置滑窗步长为4个像素，将每次扫描截取的图像进行积分通道特征计算，与AdaBoost算法训练出的强检测器进行比对，得到得分最高的(即相似度最高的)图像区域，即初步判定为车牌位置，截取该区域初定位图像并输出检测器。

S2.2将检测器输出的图像进行非极大值抑制处理后的初定位结果进行基于霍夫变换的倾斜校正得到二次定位后的车牌图像；

非极大值抑制在物体检测中应用十分广泛，主要目的是为了消除多余干扰因素，找到最佳的物体检测的位置。非极大值抑制是检测的后处理过程，是关键环节之一。

启发式窗口融合算法对非重合目标检测效果很好，但对于车辆车牌检测并不适合。启发式窗口融合算法，将初始检测窗口划分为若干个不重合的子集，然后计算每个子集的中心，最后每个子集只保留一个检测窗口，显然该算法容易造成大量漏检。

Dalal等提出了均值漂移非极大值抑制，这种方法不仅计算复杂，需要将检测窗口在3维空间(横坐标，纵坐标，尺度)表示，检测分数转换，计算不确定性矩阵，迭代优化，而且还需要调整很多与检测器的步长等相关联的参数，因此，目前较少使用。

当前，大多数的目标检测普遍使用基于贪心策略的非极大值抑制算法，因为它简单高效，主要步骤如下：

S2.1.1)将初始检测窗口按照检测分数从高到低排序，相似度越高则分数越高；

S2.1.2)将第1个初始检测窗口作为当前的抑制窗口；

S2.1.3)非极大值抑制。将所有检测分数比当前抑制窗口低的初始窗口作为被抑制窗口，相似度越高，分数越高。计算当前抑制窗口与被抑制窗口的重合面积比率：面积的交集/面积的并集。剔除重合面积比率高于设定阈值的窗口；

S2.1.4)如果只剩最后一个初始检测窗口则结束，否则按照排好的顺序，取下一个未被抑制的窗口作为抑制窗口，转到步骤S2.1.3)。

本发明同样使用的是简单高效的基于贪心策略的非极大值抑制算法。经过非极大值抑制处理后的车牌图像再进行基于霍夫变换的倾斜校正。

霍夫变换是一种强有力的特征提取方法，它利用局部图像信息有效的积累所有可能的模型实例的依据，这使得它既能方便的从外部数据中获得额外的信息，又能敏锐的从只有一部分的实例中呈现出有效信息。霍夫变换普遍应用在计算机视觉中形状，位置，几何变换参数的判断中。自霍夫变换提出以来，其得到了广泛的应用。近些年，专家学者们对霍夫变换的理论性质与应用方法又进行了进一步的探讨。霍夫变换作为一种有效的识别直线的算法，具有良好的抗干扰性及鲁棒性。

霍夫变换方法包含一个从图像空间中的特征到参数空间中点的集合的映射。每一个参数空间中的点表征着图像空间中模型的一个实例，图像特征利用一个函数被映射到参数空间当中去，这个函数产生能够兼容观察到的图像特征与假设的模型的所有的参数组合。每一个图像特征将在多维的参数空间中产生一个不同的平面，但是由所有图像特征产生的属于同一个模型的实例的一切平面都会相交在描绘共同的实例的点。霍夫变换的根本是产生这些平面并且识别与之相交的参数点。

经过基于霍夫变换的倾斜校正后的车牌图像为系统二次定位后的图像。霍夫变换倾斜校正的车牌图像示例如图5所示。

S2.3将输出的二次定位后的车牌输入强检测器，得出最终定位车牌结果。

将经过上述两种车牌图像后处理后的图像输出后再次进行积分通道特征提取后输入强检测器进行二次定位。定位后输出最终的定位结果。

本发明中提出的方法实际上可嵌入FPGA实现，运用于具有实时输出图像功能的车牌定位识别功能的相机或摄像机中。

本领域技术人员将清楚本发明的范围不限制于以上讨论的示例，有可能对其进行若干改变和修改，而不脱离所附权利要求书限定的本发明的范围。尽管己经在附图和说明书中详细图示和描述了本发明，但这样的说明和描述仅是说明或示意性的，而非限制性的。本发明并不限于所公开的实施例。

通过对附图，说明书和权利要求书的研究，在实施本发明时本领域技术人员可以理解和实现所公开的实施例的变形。在权利要求书中，术语“包括”不排除其他步骤或元素，而不定冠词“一个”或“一种”不排除多个。在彼此不同的从属权利要求中引用的某些措施的事实不意味着这些措施的组合不能被有利地使用。权利要求书中的任何参考标记不构成对本发明的范围的限制。

Claims (6)

1.一种基于积分通道特征的车牌定位方法，其特征在于，包括以下步骤：

S1)训练车牌样本特征提取及特征组织；

S2)车牌检测定位，得出定位车牌结果。

2.根据权利要求1所述的基于积分通道特征的车牌定位方法，其特征在于，

所述步骤S1)具体包括：

S1.1)手动获取原始车牌图像，手动抠取出任意正常国标车牌；

S1.2)对抠取出的车牌图像提取积分通道特征；

S1.3)基于Adaboost算法训练检测器；

所述步骤S2)具体包括：

S2.1)对目标图像进行扫描，获取初定位车牌图像；

S2.2)将检测器输出的图像进行非极大值抑制处理后的初定位结果进行倾斜校正；

S2.3)将输出的二次定位后的车牌输入检测器，得出最终定位车牌结果。

3.根据权利要求2所述的基于积分通道特征的车牌定位方法，其特征在于，所述步骤S1.2)中，积分通道特征提取为三个通道特征提取，用以下公式分别计算通道特征：

S1.2.1)建立LUV通道，将图像从RGB颜色空间转为LUV颜色空间；

S1.2.2)建立梯度幅值通道，得到整幅图像的梯度幅值图；

S1.2.3)建立梯度直方图通道，提取梯度直方图特征。

4.根据权利要求2所述的基于积分通道特征的车牌定位方法，其特征在于，所述步骤S1.3)包括：

训练阶段，利用Adaboost对提取的积分通道特征训练出强分类器；从大量特征中挑选出最优特征并制作成弱分类器，再通过弱分类器集成获得高精度的强分类器；

弱分类器的定义为：

$h_j\left(x\right)=\left\{\begin{array}{cc}1& \begin{array}{cc}if& p_j{f}_j\left(x\right)<p_j{\mathrm{\&theta;}}_j\end{array}\\ 0& otherwise\end{array}\right.$

其中，f_j表示一个特征，p_j表示不等式方向，θ_j表示阈值；

判别阶段，计算检测出定位车牌窗口的积分通道特征，运用强分类器进行打分，即是判别车牌位置的自信度，最后存储一段视频中分数最高的那一帧或者几帧图像；

具体训练算法如下：

S1.3.1)给定n个样本图像，x_i是输入样本图像，y_i是类别标志，其中y_i＝0表示为负样本，y_i＝1表示为正样本；

S1.3.2)初始化权重：

其中m和l分别为非正确车牌样本和正确车牌样本的数量，n＝m+l；

S1.3.3)For t＝1,2,3,…,T

S1.3.3.1)归一化权重：其中ω_t为统计分布；

S1.3.3.2)随机选择积分通道特征j：

随机选择通道索引bin_k(k＝1,2,…,10)；

随机选择矩形区域Rect_j并计算像素值之和；

S1.3.3.3)对每个特征j，训练一个弱分类器h_j，计算相应的ω_t的错误率：

ε_j＝∑_iω_i|h_j(x_i)-y_i|；

S1.3.3.4)选择最小错误率ε_t的弱分类器h_t；

S1.3.3.5)更新权重：其中，当x_i被正确分类时，e_i＝0，反之，e_i＝1；

S1.3.4)最终强分类器为h(x):

$h\left(x\right)=\left\{\begin{array}{c}1,\underset{t=1}{\overset{T}{\&Sigma;}}{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\&GreaterEqual;\frac{1}{2}{\&Sigma;}_{t=1}^T{\mathrm{\&alpha;}}_t\\ 0,\underset{t=1}{\overset{T}{\&Sigma;}}{\mathrm{\&alpha;}}_t{h}_t\left(x\right)<\frac{1}{2}{\&Sigma;}_{t=1}^T{\mathrm{\&alpha;}}_t\end{array}\right.$

其中，

5.根据权利要求4所述的基于通道特征的车牌定位方法，其特征在于，所述步骤S2.1)中，根据国内车牌的固定比例设定一个固定大小的滑窗，从获取视频图像顶端开始进行逐一扫描，将每次扫描截取的图像进行积分通道特征计算，与AdaBoost算法训练出的强检测器进行比对，得到相似度最高的图像区域，即初步判定为车牌位置，截取该图像区域初定位图像并输出检测器。

6.根据权利要求2所述的基于积分通道特征的车牌定位方法，其特征在于，所述步骤S2.1)中，采用基于贪心策略的非极大值抑制方法，所述非极大值抑制方法步骤如下：

S2.1.1)将初始检测窗口按照检测分数从高到低排序，相似度越高，分数越高；

S2.1.2)将第1个初始检测窗口作为当前的抑制窗口；

S2.1.3)非极大值抑制；将所有检测分数比当前抑制窗口低的初始窗口作为被抑制窗口；计算当前抑制窗口与被抑制窗口的重合面积比率：面积的交集/面积的并集；剔除重合面积比率高于设定阈值的窗口；

S2.1.4)如果只剩最后一个初始检测窗口则结束，否则按照排好的顺序，取下一个未被抑制的窗口作为抑制窗口，转到步骤S2.1.3)。