CN106778731B - 一种车牌定位方法及终端 - Google Patents

一种车牌定位方法及终端 Download PDF

Info

Publication number
CN106778731B
CN106778731B CN201710024859.XA CN201710024859A CN106778731B CN 106778731 B CN106778731 B CN 106778731B CN 201710024859 A CN201710024859 A CN 201710024859A CN 106778731 B CN106778731 B CN 106778731B
Authority
CN
China
Prior art keywords
obtains
license plate
image
candidate frame
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710024859.XA
Other languages
English (en)
Other versions
CN106778731A (zh
Inventor
廖振生
许军科
吴伟华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHENZHEN HARZONE TECHNOLOGY Co Ltd
Original Assignee
SHENZHEN HARZONE TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHENZHEN HARZONE TECHNOLOGY Co Ltd filed Critical SHENZHEN HARZONE TECHNOLOGY Co Ltd
Priority to CN201710024859.XA priority Critical patent/CN106778731B/zh
Publication of CN106778731A publication Critical patent/CN106778731A/zh
Application granted granted Critical
Publication of CN106778731B publication Critical patent/CN106778731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种车牌定位方法及终端，所述方法包括：获取待处理图像，对待处理图像进行多尺度金字塔变换，得到M个图像，对每一张图像进行分块处理，得到K个小块，将其进行垂直投影及滤波处理，得到K个行投影信息，根据K个行投影信息来确定目标车牌的N个候选框的上下边界，对N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定N个候选框的左右边界，每一候选框的上下边界和左右边界构成一个定位区域，得到N个定位区域，对所述N个定位区域的图像信息进行特征提取，得到N组特征，将其输入到目标分类器进行分类，得到目标车牌的区域。通过本发明实施例可提高车牌定位精度。

Description

一种车牌定位方法及终端
技术领域
本发明涉及视频监控技术领域，具体涉及一种车牌定位方法及终端。
背景技术
目前来看，交通管理的方式越来越趋向于智能化、安全化和自动化，正因如此，基于多媒体和人工智能技术的智能交通及电子警察系统在世界范围内得到了广泛的应用。在这些应用中，大部分的系统是以车牌识别为中心的，例如：超速系统，闯红灯系统，卡口系统，路径识别系统等均需要对整个交通流截面上通过的车辆进行车牌识别。而车牌定位是车牌识别系统中的第一步，定位的好坏直接影响到后面的矫正、分割、识别。因此，如何快速、准确地检测出车牌是汽车牌照自动识别技术中非常关键的一步。
虽然国内外科技人员对于车牌定位方法也做了大量的研究，但因为车牌摆放不正、磨损、不洁净，车牌因车身底牌的高低而不同以及天气影响等不利因素，实际车牌定位精度并不高。
发明内容
本发明实施例提供了一种车牌定位方法及终端，以期提高车牌定位精度。
本发明实施例第一方面提供了一种车牌定位方法，包括：
获取待处理图像，所述待处理图像中包含目标车牌；
对所述待处理图像进行多尺度金字塔变换，得到M个图像，所述M为大于1的整数；
对所述M个图像中的每一图像进行分块处理，得到K个小块，所述K为大于1的整数；
确定所述K个小块中每一小块的梯度信息，得到所述K个梯度信息；
对所述K个梯度信息进行垂直投影及滤波处理，得到所述K个行投影信息；
根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界；
对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，其中，所述N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到所述N个定位区域；
对所述N个定位区域的图像信息进行特征提取，得到所述N组特征；
依次将所述N组特征输入到目标分类器进行分类，得到所述目标车牌的区域。
可选地，所述根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界，包括：
按照中间比上下两边行投影值小的原则对所述K个行投影信息进行分段，得到Z个分段，所述Z为大于1的正整数；
将所述Z个分段中相邻且分段的平均行投影和最大行投影之间的差值的绝对值小于预设阈值的两个分段进行合并，并删除所述Z个分段中的最大行投影小于该分段所在小块的平均行投影的分段，得到N个分段；
根据所述N个分段来确定所述目标车牌的上下边界，得到所述目标车牌的N个候选框的上下边界。
可选地，所述对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，包括：
按照预设的滑块和滑动步长对所述N个候选框进行检测，得到P个候选区域，所述P为正整数；
采用对比极值区域CER对所述P个候选区域进行处理，得到Q个连通区域，所述Q为正整数；
根据预设字符排列规则从所述Q个连通区域中确定出所述N个候选框的左右边界。
可选地，对所述N个定位区域的图像信息进行特征提取，得到N组特征，包括：
对所述N个定位区域的图像信息进行尺度归一化处理；
将所述尺度归一化处理后的图像信息进行特征提取，得到所述N组特征。
可选地，所述获取待处理图像之前，所述方法还包括：
获取车牌的正样本集和负样本集；
对所述正样本集合和所述负样本集进行特征提取，得到多个特征；
对所述多个特征进行训练，得到所述目标分类器。
本发明实施例第二方面提供了一种终端，包括：
获取单元，用于获取待处理图像，所述待处理图像中包含目标车牌；
变换单元，用于对所述待处理图像进行多尺度金字塔变换，得到M个图像，所述M为大于1的整数；
第一处理单元，用于对所述M个图像中的每一图像进行分块处理，得到K个小块，所述K为大于1的整数；
第一确定单元，用于确定所述K个小块中每一小块的梯度信息，得到所述K个梯度信息；
第二处理单元，用于对所述K个梯度信息进行垂直投影及滤波处理，得到所述K个行投影信息；
第二确定单元，根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界；
第三确定单元，用于对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，其中，所述N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到所述N个定位区域；
提取单元，用于对所述N个定位区域的图像信息进行特征提取，得到N组特征；
分类单元，用于依次将所述N组特征输入到目标分类器进行分类，得到所述目标车牌的区域。
可选地，所述第二确定单元包括：
分段模块，按照中间比上下两边行投影值小的原则对所述K个行投影信息进行分段，得到Z个分段，所述Z为大于1的正整数；
筛选模块，用于将所述Z个分段中相邻且分段的平均行投影和最大行投影之间的差值的绝对值小于预设阈值的两个分段进行合并，并删除所述Z个分段中的最大行投影小于该分段所在小块的平均行投影的分段，得到N个分段；
第一确定模块，用于根据所述N个分段来确定所述目标车牌的上下边界，得到所述目标车牌的N个候选框的上下边界。
可选地，所述第三确定单元包括：
检测模块，用于按照预设的滑块和滑动步长对所述N个候选框进行检测，得到P个候选区域，所述P为正整数；
第一处理模块，用于采用对比极值区域CER对所述P个候选区域进行处理，得到Q个连通区域，所述Q为正整数；
第二确定模块，用于根据预设字符排列规则从所述Q个连通区域中确定出所述N个候选框的左右边界。
可选地，所述提取单元包括：
第二处理模块，用于对所述N个定位区域的图像信息进行尺度归一化处理；
提取模块，用于将所述尺度归一化处理后的图像信息进行特征提取，得到所述N组特征。
可选地，所述获取单元，还具体用于：所述获取待处理图像之前，获取车牌的正样本集和负样本集；所述提取单元还具体用于：对所述正样本集合和所述负样本集进行特征提取，得到多个特征；
所述终端还包括：
训练单元，用于对所述多个特征进行训练，得到所述目标分类器。
实施本发明实施例，具有如下有益效果：
通过本发明实施例，获取待处理图像，待处理图像中包含目标车牌，对待处理图像进行多尺度金字塔变换，得到M个图像，M为大于1的整数，对M个图像中的每一图像进行分块处理，得到K个小块，K为大于1的整数，确定K个小块中每一小块的梯度信息，得到K个梯度信息，对K个梯度信息进行垂直投影及滤波处理，得到K个行投影信息，根据K个行投影信息来确定目标车牌的N个候选框的上下边界，对N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定N个候选框的左右边界，其中，该N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到N个定位区域，对N个定位区域的图像信息进行特征提取，得到N组特征，依次将N组特征输入到目标分类器进行分类，得到目标车牌的区域。如此，可提高车牌定位精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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是本发明实施例提供的一种车牌定位方法的第一实施例流程示意图；
图2是本发明实施例提供的一种车牌定位方法的第二实施例流程示意图；
图3a是本发明实施例提供的一种终端的第一实施例结构示意图；
图3b是本发明实施例提供的图3a所描述的终端的第二确定单元的结构示意图；
图3c是本发明实施例提供的图3a所描述的终端的第三确定单元的结构示意图；
图3d是本发明实施例提供的图3a所描述的终端的提取单元的结构示意图；
图3e是本发明实施例提供的图3a所描述的终端的又一结构示意图；
图4是本发明实施例提供的一种终端的第二实施例结构示意图。
具体实施方式
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作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。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明实施例所描述终端可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备(MID，Mobile InternetDevices)或穿戴式设备等，上述仅是举例，而非穷举，包含但不限于上述终端。
需要说明的是，车牌定位过程中，为了更少的耗时，往往采取粗定位+车牌筛选的方法。在粗定位会获取很多包含车牌与非车牌(树木，道路，栏杆等)的候选区，通过常用的LBP、HOG、Haar特征效果并不好，如何运用一种新的方法能快速、有效的区分车牌与非车牌则是评判系统实用的因素之一。
因此，本发明实施例提出了一种车牌定位方法，包括如下步骤；
获取待处理图像，所述待处理图像中包含目标车牌；
对所述待处理图像进行多尺度金字塔变换，得到M个图像，所述M为大于1的整数；
对所述M个图像中的每一图像进行分块处理，得到K个小块，所述K为大于1的整数；
确定所述K个小块中每一小块的梯度信息，得到所述K个梯度信息；
对所述K个梯度信息进行垂直投影及滤波处理，得到所述K个行投影信息；
根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界；
对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，其中，所述N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到所述N个定位区域；
对所述N个定位区域的图像信息进行特征提取，得到所述N组特征；
依次将所述N组特征输入到目标分类器进行分类，得到所述目标车牌的区域。
请参阅图1，为本发明实施例提供的一种车牌定位方法的第一实施例流程示意图。本实施例中所描述的车牌定位方法，包括以下步骤：
101、获取待处理图像，所述待处理图像中包含目标车牌。
其中，待处理图像可包含至少一辆车，该至少一辆车可至少一个车牌的图像。上述目标车牌可为1个或者多个。
102、对所述待处理图像进行多尺度金字塔变换，得到M个图像，所述M为大于1的整数。
其中，可对待处理图像进行多尺度金字塔变换，得到M个图像，该M为大于1的整数。M可由多尺度金字塔变换设置的层数，
103、对所述M个图像中的每一图像进行分块处理，得到K个小块，所述K为大于1的整数。
其中，在对待处理图像进行多尺度金字塔变换，可得到M个图像，可对该M个图像中的每一图像进行分块。例如:块的大小为400*400，与200万像素的摄像头抓拍到的小汽车尺寸差不多，块与块之间的重叠部分有2/3的车牌大小。求出每一块的RGB、Gray图的梯度，做垂直投影，算出平均行投影后求出行投影的方差，如果方差大于某一值则进行对比度拉升。对行投影做均值滤波。
104、确定所述K个小块中每一小块的梯度信息，得到所述K个梯度信息。
105、对所述K个梯度信息进行垂直投影及滤波处理，得到所述K个行投影信息。
106、根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界。
其中，上述N可由系统默认或者用户自行设置，也可以通过其他方式计算得到。
可选地，上述步骤106中，根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界，包括：
61)、按照中间比上下两边行投影值小的原则对所述K个行投影信息进行分段，得到Z个分段，所述Z为大于1的正整数；
62)、将所述Z个分段中相邻且分段的平均行投影和最大行投影之间的差值的绝对值小于预设阈值的两个分段进行合并，并删除所述Z个分段中的最大行投影小于该分段所在小块的平均行投影的分段，得到N个分段；
63)、根据所述N个分段来确定所述目标车牌的上下边界，得到所述目标车牌的N个候选框的上下边界。
具体地，确定车牌的上下边界：根据均值滤波后的行投影，按照波谷清零的原则将中间比上下两边行投影值小的行投影置零，这样讲块分成很多段，对距离相邻、分段的平均行投影和最大行投影接近的两个分段进行合并，删除最大行投影小于当前块的平均行投影的分段。保留的分段通过最大行投影进行排序，依次进行输出。
107、对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，其中，所述N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到所述N个定位区域。
可选地，上述步骤107中，对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，包括：
71)、按照预设的滑块和滑动步长对所述N个候选框进行检测，得到P个候选区域，所述P为正整数；
72)、采用对比极值区域CER对所述P个候选区域进行处理，得到Q个连通区域，所述Q为正整数；
73)、根据预设字符排列规则从所述Q个连通区域中确定出所述N个候选框的左右边界。
具体地，确定左右边界：取分段高的3.5倍为宽、高度跟分段高一致的滑块，滑动步长为一个高度。每产生一个候选区域时，则对区域进行水平、垂直投影，计算分块数，满足分块数是否在一定的范围内。如果满足则计算灰度和灰度方差，如果对比度低则需要进行对比度拉伸。用对比极值区域(CER)来计算连通区域的个数及其分布，如果连通区域的个数和每个联连通区域所在的位置满足车牌字符分布则保留，可将保留的连通区域的左右边界作为目标车牌的左右边界。
108、对所述N个定位区域的图像信息进行特征提取，得到所述N组特征。
其中，可对N个定位区域的图像信息进行特征提取，得到N组特征，该N组特征中每一组特征包含的特征数目相同。
可选地，上述步骤108中，对所述N个定位区域的图像信息进行特征提取，得到N组特征，可包括如下步骤：
对所述N个定位区域的图像信息进行尺度归一化处理；
将所述尺度归一化处理后的图像信息进行特征提取，得到所述N组特征。
例如，对N个定位区域的图像信息提取gabor特征：
A)将对N个定位区域的图像信息进行归一化处理，然后，进行分块，得到若干个子图像。如归一化的车牌宽为56，高为16，会分成8块(16X16大小五块：0-15、9-25、19-35、29-45、39-55，32X16大小三块：0-31、23-55、11-43，56X16大小一块)；
B)每个子图像使用同一个尺度四个方向的Gabor滤波器进行特征提取，得到不同区域的不同方向的多张图像特征。其中Gabor滤波器的表达式如下：
其中，a＝xcosθ+ysinθ,b＝-xsinθ+ycosθ,θ为Gabor核函数的方向(为了节省时间这里取0°，45°，90°，135°)，δx和δy分别为高斯函数的标准差，wx和wy为滤波器径向中心频率的分量，j为虚数单位。对应的二维Gabor函数的频率响应为：
根据上式可知，二维Gabor滤波器的奇偶函数的表达式为：
C)对Gabor特征图采用高斯加权进行卷积和计算，用来降维。
109、依次将所述N组特征输入到目标分类器进行分类，得到所述目标车牌的区域。
可选地，具体如下所述：假设输入一组图像：
训练集{(x1,y1),…,(xN,yN)}，其中xi＝{xi1,…,xiM},yi∈(+1,-1),i＝1,2,…,N,M是向量xi的维数。
初始化：每一个训练样本最开始时具有相同的权重：
循环构建决策树，知道满足条件退出。k＝1,2,…,M
①、使用具有权值分布Dm的训练数据集学习，得到基本分类器Gm(x):χ→{-1,+1}
②、计算Gm(x)在训练数据集上的分类错误率
③、计算Gm(x)的系数，αm表示Gm(x)在最终分类器的重要程度：
由上式可知，em<＝1/2时，αm>＝0，且αm随着em的减小而增大，意味着分类误差率越小的分类器在最终的分类器中的作用越大。
④、更新训练数据集的权值分布
Dm+1＝(wm+1,1,wm+1,2,…,wm+1,i,…,wm+1,N)
使得被基本分类器Gm(x)误分类样本的权值增大，而被正确分类样本的权值减小。通过这样的方式，Adaboost方法能“聚焦于”那些较难分的样本上。其中Zm是规范因子，使得Dm+1成为一个概率分布：
⑤构建基本分类器的线性组合、
从而得到最终分类器，如下：
可选地，步骤101之前，还可以包含如下步骤：
获取车牌的正样本集和负样本集；
对所述正样本集合和所述负样本集进行特征提取，得到多个特征；
对所述多个特征进行训练，得到所述目标分类器。
可以看出，通过本发明实施例，获取待处理图像，待处理图像中包含目标车牌，对待处理图像进行多尺度金字塔变换，得到M个图像，M为大于1的整数，对M个图像中的每一图像进行分块处理，得到K个小块，K为大于1的整数，确定K个小块中每一小块的梯度信息，得到K个梯度信息，对K个梯度信息进行垂直投影及滤波处理，得到K个行投影信息，根据K个行投影信息来确定目标车牌的N个候选框的上下边界，对N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定N个候选框的左右边界，其中，该N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到N个定位区域，对所述N个定位区域的图像信息进行特征提取，得到N组特征，依次将N组特征输入到目标分类器进行分类，得到目标车牌的区域。如此，可提高车牌定位精度。
与上述一致地，请参阅图2，为本发明实施例提供的一种车牌定位方法的第二实施例流程示意图。本实施例中所描述的车牌定位方法，包括以下步骤：
201、获取车牌的正样本集和负样本集。
其中，步骤201中的正样本集可为正常车牌的图像，正样本集中包含多个正样本。负样本集则为用户想不包含车牌或者车牌不正常的图像，负样本集中包含多个负样本。上述正样本集和负样本集的包含的样本数量当然越多，训练出来的模型越准确，但是，正样本和负样本的数量越多，也会增加训练时候的计算成本。
202、对所述正样本集合和所述负样本集进行特征提取，得到多个特征。
203、对所述多个特征进行训练，得到目标分类器。
204、获取待处理图像，所述待处理图像中包含目标车牌。
205、对所述待处理图像进行多尺度金字塔变换，得到M个图像，所述M为大于1的整数。
206、对所述M个图像中的每一图像进行分块处理，得到K个小块，所述K为大于1的整数。
207、确定所述K个小块中每一小块的梯度信息，得到所述K个梯度信息。
208、对所述K个梯度信息进行垂直投影及滤波处理，得到所述K个行投影信息。
209、根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界；
210、对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，其中，所述N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到所述N个定位区域；
211、对所述N个定位区域的图像信息进行特征提取，得到所述N组特征。
212、依次将所述N组特征输入到所述目标分类器进行分类，得到所述目标车牌的区域。
可以看出，通过本发明实施例，获取车牌的正样本集和负样本集，对正样本集合和负样本集进行特征提取，得到多个特征，对多个特征进行训练，得到目标分类器，获取待处理图像，待处理图像中包含目标车牌，对待处理图像进行多尺度金字塔变换，得到M个图像，M为大于1的整数，对M个图像中的每一图像进行分块处理，得到K个小块，K为大于1的整数，确定K个小块中每一小块的梯度信息，得到K个梯度信息，对K个梯度信息进行垂直投影及滤波处理，得到K个行投影信息，根据K个行投影信息来确定目标车牌的N个候选框的上下边界，对N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定N个候选框的左右边界，其中，该N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到N个定位区域，对N个定位区域的图像信息进行特征提取，得到N组特征，将N组特征输入到目标分类器进行分类，得到目标车牌的区域。如此，可提高车牌定位精度。
与上述一致地，以下为实施上述车牌定位方法的装置，具体如下：
请参阅图3a，为本发明实施例提供的一种终端的第一实施例结构示意图。本实施例中所描述的终端，包括：获取单元301、变换单元302、第一处理单元303、第一确定单元304、第二处理单元305、第二确定单元306、第三确定单元307、提取单元308和分类单元309，具体如下：
获取单元301，用于获取待处理图像，所述待处理图像中包含目标车牌；
变换单元302，用于对所述待处理图像进行多尺度金字塔变换，得到M个图像，所述M为大于1的整数；
第一处理单元303，用于对所述M个图像中的每一图像进行分块处理，得到K个小块，所述K为大于1的整数；
第一确定单元304，用于确定所述K个小块中每一小块的梯度信息，得到所述K个梯度信息；
第二处理单元305，用于对所述K个梯度信息进行垂直投影及滤波处理，得到所述K个行投影信息；
第二确定单元306，用于根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界；
第三确定单元307，用于用于对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，其中，所述N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到所述N个定位区域；
提取单元308，用于对所述N个定位区域的图像信息进行特征提取，得到N组特征；
分类单元309，用于依次将N组特征输入到目标分类器进行分类，得到所述目标车牌的区域。
可选地，如图3b，图3b为图3a所描述的终端的第二确定单元305的具体细化结构，所述第二确定单元305可包括：分段模块3051、筛选模块3052和第一确定模块3053，具体如下：
分段模块3051，用于按照中间比上下两边行投影值小的原则对所述K个行投影信息进行分段，得到Z个分段，所述Z为大于1的正整数；
筛选模块3052，用于将所述Z个分段中相邻且分段的平均行投影和最大行投影之间的差值的绝对值小于预设阈值的两个分段进行合并，并删除所述Z个分段中的最大行投影小于该分段所在小块的平均行投影的分段，得到N个分段；
第一确定模块3053，用于根据所述N个分段来确定所述目标车牌的上下边界，得到所述目标车牌的N个候选框的上下边界。
可选地，如图3c，图3c为图3a所描述的终端的第三确定单元306的具体细化结构，所述第三确定单元306可包括：检测模块3061、第一处理模块3062和第二确定模块3063，具体如下：
检测模块3061，用于按照预设的滑块和滑动步长对所述N个候选框进行检测，得到P个候选区域，所述P为正整数；
第一处理模块3062，用于采用对比极值区域CER对所述P个候选区域进行处理，得到Q个连通区域，所述Q为正整数；
第二确定模块3063，用于根据预设字符排列规则从所述Q个连通区域中确定出所述N个候选框的左右边界。
可选地，如图3d，图3d为图3a所描述的终端的提取单元308的具体细化结构，所述提取单元308可包括：第二处理模块3081和提取模块3082，具体如下：
第二处理模块3081，用于对所述N个定位区域的图像信息进行尺度归一化处理；
提取模块3082，用于将所述尺度归一化处理后的图像信息进行特征提取，得到所述N组特征。
可选地，如图3e，图3e为图3a所描述的终端的变型结构，与图3a所描述的终端相比较，其还可包括：训练单元310，具体如下：
所述获取单元301，还具体用于：所述获取待处理图像之前，获取车牌的正样本集和负样本集；所述提取单元308还具体用于：对所述正样本集合和所述负样本集进行特征提取，得到多个特征；
训练单元310，用于对所述多个特征进行训练，得到所述目标分类器。
可以看出，通过本发明实施例所描述的终端，可获取待处理图像，待处理图像中包含目标车牌，对待处理图像进行多尺度金字塔变换，得到M个图像，M为大于1的整数，对M个图像中的每一图像进行分块处理，得到K个小块，K为大于1的整数，确定K个小块中每一小块的梯度信息，得到K个梯度信息，对K个梯度信息进行垂直投影及滤波处理，得到K个行投影信息，根据K个行投影信息来确定目标车牌的N个候选框的上下边界，对N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定N个候选框的左右边界，其中，该N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到N个定位区域，对所述N个定位区域的图像信息进行特征提取，得到N组特征，依次将每组N组特征输入到目标分类器进行分类，得到目标车牌的区域。如此，可提高车牌定位精度。
与上述一致地，请参阅图4，为本发明实施例提供的一种终端的第二实施例结构示意图。本实施例中所描述的终端，包括：至少一个输入设备1000；至少一个输出设备2000；至少一个处理器3000，例如CPU；和存储器4000，上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。
其中，上述输入设备1000具体可为触控面板、物理按键或者鼠标。
上述输出设备2000具体可为显示屏。
上述存储器4000可以是高速RAM存储器，也可为非易失存储器(non-volatilememory)，例如磁盘存储器。上述存储器4000用于存储一组程序代码，上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000中存储的程序代码，执行如下操作：
上述处理器3000，用于：
获取待处理图像，所述待处理图像中包含目标车牌；
对所述待处理图像进行多尺度金字塔变换，得到M个图像，所述M为大于1的整数；
对所述M个图像中的每一图像进行分块处理，得到K个小块，所述K为大于1的整数；
确定所述K个小块中每一小块的梯度信息，得到所述K个梯度信息；
对所述K个梯度信息进行垂直投影及滤波处理，得到所述K个行投影信息；
根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界；
对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，其中，所述N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到所述N个定位区域；
对所述N个定位区域的图像信息进行特征提取，得到所述N组特征；
依次将所述N组特征输入到目标分类器进行分类，得到所述目标车牌的区域。
可选地，上述处理器3000根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界，包括：
按照中间比上下两边行投影值小的原则对所述K个行投影信息进行分段，得到Z个分段，所述Z为大于1的正整数；
将所述Z个分段中相邻且分段的平均行投影和最大行投影之间的差值的绝对值小于预设阈值的两个分段进行合并，并删除所述Z个分段中的最大行投影小于该分段所在小块的平均行投影的分段，得到N个分段；
根据所述N个分段来确定所述目标车牌的上下边界，得到所述目标车牌的N个候选框的上下边界。
可选地，上述处理器3000对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，包括：
按照预设的滑块和滑动步长对所述N个候选框进行检测，得到P个候选区域，所述P为正整数；
采用对比极值区域CER对所述P个候选区域进行处理，得到Q个连通区域，所述Q为正整数；
根据预设字符排列规则从所述Q个连通区域中确定出所述N个候选框的左右边界。
可选地，上述处理器3000对所述N个定位区域的图像信息进行特征提取，得到N组特征，包括：
对所述N个定位区域的图像信息进行尺度归一化处理；
将所述尺度归一化处理后的图像信息进行特征提取，得到所述N组特征。
可选地，上述处理器3000获取待处理图像之前，还具体用于：
获取车牌的正样本集和负样本集；
对所述正样本集合和所述负样本集进行特征提取，得到多个特征；
对所述多个特征进行训练，得到所述目标分类器。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种车牌定位方法的部分或全部步骤。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
本领域技术人员应明白，本发明的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过Internet或其它有线或无线电信系统。
本发明是参照本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种车牌定位方法，其特征在于，包括：
获取待处理图像，所述待处理图像中包含目标车牌，所述目标车牌为多个；
对所述待处理图像进行多尺度金字塔变换，得到M个图像，所述M为大于1的整数；
对所述M个图像中的每一图像进行分块处理，得到K个小块，所述K为大于1的整数；
确定所述K个小块中每一小块的梯度信息，得到所述K个梯度信息；
对所述K个梯度信息进行垂直投影及滤波处理，得到所述K个行投影信息；
根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界；
对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，其中，所述N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到所述N个定位区域；
对所述N个定位区域的图像信息进行特征提取，得到所述N组特征，所述N组特征中每一组特征包含的特征数目相同；
依次将所述N组特征输入到目标分类器进行分类，得到所述目标车牌的区域；
其中，所述根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界，包括：
按照中间比上下两边行投影值小的原则对所述K个行投影信息进行分段，得到Z个分段，所述Z为大于1的正整数；
将所述Z个分段中相邻且分段的平均行投影和最大行投影之间的差值的绝对值小于预设阈值的两个分段进行合并，并删除所述Z个分段中的最大行投影小于该分段所在小块的平均行投影的分段，得到N个分段；
根据所述N个分段来确定所述目标车牌的上下边界，得到所述目标车牌的N个候选框的上下边界。
2.根据权利要求1所述的方法，其特征在于，所述对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，包括：
按照预设的滑块和滑动步长对所述N个候选框进行检测，得到P个候选区域，所述P为正整数；
采用对比极值区域CER对所述P个候选区域进行处理，得到Q个连通区域，所述Q为正整数；
根据预设字符排列规则从所述Q个连通区域中确定出所述N个候选框的左右边界。
3.根据权利要求1或2所述的方法，其特征在于，所述对所述N个定位区域的图像信息进行特征提取，得到所述N组特征，包括：
对所述N个定位区域的图像信息进行尺度归一化处理；
将所述尺度归一化处理后的图像信息进行特征提取，得到所述N组特征。
4.根据权利要求1或2所述的方法，其特征在于，所述获取待处理图像之前，所述方法还包括：
获取车牌的正样本集和负样本集；
对所述正样本集合和所述负样本集进行特征提取，得到多个特征；
对所述多个特征进行训练，得到所述目标分类器。
5.一种终端，其特征在于，包括：
获取单元，用于获取待处理图像，所述待处理图像中包含目标车牌，所述目标车牌为多个；
变换单元，用于对所述待处理图像进行多尺度金字塔变换，得到M个图像，所述M为大于1的整数；
第一处理单元，用于对所述M个图像中的每一图像进行分块处理，得到K个小块，所述K为大于1的整数；
第一确定单元，用于确定所述K个小块中每一小块的梯度信息，得到所述K个梯度信息；
第二处理单元，用于对所述K个梯度信息进行垂直投影及滤波处理，得到所述K个行投影信息；
第二确定单元，根据所述K个行投影信息来确定所述目标车牌的N个候选框的上下边界；
第三确定单元，用于对所述N个候选框进行列投影并做滤波处理，通过滑块来选取至少一个指定段列投影的分布信息，并根据该分布信息确定所述N个候选框的左右边界，其中，所述N个候选框中每一候选框的上下边界和左右边界构成所述目标车牌的一个定位区域，得到所述N个定位区域；
提取单元，用于对所述N个定位区域的图像信息进行特征提取，得到N组特征，所述N组特征中每一组特征包含的特征数目相同；
分类单元，用于依次将所述N组特征输入到目标分类器进行分类，得到所述目标车牌的区域；
其中，所述第二确定单元包括：
分段模块，按照中间比上下两边行投影值小的原则对所述K个行投影信息进行分段，得到Z个分段，所述Z为大于1的正整数；
筛选模块，用于将所述Z个分段中相邻且分段的平均行投影和最大行投影之间的差值的绝对值小于预设阈值的两个分段进行合并，并删除所述Z个分段中的最大行投影小于该分段所在小块的平均行投影的分段，得到N个分段；
第一确定模块，用于根据所述N个分段来确定所述目标车牌的上下边界，得到所述目标车牌的N个候选框的上下边界。
6.根据权利要求5所述的终端，其特征在于，所述第三确定单元包括：
检测模块，用于按照预设的滑块和滑动步长对所述N个候选框进行检测，得到P个候选区域，所述P为正整数；
第一处理模块，用于采用对比极值区域CER对所述P个候选区域进行处理，得到Q个连通区域，所述Q为正整数；
第二确定模块，用于根据预设字符排列规则从所述Q个连通区域中确定出所述N个候选框的左右边界。
7.根据权利要求5或6所述的终端，其特征在于，所述提取单元包括：
第二处理模块，用于对所述N个定位区域的图像信息进行尺度归一化处理；
提取模块，用于将所述尺度归一化处理后的图像信息进行特征提取，得到所述N组特征。
8.根据权利要求5或6所述的终端，其特征在于，所述获取单元，还具体用于：所述获取待处理图像之前，获取车牌的正样本集和负样本集；所述提取单元还具体用于：对所述正样本集合和所述负样本集进行特征提取，得到多个特征；
所述终端还包括：
训练单元，用于对所述多个特征进行训练，得到所述目标分类器。
CN201710024859.XA 2017-01-13 2017-01-13 一种车牌定位方法及终端 Active CN106778731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710024859.XA CN106778731B (zh) 2017-01-13 2017-01-13 一种车牌定位方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710024859.XA CN106778731B (zh) 2017-01-13 2017-01-13 一种车牌定位方法及终端

Publications (2)

Publication Number Publication Date
CN106778731A CN106778731A (zh) 2017-05-31
CN106778731B true CN106778731B (zh) 2019-09-06

Family

ID=58945389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710024859.XA Active CN106778731B (zh) 2017-01-13 2017-01-13 一种车牌定位方法及终端

Country Status (1)

Country Link
CN (1) CN106778731B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101968A (zh) * 2018-08-09 2018-12-28 四川理工学院 一种车牌识别系统及识别方法
CN109118456B (zh) * 2018-09-26 2021-07-23 北京字节跳动网络技术有限公司 图像处理方法和装置
CN109711416B (zh) * 2018-11-23 2021-08-06 西安天和防务技术股份有限公司 目标识别方法、装置、计算机设备和存储介质
CN112418210B (zh) * 2019-08-20 2022-09-02 河海大学 一种杆塔巡检信息智能分类方法
CN114882484A (zh) * 2022-04-24 2022-08-09 江苏泽景汽车电子股份有限公司 车牌定位方法、装置、电子设备及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246551A (zh) * 2008-03-07 2008-08-20 北京航空航天大学 一种快速的车牌定位方法
CN101937508A (zh) * 2010-09-30 2011-01-05 湖南大学 一种基于高清图像的车牌定位与识别方法
CN104463220A (zh) * 2014-12-19 2015-03-25 深圳市捷顺科技实业股份有限公司 一种车牌检测方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246551A (zh) * 2008-03-07 2008-08-20 北京航空航天大学 一种快速的车牌定位方法
CN101937508A (zh) * 2010-09-30 2011-01-05 湖南大学 一种基于高清图像的车牌定位与识别方法
CN104463220A (zh) * 2014-12-19 2015-03-25 深圳市捷顺科技实业股份有限公司 一种车牌检测方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"基于图像的车牌定位算法研究";张涛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110915;第2011年卷(第9期);I138-771
"复杂条件下的车牌识别技术研究";刘小芳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160215;第2016年卷(第2期);I138-1534
"自然场景下的车牌检测与识别算法研究"，;牛博雅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151015;第2015年卷(第10期);I138-396
"针对高分辨率背景复杂图像的车牌定位算法研究";郭延祥;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140815;第2014年卷(第8期);I138-1271

Also Published As

Publication number Publication date
CN106778731A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106778731B (zh) 一种车牌定位方法及终端
CN110197146B (zh) 基于深度学习的人脸图像分析方法、电子装置及存储介质
CN109145742B (zh) 一种行人识别方法及系统
EP3295424B1 (en) Systems and methods for reducing a plurality of bounding regions
CN106682602B (zh) 一种驾驶员行为识别方法及终端
US8750573B2 (en) Hand gesture detection
US8792722B2 (en) Hand gesture detection
US20180018503A1 (en) Method, terminal, and storage medium for tracking facial critical area
US8885943B2 (en) Face detection method and apparatus
CN109882019B (zh) 一种基于目标检测和动作识别的汽车电动尾门开启方法
CN111126224A (zh) 车辆检测方法及分类识别模型训练方法
US20070058856A1 (en) Character recoginition in video data
US8908921B2 (en) Object detection method and object detector using the method
CN111429483A (zh) 高速跨摄像机多目标跟踪方法、系统、装置及存储介质
CN109145766A (zh) 模型训练方法、装置、识别方法、电子设备及存储介质
CN115187844A (zh) 基于神经网络模型的图像识别方法、装置及终端设备
CN109492576B (zh) 图像识别方法、装置及电子设备
CN111860309A (zh) 一种人脸识别方法及系统
CN108986137B (zh) 人体跟踪方法、装置及设备
US9147130B2 (en) Information processing method, information processing apparatus, and recording medium for identifying a class of an object by using a plurality of discriminators
CN109902576B (zh) 一种头肩图像分类器的训练方法及应用
CN111340213B (zh) 神经网络的训练方法、电子设备、存储介质
CN110910445B (zh) 一种物件尺寸检测方法、装置、检测设备及存储介质
CN111783665A (zh) 一种动作识别方法、装置、存储介质和电子设备
CN111709377B (zh) 特征提取方法、目标重识别方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant