CN107194393B - 一种检测临时车牌的方法及装置 - Google Patents

一种检测临时车牌的方法及装置 Download PDF

Info

Publication number
CN107194393B
CN107194393B CN201610146696.8A CN201610146696A CN107194393B CN 107194393 B CN107194393 B CN 107194393B CN 201610146696 A CN201610146696 A CN 201610146696A CN 107194393 B CN107194393 B CN 107194393B
Authority
CN
China
Prior art keywords
license plate
area
window
image
preset
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
CN201610146696.8A
Other languages
English (en)
Other versions
CN107194393A (zh
Inventor
张坤
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital 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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201610146696.8A priority Critical patent/CN107194393B/zh
Publication of CN107194393A publication Critical patent/CN107194393A/zh
Application granted granted Critical
Publication of CN107194393B publication Critical patent/CN107194393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种检测临时车牌的方法及装置，该方法包括：获得待检测图像中的候选车辆区域；利用预设的车窗检测模板，从候选车辆区域中定位到车窗区域并获得目标检测区域；提取目标检测区域的纹理特征并输入至预先建立的临时车牌检测模型中，临时车牌检测模型依据输入的纹理特征，检测目标检测区域中是否有与临时车牌的纹理特征相匹配的目标区域，获得标识目标区域数量的检测结果；判断目标区域的数量是否为零，若不为零则判定检测到临时车牌，若为零则判定未检测到临时车牌。应用本发明实施例提供的方案，能够对未挂有正常车牌的车辆是否粘贴有临时车牌进行检测，为进一步实现对道路上车辆的管理提供了可能。

Description

一种检测临时车牌的方法及装置
技术领域
本发明涉及智能交通技术领域，特别是涉及一种检测临时车牌的方法及装置。
背景技术
现如今，随着数字图像处理、模式识别和人工智能技术的日趋成熟，智能交通技术已逐渐成为道路交通发展的趋势。其中，对车辆的车牌检测是智能交通技术中的一个重要环节。实际应用中，由于新购买车辆等情况，道路上行驶有一些未挂有正常车牌的车辆，这些车辆按照规定是需要在车辆的车窗范围内粘贴临时车牌的。因此，为了实现对道路上行驶车辆的管理，对未挂有正常车牌的车辆的临时车牌的检测已成为一个值得深入研究的课题。
发明内容
本发明实施例的目的在于提供一种检测临时车牌的方法及装置，以实现对道路上未挂有正常车牌的车辆是否粘贴有临时车牌进行检测。
为达到上述目的，本发明实施例公开了一种检测临时车牌的方法，所述方法包括：
获得待检测图像中的候选车辆区域；其中，所述候选车辆区域为，所述待检测图像中的疑似粘贴有临时车牌的车辆所在的图像区域；
利用预设的车窗检测模板，从所获得的候选车辆区域中定位到车窗区域，并获得针对所述车窗区域的目标检测区域；其中，所述车窗区域为所述候选车辆区域中疑似为车辆车窗的图像区域；
提取所述目标检测区域的纹理特征，并将所述纹理特征输入至预先建立的临时车牌检测模型中，所述临时车牌检测模型，依据输入的纹理特征，检测所述目标检测区域中是否有与临时车牌的纹理特征相匹配的目标区域，获得标识目标区域数量的检测结果；
根据所述检测结果，判断所述目标区域的数量是否为零，若不为零，则判定从所述待检测图像的候选车辆区域中检测到临时车牌，若为零，则判定未从所述待检测图像的候选车辆区域中检测到临时车牌。
较佳的，所述获得待检测图像中的候选车辆区域，包括：
获得待检测图像的纹理特征，并将所述纹理特征输入至预先建立的道路过滤模型中，所述道路过滤模型，依据输入的纹理特征，检测所述待检测图像中是否有与道路的纹理特征相匹配的道路区域，并将检测出的道路区域从所述待检测图像中过滤掉，确定过滤后的所述待检测图像为第一图像区域；
提取所述第一图像区域的灰度特征，并将所述灰度特征输入至预先建立的车辆区域检测模型中，所述车辆区域检测模型，依据输入的灰度特征，检测所述第一图像区域中是否有与车辆的灰度特征相匹配的第二图像区域；
提取所述第二图像区域的灰度投影特征，并将所述灰度投影特征输入至预先建立的车牌检测模型中，所述车牌检测模型，依据输入的灰度投影特征，检测所述第二图像区域中是否有与正常车牌的灰度投影特征相匹配的正常车牌区域；
将没有检测出正常车牌区域的第二图像区域确定为候选车辆区域。
较佳的，所述提取所述第二图像区域的灰度投影特征，并将所述灰度投影特征输入至预先建立的车牌检测模型中，所述车牌检测模型，依据输入的灰度投影特征，检测所述第二图像区域中是否有与正常车牌的灰度投影特征相匹配的正常车牌区域，包括：
利用多尺度的滑窗方式，提取所述第二图像区域在各个窗口内的灰度投影特征，并将各个窗口内的灰度投影特征逐一输入至预先建立的第一正常车牌检测模型中，得到所述第二图像区域中在各个窗口具有正常车牌的多个置信度；其中，所述第一正常车牌检测模型是基于预设的正常车牌的正负样本图像的灰度投影特征训练得到的分类模型；
判断是否有大于预设的置信度阈值T的置信度，若有，则判定从所述第二图像区域中检测到正常车牌区域。
较佳的，当判断出至少有2个置信度大于所述阈值T时，所述判定从所述第二图像区域中检测到正常车牌区域，包括：
提取所述第二图像区域中置信度大于所述阈值T的各个正常车牌区域的颜色特征，并获得各个正常车牌区域中像素点的颜色值；
根据所述像素点的颜色值，统计出各个正常车牌区域中与预设颜色类别相对应的像素点数量，获得各个正常车牌区域中属于所述预设颜色类别的颜色百分比；其中，所述颜色百分比为与所述预设颜色类别相对应的像素点数量占所述正常车牌区域中像素点总数的比值；
将所述颜色百分比输入至预设的第二正常车牌检测模型中，并与所述第二正常车牌检测模型中预设的正常车牌的颜色百分比进行比较，筛选出与所述预设颜色类别的颜色百分比具有匹配关系的正常车牌区域；
判断筛选出的正常车牌区域的数量是否为零，若不为零，则判定从所述第二图像区域中检测到正常车牌区域。
较佳的，所述获得针对所述车窗区域的目标检测区域，包括：
根据预设的临时车牌图像的颜色特征中各个颜色分量获得颜色分量阈值，并根据所获得的颜色分量阈值对所述车窗区域进行二值化处理，并将二值化处理后的所述车窗区域中的白色图像区域确定为目标检测区域。
较佳的，所述临时车牌检测模型，依据输入的纹理特征，检测所述目标检测区域中是否有与临时车牌的纹理特征相匹配的目标区域，包括：
所述临时车牌检测模型，使用预先设置的搜索窗口对所述目标检测区域进行窗口扫描，其中，所述预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域。
较佳的，所述临时车牌检测模型中预设有不同尺寸的多个搜索窗口；
所述使用预先设置的搜索窗口对所述目标检测区域进行窗口扫描，包括：使用预设的第一搜索窗口对所述目标检测区域进行窗口扫描，若未检测到目标区域则使用下一个搜索窗口，直到当前搜索窗口扫描完成时检测出目标区域或预设的所有搜索窗口全部扫描完成。
较佳的，所述临时车牌检测模型包含级联的多个子分类器，每个子分类器将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域；其中，所述各个子分类器是基于不同的训练样本的相同特征训练得到的分类模型，且训练得到的各个子分类器之间具有不同的训练参数。
较佳的，所述使用预先设置的搜索窗口对所述目标检测区域进行窗口扫描，包括：
按照预设的行方向的扫描步长以及预设的行扫描方向对所述目标检测区域进行扫描，且每扫描完一行后按照预设的行间距下移至下一行继续扫描，直到将所述目标检测区域中的全部行扫描完成；其中，所述扫描步长不超过所使用的搜索窗口在行方向的窗口尺寸的大小，所述行间距不超过所使用的搜索窗口在列方向的窗口尺寸的大小。
所述判断所述目标区域的数量是否为零之前，还包括：
利用预设的聚类算法对所述目标区域进行合并处理，得到合并处理后的目标区域，并获得标识合并后的目标区域数量的检测结果。
较佳的，所述预设的车窗检测模板为：根据预设的车窗样本图像的车窗边缘的梯度信息拟合生成的模板。
为达到上述目的，本发明实施例公开了一种检测临时车牌的装置，所述装置包括：
候选车辆区域获得模块，用于获得待检测图像中的候选车辆区域；其中，所述候选车辆区域为，所述待检测图像中的疑似粘贴有临时车牌的车辆所在的图像区域；
目标检测区域获得模块，用于利用预设的车窗检测模板，从所获得的候选车辆区域中定位到车窗区域，并获得针对所述车窗区域的目标检测区域；其中，所述车窗区域为所述候选车辆区域中疑似为车辆车窗的图像区域；
目标区域检测模块，用于提取所述目标检测区域的纹理特征，并将所述纹理特征输入至预先建立的临时车牌检测模型中，所述临时车牌检测模型，依据输入的纹理特征，检测所述目标检测区域中是否有与临时车牌的纹理特征相匹配的目标区域，获得标识目标区域数量的检测结果；
临时车牌检测模块，用于根据所述检测结果，判断所述目标区域的数量是否为零，若不为零，则判定从所述待检测图像的候选车辆区域中检测到临时车牌，若为零，则判定未从所述待检测图像的候选车辆区域中检测到临时车牌。
较佳的，所述候选车辆区域获得模块，包括：
第一图像区域确定子模块，用于获得待检测图像的纹理特征，并将所述纹理特征输入至预先建立的道路过滤模型中，所述道路过滤模型，依据输入的纹理特征，检测所述待检测图像中是否有与道路的纹理特征相匹配的道路区域，并将检测出的道路区域从所述待检测图像中过滤掉，确定过滤后的所述待检测图像为第一图像区域；
第二图像区域检测子模块，用于提取所述第一图像区域的灰度特征，并将所述灰度特征输入至预先建立的车辆区域检测模型中，所述车辆区域检测模型，依据输入的灰度特征，检测所述第一图像区域中是否有与车辆的灰度特征相匹配的第二图像区域；
正常车牌区域检测子模块，用于提取所述第二图像区域的灰度投影特征，并将所述灰度投影特征输入至预先建立的车牌检测模型中，所述车牌检测模型，依据输入的灰度投影特征，检测所述第二图像区域中是否有与正常车牌的灰度投影特征相匹配的正常车牌区域；
候选车辆区域确定子模块，用于将没有检测出正常车牌区域的第二图像区域确定为候选车辆区域。
较佳的，所述正常车牌区域检测子模块，包括：
置信度获得单元，用于利用多尺度的滑窗方式，提取所述第二图像区域在各个窗口内的灰度投影特征，并将各个窗口内的灰度投影特征逐一输入至预先建立的第一正常车牌检测模型中，得到所述第二图像区域中在各个窗口具有正常车牌的多个置信度；其中，所述第一正常车牌检测模型是基于预设的正常车牌的正负样本图像的灰度投影特征训练得到的分类模型；
正常车牌区域判断单元，用于判断是否有大于预设的置信度阈值T的置信度，若有，则判定从所述第二图像区域中检测到正常车牌区域。
较佳的，所述正常车牌区域判断单元，具体用于：
当判断出至少有2个置信度大于所述阈值T时，提取所述第二图像区域中置信度大于所述阈值T的各个正常车牌区域的颜色特征，并获得各个正常车牌区域中像素点的颜色值；
根据所述像素点的颜色值，统计出各个正常车牌区域中与预设颜色类别相对应的像素点数量，获得各个正常车牌区域中属于所述预设颜色类别的颜色百分比；其中，所述颜色百分比为与所述预设颜色类别相对应的像素点数量占所述正常车牌区域中像素点总数的比值；
将所述颜色百分比输入至预设的第二正常车牌检测模型中，并与所述第二正常车牌检测模型中预设的正常车牌的颜色百分比进行比较，筛选出与所述预设颜色类别的颜色百分比具有匹配关系的正常车牌区域；
判断筛选出的正常车牌区域的数量是否为零，若不为零，则判定从所述第二图像区域中检测到正常车牌区域。
较佳的，所述目标检测区域获得模块，具体用于：
利用预设的车窗检测模板，从所获得的候选车辆区域中定位到车窗区域，根据预设的临时车牌图像的颜色特征中各个颜色分量获得颜色分量阈值，并根据所获得的颜色分量阈值对所述车窗区域进行二值化处理，并将二值化处理后的所述车窗区域中的白色图像区域确定为目标检测区域。
较佳的，所述目标区域检测模块，具体用于：
提取所述目标检测区域的纹理特征，并将所述纹理特征输入至预先建立的临时车牌检测模型中，所述临时车牌检测模型，使用预先设置的搜索窗口对所述目标检测区域进行窗口扫描，其中，所述预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域。
较佳的，所述临时车牌检测模型中预设有不同尺寸的多个搜索窗口；
所述目标区域检测模块，具体用于：提取所述目标检测区域的纹理特征，并将所述纹理特征输入至预先建立的临时车牌检测模型中，所述临时车牌检测模型，使用预设的第一搜索窗口对所述目标检测区域进行窗口扫描，若未检测到目标区域则使用下一个搜索窗口，直到当前搜索窗口扫描完成时检测出目标区域或预设的所有搜索窗口全部扫描完成，其中，所述预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域。
较佳的，所述临时车牌检测模型包含级联的多个子分类器，每个子分类器将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域；其中，所述各个子分类器是基于不同的训练样本的相同特征训练得到的分类模型，且训练得到的各个子分类器之间具有不同的训练参数。
较佳的，所述目标区域检测模块，具体用于：
提取所述目标检测区域的纹理特征，并将所述纹理特征输入至预先建立的临时车牌检测模型中，所述临时车牌检测模型，按照预设的行方向的扫描步长以及预设的行扫描方向对所述目标检测区域进行扫描，且每扫描完一行后按照预设的行间距下移至下一行继续扫描，直到将所述目标检测区域中的全部行扫描完成；其中，所述扫描步长不超过所使用的搜索窗口在行方向的窗口尺寸的大小，所述行间距不超过所使用的搜索窗口在列方向的窗口尺寸的大小，其中，所述预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域。
所述装置还包括：合并处理模块，用于在判断所述目标区域的数量是否为零之前，利用预设的聚类算法对所述目标区域进行合并处理，得到合并处理后的目标区域，并获得标识合并后的目标区域数量的检测结果。
较佳的，所述预设的车窗检测模板为：根据预设的车窗样本图像的车窗边缘的梯度信息拟合生成的模板。
本发明实施例提供的一种检测临时车牌的方法及装置，首先获得待检测图像中的候选车辆区域；然后，利用预设的车窗检测模板，从所获得的候选车辆区域中定位到车窗区域，并获得针对所述车窗区域的目标检测区域；接着，提取目标检测区域的纹理特征，并将纹理特征输入至预先建立的临时车牌检测模型中，临时车牌检测模型，依据输入的纹理特征，检测目标检测区域中是否有与临时车牌的纹理特征相匹配的目标区域，获得标识目标区域数量的检测结果；最后，根据检测结果，判断目标区域的数量是否为零，若不为零，则判定从待检测图像的候选车辆区域中检测到临时车牌，若为零，则判定未从待检测图像的候选车辆区域中检测到临时车牌。
应用本发明实施例提供的方案，能够对未挂有正常车牌的车辆是否粘贴有临时车牌进行检测，在检测临时车牌的过程中，利用临时车牌的纹理特征进行检测，为进一步实现对道路上车辆的管理提供了可能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，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1a为本发明实施例提供的一种检测临时车牌的方法的流程示意图；
图1b为本发明实施例提供的一种待检测图像的示意图；
图1c为本发明实施例提供的一种第二图像区域的示意图；
图1d为本发明实施例提供的另一种第二图像区域的示意图；
图2为本发明实施例提供的另一种检测临时车牌的方法的流程示意图；
图3为本发明实施例提供的一种检测临时车牌的装置的结构示意图；
图4为本发明实施例提供的另一种检测临时车牌的装置的结构示意图。
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，所描述的实施例仅仅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。
首先，对本发明实施例的应用场景进行下描述。本发明实施例提供的技术方案适用于对车辆的临时车牌进行检测。需要说明的是，根据相关规定，未悬挂正常车牌的车辆(例如，新购买的车辆等)若要上路行驶是必须要粘贴临时车牌的。临时车牌是指准予机动车临时上道路行驶的纸质机动车号牌，也称临时行驶车号牌。通常，临时车牌需要粘贴在车辆的前车窗上，例如，可以将临时车牌粘贴在前车窗的左下角或右下角等不影响驾驶人视线的位置。
为了实现对道路上行驶车辆的管理，除了通过对正常车牌的检测外，对于临时车牌的检测也是一个必不可少的环节。鉴于此，本发明实施例提供了一种检测临时车牌的方法及装置，下面先对本发明实施例提供的一种检测临时车牌的方法进行下详细描述，如图1a所示，该方法可以包括以下步骤：
步骤S101：获得待检测图像中的候选车辆区域。
其中，候选车辆区域为，待检测图像中的疑似粘贴有临时车牌的车辆所在的图像区域。
这里所说的“待检测图像”，可以是由图像采集设备实时采集的图像，例如，待检测图像可以是由预先设置于道路卡口的监控摄像头实时拍摄的视频帧图像；也可以是本地预先存储的图像，例如，待检测图像可以是由工作人员预先存储的图像。
但是，无论是实时采集的视频帧图像，还是预先存储的图像，对于待检测图像而言，在整幅图像的前景部分中可能包括一个或多个包含有车辆的图像区域(参见图1b)，也可能该图像的前景部分一个车辆的图像区域也不包含。步骤S101目的在于将待检测图像中包含有车辆的图像区域(即候选车辆区域)从待检测图像中提取出来，并将所提取出来的包含有车辆的图像区域作为后续步骤的处理对象。
在本发明的一种具体实施例中，可以按照以下步骤获得待检测图像中的候选车辆区域：
(11)获得待检测图像的纹理特征，并将纹理特征输入至预先建立的道路过滤模型中，道路过滤模型，依据输入的纹理特征，检测待检测图像中是否有与道路的纹理特征相匹配的道路区域，并将检测出的道路区域从待检测图像中过滤掉，确定过滤后的待检测图像为第一图像区域。
一种实现方式中，可以通过计算待检测图像的灰度共生矩阵，并根据灰度共生矩阵计算待检测图像的纹理特征。
其中，待检测图像的纹理特征可以包括对比度、能量、熵和相关性。
对比度用于度量待检测图像的图像矩阵中各矩阵元素的分布情况以及待检测图像的局部变化情况，该物理量反映了待检测图像的清晰度以及纹理的沟纹深浅。一般的，对比度的数值越大，说明纹理的沟纹越深，待检测图像越清晰，反之，对比度的数值越小，纹理的沟纹越浅，说明待检测图像越模糊。
具体的，可以按照以下公式来计算待检测图像的对比度Con：
Figure BDA0000941761400000101
其中，i表示灰度共生矩阵的行号，j表示灰度共生矩阵的列号，P(i，j)表示灰度共生矩阵中第i行第j列的矩阵元素的值。
能量是根据待检测图像的灰度共生矩阵中各矩阵元素值的平方和计算得到的，该物理量用于度量待检测图像的纹理的灰度变化稳定程度，反映了待检测图像中像素点的灰度分布均匀程度以及纹理粗细度。一般的，能量值大表明待检测图像的纹理是一种规则变化且较为稳定的纹理。
具体的，可以按照以下公式来计算待检测图像的能量Asm：
Figure BDA0000941761400000102
其中，i表示灰度共生矩阵的行号，j表示灰度共生矩阵的列号，P(i，j)表示灰度共生矩阵中第i行第j列的矩阵元素的值。
熵用于度量待检测图像包含的信息量的随机性。当灰度共生矩阵中所有矩阵元素均相等或者待检测图像的像素点的灰度值表现出最大的随机性时，熵最大，该物理量表明了待检测图像灰度分布的复杂程度。一般的，待检测图像的熵的数值越大，表明待检测图像越复杂。
具体的，可以按照以下公式来计算待检测图像的熵Ent：
Figure BDA0000941761400000103
其中，i表示灰度共生矩阵的行号，j表示灰度共生矩阵的列号，P(i，j)表示灰度共生矩阵中第i行第j列的矩阵元素的值。
相关性用于度量图像的灰度级在图像的行方向或列方向上的相似程度，反映了待检测图像的局部灰度相关性。一般的，待检测图像的相关性的数值越大，表明待检测图像的行方向或列方向的局部灰度的相关性也越大。
具体的，可以按照以下公式来计算待检测图像的相关性：
Figure BDA0000941761400000111
且分别按照如下公式计算μi、μj、si和sj：
Figure BDA0000941761400000112
Figure BDA0000941761400000113
Figure BDA0000941761400000114
Figure BDA0000941761400000115
其中，i表示灰度共生矩阵的行号，j表示灰度共生矩阵的列号，P(i，j)表示灰度共生矩阵中第i行第j列的矩阵元素的值。
另外，预先建立的道路过滤模型中的道路的纹理特征，也是通过对建立该模型的正样本图像(包含道路的图像)和负样本图像(不包含道路的图像)采用与上述纹理特征相同的计算方式得到的。
需要说明的是，上述灰度共生矩阵的计算方法以及利用灰度共生矩阵来计算对比度、能量、熵和相关性4种纹理特征的方法属于现有技术，这里仅是举例说明。当然，本发明实施例不需要对待检测图像所提取的纹理特征的具体形式进行限定，例如，还可以为最大概率、倒数差分距等，本领域内的技术人员需要根据实际应用中的具体情况进行合理的设置。
具体的，该道路过滤模型可以是基于决策树算法训练得到的分类模型，在将纹理特征输入至预先建立的道路过滤模型中后，该道路过滤模型使用滑窗方式对待检测图像进行扫描，其中，滑窗是指使用预设窗口尺寸的搜索窗口并按照预设的扫描规则在待检测图像上滑动以实现对待检测图像的扫描。考虑到图像拍摄时所拍摄的图像内容所具有的“近大远小”的特性，可以在道路过滤模型中预设具有不同的窗口尺寸的搜索窗口，即使用多尺度的搜索窗口对待检测图像进行扫描，以提高对待检测图像中的道路区域的扫描的准确度。
一般的，道路区域往往在待检测图像中占据较大的比例，通过上述对道路区域的过滤处理，降低了对临时车牌进行检测时对计算资源和处理时间的消耗。
(12)提取第一图像区域的灰度特征，并将灰度特征输入至预先建立的车辆区域检测模型中，车辆区域检测模型，依据输入的灰度特征，检测第一图像区域中是否有与车辆的灰度特征相匹配的第二图像区域。
一种实现方式中，该车辆区域检测模型可以是基于SVM(Support VectorMachine，支持向量机)算法训练得到的分类模型，该分类模型中包含有车辆图像的灰度特征，并依据该灰度特征与所提取的第一图像区域的灰度特征进行比对，从而检测出与车辆的灰度特征相匹配的第二图像区域(即车辆区域)，参见图1c至图1d，其中，图1c中的车辆悬挂有正常车牌，而图1d中的车辆未悬挂正常车牌。
需要说明的是，本发明实施例并不需要对建立该车辆区域检测模型的具体方式进行限定，也不需要对所提取的第一图像区域的灰度特征进行限定，本领域内的技术人员需要根据实际应用中的具体情况进行合理的设置。
(13)提取第二图像区域的灰度投影特征，并将灰度投影特征输入至预先建立的车牌检测模型中，车牌检测模型，依据输入的灰度投影特征，检测第二图像区域中是否有与正常车牌的灰度投影特征相匹配的正常车牌区域。
一种实现方式中，可以按照以下步骤来检测第二图像区域中是否有与正常车牌的灰度投影特征相匹配的正常车牌区域：
(13.1)利用多尺度的滑窗方式，提取第二图像区域在各个窗口内的灰度投影特征，并将各个窗口内的灰度投影特征逐一输入至预先建立的第一正常车牌检测模型中，得到第二图像区域中在各个窗口具有正常车牌的多个置信度；其中，第一正常车牌检测模型是基于预设的正常车牌的正负样本图像的灰度投影特征训练得到的分类模型。
具体的，预先建立的第一正常车牌检测模型可以是基于SVM(Support VectorMachine，支持向量机)算法训练得到的分类模型，还可以是基于ANNs(Artificial NeuralNetworks，人工神经网络)算法训练得到的分类模型，当然，本发明实施例并不需要对建立该第一正常车牌检测模型的具体方式进行限定，也不需要对所提取的第二图像区域的灰度投影特征进行限定，本领域内的技术人员需要根据实际应用中的具体情况进行合理的设置。
(13.2)判断是否有大于预设的置信度阈值T的置信度，若有，则判定从第二图像区域中检测到正常车牌区域。
需要说明的是，由于各种因素的影响(例如车内方式的面巾纸盒等)，容易对临时车牌的检测造成干扰，因此，进一步的，当判断出至少有2个置信度大于阈值T时，可以按照以下步骤判定从第二图像区域中检测到正常车牌区域：
(13.2.1)提取第二图像区域中置信度大于阈值T的各个正常车牌区域的颜色特征，并获得各个正常车牌区域中像素点的颜色值。
(13.2.2)根据像素点的颜色值，统计出各个正常车牌区域中与预设颜色类别相对应的像素点数量，获得各个正常车牌区域中属于预设颜色类别的颜色百分比。
其中，颜色百分比为与预设颜色类别相对应的像素点数量占正常车牌区域中像素点总数的比值。
(13.2.3)将颜色百分比输入至预设的第二正常车牌检测模型中，并与第二正常车牌检测模型中预设的正常车牌的颜色百分比进行比较，筛选出与预设颜色类别的颜色百分比具有匹配关系的正常车牌区域。
(13.2.4)判断筛选出的正常车牌区域的数量是否为零，若不为零，则判定从第二图像区域中检测到正常车牌区域。
需要说明的是，由于车辆车牌的相关规定，车辆的车牌所具有的颜色可以是蓝色、黄色、白色以及黑色的，这样，可以根据各类车牌对应的车牌图像训练得到各类车牌图像的颜色特征，并依据各类车牌的颜色特征对步骤(13.2)中判定出的正常车牌区域进行进一步的筛选，提高了所检测出的正常车牌区域的准确度。
(14)将没有检测出正常车牌区域的第二图像区域确定为候选车辆区域。
需要说明的是，由于道路上行驶的车辆大多数是挂有正常车牌的，因此，步骤(14)中将没有检测出正常车牌区域的第二图像区域确定为候选车辆区域，大大缩小了对临时车牌图像的检索区域的范围，进一步降低了对临时车牌进行检测时对计算资源和处理时间的消耗。
步骤S102：利用预设的车窗检测模板，从所获得的候选车辆区域中定位到车窗区域，并获得针对车窗区域的目标检测区域。
其中，车窗区域为候选车辆区域中疑似为车辆车窗的图像区域。
一种实现方式中，预设的车窗检测模板为：根据预设的车窗样本图像的车窗边缘的梯度信息拟合生成的模板。需要说明的是，这里仅仅列举了生成车窗检测模板的一种具体形式，本发明实施例不需要对生成车窗检测模板的具体形式进行限定，任何可能的实现方式均可以应用于本发明。
在本发明的一种具体实施例中，可以按照以下步骤来获得目标检测区域：
根据预设的临时车牌图像的颜色特征中各个颜色分量获得颜色分量阈值，并根据所获得的颜色分量阈值对车窗区域进行二值化处理，并将二值化处理后的车窗区域中的白色图像区域确定为目标检测区域。
需要说明的是，该具体实施例的优点在于，结合了临时车牌图像的颜色特征(临时车牌为白色的)，这样，基于该颜色特征能够从所定位到的车窗区域中过滤掉部分与预设的颜色特征不匹配的图像区域，这样，进一步缩小了对临时车牌图像的检索区域的范围，进一步降低了对临时车牌进行检测时对计算资源和处理时间的消耗。
步骤S103：提取目标检测区域的纹理特征，并将纹理特征输入至预先建立的临时车牌检测模型中，临时车牌检测模型，依据输入的纹理特征，检测目标检测区域中是否有与临时车牌的纹理特征相匹配的目标区域，获得标识目标区域数量的检测结果。
一种实现方式中，可以按照以下步骤检测目标检测区域中是否有与临时车牌的纹理特征相匹配的目标区域：
临时车牌检测模型，使用预先设置的搜索窗口对目标检测区域进行窗口扫描，其中，预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域。
具体的，可以按照以下方式对目标检测区域进行窗口扫描：
按照预设的行方向的扫描步长以及预设的行扫描方向对目标检测区域进行扫描，且每扫描完一行后按照预设的行间距下移至下一行继续扫描，直到将目标检测区域中的全部行扫描完成；其中，扫描步长不超过所使用的搜索窗口在行方向的窗口尺寸的大小，行间距不超过所使用的搜索窗口在列方向的窗口尺寸的大小。
另一种实现方式中，临时车牌检测模型中预设有不同尺寸的多个搜索窗口；可以使用预设的第一搜索窗口对目标检测区域进行窗口扫描，若未检测到目标区域则使用下一个搜索窗口，直到当前搜索窗口扫描完成时检测出目标区域或预设的所有搜索窗口全部扫描完成。
另一种实现方式中，临时车牌检测模型包含级联的多个子分类器，每个子分类器将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域；其中，各个子分类器是基于不同的训练样本的相同特征训练得到的分类模型，且训练得到的各个子分类器之间具有不同的训练参数。
具体的，该临时车牌检测模型可以是基于集合分类器Boosting算法训练得到的由多个级联的子分类器构成的分类模型。
一方面，在训练每一个子分类器时，首先选取预设数量的正样本(具有临时车牌的图像)和负样本(不具有临时车牌的图像)；对所选取的正负样本图像进行归一化处理，归一化处理后的正负样本图像具有相同的图像大小，例如，可以将图像归一化为64*32的图像大小；分别提取正样本和负样本中的每一幅图像的哈尔Haar特征，并获得一个具有所提取的Haar特征的搜索窗口。
进一步的，为了提高对临时车牌图像检测的准确度，还可以将样本图像归一化为不同图像尺寸，进而得到具有不同的窗口尺寸的搜索窗口。
需要说明的是，对于构成该临时车牌检测模型的各个子分类器而言，建立每个子分类器所选取的正样本与正样本中的图像是不相同的、负样本与负样本中的图像也是不相同的，甚至是正样本与正样本的样本容量也是可以不同的，负样本与负样本的样本容量也是可以不同的。
还需要说明的是，对于级联的各个子分类器，在应用该级联的各个子分类器对目标检测区域进行搜索时，所采用的搜索窗口是相同的。
下面结合一个具体例子，对该临时车牌检测模型的检测过程进行下描述：
假设，该临时车牌检测模型是由A、B、C三个子分类器构成的检测模型，其中，针对该临时车牌检测模型预设有50*50、40*40、30*30、20*20和10*10五个窗口尺寸的搜索窗口。
第一步：使用50*50的搜索窗口对目标检测区域进行扫描，首先由子分类器A对目标检测区域进行扫描，然后由子分类器B对目标检测区域进行扫描，最后由子分类器C对目标检测区域进行扫描；若子分类器A、B、C扫描完之后都没有检测出目标区域，则使用40*40的搜索窗口对目标检测区域进行扫描；
第二步：使用40*40的搜索窗口对目标检测区域进行扫描，首先由子分类器A对目标检测区域进行扫描，然后由子分类器B对目标检测区域进行扫描，最后由子分类器C对目标检测区域进行扫描；若子分类器A、B、C扫描完之后都没有检测出目标区域，则使用30*30的搜索窗口对目标检测区域进行扫描；
第三步，使用30*30的搜索窗口对目标检测区域进行扫描，首先由子分类器A对目标检测区域进行扫描，然后由子分类器B对目标检测区域进行扫描，最后有子分类器C对目标检测区域进行扫描；若子分类器A、B、C扫描完之后都检测出目标区域，则不再使用20*20和10*10的搜索窗口对目标检测区域进行扫描。
步骤S104：根据检测结果，判断目标区域的数量是否为零，若不为零，则判定从待检测图像的候选车辆区域中检测到临时车牌，若为零，则判定未从待检测图像的候选车辆区域中检测到临时车牌。
更进一步的，参见图2，在图1所示方法实施例基础之上，在步骤S101中判断目标区域的数量是否为零之前，还包括：
步骤S105：利用预设的聚类算法对目标区域进行合并处理，得到合并处理后的目标区域，并获得标识合并后的目标区域数量的检测结果。
一种实现方式中，可以按照以下方式来对目标区域进行合并处理：
(21)将检测结果中的N个目标区域确定为待合并目标，并针对每个待合并目标设置一个初始的类别；
(22)判断属于不同类别的任意两个待合并目标Ui和Uj的质心连线的距离Dij是否小于预设的距离阈值Td；其中，待合并目标Ui属于类别Ri，待合并目标Uj属于类别Rj；
(23)若小于，则判定这两个待合并目标Ui和Uj属于同一类别，则将类别Rj中的各个待合并目标合并到类别Ri中，并删除类别Rj；
(24)继续执行步骤(22)和步骤(23)，直到属于不同类别的任意两个待合并目标Ui和Uj的质心连线的距离Dij不小于阈值Td时，获得当前的类别的数量N′，分别从当前的每个类别中确定一个为合并后的目标区域，从而获得N′个合并后的目标区域。
需要说明的是，对属于同一类别的各个目标区域进行合并属于现有技术，本发明并不需要对预设的距离阈值Td的具体数值进行限定；上述列举的仅仅是对目标区域进行合并的一种具体实现方式而已，本发明不需要限定对目标区域进行合并的具体实现方式，任何可能的实现方式均可以应用于本发明。
应用本发明实施例提供的方案，能够对未挂有正常车牌的车辆是否粘贴有临时车牌进行检测，在检测临时车牌的过程中，利用临时车牌的纹理特征进行检测，为进一步实现对道路上车辆的管理提供了可能。进一步的，在检测临时车牌的过程中，排除了待检测图像中的道路区域以及具有正常车牌区域的干扰，降低了对临时车牌进行检测时对计算资源和处理时间的消耗。
下面对本发明实施例提供的检测临时车牌的装置进行下说明，参见图3，为本发明实施例提供的一种检测临时车牌的装置的结构示意图，该装置包括：
候选车辆区域获得模块201，用于获得待检测图像中的候选车辆区域；其中，候选车辆区域为，待检测图像中的疑似粘贴有临时车牌的车辆所在的图像区域；
目标检测区域获得模块202，用于利用预设的车窗检测模板，从所获得的候选车辆区域中定位到车窗区域，并获得针对车窗区域的目标检测区域；其中，车窗区域为候选车辆区域中疑似为车辆车窗的图像区域；
目标区域检测模块203，用于提取目标检测区域的纹理特征，并将纹理特征输入至预先建立的临时车牌检测模型中，临时车牌检测模型，依据输入的纹理特征，检测目标检测区域中是否有与临时车牌的纹理特征相匹配的目标区域，获得标识目标区域数量的检测结果；
临时车牌检测模块204，用于根据检测结果，判断目标区域的数量是否为零，若不为零，则判定从待检测图像的候选车辆区域中检测到临时车牌，若为零，则判定未从待检测图像的候选车辆区域中检测到临时车牌。
具体的，候选车辆区域获得模块201，包括：
第一图像区域确定子模块，用于获得待检测图像的纹理特征，并将纹理特征输入至预先建立的道路过滤模型中，道路过滤模型，依据输入的纹理特征，检测待检测图像中是否有与道路的纹理特征相匹配的道路区域，并将检测出的道路区域从待检测图像中过滤掉，确定过滤后的待检测图像为第一图像区域；
第二图像区域检测子模块，用于提取第一图像区域的灰度特征，并将灰度特征输入至预先建立的车辆区域检测模型中，车辆区域检测模型，依据输入的灰度特征，检测第一图像区域中是否有与车辆的灰度特征相匹配的第二图像区域；
正常车牌区域检测子模块，用于提取第二图像区域的灰度投影特征，并将灰度投影特征输入至预先建立的车牌检测模型中，车牌检测模型，依据输入的灰度投影特征，检测第二图像区域中是否有与正常车牌的灰度投影特征相匹配的正常车牌区域；
候选车辆区域确定子模块，用于将没有检测出正常车牌区域的第二图像区域确定为候选车辆区域。
一种实现方式中，第一图像区域确定子模块，具体用于：
计算待检测图像的灰度共生矩阵，并根据灰度共生矩阵计算待检测图像的纹理特征，并将纹理特征输入至预先建立的道路过滤模型中，道路过滤模型，依据输入的纹理特征，检测待检测图像中是否有与道路的纹理特征相匹配的道路区域，并将检测出的道路区域从待检测图像中过滤掉，确定过滤后的待检测图像为第一图像区域；
正常车牌区域检测子模块，包括：
置信度获得单元，用于利用多尺度的滑窗方式，提取第二图像区域在各个窗口内的灰度投影特征，并将各个窗口内的灰度投影特征逐一输入至预先建立的第一正常车牌检测模型中，得到第二图像区域中在各个窗口具有正常车牌的多个置信度；其中，第一正常车牌检测模型是基于预设的正常车牌的正负样本图像的灰度投影特征训练得到的分类模型；
正常车牌区域判断单元，用于判断是否有大于预设的置信度阈值T的置信度，若有，则判定从第二图像区域中检测到正常车牌区域。
其中，正常车牌区域判断单元，具体用于：
当判断出至少有2个置信度大于阈值T时，提取第二图像区域中置信度大于阈值T的各个正常车牌区域的颜色特征，并获得各个正常车牌区域中像素点的颜色值；
根据像素点的颜色值，统计出各个正常车牌区域中与预设颜色类别相对应的像素点数量，获得各个正常车牌区域中属于预设颜色类别的颜色百分比；其中，颜色百分比为与预设颜色类别相对应的像素点数量占正常车牌区域中像素点总数的比值；
将颜色百分比输入至预设的第二正常车牌检测模型中，并与第二正常车牌检测模型中预设的正常车牌的颜色百分比进行比较，筛选出与预设颜色类别的颜色百分比具有匹配关系的正常车牌区域；
判断筛选出的正常车牌区域的数量是否为零，若不为零，则判定从第二图像区域中检测到正常车牌区域。
一种实现方式中，目标检测区域获得模块202，具体用于：
利用预设的车窗检测模板，从所获得的候选车辆区域中定位到车窗区域，根据预设的临时车牌图像的颜色特征中各个颜色分量获得颜色分量阈值，并根据所获得的颜色分量阈值对车窗区域进行二值化处理，并将二值化处理后的车窗区域中的白色图像区域确定为目标检测区域。
其中，目标区域检测模块203，具体用于：
提取目标检测区域的纹理特征，并将纹理特征输入至预先建立的临时车牌检测模型中，临时车牌检测模型，使用预先设置的搜索窗口对目标检测区域进行窗口扫描，其中，预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域。
一种实现方式中，临时车牌检测模型中预设有不同尺寸的多个搜索窗口；
目标区域检测模块203，具体用于：提取目标检测区域的纹理特征，并将纹理特征输入至预先建立的临时车牌检测模型中，临时车牌检测模型，使用预设的第一搜索窗口对目标检测区域进行窗口扫描，若未检测到目标区域则使用下一个搜索窗口，直到当前搜索窗口扫描完成时检测出目标区域或预设的所有搜索窗口全部扫描完成，其中，预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域。
具体的，临时车牌检测模型包含级联的多个子分类器，每个子分类器将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域；其中，各个子分类器是基于不同的训练样本的相同特征训练得到的分类模型，且训练得到的各个子分类器之间具有不同的训练参数。
一种实现方式中，目标区域检测模块203，具体用于：
提取目标检测区域的纹理特征，并将纹理特征输入至预先建立的临时车牌检测模型中，临时车牌检测模型，按照预设的行方向的扫描步长以及预设的行扫描方向对目标检测区域进行扫描，且每扫描完一行后按照预设的行间距下移至下一行继续扫描，直到将目标检测区域中的全部行扫描完成；其中，扫描步长不超过所使用的搜索窗口在行方向的窗口尺寸的大小，行间距不超过所使用的搜索窗口在列方向的窗口尺寸的大小，其中，预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域。
参见图4，在图3所示装置实施例的基础之上，该装置还包括：
合并处理模块205，用于在判断目标区域的数量是否为零之前，利用预设的聚类算法对目标区域进行合并处理，得到合并处理后的目标区域，并获得标识合并后的目标区域数量的检测结果。
具体的，预设的车窗检测模板为：根据预设的车窗样本图像的车窗边缘的梯度信息拟合生成的模板。
应用本发明实施例提供的方案，能够对未挂有正常车牌的车辆是否粘贴有临时车牌进行检测，在检测临时车牌的过程中，利用临时车牌的纹理特征进行检测，为进一步实现对道路上车辆的管理提供了可能。进一步的，在检测临时车牌的过程中，排除了待检测图像中的道路区域以及具有正常车牌区域的干扰，降低了对临时车牌进行检测时对计算资源和处理时间的消耗。
对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (18)

1.一种检测临时车牌的方法，其特征在于，所述方法包括：
获得待检测图像的纹理特征，并将所述纹理特征输入至预先建立的道路过滤模型中，所述道路过滤模型，依据输入的纹理特征，检测所述待检测图像中是否有与道路的纹理特征相匹配的道路区域，并将检测出的道路区域从所述待检测图像中过滤掉，确定过滤后的所述待检测图像为第一图像区域；
提取所述第一图像区域的灰度特征，并将所述灰度特征输入至预先建立的车辆区域检测模型中，所述车辆区域检测模型，依据输入的灰度特征，检测所述第一图像区域中是否有与车辆的灰度特征相匹配的第二图像区域；
提取所述第二图像区域的灰度投影特征，并将所述灰度投影特征输入至预先建立的车牌检测模型中，所述车牌检测模型，依据输入的灰度投影特征，检测所述第二图像区域中是否有与正常车牌的灰度投影特征相匹配的正常车牌区域；
将没有检测出正常车牌区域的第二图像区域确定为候选车辆区域；其中，所述候选车辆区域为，所述待检测图像中的疑似粘贴有临时车牌的车辆所在的图像区域；
利用预设的车窗检测模板，从所获得的候选车辆区域中定位到车窗区域，并获得针对所述车窗区域的目标检测区域；其中，所述车窗区域为所述候选车辆区域中疑似为车辆车窗的图像区域；
提取所述目标检测区域的纹理特征，并将所述纹理特征输入至预先建立的临时车牌检测模型中，所述临时车牌检测模型，依据输入的纹理特征，检测所述目标检测区域中是否有与临时车牌的纹理特征相匹配的目标区域，获得标识目标区域数量的检测结果；
根据所述检测结果，判断所述目标区域的数量是否为零，若不为零，则判定从所述待检测图像的候选车辆区域中检测到临时车牌，若为零，则判定未从所述待检测图像的候选车辆区域中检测到临时车牌。
2.根据权利要求1所述的方法，其特征在于，
所述提取所述第二图像区域的灰度投影特征，并将所述灰度投影特征输入至预先建立的车牌检测模型中，所述车牌检测模型，依据输入的灰度投影特征，检测所述第二图像区域中是否有与正常车牌的灰度投影特征相匹配的正常车牌区域，包括：
利用多尺度的滑窗方式，提取所述第二图像区域在各个窗口内的灰度投影特征，并将各个窗口内的灰度投影特征逐一输入至预先建立的第一正常车牌检测模型中，得到所述第二图像区域中在各个窗口具有正常车牌的多个置信度；其中，所述第一正常车牌检测模型是基于预设的正常车牌的正负样本图像的灰度投影特征训练得到的分类模型；
判断是否有大于预设的置信度阈值T的置信度，若有，则判定从所述第二图像区域中检测到正常车牌区域。
3.根据权利要求2所述的方法，其特征在于，当判断出至少有2个置信度大于所述阈值T时，所述判定从所述第二图像区域中检测到正常车牌区域，包括：
提取所述第二图像区域中置信度大于所述阈值T的各个正常车牌区域的颜色特征，并获得各个正常车牌区域中像素点的颜色值；
根据所述像素点的颜色值，统计出各个正常车牌区域中与预设颜色类别相对应的像素点数量，获得各个正常车牌区域中属于所述预设颜色类别的颜色百分比；其中，所述颜色百分比为与所述预设颜色类别相对应的像素点数量占所述正常车牌区域中像素点总数的比值；
将所述颜色百分比输入至预设的第二正常车牌检测模型中，并与所述第二正常车牌检测模型中预设的正常车牌的颜色百分比进行比较，筛选出与所述预设颜色类别的颜色百分比具有匹配关系的正常车牌区域；
判断筛选出的正常车牌区域的数量是否为零，若不为零，则判定从所述第二图像区域中检测到正常车牌区域。
4.根据权利要求1所述的方法，其特征在于，所述获得针对所述车窗区域的目标检测区域，包括：
根据预设的临时车牌图像的颜色特征中各个颜色分量获得颜色分量阈值，并根据所获得的颜色分量阈值对所述车窗区域进行二值化处理，并将二值化处理后的所述车窗区域中的白色图像区域确定为目标检测区域。
5.根据权利要求1所述的方法，其特征在于，所述临时车牌检测模型，依据输入的纹理特征，检测所述目标检测区域中是否有与临时车牌的纹理特征相匹配的目标区域，包括：
所述临时车牌检测模型，使用预先设置的搜索窗口对所述目标检测区域进行窗口扫描，其中，所述预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域。
6.根据权利要求5所述的方法，其特征在于，所述临时车牌检测模型中预设有不同尺寸的多个搜索窗口；
所述使用预先设置的搜索窗口对所述目标检测区域进行窗口扫描，包括：使用预设的第一搜索窗口对所述目标检测区域进行窗口扫描，若未检测到目标区域则使用下一个搜索窗口，直到当前搜索窗口扫描完成时检测出目标区域或预设的所有搜索窗口全部扫描完成。
7.根据权利要求5所述的方法，其特征在于，所述临时车牌检测模型包含级联的多个子分类器，每个子分类器将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域；其中，所述各个子分类器是基于不同的训练样本的相同特征训练得到的分类模型，且训练得到的各个子分类器之间具有不同的训练参数。
8.根据权利要求5所述的方法，其特征在于，
所述使用预先设置的搜索窗口对所述目标检测区域进行窗口扫描，包括：
按照预设的行方向的扫描步长以及预设的行扫描方向对所述目标检测区域进行扫描，且每扫描完一行后按照预设的行间距下移至下一行继续扫描，直到将所述目标检测区域中的全部行扫描完成；其中，所述扫描步长不超过所使用的搜索窗口在行方向的窗口尺寸的大小，所述行间距不超过所使用的搜索窗口在列方向的窗口尺寸的大小；
所述判断所述目标区域的数量是否为零之前，还包括：
利用预设的聚类算法对所述目标区域进行合并处理，得到合并处理后的目标区域，并获得标识合并后的目标区域数量的检测结果。
9.根据权利要求1-8中任一项所述的方法，其特征在于，所述预设的车窗检测模板为：根据预设的车窗样本图像的车窗边缘的梯度信息拟合生成的模板。
10.一种检测临时车牌的装置，其特征在于，所述装置包括：
候选车辆区域获得模块，所述候选车辆区域获得模块包括：第一图像区域确定子模块，用于获得待检测图像的纹理特征，并将所述纹理特征输入至预先建立的道路过滤模型中，所述道路过滤模型，依据输入的纹理特征，检测所述待检测图像中是否有与道路的纹理特征相匹配的道路区域，并将检测出的道路区域从所述待检测图像中过滤掉，确定过滤后的所述待检测图像为第一图像区域；第二图像区域检测子模块，用于提取所述第一图像区域的灰度特征，并将所述灰度特征输入至预先建立的车辆区域检测模型中，所述车辆区域检测模型，依据输入的灰度特征，检测所述第一图像区域中是否有与车辆的灰度特征相匹配的第二图像区域；正常车牌区域检测子模块，用于提取所述第二图像区域的灰度投影特征，并将所述灰度投影特征输入至预先建立的车牌检测模型中，所述车牌检测模型，依据输入的灰度投影特征，检测所述第二图像区域中是否有与正常车牌的灰度投影特征相匹配的正常车牌区域；候选车辆区域确定子模块，用于将没有检测出正常车牌区域的第二图像区域确定为候选车辆区域；其中，所述候选车辆区域为，所述待检测图像中的疑似粘贴有临时车牌的车辆所在的图像区域；
目标检测区域获得模块，用于利用预设的车窗检测模板，从所获得的候选车辆区域中定位到车窗区域，并获得针对所述车窗区域的目标检测区域；其中，所述车窗区域为所述候选车辆区域中疑似为车辆车窗的图像区域；
目标区域检测模块，用于提取所述目标检测区域的纹理特征，并将所述纹理特征输入至预先建立的临时车牌检测模型中，所述临时车牌检测模型，依据输入的纹理特征，检测所述目标检测区域中是否有与临时车牌的纹理特征相匹配的目标区域，获得标识目标区域数量的检测结果；
临时车牌检测模块，用于根据所述检测结果，判断所述目标区域的数量是否为零，若不为零，则判定从所述待检测图像的候选车辆区域中检测到临时车牌，若为零，则判定未从所述待检测图像的候选车辆区域中检测到临时车牌。
11.根据权利要求10所述的装置，其特征在于，所述正常车牌区域检测子模块，包括：
置信度获得单元，用于利用多尺度的滑窗方式，提取所述第二图像区域在各个窗口内的灰度投影特征，并将各个窗口内的灰度投影特征逐一输入至预先建立的第一正常车牌检测模型中，得到所述第二图像区域中在各个窗口具有正常车牌的多个置信度；其中，所述第一正常车牌检测模型是基于预设的正常车牌的正负样本图像的灰度投影特征训练得到的分类模型；
正常车牌区域判断单元，用于判断是否有大于预设的置信度阈值T的置信度，若有，则判定从所述第二图像区域中检测到正常车牌区域。
12.根据权利要求11所述的装置，其特征在于，所述正常车牌区域判断单元，具体用于：
当判断出至少有2个置信度大于所述阈值T时，提取所述第二图像区域中置信度大于所述阈值T的各个正常车牌区域的颜色特征，并获得各个正常车牌区域中像素点的颜色值；
根据所述像素点的颜色值，统计出各个正常车牌区域中与预设颜色类别相对应的像素点数量，获得各个正常车牌区域中属于所述预设颜色类别的颜色百分比；其中，所述颜色百分比为与所述预设颜色类别相对应的像素点数量占所述正常车牌区域中像素点总数的比值；
将所述颜色百分比输入至预设的第二正常车牌检测模型中，并与所述第二正常车牌检测模型中预设的正常车牌的颜色百分比进行比较，筛选出与所述预设颜色类别的颜色百分比具有匹配关系的正常车牌区域；
判断筛选出的正常车牌区域的数量是否为零，若不为零，则判定从所述第二图像区域中检测到正常车牌区域。
13.根据权利要求10所述的装置，其特征在于，所述目标检测区域获得模块，具体用于：
利用预设的车窗检测模板，从所获得的候选车辆区域中定位到车窗区域，根据预设的临时车牌图像的颜色特征中各个颜色分量获得颜色分量阈值，并根据所获得的颜色分量阈值对所述车窗区域进行二值化处理，并将二值化处理后的所述车窗区域中的白色图像区域确定为目标检测区域。
14.根据权利要求10所述的装置，其特征在于，所述目标区域检测模块，具体用于：
提取所述目标检测区域的纹理特征，并将所述纹理特征输入至预先建立的临时车牌检测模型中，所述临时车牌检测模型，使用预先设置的搜索窗口对所述目标检测区域进行窗口扫描，其中，所述预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域。
15.根据权利要求14所述的装置，其特征在于，所述临时车牌检测模型中预设有不同尺寸的多个搜索窗口；
所述目标区域检测模块，具体用于：提取所述目标检测区域的纹理特征，并将所述纹理特征输入至预先建立的临时车牌检测模型中，所述临时车牌检测模型，使用预设的第一搜索窗口对所述目标检测区域进行窗口扫描，若未检测到目标区域则使用下一个搜索窗口，直到当前搜索窗口扫描完成时检测出目标区域或预设的所有搜索窗口全部扫描完成，其中，所述预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域。
16.根据权利要求14所述的装置，其特征在于，所述临时车牌检测模型包含级联的多个子分类器，每个子分类器将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域；其中，所述各个子分类器是基于不同的训练样本的相同特征训练得到的分类模型，且训练得到的各个子分类器之间具有不同的训练参数。
17.根据权利要求14所述的装置，其特征在于，
所述目标区域检测模块，具体用于：
提取所述目标检测区域的纹理特征，并将所述纹理特征输入至预先建立的临时车牌检测模型中，所述临时车牌检测模型，按照预设的行方向的扫描步长以及预设的行扫描方向对所述目标检测区域进行扫描，且每扫描完一行后按照预设的行间距下移至下一行继续扫描，直到将所述目标检测区域中的全部行扫描完成；其中，所述扫描步长不超过所使用的搜索窗口在行方向的窗口尺寸的大小，所述行间距不超过所使用的搜索窗口在列方向的窗口尺寸的大小，其中，所述预先设置的搜索窗口包含临时车牌的纹理特征；在扫描过程中，将搜索窗口所包含的临时车牌的纹理特征与当前搜索窗口在所述目标检测区域中对应的当前窗口区域的纹理特征进行匹配，将匹配成功的当前窗口区域确定为目标区域；
所述装置还包括：合并处理模块，用于在判断所述目标区域的数量是否为零之前，利用预设的聚类算法对所述目标区域进行合并处理，得到合并处理后的目标区域，并获得标识合并后的目标区域数量的检测结果。
18.根据权利要求10-17中任一项所述的装置，其特征在于，所述预设的车窗检测模板为：根据预设的车窗样本图像的车窗边缘的梯度信息拟合生成的模板。
CN201610146696.8A 2016-03-15 2016-03-15 一种检测临时车牌的方法及装置 Active CN107194393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610146696.8A CN107194393B (zh) 2016-03-15 2016-03-15 一种检测临时车牌的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610146696.8A CN107194393B (zh) 2016-03-15 2016-03-15 一种检测临时车牌的方法及装置

Publications (2)

Publication Number Publication Date
CN107194393A CN107194393A (zh) 2017-09-22
CN107194393B true CN107194393B (zh) 2020-02-18

Family

ID=59871501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610146696.8A Active CN107194393B (zh) 2016-03-15 2016-03-15 一种检测临时车牌的方法及装置

Country Status (1)

Country Link
CN (1) CN107194393B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829456B (zh) * 2017-11-23 2022-05-17 腾讯科技（深圳）有限公司 图像识别方法、装置及终端
CN108288386A (zh) * 2018-01-29 2018-07-17 深圳信路通智能技术有限公司 基于视频的路内停车跟踪方法
CN108492616B (zh) * 2018-04-11 2020-12-08 浙江大华技术股份有限公司 一种停车位的停车状态确定方法及装置
CN109657674A (zh) * 2018-11-28 2019-04-19 新华三技术有限公司 一种车辆标识确定方法及装置
CN112255973A (zh) * 2019-07-02 2021-01-22 库卡机器人(广东)有限公司 工业生产系统中的目标检测方法、检测终端及存储介质
CN110705633B (zh) * 2019-09-27 2022-06-07 北京猎户星空科技有限公司 目标物检测、目标物检测模型的建立方法及装置
CN113408364B (zh) * 2021-05-26 2022-11-11 深圳市捷顺科技实业股份有限公司 一种临时车牌识别方法、系统、装置及存储介质
CN113516104B (zh) * 2021-08-09 2023-08-29 上海高德威智能交通系统有限公司 一种营运客车识别方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334837A (zh) * 2008-07-31 2008-12-31 重庆大学 一种多方法融合的车牌图像定位方法
CN102147860A (zh) * 2011-05-16 2011-08-10 杭州华三通信技术有限公司 一种基于白平衡的车牌识别方法和装置
CN103605953A (zh) * 2013-10-31 2014-02-26 电子科技大学 基于滑窗搜索的车辆兴趣目标检测方法
CN103824091A (zh) * 2014-02-27 2014-05-28 中国石油大学(华东) 一种用于智能交通系统的车牌识别方法
CN105184291A (zh) * 2015-08-26 2015-12-23 深圳市捷顺科技实业股份有限公司 一种多类型车牌检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334837A (zh) * 2008-07-31 2008-12-31 重庆大学 一种多方法融合的车牌图像定位方法
CN102147860A (zh) * 2011-05-16 2011-08-10 杭州华三通信技术有限公司 一种基于白平衡的车牌识别方法和装置
CN103605953A (zh) * 2013-10-31 2014-02-26 电子科技大学 基于滑窗搜索的车辆兴趣目标检测方法
CN103824091A (zh) * 2014-02-27 2014-05-28 中国石油大学(华东) 一种用于智能交通系统的车牌识别方法
CN105184291A (zh) * 2015-08-26 2015-12-23 深圳市捷顺科技实业股份有限公司 一种多类型车牌检测方法及系统

Also Published As

Publication number Publication date
CN107194393A (zh) 2017-09-22

Similar Documents

Publication Publication Date Title
CN107194393B (zh) 一种检测临时车牌的方法及装置
CN109993056B (zh) 一种识别车辆违章行为的方法、服务器及存储介质
CN109740478B (zh) 车辆检测及识别方法、装置、计算机设备及可读存储介质
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
Jia et al. Region-based license plate detection
Wang et al. An effective method for plate number recognition
CN107316036B (zh) 一种基于级联分类器的害虫识别方法
KR101848019B1 (ko) 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
CN108268867B (zh) 一种车牌定位方法及装置
CN105825212A (zh) 一种基于Hadoop的分布式车牌识别方法
CN101859382A (zh) 一种基于最大稳定极值区域的车牌检测与识别的方法
CN106778742B (zh) 一种基于Gabor滤波器背景纹理抑制的车标检测方法
CN110598550B (zh) 一种基于多层信息智能分析的车辆联网识别系统
CN108319958A (zh) 一种基于特征融合匹配的行驶证检测和识别方法
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN114387591A (zh) 车牌识别方法、系统、设备及存储介质
CN109313699A (zh) 用于对一车辆的输入图像进行目标识别的装置和方法
Gilly et al. A survey on license plate recognition systems
KR101347886B1 (ko) 도로 영역 및 기하학적 정보를 이용한 차로 인식 방법 및 장치
Hossen et al. Vehicle license plate detection and tilt correction based on HSI color model and SUSAN corner detector
CN110516547B (zh) 一种基于加权非负矩阵分解的套牌车辆检测方法
Zheng et al. Character segmentation for license plate recognition by K-means algorithm
Mohammad et al. An Efficient Method for Vehicle theft and Parking rule Violators Detection using Automatic Number Plate Recognition
Kanitkar et al. Vision based preceding vehicle detection using self shadows and structural edge features

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