CN107679565A - 跳跃式滑窗加速车牌检测方法 - Google Patents
跳跃式滑窗加速车牌检测方法 Download PDFInfo
- Publication number
- CN107679565A CN107679565A CN201710856417.1A CN201710856417A CN107679565A CN 107679565 A CN107679565 A CN 107679565A CN 201710856417 A CN201710856417 A CN 201710856417A CN 107679565 A CN107679565 A CN 107679565A
- Authority
- CN
- China
- Prior art keywords
- image
- sliding window
- feature vector
- image feature
- detected
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种跳跃式滑窗加速车牌检测方法,属于计算机视觉领域。本发明首先基于训练样本图像的图像特征向量训练adaboost分类器,其中图像特征向量包括图像灰度值、梯度灰度值和六个梯度方向直方图;在进行车牌检测处理时,首先对其进行图像预处理:在HSV空间对V分量进行自适应直方图均衡增强处理,再转换到RGB颜色空间并转换为灰度图;从而构建待检测图像的快速特征金字塔图像,得到金字塔各层图像的图像特征向量并输入到adaboost分类器中进行跳跃式滑窗检测,最后使用非极大值抑制的方法获得局部最优检测结果。本发明用于车牌检测,其检测的计算复杂度低,检测速度快,准确度高。
Description
技术领域
本发明属于计算机视觉领域,主要涉及数字图像处理、机器学习和车牌识别领域。
背景技术
智能交通的发展要求我们研发出一套智能的交通管理系统。车牌识别系统是智能交通管理系统的重要组成部分。它可以用于无人停车场管理、高速公路间断测速、十字路口交通监管等场合。车牌识别系统一般可以划分为以下三个部分:
1)车牌检测:判断待检测图像中是否存在车牌,若存在,则提取车牌所在的图像位置,并从待检测图像中切割出车牌检测结果。
2)车牌字符分割:将车牌中的每个字符分别进行字符定位后分割。
3)车牌字符识别:对字符分割结果进行识别,涉及到对汉字、数字和字母的字符识别。
现有的车牌检测主要利用颜色、梯度、图像形态学等方式,这些方式都是基于一些基础的图像处理领域的技术。虽然取得了一定的成效,但通常需要将几种不同的方法相结合才能达到较高的召回率,从而导致检测模型复杂,检测速度是缓慢的。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供
步骤1:输入训练样本集,提取训练样本图像的图像特征向量,包括图像灰度值、梯度灰度值和六个梯度方向直方图,所述六个梯度方向为:180°均分为6所得到的6个梯度方向;
基于训练样本图像的图像特征向量训练adaboost分类器,记所述adaboost分类器的图像模板尺寸为m*n;
步骤2:对待检测图像进行图像预处理:若当前待检测图像的颜色空间不是HSV空间,则将其转换到HSV空间,对待检测图像的明度分量进行自适应直方图均衡增强处理,再转换到RGB颜色空间并转换为灰度图;
步骤3:构建待检测图像的快速特征金字塔图像:
基于预置的金字塔图像层数S,将其分为三部分,分别将各部分的起始层作为指定层,采用与提取训练样本图像的图像特征向量相同的提取方式,提取三个指定层的金字塔图像的图像特征向量;
基于各部分的指定层估计非指定层的图像特征向量:
用表示指定层的图像特征向量元素,其中k为指定层区分符,Ω为图像特征向量元素标识符;
根据得到各部分的非指定层的图像特征信息,其中表示将按照尺度s缩放,λΩ为对应图像特征向量Ω的估计参数;
步骤4:跳跃式滑窗检测:
基于所提取的图像特征向量,用步骤1训练好的adaboost分类器在金字塔图像的每一层分别做跳跃式滑窗检测,其中滑动窗口的大小为m*n,m为横向边长,n为纵向边长;
在滑窗检测时,设置基准滑窗步长为1,判断adaboost分类器对当前滑窗打分是否小于预设阈值(当前滑窗不存在车牌),若是,则以当前滑窗位置为中心,跳过所述中心位置附近(横向*纵向)个未检测窗口;否则按基准滑窗步长滑窗检测;
步骤5:使用非极大值抑制的方法获得局部最优检测结果。
综上所述,由于采用了上述技术方案,本发明的有益效果是:对车牌的检测处理的计算复杂度低,检测速度快,准确度高。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式,对本发明作进一步地详细描述。
本发明的跳跃式滑窗加速车牌检测方法的具体实施步骤如下:
步骤1:输入训练样本集,提取训练样本图像的图像特征向量,包括图像灰度值、梯度灰度值和六个梯度方向(180°均分为6所得到的6个梯度方向)直方图,即8个特征通道;
基于训练样本图像的图像特征向量训练adaboost分类器,记所述adaboost分类器的图像模板尺寸为m*n;
步骤2:对待检测图像进行图像预处理:若当前待检测图像的颜色空间不是HSV空间,则将其转换到HSV空间,对待检测图像的明度分量(V分量)进行自适应直方图均衡(AHE)增强处理,再转换到RGB颜色空间并转换为灰度图;
步骤3:构建待检测图像的快速特征金字塔图像:
基于预置的金字塔图像层数S,将其分为三部分,分别将各部分的起始层作为指定层,提取三个指定层的金字塔图像的图像特征向量,包括图像灰度值、梯度灰度值和六个梯度方向(180°均分为6所得到的6个梯度方向)直方图;再基于指定层去估计其它层的图像特征向量。
以20层金字塔为例,取出图像的第1层、第9层,第17层作为指定层,例如原始图像大小为640*480,那么金字塔第1层图像大小为1280*800,每一层图像大小只有上一层的0.917,到第9层图像大小为640*400,第17层为320*200;
然后提取各指定层的图像特征向量,并基于各部分的指定层估计非指定层的图像特征向量:用表示指定层的图像特征向量元素,其中k为指定层区分符,Ω为图像特征向量元素标识符;根据得到各部分的非指定层的图像特征信息,其中表示将按照尺度s缩放,λΩ为对应图像特征向量Ω的估计参数。
该方式设置的快速特征金字塔图像在车牌检测时的处理速度快,且检测几乎没有损失。
步骤4:跳跃式滑窗检测:
基于所提取的图像特征向量,用训练好的adaboost分类器在金字塔图像的每一层分别做跳跃式滑窗检测,其中滑动窗口的大小为m*n,m为横向边长,n为纵向边长;
在滑窗检测时,设置基准滑窗步长为1,判断adaboost分类器对当前滑窗打分是否小于预设阈值(当前滑窗不存在车牌),若是,则以当前滑窗位置为中心,附近(横向*纵向)个未检测窗口都不必再做滑窗检测;否则按基准滑窗步长滑窗检测。
例如滑动窗口的大小为116*36,若当前滑窗打分小于预设阈值,则将当前横向滑窗步长设置为58,并且纵向18个单位的滑窗也不必在检测。
本发明的跳跃式滑窗检测能显著减少滑窗次数,例如在1280*800图像中,假设该图片中不存在车牌(为了方便分析,在实际应用中的一张图像中,通常是没有车牌,或者只有有1个车牌),则普通模式下滑窗步长为1的滑窗,需要判别的滑窗次数为(1280-116+1)*(800-36+1)=891225,滑窗步长为4的滑窗,需要判别的滑窗次数为Floor[(1280-116+1)/4]*Floor[(800-36+1)/4]=291*191=55581;而在本发明的跳跃式滑窗模式下,基准滑窗步长为1时,需要判别的滑窗次数为:Floor[(1280-116+1)/58]*Floor[(800-36+1)/18]=20*42=840。当图像中存在车牌或者类似于车牌的物体,则滑窗次数会略大于840,但是也远远小于普通模式的滑窗运算量。
步骤5:使用非极大值抑制的方法获得局部最优检测结果(防止同一个车牌被检出多次)。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (1)
1.跳跃式滑窗加速车牌检测方法,其特征在于,包括下列步骤:
步骤1:输入训练样本集,提取训练样本图像的图像特征向量,包括图像灰度值、梯度灰度值和六个梯度方向直方图,所述六个梯度方向为:180°均分为6所得到的6个梯度方向;
基于训练样本图像的图像特征向量训练adaboost分类器,记所述adaboost分类器的图像模板尺寸为m*n;
步骤2:对待检测图像进行图像预处理:若当前待检测图像的颜色空间不是HSV空间,则将其转换到HSV空间,对待检测图像的明度分量进行自适应直方图均衡增强处理,再转换到RGB颜色空间并转换为灰度图;
步骤3:构建待检测图像的快速特征金字塔图像:
基于预置的金字塔图像层数S,将其分为三部分,分别将各部分的起始层作为指定层,采用与提取训练样本图像的图像特征向量相同的提取方式,提取三个指定层的金字塔图像的图像特征向量;
基于各部分的指定层估计非指定层的图像特征向量:
用表示指定层的图像特征向量元素,其中k为指定层区分符,Ω为图像特征向量元素标识符;
根据得到各部分的非指定层的图像特征信息,其中表示将按照尺度s缩放,λΩ为对应图像特征向量Ω的估计参数;
步骤4:跳跃式滑窗检测:
基于所提取的图像特征向量,用步骤1训练好的adaboost分类器在金字塔图像的每一层分别做跳跃式滑窗检测,其中滑动窗口的大小为m*n,m为横向边长,n为纵向边长;
在滑窗检测时,设置基准滑窗步长为1,判断adaboost分类器对当前滑窗打分是否小于预设阈值,若是,则以当前滑窗位置为中心,跳过所述中心位置附近个未检测窗口;否则按基准滑窗步长滑窗检测;
步骤5:使用非极大值抑制的方法获得局部最优检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710856417.1A CN107679565A (zh) | 2017-09-21 | 2017-09-21 | 跳跃式滑窗加速车牌检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710856417.1A CN107679565A (zh) | 2017-09-21 | 2017-09-21 | 跳跃式滑窗加速车牌检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107679565A true CN107679565A (zh) | 2018-02-09 |
Family
ID=61137598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710856417.1A Pending CN107679565A (zh) | 2017-09-21 | 2017-09-21 | 跳跃式滑窗加速车牌检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679565A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241969A (zh) * | 2018-09-26 | 2019-01-18 | 旺微科技(上海)有限公司 | 一种多目标检测方法及检测系统 |
CN109325487A (zh) * | 2018-08-27 | 2019-02-12 | 电子科技大学 | 一种基于目标检测的全种类车牌识别方法 |
CN110796144A (zh) * | 2019-11-08 | 2020-02-14 | 北京字节跳动网络技术有限公司 | 车牌检测方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520841A (zh) * | 2009-03-10 | 2009-09-02 | 北京航空航天大学 | 一种高清视频中的实时抗干扰车牌定位方法 |
CN106529522A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于积分通道特征的车牌定位方法 |
-
2017
- 2017-09-21 CN CN201710856417.1A patent/CN107679565A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520841A (zh) * | 2009-03-10 | 2009-09-02 | 北京航空航天大学 | 一种高清视频中的实时抗干扰车牌定位方法 |
CN106529522A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于积分通道特征的车牌定位方法 |
Non-Patent Citations (3)
Title |
---|
刘攀桂: ""复杂场景下的车牌检测算法研究及其工程实现"", 《中国优秀硕士学位论文全文数据库》 * |
贾志勇等: "基于局部小波分形特征的车牌定位研究", 《计算机仿真》 * |
黄鹏等: "改进积分通道特征的快速多尺度行人检测", 《计算机工程与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325487A (zh) * | 2018-08-27 | 2019-02-12 | 电子科技大学 | 一种基于目标检测的全种类车牌识别方法 |
CN109325487B (zh) * | 2018-08-27 | 2021-12-03 | 电子科技大学 | 一种基于目标检测的全种类车牌识别方法 |
CN109241969A (zh) * | 2018-09-26 | 2019-01-18 | 旺微科技(上海)有限公司 | 一种多目标检测方法及检测系统 |
CN110796144A (zh) * | 2019-11-08 | 2020-02-14 | 北京字节跳动网络技术有限公司 | 车牌检测方法、装置、设备及存储介质 |
CN110796144B (zh) * | 2019-11-08 | 2023-04-25 | 北京字节跳动网络技术有限公司 | 车牌检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN106355602B (zh) | 一种多目标定位跟踪视频监控方法 | |
US9092696B2 (en) | Image sign classifier | |
CN111402209B (zh) | 一种基于U-Net的高速铁路钢轨损伤检测方法 | |
EP2575077B1 (en) | Road sign detecting method and road sign detecting apparatus | |
CN108805018A (zh) | 道路交通标志检测识别方法、电子设备、存储介质及系统 | |
CN109948416A (zh) | 一种基于深度学习的违法占用公交车道自动审核方法 | |
CN111191611B (zh) | 基于深度学习的交通标志标号识别方法 | |
CN110879950A (zh) | 多级目标分类及交通标志检测方法和装置、设备、介质 | |
CN105022990A (zh) | 一种基于无人艇应用的水面目标快速检测方法 | |
CN103679168A (zh) | 文字区域检测方法及装置 | |
CN107491762A (zh) | 一种行人检测方法 | |
CN103366190A (zh) | 一种识别交通标志的方法 | |
CN103544484A (zh) | 一种基于surf的交通标志识别方法及系统 | |
CN112381870B (zh) | 一种基于双目视觉的船舶识别与航速测量系统及方法 | |
Sharma et al. | A hybrid technique for license plate recognition based on feature selection of wavelet transform and artificial neural network | |
CN107679565A (zh) | 跳跃式滑窗加速车牌检测方法 | |
CN105868734A (zh) | 基于bow图像表征模型的输电线路大型施工车辆识别方法 | |
CN110516633A (zh) | 一种基于深度学习的车道线检测方法及系统 | |
CN105184301B (zh) | 一种利用四轴飞行器判别车辆方位的方法 | |
CN104463134A (zh) | 一种车牌检测方法和系统 | |
Wali et al. | Shape matching and color segmentation based traffic sign detection system | |
CN108960175A (zh) | 一种基于深度学习的车牌识别方法 | |
CN111079675A (zh) | 基于目标检测与目标跟踪的行驶行为分析方法 | |
CN109409409A (zh) | 基于hog+cnn的交通标志的实时检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180209 |