基于顏色紋理分析器與機(jī)器學(xué)習(xí)的車(chē)牌檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種車(chē)牌檢測(cè)技術(shù)，屬于計(jì)算機(jī)圖像處理領(lǐng)域，特別涉及一種基于顏 色紋理分析器與機(jī)器學(xué)習(xí)的車(chē)牌檢測(cè)方法，本發(fā)明是一種基于顏色特征、紋理特征以及支 持向量機(jī)的車(chē)牌檢測(cè)方法。
【背景技術(shù)】
[0002] 隨著社會(huì)的高速發(fā)展，人們對(duì)私家車(chē)的需求越來(lái)越大，由此帶來(lái)巨大的交通壓力 影響著人們正常的出行。車(chē)牌識(shí)別是智能交通的重要組成部分，但是現(xiàn)在的車(chē)牌識(shí)別方法 由于自身的局限性只適用于簡(jiǎn)單場(chǎng)景，如小區(qū)管理入口，停車(chē)場(chǎng)收費(fèi)入口等。作為車(chē)輛的唯 一標(biāo)記識(shí)別物，車(chē)牌的識(shí)別對(duì)于車(chē)輛的監(jiān)控有著重大的意義。未來(lái)，現(xiàn)實(shí)生活中會(huì)有更多 的地方使用到車(chē)牌識(shí)別系統(tǒng)。通常來(lái)說(shuō)，現(xiàn)實(shí)場(chǎng)景往往比較復(fù)雜，監(jiān)視區(qū)域會(huì)出現(xiàn)一些路 人，樹(shù)木等干擾物，而且期間的光照與拍攝視角也會(huì)多樣化。現(xiàn)有的車(chē)牌識(shí)別方法無(wú)法對(duì)上 述場(chǎng)景進(jìn)行高效的處理，視角的傾斜角度帶來(lái)的圖像形變不能簡(jiǎn)單地通過(guò)圖像旋轉(zhuǎn)方法處 理，光照突變給車(chē)牌顏色信息帶來(lái)了很大的干擾，傳統(tǒng)的顏色空間不能合理地分離顏色通 道。這些問(wèn)題大大降低了檢測(cè)車(chē)牌的準(zhǔn)確率，是本領(lǐng)域技術(shù)人員亟待解決的一個(gè)技術(shù)問(wèn)題。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種基于顏色紋理分析器與 機(jī)器學(xué)習(xí)的車(chē)牌檢測(cè)方法，該車(chē)牌檢測(cè)方法解決了光照不均帶來(lái)的顏色變化的干擾問(wèn)題， 矯正了傾斜角度過(guò)大或者形變的車(chē)牌圖片，提高了白顏色車(chē)牌在白顏色車(chē)輛下定位的準(zhǔn)確 率。
[0004] 本發(fā)明的目的通過(guò)以下技術(shù)方案實(shí)現(xiàn)：一種基于顏色紋理分析器與機(jī)器學(xué)習(xí)的車(chē) 牌檢測(cè)方法，包括以下步驟：
[0005] 步驟1、圖片預(yù)處理與基于邊緣信息紋理特征提取，對(duì)預(yù)處理后的圖片進(jìn)行紋理特 征提?。?br>[0006] 步驟2、車(chē)牌圖片的透射變換，對(duì)紋理特征提取的候選車(chē)牌圖進(jìn)行透射變換矯正車(chē) 牌傾斜角；
[0007] 步驟3、基于顏色信息特征提取，對(duì)車(chē)牌底色進(jìn)行判斷，針對(duì)藍(lán)黃牌進(jìn)行兩次顏色 特征提取鎖定目標(biāo)位置；
[0008] 步驟4、二次紋理特征信息提取，針對(duì)白色的車(chē)牌進(jìn)行第二次紋理特征提??；
[0009] 步驟5、建立車(chē)牌圖庫(kù)，分類(lèi)訓(xùn)練，對(duì)特征提取后的候選車(chē)牌進(jìn)行機(jī)器學(xué)習(xí)判斷。
[0010] 在步驟1中，采用了sobel算子進(jìn)行邊緣紋理提取以及使用新的片斷連接方法對(duì) 目標(biāo)區(qū)域進(jìn)行連接；
[0011] 由于車(chē)牌邊緣紋理較為簡(jiǎn)結(jié)，在豎直方向以及水平方向上進(jìn)行邊緣提取足以突出 車(chē)牌字符所在的位置。以下是sobel算子在水平x方向以及豎直y方向上的兩個(gè)運(yùn)算模 板：
[0012]
[0013] 式中，Gx表示縱向邊緣檢測(cè)模板，Gy表示橫向邊緣檢測(cè)模板；
[0014] 所述Gx和Gy都是3x3的矩陣，在待檢測(cè)的圖片中使用相同大小的3x3移動(dòng)窗口 遍歷整幅圖片，在這個(gè)過(guò)程中分別將模板和移動(dòng)窗口區(qū)域的像素點(diǎn)進(jìn)行卷積，選取計(jì)算值 的絕對(duì)值較大的點(diǎn)并保留下來(lái)。
[0015] 此外，考慮到車(chē)牌邊框附近的細(xì)線雜塊影響，本發(fā)明提出了一種新的連接像素點(diǎn) 的方法，降低真正車(chē)牌的區(qū)域與干擾區(qū)域連接的可能性；所述新的連接像素點(diǎn)的方法包括 如下步驟：
[0016]A、用模板窗口遍歷圖像，當(dāng)該區(qū)域內(nèi)特征像素點(diǎn)達(dá)到閾值，執(zhí)行步驟B，否則，繼續(xù) 遍歷。并且在平移模板窗口過(guò)程中，每次均與上一個(gè)矩形窗口三分之一的重疊區(qū)域，因此可 以很好地連接片段區(qū)域；
[0017]B、將該有效區(qū)域劃分為四個(gè)部分，在每部分查找外圍點(diǎn)，將得到的邊界點(diǎn)連接起 來(lái)，形成一個(gè)封閉的輪廓（由此可以確保不擴(kuò)大外輪廓區(qū)域），然后將輪廓內(nèi)的位置全部設(shè) 置為有效區(qū)域。
[0018] 在步驟2中，采用透射變換的方法對(duì)傾斜的候選車(chē)牌圖片進(jìn)行矯正，具體包括以 下步驟：
[0019] 步驟21、對(duì)候選圖像進(jìn)行canny算子的邊緣提取，得到大概的車(chē)牌邊緣信息；
[0020] 步驟22、在canny算子邊緣圖中使用Hough變換找到圖片中接近水平以及豎直的 直線，并記錄每一條直線的斜率以及截距值；
[0021] 步驟23、對(duì)hough變換找到的直線進(jìn)行綜合決策，選出最貼近車(chē)牌邊框的四條直 線，計(jì)算其兩兩相交的坐標(biāo)；
[0022] 步驟24、根據(jù)步驟23計(jì)算出來(lái)的4個(gè)坐標(biāo)值，結(jié)合下面的公式，計(jì)算出坐標(biāo)系之間 轉(zhuǎn)換的透視變換矩陣M:
[0023] [x'，y'，w' ] = [u，v，w] ?M，
[0024] 式中，M為透視變換矩陣，[u，v，w]為透視變換前的坐標(biāo)，[x'，y'，w']為透視 變換后的坐標(biāo)；
[0025] 步驟25、通過(guò)透視變換矩陣M，將原圖的像素點(diǎn)坐標(biāo)轉(zhuǎn)換到新的坐標(biāo)系中，從而進(jìn) 行透射變換，矯正傾斜變形的車(chē)牌。
[0026] 在步驟3中，采用YCrCb顏色空間以及LAB顏色空間對(duì)黃藍(lán)底色的車(chē)牌進(jìn)行顏色 特征提取，所述顏色特征提取包括以下步驟：
[0027] 步驟31、將候選車(chē)牌圖轉(zhuǎn)換到Y(jié)CrCb顏色空間，根據(jù)其Y通道的數(shù)值大小判斷車(chē)牌 是否是藍(lán)黃底色的車(chē)牌；
[0028] 步驟32、針對(duì)黃藍(lán)色車(chē)牌，根據(jù)YCrCb空間中的Cb通道數(shù)值大小，使用固定閾值法 將符合閾值的藍(lán)黃色像素點(diǎn)標(biāo)記為前景，將非法的像素點(diǎn)標(biāo)記為背景；
[0029] 步驟33、使用新的片段連接方法對(duì)步驟32中的前景像素點(diǎn)進(jìn)行連接，得到顏色特 征提取的車(chē)牌位置圖；
[0030] 步驟34、對(duì)步驟33顏色特征提取后的車(chē)牌進(jìn)行長(zhǎng)寬比例判斷。針對(duì)不符正常車(chē)牌 長(zhǎng)寬比例的候選圖，本方法會(huì)將其轉(zhuǎn)化到LAB顏色空間進(jìn)行二次特征提取，根據(jù)圖片在B通 道的數(shù)值大小進(jìn)行大津法的自動(dòng)閾值化；
[0031] 步驟35、對(duì)步驟34中得到的二值化圖片使用新的片段連接方法，得到第二次顏色 特征提取的車(chē)牌位置圖。
[0032] 在步驟4中，采用拉普拉斯算子對(duì)白色的車(chē)牌進(jìn)行二次邊緣紋理特征提取，所述 紋理特征提取包括以下步驟：
[0033] 步驟41、將候選車(chē)牌圖轉(zhuǎn)換到Y(jié)CrCb顏色空間，根據(jù)其Y通道的數(shù)值大小判斷車(chē)牌 是否是白色的車(chē)牌；
[0034] 步驟42、針對(duì)白色車(chē)牌，使用拉普拉斯二階算子對(duì)候選車(chē)牌區(qū)域進(jìn)行再次邊緣提 取，以下是在3x3的模板下，拉普拉斯算子在水平x方向以及豎直y方向的運(yùn)算模板：
[0035]
[0036]
[0037] 式中，為水平方向上的二階導(dǎo)數(shù)模板，g為豎直方向上的二階導(dǎo)數(shù)模板， f[x+l，y]、f[x，y]、f[x- 1，y]、f[x，y+1]、和f[x，y- 1]分別為在圖片（x+1，y)、（x，y)、 (x-1，y)、（x，y+1)和（x,y-1)處像素值的大小。
[0038] 步驟43、對(duì)步驟42處理后的邊緣提取圖，使用新的片段連接方法對(duì)車(chē)牌字符邊緣 進(jìn)行連接，得到二次紋理特征提取后的車(chē)牌位置圖。
[0039] 在步驟5中，采用基于H0G特征的SVM分類(lèi)器對(duì)候選車(chē)牌進(jìn)行最終的判斷；H0G是 一種在計(jì)算機(jī)視覺(jué)以及圖像處理中進(jìn)行物體檢測(cè)的特征描述子。在圖像中，物體的局部外 觀以及形狀可以通過(guò)其局部梯度或邊緣信息描述，根據(jù)這一特點(diǎn)，H0G主要通過(guò)計(jì)算和統(tǒng)計(jì) 圖像局部區(qū)域的提督方向直方圖來(lái)構(gòu)成物體的特征。
[0040] 本發(fā)明的原理：本發(fā)明綜合了顏色特征，紋理特征以及機(jī)器學(xué)習(xí)的方法提高車(chē)牌 檢測(cè)的準(zhǔn)確性以及魯棒性，首先，要對(duì)處理的圖片進(jìn)行sobel算子提取邊緣特征以及使用 透射變換矯正候選區(qū)域，接著，根據(jù)車(chē)牌顏色的分類(lèi)分別進(jìn)行不同的算法流程。針對(duì)黃藍(lán)色 車(chē)牌，本方法使用了YCrCb顏色空間以及LAB顏色空間對(duì)圖像進(jìn)行顏色特征提取，去除不和 諧色塊的干擾。針對(duì)白色車(chē)牌，本方法使用了二階拉普拉斯算子進(jìn)行二次紋理特征提取，目 的是為了進(jìn)一步鎖定車(chē)牌的精確區(qū)域。最合結(jié)合SVM分類(lèi)器對(duì)候選車(chē)牌區(qū)域進(jìn)行機(jī)器學(xué)習(xí) 判斷，決定最終的車(chē)牌所在的位置。本發(fā)明可以較好地應(yīng)對(duì)光照不均情況下拍攝的圖片，在 一定程度上較好處理運(yùn)動(dòng)模糊的車(chē)牌圖片，此外，本發(fā)明的車(chē)牌檢測(cè)（含白色警車(chē)上白色 車(chē)牌的檢測(cè)）準(zhǔn)確性高，有較好的應(yīng)用前景。
[0041] 本發(fā)明相對(duì)于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：
[0042] 1、提出了基于顏色紋理分析器與機(jī)器學(xué)習(xí)的車(chē)牌檢測(cè)方法，提高了復(fù)雜場(chǎng)景下車(chē) 牌檢測(cè)的準(zhǔn)確率，并對(duì)光照變化以及車(chē)牌形變具有魯棒性。
[0043] 3、提出利用直線檢測(cè)與色彩決策相結(jié)合的車(chē)牌邊界定位方法，準(zhǔn)確的找出車(chē)牌邊 界指導(dǎo)車(chē)牌的矯正。
[0044] 4、提出了片斷連接方法，盡可能縮小車(chē)牌紋理連接范圍，減少傳統(tǒng)的膨脹帶來(lái)的 干擾。
[0045] 5、針對(duì)白色車(chē)牌的定位，提出了二次紋理特征檢測(cè)的方法，大大提高了白色車(chē)牌 在白色車(chē)輛下定位的準(zhǔn)確率。
【附圖說(shuō)明】
[0046] 圖1是本發(fā)明方法的流程圖。
【具體實(shí)施方式】
[0047] 下面結(jié)合實(shí)施例及附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限 于此。
[0048] 實(shí)施例
[0049] 如圖1所示，一種基于顏色紋理分析器與機(jī)器學(xué)習(xí)的車(chē)牌檢測(cè)方法，是一種結(jié)合 了顏色以及紋理特征對(duì)車(chē)牌進(jìn)行初步定位，經(jīng)過(guò)有監(jiān)督的分類(lèi)器驗(yàn)證車(chē)牌的車(chē)牌定位算 法。該方法首先對(duì)預(yù)處理后的圖片進(jìn)行基于sobel算子的邊緣檢測(cè)，然后通過(guò)提出的片段 連接方法將目標(biāo)邊緣部分連