本發(fā)明涉及一種基于對(duì)比色矩形特征的小尺寸車牌檢測(cè)方法。

背景技術(shù)：

近十幾年來，車牌的檢測(cè)和識(shí)別在某些領(lǐng)域已經(jīng)能夠應(yīng)用，例如：違章車輛的車牌檢測(cè)識(shí)別和停車場(chǎng)車牌檢測(cè)識(shí)別等。拍攝圖像中車牌的拍攝質(zhì)量是影響檢測(cè)和識(shí)別方法的主要影響因素之一，在清晰車牌的檢測(cè)和識(shí)別已經(jīng)得到較好的解決并有許多成功的應(yīng)用，但是，在復(fù)雜監(jiān)視大場(chǎng)景下，小尺寸車牌的檢測(cè)仍然是一個(gè)非常具有挑戰(zhàn)性的問題，其需要克服的難點(diǎn)有：一，小尺寸車牌其邊緣和內(nèi)容信息模糊，不容易進(jìn)行特征提取；二，面對(duì)復(fù)雜大大背景，需要在大分辨率圖像中進(jìn)行搜索小尺寸車牌，這是一個(gè)非常耗時(shí)的過程。

Viola提出的基于AdaBoost算法、級(jí)聯(lián)機(jī)制和Haar-like特征的快速檢測(cè)系統(tǒng)，在車牌檢測(cè)中得到了較好的應(yīng)用，然而面對(duì)小尺寸車牌檢測(cè)時(shí)卻難以勝任。在車牌檢測(cè)領(lǐng)域，Viola的檢測(cè)框架已經(jīng)被成功的應(yīng)用在多個(gè)車牌檢測(cè)系統(tǒng)中，但其速度和識(shí)別率都有待提高，并且都沒有涉及小尺寸車牌檢測(cè)問題。在基于AdaBoost的檢測(cè)方法中，具有代表性的有Dlagnekov等使用AdaBoost方法和Haar-like特征設(shè)計(jì)的標(biāo)志牌檢測(cè)方法，Zhang等使用基于AdaBoost的整體和局部特征設(shè)計(jì)的標(biāo)志牌檢測(cè)方法，這些方法都無法檢測(cè)小尺寸車牌，并且面對(duì)大分辨率圖像時(shí)運(yùn)算速度較慢。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為了解決上述問題，提出了一種基于對(duì)比色矩形特征的小尺寸車牌檢測(cè)方法，本發(fā)明通過設(shè)計(jì)一種對(duì)比色矩形特征，并將其級(jí)聯(lián)成一種檢測(cè)框架，然后再級(jí)聯(lián)檢測(cè)基礎(chǔ)上結(jié)合SVM檢測(cè)器，實(shí)現(xiàn)對(duì)不同尺寸的車牌的快速檢測(cè)，并且能夠達(dá)到很高的檢測(cè)率，魯棒性好。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于對(duì)比色矩形特征的小尺寸車牌檢測(cè)方法，包括以下步驟：

(1)設(shè)定縮放比例，將輸入的待測(cè)圖像用縮放算法生成金字塔圖像集合；

(2)計(jì)算各彩色通道所有矩形塊像素值之和加權(quán)后的和的差值，確定對(duì)比色矩形特征，生成建立包含不同尺寸車牌的級(jí)聯(lián)分類器結(jié)構(gòu)的分類器，利用多特征級(jí)聯(lián)結(jié)構(gòu)，在金字塔圖像集合中以預(yù)定大小步進(jìn)地判定該檢測(cè)區(qū)域內(nèi)是否存在車牌；

(3)基于HOG特征和SVM分類器的檢測(cè)方法判斷是否存在車牌；

(4)標(biāo)定車牌的位置，按所在的金字塔圖像及縮小比例，換算到與原始圖像中，確定所檢車牌的位置及大小。

所述步驟(1)中，輸入圖像按縮放比例s，將待測(cè)圖像等比例縮放為原圖像尺寸的s,s²,...,sⁿ倍，生成層數(shù)為n+1的金字塔圖像集合。

所述步驟(2)中，在對(duì)比色矩形特征級(jí)聯(lián)檢測(cè)器的離線訓(xùn)練過程中，計(jì)算各彩色通道所有矩形塊像素值之和加權(quán)后的和的差值，確定對(duì)比色矩形特征，并生成對(duì)應(yīng)的弱分類器，然后將多個(gè)弱分類器構(gòu)建能夠檢測(cè)車牌和排除背景區(qū)域的強(qiáng)分類器；在線檢測(cè)過程中，用對(duì)比色矩形特征級(jí)聯(lián)檢測(cè)器，在金字塔圖像集合中以預(yù)定大小步進(jìn)地判定該檢測(cè)區(qū)域內(nèi)是否存在車牌。

所述步驟(2)中，基于車牌具有顯著的藍(lán)色和白色等對(duì)比色的特征，使用對(duì)比色設(shè)計(jì)矩形特征提取車牌的顏色特征。

所述步驟(2)中，分別N個(gè)彩色通道分別計(jì)算積分圖，利用積分圖計(jì)算每個(gè)通道的矩形塊像素值之和，進(jìn)而計(jì)算各彩色通道的所有矩形塊像素值之和加權(quán)后的和的差值，以得到對(duì)比色矩形特征。

所述步驟(2)中，彩色通道的一個(gè)矩形塊像素值之和γ的計(jì)算方法為通道積分圖在矩形塊左上與右下處的值之和與通道積分圖在矩形右上、左下處的坐標(biāo)值之和的差值。

所述步驟(2)中，通過對(duì)比色矩形特征生成供AdaBoost算法學(xué)習(xí)和訓(xùn)練使用的弱分類器，利用AdaBoost算法將不同的弱分類器加權(quán)相加得到一個(gè)具有強(qiáng)分類功能的強(qiáng)分類器。

所述步驟(3)中，通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征，利用具有一定重疊的HOG特征提取其梯度特征，并使用線性或非線性核函數(shù)SVM分類器。

本發(fā)明的有益效果為：

(1)本發(fā)明設(shè)計(jì)的對(duì)比色矩形特征能夠通過對(duì)比度設(shè)計(jì)矩形特征，能夠更好的表示車牌的顯著顏色特征，解決傳統(tǒng)Haar-like特征是一種灰度矩形特征，其灰度特性無法表達(dá)車牌的顯著顏色特性的問題，基于此特征使用AdaBoost訓(xùn)練和設(shè)計(jì)的級(jí)聯(lián)結(jié)構(gòu)，需要更少數(shù)目的特征就能達(dá)到更好的檢測(cè)率，并且能夠有效提取小尺寸車牌的特征。

(2)能夠快速的檢測(cè)高分辨率圖像中的不同尺寸程度的車牌，并且能夠達(dá)到很高的檢測(cè)率，魯棒性好。

附圖說明

圖1為本發(fā)明對(duì)比色矩形特征示意圖；

圖2為本發(fā)明多特征級(jí)聯(lián)分類器結(jié)構(gòu)示意圖。

具體實(shí)施方式：

下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。

傳統(tǒng)Haar-like特征是一種灰度矩形特征，其灰度特性無法表達(dá)車牌的顯著顏色特性，本發(fā)明設(shè)計(jì)的“對(duì)比色矩形特征”能夠通過對(duì)比度設(shè)計(jì)矩形特征，能夠更好的表示車牌的顯著顏色特征，其基本原理是：車牌具有顯著的藍(lán)色和白色等對(duì)比色，使用對(duì)比色設(shè)計(jì)矩形特征能夠有效的提取車牌的顏色特征。

具體步驟如下：

對(duì)于N個(gè)彩色通道分別計(jì)算積分圖，x，y是積分圖的x軸和y軸坐標(biāo)，z代表彩色通道，(x,y)左上方的坐標(biāo)點(diǎn)表示為(x’，y’)，積分圖I(x,y,z)計(jì)算公式如下，

其中，P(x',y',z)是輸入圖像P在z彩色通道的坐標(biāo)點(diǎn)(x',y')處的像素值。

z通道的一個(gè)矩形塊像素值之和γ的計(jì)算方法為，

γ＝I(x₃,y₃,z)+I(x₀,y₀,z)-I(x₁,y₁,z)-I(x₂,y₂,z) (6)

其中，I(x_i,y_i,z)是z通道積分圖在x_i,y_i處的值。

(x₀,y₀),(x₁,y₁),(x₂,y₂),(x₃,y₃)分別是矩形塊左上，右上，左下和右下處的坐標(biāo)值。則“對(duì)比色矩形特征”計(jì)算如下，

f＝∑w⁽ⁱ⁾·r⁽ⁱ⁾-∑w^(j)·r^(j) (7)

其中，∑w⁽ⁱ⁾·r⁽ⁱ⁾和∑w^(j)·r^(j)中，r⁽ⁱ⁾和r^(j)是i和j彩色通道矩形塊的像素值之和，w⁽ⁱ⁾和w^(j)分別是r⁽ⁱ⁾和r^(j)的權(quán)重，∑w⁽ⁱ⁾·r⁽ⁱ⁾和∑w^(j)·r^(j)是分別屬于i和j彩色通道的所有矩形塊像素值之和加權(quán)后的和。

“對(duì)比色矩形特征”的弱分類器表示為h_h：

其中，θ_h是AdaBoost訓(xùn)練過程中得到的閾值，σ∈{+1，-1}是一個(gè)極性參數(shù)。

AdaBoost方法是一種機(jī)器學(xué)習(xí)方法，它能夠通過訓(xùn)練正、負(fù)訓(xùn)練樣本得到能夠區(qū)分正負(fù)樣本的弱分類器，這些弱分類器分類能力較弱，只能得到比50％正確率高一些的分類結(jié)果，但是將不同的弱分類器加權(quán)相加得到一個(gè)具有強(qiáng)分類功能的強(qiáng)分類器，該強(qiáng)分類器能夠有效的區(qū)分正負(fù)樣本。

AdaBoost學(xué)習(xí)后的強(qiáng)分類器為H_h：

其中，w_h是h_h對(duì)應(yīng)的權(quán)重。

由于小尺寸車牌具有邊緣模糊和特征不顯著等問題，對(duì)比色矩形特征級(jí)聯(lián)檢測(cè)器的檢測(cè)可以排除大部分背景窗口，但是得到檢測(cè)窗口中仍包含部分背景，所以需要進(jìn)一步使用HOG特征和SVM分類器的分類方法判斷檢測(cè)窗口是車牌還是背景。

在比色矩形特征級(jí)聯(lián)檢測(cè)器檢測(cè)基礎(chǔ)上，設(shè)計(jì)基于HOG特征和SVM分類器的檢測(cè)方法，進(jìn)一步判斷檢測(cè)是否存在車牌。HOG特征，又稱為方向梯度直方圖(Histogram of Oriented Gradient)特征，是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測(cè)的特征描述子。它通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。HOG特征結(jié)合SVM分類器已經(jīng)被廣泛應(yīng)用于圖像識(shí)別中。本專利提取具有一定重疊的HOG特征，在50×14的最小檢測(cè)窗口下，提取的HOG特征為1944維，其參數(shù)為：一個(gè)block單元為10×4，block中每個(gè)小塊cell為5×2,步長(zhǎng)step為5×2，方向?yàn)?個(gè)不同方向。將提取的HOG特征使用線性或非線性核函數(shù)SVM分類器，取得了較好的檢測(cè)效果。

在檢測(cè)過程中，整個(gè)檢測(cè)步驟如下：

(1)將輸入的待測(cè)圖像用縮放算法生成金字塔圖像集合，取縮放比例為s，在小尺寸車牌檢測(cè)情況下s的經(jīng)驗(yàn)取值范圍為0.87≤s≤0.95,則輸入圖像可按縮放比例s，將待測(cè)圖像等比例縮放為原圖像尺寸的s,s²,...,sⁿ倍，生成層數(shù)為n+1的金字塔圖像集合。

(2)在對(duì)比色矩形特征級(jí)聯(lián)檢測(cè)器的離線訓(xùn)練過程中，計(jì)算各彩色通道所有矩形塊像素值之和加權(quán)后的和的差值，確定對(duì)比色矩形特征，并生成對(duì)應(yīng)的弱分類器，然后將多個(gè)弱分類器構(gòu)建能夠檢測(cè)車牌和排除背景區(qū)域的強(qiáng)分類器；在線檢測(cè)過程中，用對(duì)比色矩形特征級(jí)聯(lián)檢測(cè)器，在金字塔圖像集合中以預(yù)定大小步進(jìn)地判定該檢測(cè)區(qū)域內(nèi)是否存在車牌；在小尺寸車牌檢測(cè)過程中，步進(jìn)b的經(jīng)驗(yàn)取值范圍為5≤b≤10。由于小尺寸車牌具有邊緣模糊和特征不顯著等問題，對(duì)比色矩形特征級(jí)聯(lián)檢測(cè)器的檢測(cè)可以排除大部分背景窗口，但是得到檢測(cè)窗口中仍包含部分背景，所以需要進(jìn)一步使用HOG特征和SVM分類器的分類方法判斷檢測(cè)窗口是車牌還是背景。

(3)在HOG特征和SVM分類器的離線訓(xùn)練過程中，通過訓(xùn)練車牌和背景圖像樣本得到HOG+SVM分類器。在檢測(cè)過程中，將對(duì)比色矩形特征級(jí)聯(lián)檢測(cè)器得的檢測(cè)窗口作為輸入，提取其HOG特征，并使用離線訓(xùn)練的SVM分類器進(jìn)行二分類(車牌和背景)，判斷該檢測(cè)窗口是車牌還是背景；

(4)標(biāo)定車牌的位置，按所在的金字塔圖像及縮小比例，換算到與原始圖像中，確定所檢車牌的位置及大小。在金字塔縮放的圖像中標(biāo)定車牌的位置為(x,y)和大小為(w,h)；按所在的金字塔圖像的縮小比例s，換算到原始圖像中，確定所檢車牌的位置(x/s,y/s)及大小(w/s,h/s)。

上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。