1.一种泥头车车牌检测的方法,其特征在于,该方法包括:
在车辆图像中获取蓝色车牌区域;
通过汉字与英文字符分类器对所述蓝色车牌区域的蓝色车牌的第一个字符和/或第三个字符进行检测,当字符的检测结果符合预定条件时,则所述蓝色车牌为特殊车牌;
其中,所述获取蓝色车牌区域包括:
获取车辆图像;
通过边缘特性对所述车辆图像进行检测,获取车牌区域;
通过蓝黑色车牌分类器对所述车牌区域进行检测,得到第一车牌区域;
通过车牌颜色分类器对所述第一车牌区域进行检测,当检测结果为蓝色时,则得到蓝色车牌区域;
所述蓝黑色车牌分类器的获得的方法包括:
获取摄像机在设定时段和天气条件下所拍摄的多个车辆图像,以车辆图像中蓝色车牌或黑色车牌图像作为正样本,以非蓝色车牌或黑色车牌图像作为负样本;
使用哈尔小波Haar特征对每一幅车辆图像的正样本和负样本分别进行表征,形成Haar特征向量;
利用级联的演算Adaboost算法对得到的Haar特征进行训练,获得级联蓝黑色车牌分类器。
2.如权利要求1所述的方法,其特征在于,若仅对所述蓝色车牌区域的蓝色车牌的第一个字符进行检测,则所述预定条件包括:第一个字符的检测结果为英文字符;
若仅对所述蓝色车牌区域的蓝色车牌的第三个字符进行检测,则所述预定条件包括:
第三个字符的检测结果为汉字字符;
若对所述蓝色车牌区域的蓝色车牌的第一个字符和第三个字符进行检测,则所述预定条件包括:第一个字符的检测结果为英文字符且第三个字符的检测结果为汉字字符。
3.如权利要求1所述的方法,其特征在于,所述获取蓝色车牌的区域之前还包括:
获取车辆图像;
通过边缘特性对所述车辆图像进行检测,获取车牌区域;
对所述车牌区域进行反色操作,再利用蓝黑色车牌分类器对所述进行反色操作后的区域进行检测,得到第二车牌区域;
通过车牌颜色分类器对所述第二车牌区域进行检测,当检测结果为黄色时,则得到黄色车牌区域。
4.如权利要求1所述的方法,其特征在于,所述通过边缘特性对所述车辆图像进行检测,获取车牌区域包括:
提取所述车辆图像的水平和垂直的边缘图像,计算各边缘图像的积分图;
使用预定的不同尺度的区域对全图进行扫描,在每一行或列中,计算在各区域中的所有像素点的灰度值,保留灰度值大于阈值的区域;
利用区域的面积重合度进行聚类操作,当存在两个区域的重合度达到阈值则保留边缘密度大的区域;
输出聚类后的区域,所述聚类后的区域为所述车牌区域。
5.如权利要求1所述的方法,其特征在于,所述汉字与英文字符分类器的获得的方法包括:
获取预定数量车牌样本中各车牌中的每个汉字与英文字符作为单个样本;
使用支持向量机对所述单个样本进行训练,获得汉字与英文字符分类器。
6.如权利要求1所述的方法,其特征在于,所述车牌颜色分类器的获得的方法包括:
获取多数蓝色车牌,黑色车牌,黄色车牌以及白色车牌的样本;
将所述蓝色车牌,黑色车牌,黄色车牌以及白色车牌的样本从三原色光模式RGB颜色模型转换成六角锥体模型HSV颜色模型,并从HSV颜色模型中提取每一块所述样本图片块的颜色特征;
对四种颜色的车牌,根据颜色特征进行支持向量机训练,得到车牌颜色分类器。
7.一种泥头车车牌检测的系统,其特征在于,该系统包括:获取模块,汉字与英文字符分类模块,其中,
获取模块,用于在车辆图像中获取蓝色车牌区域;
汉字与英文字符分类模块,用于通过汉字与英文字符分类器对所
述蓝色车牌区域的蓝色车牌的第一个字符和/或第三个字符进行检测,当字符的检测结果符合预定条件时,则所述蓝色车牌为特殊车牌;
其中,所述获取模块包括:获取单元,检测单元,第一分类单元,第二分类单元,其中,获取单元,用于获取车辆图像;
检测单元,用于通过边缘特性对所述车辆图像进行检测,获取车牌区域;
第一分类单元,用于通过蓝黑色车牌分类器对所述车牌区域进行检测,得到第一车牌区域;
第二分类单元,用于通过车牌颜色分类器对所述第一车牌区域进行检测,当检测结果为蓝色时,则得到蓝色车牌区域;
所述第一分类单元通过获取摄像机在设定时段和天气条件下所拍摄的多个车辆图像,以车辆图像中蓝色车牌或黑色车牌图像作为正样本,以非蓝色车牌或黑色车牌图像作为负样本;使用哈尔小波Haar特征对每一幅车辆图像的正样本和负样本分别进行表征,形成Haar特征向量;利用级联的演算Adaboost算法对得到的Haar特征进行训练,获得级联蓝黑色车牌分类器。
泥头车车牌检测的方法及系统\n技术领域\n[0001] 本发明涉及图像处理领域,特别是涉及一种泥头车车牌检测的方法及系统。\n背景技术\n[0002] 目前,车牌识别设备已经被广泛使用在停车场出入口,商厦出入口等地方。一般的车辆上只有一个普通车牌,在岗亭和卡口,车都是一卡一车,刷卡通行,因此车牌识别只关注对当前车辆,该识别方法对一个普通车牌有比较高的捕获率和识别率。\n[0003] 但近年来,地方政府为了规范化管理泥头车,在泥头车上加装一个当地的特殊车牌,蓝色车牌是特殊车牌,例如在深圳,泥头车的规范管理的车牌是蓝色,号码的顺序是两个英文字母+深+4个数字,例如NC深0011。而普通的正常的车牌是车牌号码是省份(汉字)+地区(英文)+5个英文字母或字符的组合。正是由于这种区别,在实际应用中给车牌识别带来了困难,导致识别率的下降,以及误识别率的提高。对泥头车的特殊车牌的识别也会出现错误,即一般的车牌首字符是汉字,但是泥头车的特殊车牌是英文字母。\n[0004] 因此,如何检测泥头车上的特殊车牌,完成对泥头车车牌的定位问题,是本领域技术人员需要解决的技术问题。\n发明内容\n[0005] 本发明的目的是提供一种泥头车车牌检测的方法,该方法能够对泥头车上的特殊车牌进行检测,完成对泥头车车牌的定位;本发明的另一目的是提供一种泥头车车牌检测的系统。\n[0006] 为解决上述技术问题,本发明实施例提供如下技术方案:\n[0007] 一种泥头车车牌检测的方法,包括:\n[0008] 获取蓝色车牌区域;\n[0009] 通过汉字与英文字符分类器对所述蓝色车牌区域的蓝色车牌的第一个字符和/或第三个字符进行检测,当字符的检测结果符合预定条件时,则所述蓝色车牌为特殊车牌。\n[0010] 其中,若仅对所述蓝色车牌区域的蓝色车牌的第一个字符进行检测,则所述预定条件包括:第一个字符的检测结果为英文字符;\n[0011] 若仅对所述蓝色车牌区域的蓝色车牌的第三个字符进行检测,则所述预定条件包括:第三个字符的检测结果为汉字字符;\n[0012] 若对所述蓝色车牌区域的蓝色车牌的第一个字符和第三个字符进行检测,则所述预定条件包括:第一个字符的检测结果为英文字符且第三个字符的检测结果为汉字字符。\n[0013] 其中,获取蓝色车牌的区域包括:\n[0014] 获取车辆图像;\n[0015] 通过边缘特性对所述车辆图像进行检测,获取车牌区域;\n[0016] 通过蓝黑色车牌分类器对所述车牌区域进行检测,得到第一车牌区域;\n[0017] 通过车牌颜色分类器对所述第一车牌区域进行检测,当检测结果为蓝色时,则得到蓝色车牌区域。\n[0018] 其中,获取蓝色车牌的区域之前还包括:\n[0019] 获取车辆图像;\n[0020] 通过边缘特性对所述车辆图像进行检测,获取车牌区域;\n[0021] 对所述车牌区域进行反色操作,再利用蓝黑色车牌分类器对所述进行反色操作后的区域进行检测,得到第二车牌区域;\n[0022] 通过车牌颜色分类器对所述第二车牌区域进行检测,当检测结果为黄色时,则得到黄色车牌区域。\n[0023] 其中,通过边缘特性对所述车辆图像进行检测,获取车牌区域包括:\n[0024] 提取所述车辆图像的水平和垂直的边缘图像,计算各边缘图像的积分图;\n[0025] 使用预定的不同尺度的区域对全图进行扫描,在每一行或列中,计算在各区域中的所有像素点的灰度值,保留灰度值大于阈值的区域;\n[0026] 利用区域的面积重合度进行聚类操作,当存在两个区域的重合度达到阈值则保留边缘密度大的区域;\n[0027] 输出聚类后的区域,所述聚类后的区域为所述车牌区域。\n[0028] 其中,汉字与英文字符分类器的获得的方法包括:\n[0029] 获取预定数量车牌样本中各车牌中的每个汉字与英文字符作为单个样本;\n[0030] 使用支持向量机对所述单个样本进行训练,获得汉字与英文字符分类器。\n[0031] 其中,蓝黑色车牌分类器的获得的方法包括:\n[0032] 获取摄像机在设定时段和天气条件下所拍摄的多个车辆图像,以车辆图像中蓝色车牌或黑色车牌图像作为正样本,以非蓝色车牌或黑色车牌图像作为负样本;\n[0033] 使用Haar特征对每一幅车辆图像的正样本和负样本分别进行表征,形成Haar特征向量;\n[0034] 利用级联的Adaboost算法对得到的Haar特征进行训练,获得级联蓝黑色车牌分类器。\n[0035] 其中,车牌颜色分类器的获得的方法包括:\n[0036] 获取多数蓝色车牌,黑色车牌,黄色车牌以及白色车牌的样本;\n[0037] 将所述蓝色车牌,黑色车牌,黄色车牌以及白色车牌的样本从RGB颜色模型转换成六角锥体模型HSV颜色模型,并从HSV颜色模型中提取每一块所述样本图片块的颜色特征;\n[0038] 对四种颜色的车牌,根据颜色特征进行支持向量机训练,得到车牌颜色分类器。\n[0039] 本发明实施例还提供一种泥头车车牌检测的系统,包括:获取模块,汉字与英文字符分类模块,其中,\n[0040] 获取模块,用于获取蓝色车牌区域;\n[0041] 汉字与英文字符分类模块,用于通过汉字与英文字符分类器对所述蓝色车牌区域的蓝色车牌的第一个字符和/或第三个字符进行检测,当字符的检测结果符合预定条件时,则所述蓝色车牌为特殊车牌。\n[0042] 其中,获取模块包括:获取单元,检测单元,第一分类单元,第二分类单元,其中,[0043] 获取单元,用于获取车辆图像;\n[0044] 检测单元,用于通过边缘特性对所述车辆图像进行检测,获取车牌区域;\n[0045] 第一分类单元,用于通过蓝黑色车牌分类器对所述车牌区域进行检测;\n[0046] 第二分类单元,用于通过车牌颜色分类器对所述第一车牌区域进行检测。\n[0047] 基于上述技术方案,本发明实施例所提供的泥头车车牌检测的方法和系统,包括:\n获取蓝色车牌区域;通过汉字与英文字符分类器对所述蓝色车牌区域的蓝色车牌的第一个字符和/或第三个字符进行检测,当字符的检测结果符合预定条件时,则所述蓝色车牌为特殊车牌。从而能够对泥头车上的特殊车牌进行检测,完成对泥头车车牌的定位。\n附图说明\n[0048] 图1为本发明实施例提供的泥头车车牌检测的方法流程图;\n[0049] 图2为本发明实施例提供的获取蓝色车牌区域的方法流程图;\n[0050] 图3为本发明实施例提供的获取黄色车牌区域的方法流程图;\n[0051] 图4为本发明实施例提供的获取泥头车双车牌区域的方法流程图;\n[0052] 图5为本发明实施例提供的通过边缘特性对所述车辆图像进行检测,获取车牌区域的方法流程图;\n[0053] 图6为本发明实施例提供的汉字与英文字符分类器的获得的方法流程图;\n[0054] 图7为本发明实施例提供的蓝黑色车牌分类器的获得的方法流程图;\n[0055] 图8为本发明实施例提供的车牌颜色分类器的获得的方法流程图;\n[0056] 图9为本发明实施例提供的泥头车车牌检测的系统的结构框图;\n[0057] 图10为本发明实施例提供的获取模块的结构框图;\n[0058] 图11为本发明实施例提供的汉字与英文字符的结构框图。\n具体实施方式\n[0059] 本发明的核心是提供一种泥头车车牌检测的方法,该方法能够对泥头车上的特殊车牌进行检测,完成对泥头车车牌的定位;本发明的另一目的是提供一种泥头车车牌检测的系统。\n[0060] 为使本发明实施例的目的、技术方案和优点更加清楚,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。\n[0061] 本发明为泥头车车牌的检测的方法,其中,所述泥头车为:一般代指工地上、建筑类用车。这种车由于可以自卸,所以装的基本上是一些不易或不怕摔坏的东西,多用来装土方,弄的浑身上下都是泥,所以后来人们多叫它泥头车。\n[0062] 请参考图1,图1为本发明实施例提供的泥头车车牌检测的方法流程图,该方法可以包括:\n[0063] 步骤s100、获取蓝色车牌区域;\n[0064] 在车辆图像中,获取蓝色车牌区域。\n[0065] 步骤s200、通过汉字与英文字符分类器对所述蓝色车牌区域的蓝色车牌的第一个字符和/或第三个字符进行检测,当字符的检测结果符合预定条件时,则所述蓝色车牌为特殊车牌。\n[0066] 其中,若仅对所述蓝色车牌区域的蓝色车牌的第一个字符进行检测,则所述预定条件包括:第一个字符的检测结果为英文字符;\n[0067] 若仅对所述蓝色车牌区域的蓝色车牌的第三个字符进行检测,则所述预定条件包括:第三个字符的检测结果为汉字字符;\n[0068] 若对所述蓝色车牌区域的蓝色车牌的第一个字符和第三个字符进行检测,则所述预定条件包括:第一个字符的检测结果为英文字符且第三个字符的检测结果为汉字字符。\n[0069] 由上可知,通过汉字与英文字符分类器对获取的所述蓝色车牌区域中的蓝色车牌进行检测,检测方法可以是:\n[0070] 仅对所述蓝色车牌的第一个字符通过汉字与英文字符分类器进行检测,当检测结果第一个字符为英文字符时,则所述蓝色车牌为泥头车的特殊车牌,当检测结果第一个字符为汉字字符时,则所述蓝色车牌为普通蓝色车牌;\n[0071] 仅对所述蓝色车牌的第三个字符通过汉字与英文字符分类器进行检测,当检测结果第三个字符为汉字字符时,则所述蓝色车牌为泥头车的特殊车牌,当检测结果第三个字符为英文字符时,则所述蓝色车牌为普通蓝色车牌;\n[0072] 对所述蓝色车牌的第一个字符和第三个字符都通过汉字与英文字符分类器进行检测,当检测结果为第一个字符为英文字符且第三个字符为汉字字符时,则所述蓝色车牌为泥头车的特殊车牌,当检测结果为第一个字符为汉字字符或第三个字符为英文字符时,则所述蓝色车牌为普通蓝色车牌。\n[0073] 其中,对所述蓝色车牌的第一个字符和第三个字符都通过汉字与英文字符分类器进行检测,可以包括,先对第一个字符进行检测在对第三个字符进行检测,或者先对第三个字符进行检测在对第一个字符进行检测,或者同时对第一个字符和第三个字符进行检测。\n[0074] 本发明实施例所提供的泥头车车牌检测的方法,包括:获取蓝色车牌区域;通过汉字与英文字符分类器对所述蓝色车牌区域的蓝色车牌的第一个字符和/或第三个字符进行检测,当字符的检测结果符合预定条件时,则所述蓝色车牌为特殊车牌。从而能够对泥头车上的特殊车牌进行检测,利用汉字与英文字符分类器检测蓝色车牌是否为泥头车的特殊车牌,不仅简单方便,而且能够快速进行判断,区分出泥头车的特殊车牌。\n[0075] 优选的,图2给出了本发明实施例提供的获取蓝色车牌区域的方法流程图;参照图\n2,获取蓝色车牌的区域的方法可以包括:\n[0076] 步骤s110、获取车辆图像;\n[0077] 这里获取车辆图像,可以是由普通摄像头采集的,也可以是高清、超高清等其他摄像头采集;也可以是其他能够进行图像采集的设备进行采集所获得的图像。\n[0078] 步骤s120、通过边缘特性对所述车辆图像进行检测,获取车牌区域;\n[0079] 其中,边缘特性:通过从图片中提取到的边缘特征提取算法将图像中目标与背景间的边界线检测出来。边缘特征提取能够将背景与物体有效区分,从而压缩了图像数据量、简化了图像表示和分析、突出了图像特征信息,使得对图像的进一步的处理更加方便和容易。\n[0080] 因此利用边缘特性对所述车辆图像进行检测,获取车牌区域,是一个简便可行且准确率高的方式,其他方法可以得到车牌区域,此处,利用边缘特性仅是考虑到效率、准确度后的优选方式,其他算法也可获得。\n[0081] 步骤s130、通过蓝黑色车牌分类器对所述车牌区域进行检测,得到第一车牌区域;\n[0082] 其中,由于使用蓝色和黑色车牌进行车牌分类器训练,得到蓝黑色牌分类器。对上述车牌区域先使用蓝黑色车牌分类器进行分类,如果检测出车牌,该车牌为蓝色或黑色车牌即为所述第一车牌区域。即第一车牌区域不是蓝色车牌区域就是黑色车牌区域。\n[0083] 其中,检测方法可以是:使用蓝黑色牌分类器进行多尺度扫描,从左到右,从上到下的窗口扫描,对每个窗口提取haar特征。将提取的特征经过蓝黑色车牌分类器进行蓝色或黑色车牌检测,满足条件则为蓝色或黑色车牌,否则不是。这里的扫描顺序并不是唯一的,这里只是举例说明。同时特征点提取和分类器的训练也都是优选方式,更具有现实意,其他算法也以可进行。\n[0084] 经过我们的测试比较,在使用相同的测试视频以及现场测试结果显示,仅使用蓝色和黑色车牌训练得到的车牌分类器在进行蓝色或黑色车牌检测时的检测率比全部车牌一起训练得到的分类器高。\n[0085] 步骤s140、通过车牌颜色分类器对所述第一车牌区域进行检测,当检测结果为蓝色时,则得到蓝色车牌区域。\n[0086] 其中,通过车牌颜色分类器对所述第一车牌区域进行检测,该车牌颜色分类器能够对车牌的颜色进行识别,通过车牌颜色分类器检测后即可以知道所检测的车牌为何种颜色,当其中检测结果为蓝色的车牌区域,即得到所述蓝色车牌区域。\n[0087] 其中,检测方法可以是:从原图中把这块区域截取,然后进行RGB到HSV转换。使用车牌颜色分类器对转换后的区域进行颜色检测,确定该车牌是蓝色还是黑色。\n[0088] 优选的,在对泥头车特殊车牌进行检测的同时,本发明还可以继而定位到泥头车上另一个黄色车牌;图3给出了本发明实施例提供的获取黄色车牌区域的方法流程图;参照图3,获取黄色车牌的区域的方法可以包括:\n[0089] 步骤s110、获取车辆图像;\n[0090] 步骤s120、通过边缘特性对所述车辆图像进行检测,获取车牌区域;\n[0091] 步骤s320、对所述车牌区域进行反色操作,再利用蓝黑色车牌分类器对所述进行反色操作后的区域进行检测,得到第二车牌区域;\n[0092] 其中,目前利用颜色车牌分类器对车牌区域的检测方法为是把所有收集到得车牌,包括蓝色、黑色、黄色和白色车牌一起训练,得到一个车牌分类器。然而蓝色和黑色车牌是白色字,蓝色或者黑色底,而黄色和白色车牌是黑色字,白色或黄色底。经过了灰度图转换后,蓝色和黑色车牌是白字,灰色或黑色底,而黄色和白色车牌是黑字,白色或灰色底。\n[0093] 但是由于每个Haar的特征模板都是由两个或多个全等的矩形相邻组合而成,特征模板内有白色和黑色两种矩形,并将此模板定义为白色矩形像素和减去黑色矩形像素和,而蓝色和黑色车牌与黄色和白色车牌提取出来的特征是相反的;而且还由于在路上行驶的机动车中蓝色和黑色车牌的数量要远远大于黄色和白色车牌的数量,因此黄色和白色车牌样本收集比较困难,而且较蓝色和黑色车牌容易出现污损。因此把所有车牌一起训练会导致车牌的检测率有所下降,并且黄色和白色车牌的检测率偏低。\n[0094] 所以本发明提出一种新的车牌分类器训练与使用方法。本发明仅使用蓝色和黑色车牌进行车牌分类器训练,得到蓝黑色牌分类器。把所述车牌区域进行反色操作,再利用蓝黑色车牌分类器进行检测,如果检测出车牌,该车牌为黄色或白色车牌。经过反色后再使用蓝黑色车牌分类器进行黄色和白色车牌检测,由于样本更丰富,检测率比全部车牌一起训练得到的分类器高。\n[0095] 其中,反色操作为:对每个像素进行255–像素值的操作。反色操作后使用蓝黑色牌分类器进行多尺度扫描,从左到右,从上到下的窗口扫描,对每个窗口提取Haar特征。将提取的特征经过蓝黑色车牌分类器进行蓝色或黑色车牌进行检测,由于这里进行过反色,因此经过蓝黑色车牌分类器检测出来的为黄色或者白色车牌区域,满足条件则为黄色或白色的车牌,否则不是。这里的扫描顺序不是唯一的,这里只是举例说明,同时特征点提取和分类器的训练也都是优选方式,更具有现实意,其他算法也以可进行。即第二车牌区域不是黄色车牌区域就是白色车牌区域。\n[0096] 步骤s330、通过车牌颜色分类器对所述第二车牌区域进行检测,当检测结果为黄色时,则得到黄色车牌区域。\n[0097] 其中,通过车牌颜色分类器对所述第二车牌区域进行检测,该车牌颜色分类器能够对车牌的颜色进行识别,通过车牌颜色分类器检测后即可以知道所检测的车牌为何种颜色,当其中检测结果为黄色的车牌区域,即得到所述黄色车牌区域;即完成了对泥头车中黄色车牌的定位。\n[0098] 其中,检测方法可以是:从原图中把这块区域截取,然后进行RGB到HSV转换。使用车牌颜色分类器对转换后的区域进行颜色检测,确定该车牌是黄色还是白色。\n[0099] 优选的,在图1所示实施例和本发明中此实施例合起来可以完成对泥头车双车牌的定位;如图4给出了本发明实施例提供的获取泥头车双车牌区域的方法流程图;参照图4,获取泥头车双车牌区域的方法可以包括:\n[0100] 步骤s110、获取车辆图像;\n[0101] 步骤s120、通过边缘特性对所述车辆图像进行检测,获取车牌区域;\n[0102] 步骤s131、通过蓝黑色车牌分类器对所述车牌区域进行检测;\n[0103] 步骤s132、判断是否获得第一车牌区域,若是,进入步骤s140;若否,进入步骤s320;\n[0104] 步骤s140、通过车牌颜色分类器对所述第一车牌区域进行检测,当检测结果为蓝色时,则得到蓝色车牌区域;\n[0105] 步骤s320、对所述车牌区域进行反色操作,再利用蓝黑色车牌分类器对所述进行反色操作后的区域进行检测,得到第二车牌区域;\n[0106] 步骤s330、通过车牌颜色分类器对所述第二车牌区域进行检测,当检测结果为黄色时,则得到黄色车牌区域。\n[0107] 如上述在如1所示实施例和本实施例合起来完成了对泥头车双车牌的定位,利用边缘检测的获取车牌区域的方法简便快速;利用蓝黑色车牌分类器进行检测检测率比全部车牌一起训练得到的分类器高,而且简单;为实际应用中带来方便。\n[0108] 优选的,如图5给出了本发明实施例提供的通过边缘特性对所述车辆图像进行检测,获取车牌区域的方法流程图;参照图5,通过边缘特性对所述车辆图像进行检测,获取车牌区域的方法可以包括:\n[0109] 步骤s500、提取所述车辆图像的水平和垂直的边缘图像,计算各边缘图像的积分图;\n[0110] 其中,可以先将所述输入的RGB车辆图像转换为灰度图,为了减少搜索量,加快计算速度,将转化厚度图像高度减少一半;\n[0111] 计算输入图像的边缘图,使用一维离散微分模版[-1 0 1]在水平方向上对样本图像进行处理,得到水平梯度图像;使用一维离散微分模版[-1 0 1]T在垂直方向上对样本图像进行处理,得到垂直梯度图像;\n[0112] 为了避免一个方框的所有点的边缘值相加的重复计算,加快边缘密度的计算在算法中使用了积分图;\n[0113] 积分图上的每个像素点(x,y)包含了从点(0,0)到点(x,y)所有的像素的边缘值,那么积分图\n[0114] 其中,用I(x,y)表示边缘计算后的灰度图,II(x,y)表示计算出来的积分图,[0115] 例如,任意的一个矩形可以使用以下的方式计算积分图,即如果矩形的左上角为(xlt,ylt),右下角的坐标为(xrb,yrb),那么该矩形的积分图可以利用下面的公式进行计算:\n[0116] SUMD=II(xrb,yrb)-II(xlt,yrb)-II(xrb,ylt)+II(xlt,ylt)\n[0117] 其中,根据上面公式的描述可知,II(xrb,yrb)为(0,0)到(xrb,yrb)得所有像素的边缘值的和,II(xlt,yrb)为(0,0)到(xlt,yrb)得所有像素的边缘值的和,II(xrb,ylt)为(0,0)到(xrb,ylt)得所有像素的边缘值的和,II(xlt,ylt)为(0,0)到(xlt,ylt)得所有像素的边缘值的和。\n[0118] 步骤s510、使用预定的不同尺度的区域对全图进行扫描,在每一行或列中,计算在各区域中的所有像素点的灰度值,保留灰度值大于阈值的区域;\n[0119] 可选的,传统的Haar一般使用多尺度,多尺寸扫描,速度比较慢。这里为了加快车牌区域的检测速度,本发明使用一种对全图预先设置扫描尺寸以及尺度,然后再进行划窗扫描的方法,描述如下:第一,由于含车牌区域的边缘密度是比较大的,因此可以通过仅扫描边缘密度大的区域来快速确认车牌的位置。第二,本发明为了加快检测速度在前期通过对大量视频中车牌区域的位置,估算了在一定的安装规则下,视频中不同位置的车牌区域的大小,制定了一套渐进车牌尺寸变化规则,以此来达到快速确认出牌区域。制定规则:车的行驶方向一般是从左上角往右下角或者从右上角往左下角。车牌出现在左上角或者右上角时,如果摄像机的安装满足安装规范,车牌的尺寸会在一定的范围内。经过统计可以得到车牌的最小尺寸和最大尺寸。把车牌的最小尺寸缩小20%作为第一搜索尺寸,把车牌的最大尺寸扩大20%作为第三搜索尺寸,取第一搜索尺寸和第三搜索尺寸的平均值作为第二搜索尺寸。把这三个尺寸作为图像第1行的搜索尺寸。在满足安装规范下,搜索窗口的大小会呈线性变化。本实施例中,最后一行的尺寸的大小为第一行的1.5倍。中间行的尺寸按1.5的倍数线性增加。即每行仅用三个区域进行滑块搜索,并且三个区域的尺寸是预先规定的。通过这个做法可以解决传统Haar检测多尺度,多尺寸扫描速度慢的问题。使用3个不同尺度的方形区域对车头区域或者全图进行逐行扫描。在每一行中,每移动一个像素,计算该方形区域中所有像素点的灰度值,每行扫描结束后取一个极大值,仅保留灰度值大于阈值的框。这里的扫描时检测的一个具体实施方式,利用扫描的方法进行检测。这里也可以都使用列来进行。\n[0120] 这里的制定规则可以包括:在一帧图像的左上角或者右上角,一般车牌区域都会存在一个尺寸范围,那么只需要使用三个能覆盖这个车牌区域内的车牌大小的方形区域进行车牌扫描即可。这里采用方形区域是由于方形区域易于计算,其他图形区域也可以只要能够覆盖车牌区域内的车牌大小即可。例如:这里的三个方形区域按照实验数据规定扫描车牌的时候只使用三个尺寸的方框,这三个方框的宽度比依次是1:1.33:1.67。第一行的方框的宽度与最后一行的方框的宽度比为1:1.5,然后按行数的增加递增。例如第一行使用的三个框为:90x15,120x17和150x21。最后一行的三个框的大小为:135x19,180x26和225x32。\n[0121] 步骤s520、利用区域的面积重合度进行聚类操作,当存在两个区域的重合度达到阈值则保留边缘密度大的区域;\n[0122] 其中,可选的,由于利用方形区域扫描定位不一定准确,因此扩大扫描的方形区域,然后进行水平和垂直投影,这样以便获得比较精确的定位,即第一车牌区域。利用其它形状的区域进行扫描也存在这样的问题,也可以利用该方法进行处理。\n[0123] 步骤s530、输出聚类后的区域。\n[0124] 其中,所述聚类后的区域为所述车牌区域。\n[0125] 优选的,在上述实施例的基础上在完成了对泥头车上的特殊车牌进行检测,完成对泥头车车牌的定位,还可以包括:当检测到泥头车的特殊车牌时,标注该车牌,以便在随后的识别过程中进行处理,当检测到泥头车上的黄色车牌也进行标注,以便在随后的识别过程中进行处理。\n[0126] 其中处理可以包括,对泥头车上蓝色和黄色车牌上的内容的识别和记录等。\n[0127] 优选的,图6给出了本发明实施例提供的汉字与英文字符分类器的获得的方法流程图;参照图6,汉字与英文字符分类器的获得的方法可以包括:\n[0128] 步骤s600、获取预定数量车牌样本中各车牌中的每个汉字与英文字符作为单个样本;\n[0129] 例如从若干车牌样本中获取各车牌中的每个汉字与英文字符作为单个样本,具体是指,将车牌样本中的每个车牌中的汉字和英文字符单独取出,每个汉字或者英文字符作为一个单个样本,将所有这些单个样本放在一起使用支持向量机进行训练。例如粤,湘,闽,A,B,C,把字符归一化并调整大小为高32像素,宽16像素。对于国内的车牌,目前有35个汉字以及24个字符,即有59类;其中,对于任何一个单个样本,包含了16x32即512个像素,把512个像素串起来,形成一个512维的特征。\n[0130] 步骤s610、使用支持向量机对所述单个样本进行训练,获得汉字与英文字符分类器。\n[0131] 其中,使用支持向量机对汉字与字符样本进行训练,获得一个汉字与字符分类器。\n该分类器能对分割后的字符进行分类,判断属于59类中的某一类。\n[0132] 可选的,这里的使用支持向量机对汉字与英文字符的单个样本进行训练,只是一个优选方式,其他训练方式也可以。例如卷积神经网络等算法进行。\n[0133] 优选的,图7给出了本发明实施例提供的蓝黑色车牌分类器的获得的方法流程图;\n参照图7,蓝黑色车牌分类器的获得的方法可以包括:\n[0134] 步骤s700、获取摄像机在设定时段和天气条件下所拍摄的多个车辆图像,以车辆图像中蓝色车牌或黑色车牌图像作为正样本,以非蓝色车牌或黑色车牌图像作为负样本;\n[0135] 步骤s710、使用Haar特征对每一幅车辆图像的正样本和负样本分别进行表征,形成Haar特征向量;\n[0136] 可选的,这里使用Haar特征对每一幅车辆图像的正样本和负样本进行表征,形成Haar特征向量;也可以用其他算法进行,这里只是一个优选方式。\n[0137] 步骤s720、利用级联的Adaboost算法对得到的Haar特征进行训练,获得级联蓝黑色车牌分类器。\n[0138] 可选的,这里利用级联的Adaboost算法对得到的特征进行训练,获得级联蓝黑色车牌分类器,也可以利用其它算法进行,这里只是一个优选方式,其他方式得到的分类器也可以。例如支持向量机算法、卷积神经网络等算法进行。\n[0139] 优选的,图8给出了本发明实施例提供的车牌颜色分类器的获得的方法流程图;参照图8,车牌颜色分类器的获得的方法可以包括:\n[0140] 步骤s800、获取多数蓝色车牌,黑色车牌,黄色车牌以及白色车牌的样本;\n[0141] 步骤s810、将所述蓝色车牌,黑色车牌,黄色车牌以及白色车牌的样本从RGB颜色模型转换成HSV颜色模型,并从HSV颜色模型中提取每一块所述样本图片块的颜色特征;\n[0142] 其中,HSV颜色模型是根据颜色的直观特性创建的一种颜色空间,也称六角锥体模型;这个模型中颜色的参数分别是:色调(H),饱和度(S),亮度(V)。色调H:用角度度量,取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°;它们的补色是:黄色为60°,青色为180°,品红为300°;饱和度S:取值范围为0.0~1.0;亮度V:取值范围为0.0(黑色)~1.0(白色)。HSV颜色模型是面向用户的,HSV模型的三维表示从RGB立方体演化而来。在视觉上是均匀的,与人的颜色视觉有很好的一致性。\n[0143] 其中从RGB颜色模型转换成HSV颜色模型的过程:\n[0144] Imax=max(R,G,B)\n[0145] Imin=min(R,G,B)\n[0146] if Imax=R,H=(G-B)/(Imax-Imin)\n[0147] if Imax=G,H=2+(B-R)/(Imax-Imin)\n[0148] if Imax=B,H=4+(R-G)/(Imax-Imin)\n[0149] H=H×60°,if H<0°,H=H+360°;\n[0150] V=max(R,G,B);\n[0151] S=(max-min)/max。\n[0152] 在自然界中颜色有很多种,因此将真彩色空间均匀压缩到16色索引色空间,以便降低计算复杂度。第一类从349度到11度,第二类从12度到34度,以此类推;由于黑色和白色的H分量都为0,通过H分量无法判断出黑色和白色。但是可以通过结合S分量的办法来区分。\n黑色的H分量和S分量均为0,白色的H分量为0,但是S分量为1。因此可以把H分量的第一类具体分为2类,即把H分量为第一类且S分量为0分成一类。把H分量为第一类且S分量为1分成另一类。再加上原来色彩中的15类,一共分成17种颜色分类。\n[0153] 相对于几何特征而言,彩色直方图是一种概率统计的方法,具有旋转不变性和缩放不变性等特点。我们对上述的17种分类进行统计,根据HSV颜色空间H分量中对应颜色在输入图像中出现的频率,得到了图像的彩色直方图。例如蓝牌是蓝底白字,蓝牌样本得到的彩色直方图会在蓝色分量和白色分量上比较多。黄牌是黄底黑字,黄牌样本到的彩色直方图会在黄色分量和黑色分量上比较多。\n[0154] 步骤s820、对四种颜色的车牌,根据颜色特征进行支持向量机训练,得到车牌颜色分类器。\n[0155] 其中,对四种颜色的车牌的每一类,将上述17种颜色作为一个17维特征,进行支持向量机训练;\n[0156] 具体训练过程为:\n[0157] 支持向量机训练的样本集可以表示为:(x1,y1),(x2,y2),…,(xn,yn)[0158] 其中:xi∈Rd,Rd是训练样本集;yi∈{-1,1},yi=1表示xi∈ω1,yi=-1表示xi∈ω2,其中ω1和ω2是两种不同的分类。\n[0159] 对于线性分类,决策函数为g(x)=ωTx+b,其中ω是分类面的梯度,而b是偏置。ωTx+b=1和ωTx+b=-1的分类间隔为 支持向量机为了最大化分类间隔,需要求解 经过推导, g(x)表示为: 其\n中αi是训练得到的支持向量系数。\n[0160] 可选的,这里的使用支持向量机对颜色特征进行训练,只是一个优选方式,其他训练方式也可以;例如卷积神经网络等算法进行。\n[0161] 基于上述技术方案,本发明实施例所提供的泥头车车牌检测的方法,包括:获取蓝色车牌区域;通过汉字与英文字符分类器对所述蓝色车牌区域的蓝色车牌的第一个字符和/或第三个字符进行检测,当字符的检测结果符合预定条件时,则所述蓝色车牌为特殊车牌。从而能够对泥头车上的特殊车牌进行检测,完成对泥头车车牌的定位。且由于在路上行驶的机动车中蓝色和黑色车牌的数量要远远大于黄色和白色车牌的数量,因此对黄色和白色车牌样本收集比较困难,而且较蓝色和黑色车牌容易出现污损,因此把所有车牌一起训练会导致车牌的检测率有所下降,并且黄色和白色车牌的检测率偏低。因此,本发明使用蓝色和黑色车牌进行车牌分类器训练,得到蓝黑牌分类器对车牌区域进行检测,通过检测结果获到蓝色或者黑色车牌区域;利用对车牌区域进行反色操作后再利用蓝黑牌分类器对进行反色操作后的车牌区域进行检测,通过检测结果获得到黄色或者白色车牌区域,最后通过车牌颜色分类器找到需要的,蓝色和黄色车牌,此方法效率高,而且仅需对蓝色和黑色车牌进行车牌分类器训练不仅简单方便,而且检测效率更好;该方法能够快速、高效完成对泥头车上的特殊车牌进行检测及对泥头车车牌的定位。\n[0162] 本发明实施例提供了泥头车车牌检测的方法,可以通过上述方法完成对泥头车上的特殊车牌进行检测及对泥头车车牌的定位。\n[0163] 下面对本发明实施例提供的泥头车车牌检测的系统进行介绍,下文描述的泥头车车牌检测的系统与上文描述的泥头车车牌检测的方法可相互对应参照。\n[0164] 图9为本发明实施例提供的泥头车车牌检测的系统的结构框图;参照图9,该泥头车车牌检测的系统可以包括:\n[0165] 获取模块100,用于获取蓝色车牌区域;\n[0166] 汉字与英文字符分类模块200,用于通过汉字与英文字符分类器对所述蓝色车牌区域的蓝色车牌的第一个字符和/或第三个字符进行检测,当字符的检测结果符合预定条件时,则所述蓝色车牌为特殊车牌。\n[0167] 可选的,图10示出了本发明实施例提供的获取模块100的结构框图,获取模块100可以包括:\n[0168] 获取单元110,用于获取车辆图像;\n[0169] 检测单元120,用于通过边缘特性对所述车辆图像进行检测,获取车牌区域;\n[0170] 第一分类单元130,用于通过蓝黑色车牌分类器对所述车牌区域进行检测;\n[0171] 第二分类单元140,用于通过车牌颜色分类器对所述第一车牌区域进行检测。\n[0172] 还可以包括,反色单元,用于对所述区域进行反色操作;\n[0173] 可选的,图10示出了本发明实施例提供的汉字与英文字符分类模块200的结构框图,汉字与英文字符分类模块200可以包括:\n[0174] 汉字与英文字符分类单元210,用于通过汉字与英文字符分类器对所述蓝色车牌区域的蓝色车牌的第一个字符和/或第三个字符进行检测,当字符的检测结果符合预定条件时,则所述蓝色车牌为特殊车牌。\n[0175] 本发明实施例提供了泥头车车牌检测的系统,可以通过上述系统对泥头车上的特殊车牌进行检测及对泥头车车牌的定位。\n[0176] 说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。\n[0177] 专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。\n[0178] 结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。\n[0179] 以上对本发明所提供的泥头车车牌检测的方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
法律信息
- 2018-05-29
- 2015-02-04
实质审查的生效
IPC(主分类): G06K 9/00
专利申请号: 201410474416.7
申请日: 2014.09.17
- 2015-01-07
引用专利(该专利引用了哪些专利)
序号 | 公开(公告)号 | 公开(公告)日 | 申请日 | 专利名称 | 申请人 |
1
| |
2012-09-26
|
2012-05-31
| | |
2
| |
2013-07-17
|
2013-04-07
| | |
3
| |
2012-10-10
|
2012-05-31
| | |
4
| |
2014-04-23
|
2013-12-27
| | |
5
| |
2014-01-22
|
2013-10-10
| | |
被引用专利(该专利被哪些专利引用)
序号 | 公开(公告)号 | 公开(公告)日 | 申请日 | 专利名称 | 申请人 | 该专利没有被任何外部专利所引用! |