一種車牌定位方法及終端與流程
本發(fā)明涉及視頻監(jiān)控技術(shù)領(lǐng)域，具體涉及一種車牌定位方法及終端。
背景技術(shù)：
目前來看，交通管理的方式越來越趨向于智能化、安全化和自動化，正因如此，基于多媒體和人工智能技術(shù)的智能交通及電子警察系統(tǒng)在世界范圍內(nèi)得到了廣泛的應(yīng)用。在這些應(yīng)用中，大部分的系統(tǒng)是以車牌識別為中心的，例如：超速系統(tǒng)，闖紅燈系統(tǒng)，卡口系統(tǒng)，路徑識別系統(tǒng)等均需要對整個交通流截面上通過的車輛進行車牌識別。而車牌定位是車牌識別系統(tǒng)中的第一步，定位的好壞直接影響到后面的矯正、分割、識別。因此，如何快速、準確地檢測出車牌是汽車牌照自動識別技術(shù)中非常關(guān)鍵的一步。
雖然國內(nèi)外科技人員對于車牌定位方法也做了大量的研究，但因為車牌擺放不正、磨損、不潔凈，車牌因車身底牌的高低而不同以及天氣影響等不利因素，實際車牌定位精度并不高。
技術(shù)實現(xiàn)要素：
本發(fā)明實施例提供了一種車牌定位方法及終端，以期提高車牌定位精度。
本發(fā)明實施例第一方面提供了一種車牌定位方法，包括：
獲取待處理圖像，所述待處理圖像中包含目標車牌；
對所述待處理圖像進行多尺度金字塔變換，得到M個圖像，所述M為大于1的整數(shù)；
對所述M個圖像中的每一圖像進行分塊處理，得到K個小塊，所述K為大于1的整數(shù)；
確定所述K個小塊中每一小塊的梯度信息，得到所述K個梯度信息；
對所述K個梯度信息進行垂直投影及濾波處理，得到所述K個行投影信息；
根據(jù)所述K個行投影信息來確定所述目標車牌的N個候選框的上下邊界；
對所述N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定所述N個候選框的左右邊界，其中，所述N個候選框中每一候選框的上下邊界和左右邊界構(gòu)成所述目標車牌的一個定位區(qū)域，得到所述N個定位區(qū)域；
對所述N個定位區(qū)域的圖像信息進行特征提取，得到所述N組特征；
依次將所述N組特征輸入到目標分類器進行分類，得到所述目標車牌的區(qū)域。
可選地，所述根據(jù)所述K個行投影信息來確定所述目標車牌的N個候選框的上下邊界，包括：
按照中間比上下兩邊行投影值小的原則對所述K個行投影信息進行分段，得到Z個分段，所述Z為大于1的正整數(shù)；
將所述Z個分段中相鄰且分段的平均行投影和最大行投影之間的差值的絕對值小于預(yù)設(shè)閾值的兩個分段進行合并，并刪除所述Z個分段中的最大行投影小于該分段所在小塊的平均行投影的分段，得到N個分段；
根據(jù)所述N個分段來確定所述目標車牌的上下邊界，得到所述目標車牌的N個候選框的上下邊界。
可選地，所述對所述N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定所述N個候選框的左右邊界，包括：
按照預(yù)設(shè)的滑塊和滑動步長對所述N個候選框進行檢測，得到P個候選區(qū)域，所述P為正整數(shù)；
采用對比極值區(qū)域CER對所述P個候選區(qū)域進行處理，得到Q個連通區(qū)域，所述Q為正整數(shù)；
根據(jù)預(yù)設(shè)字符排列規(guī)則從所述Q個連通區(qū)域中確定出所述N個候選框的左右邊界。
可選地，對所述N個定位區(qū)域的圖像信息進行特征提取，得到N組特征，包括：
對所述N個定位區(qū)域的圖像信息進行尺度歸一化處理；
將所述尺度歸一化處理后的圖像信息進行特征提取，得到所述N組特征。
可選地，所述獲取待處理圖像之前，所述方法還包括：
獲取車牌的正樣本集和負樣本集；
對所述正樣本集合和所述負樣本集進行特征提取，得到多個特征；
對所述多個特征進行訓練，得到所述目標分類器。
本發(fā)明實施例第二方面提供了一種終端，包括：
獲取單元，用于獲取待處理圖像，所述待處理圖像中包含目標車牌；
變換單元，用于對所述待處理圖像進行多尺度金字塔變換，得到M個圖像，所述M為大于1的整數(shù)；
第一處理單元，用于對所述M個圖像中的每一圖像進行分塊處理，得到K個小塊，所述K為大于1的整數(shù)；
第一確定單元，用于確定所述K個小塊中每一小塊的梯度信息，得到所述K個梯度信息；
第二處理單元，用于對所述K個梯度信息進行垂直投影及濾波處理，得到所述K個行投影信息；
第二確定單元，根據(jù)所述K個行投影信息來確定所述目標車牌的N個候選框的上下邊界；
第三確定單元，用于對所述N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定所述N個候選框的左右邊界，其中，所述N個候選框中每一候選框的上下邊界和左右邊界構(gòu)成所述目標車牌的一個定位區(qū)域，得到所述N個定位區(qū)域；
提取單元，用于對所述N個定位區(qū)域的圖像信息進行特征提取，得到N組特征；
分類單元，用于依次將所述N組特征輸入到目標分類器進行分類，得到所述目標車牌的區(qū)域。
可選地，所述第二確定單元包括：
分段模塊，按照中間比上下兩邊行投影值小的原則對所述K個行投影信息進行分段，得到Z個分段，所述Z為大于1的正整數(shù)；
篩選模塊，用于將所述Z個分段中相鄰且分段的平均行投影和最大行投影之間的差值的絕對值小于預(yù)設(shè)閾值的兩個分段進行合并，并刪除所述Z個分段中的最大行投影小于該分段所在小塊的平均行投影的分段，得到N個分段；
第一確定模塊，用于根據(jù)所述N個分段來確定所述目標車牌的上下邊界，得到所述目標車牌的N個候選框的上下邊界。
可選地，所述第三確定單元包括：
檢測模塊，用于按照預(yù)設(shè)的滑塊和滑動步長對所述N個候選框進行檢測，得到P個候選區(qū)域，所述P為正整數(shù)；
第一處理模塊，用于采用對比極值區(qū)域CER對所述P個候選區(qū)域進行處理，得到Q個連通區(qū)域，所述Q為正整數(shù)；
第二確定模塊，用于根據(jù)預(yù)設(shè)字符排列規(guī)則從所述Q個連通區(qū)域中確定出所述N個候選框的左右邊界。
可選地，所述提取單元包括：
第二處理模塊，用于對所述N個定位區(qū)域的圖像信息進行尺度歸一化處理；
提取模塊，用于將所述尺度歸一化處理后的圖像信息進行特征提取，得到所述N組特征。
可選地，所述獲取單元，還具體用于：所述獲取待處理圖像之前，獲取車牌的正樣本集和負樣本集；所述提取單元還具體用于：對所述正樣本集合和所述負樣本集進行特征提取，得到多個特征；
所述終端還包括：
訓練單元，用于對所述多個特征進行訓練，得到所述目標分類器。
實施本發(fā)明實施例，具有如下有益效果：
通過本發(fā)明實施例，獲取待處理圖像，待處理圖像中包含目標車牌，對待處理圖像進行多尺度金字塔變換，得到M個圖像，M為大于1的整數(shù)，對M個圖像中的每一圖像進行分塊處理，得到K個小塊，K為大于1的整數(shù)，確定K個小塊中每一小塊的梯度信息，得到K個梯度信息，對K個梯度信息進行垂直投影及濾波處理，得到K個行投影信息，根據(jù)K個行投影信息來確定目標車牌的N個候選框的上下邊界，對N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定N個候選框的左右邊界，其中，該N個候選框中每一候選框的上下邊界和左右邊界構(gòu)成所述目標車牌的一個定位區(qū)域，得到N個定位區(qū)域，對N個定位區(qū)域的圖像信息進行特征提取，得到N組特征，依次將N組特征輸入到目標分類器進行分類，得到目標車牌的區(qū)域。如此，可提高車牌定位精度。
附圖說明
為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
圖1是本發(fā)明實施例提供的一種車牌定位方法的第一實施例流程示意圖；
圖2是本發(fā)明實施例提供的一種車牌定位方法的第二實施例流程示意圖；
圖3a是本發(fā)明實施例提供的一種終端的第一實施例結(jié)構(gòu)示意圖；
圖3b是本發(fā)明實施例提供的圖3a所描述的終端的第二確定單元的結(jié)構(gòu)示意圖；
圖3c是本發(fā)明實施例提供的圖3a所描述的終端的第三確定單元的結(jié)構(gòu)示意圖；
圖3d是本發(fā)明實施例提供的圖3a所描述的終端的提取單元的結(jié)構(gòu)示意圖；
圖3e是本發(fā)明實施例提供的圖3a所描述的終端的又一結(jié)構(gòu)示意圖；
圖4是本發(fā)明實施例提供的一種終端的第二實施例結(jié)構(gòu)示意圖。
具體實施方式
下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
本發(fā)明的說明書和權(quán)利要求書及所述附圖中的術(shù)語“第一”、“第二”、“第三”和“第四”等是用于區(qū)別不同對象，而不是用于描述特定順序。此外，術(shù)語“包括”和“具有”以及它們?nèi)魏巫冃?，意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備沒有限定于已列出的步驟或單元，而是可選地還包括沒有列出的步驟或單元，或可選地還包括對于這些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。
在本文中提及“實施例”意味著，結(jié)合實施例描述的特定特征、結(jié)構(gòu)或特性可以包含在本發(fā)明的至少一個實施例中。在說明書中的各個位置展示該短語并不一定均是指相同的實施例，也不是與其它實施例互斥的獨立的或備選的實施例。本領(lǐng)域技術(shù)人員顯式地和隱式地理解的是，本文所描述的實施例可以與其它實施例相結(jié)合。
本發(fā)明實施例所描述終端可以包括智能手機(如Android手機、iOS手機、Windows Phone手機等)、平板電腦、掌上電腦、筆記本電腦、移動互聯(lián)網(wǎng)設(shè)備(MID，Mobile Internet Devices)或穿戴式設(shè)備等，上述僅是舉例，而非窮舉，包含但不限于上述終端。
需要說明的是，車牌定位過程中，為了更少的耗時，往往采取粗定位+車牌篩選的方法。在粗定位會獲取很多包含車牌與非車牌(樹木，道路，欄桿等)的候選區(qū)，通過常用的LBP、HOG、Haar特征效果并不好，如何運用一種新的方法能快速、有效的區(qū)分車牌與非車牌則是評判系統(tǒng)實用的因素之一。
因此，本發(fā)明實施例提出了一種車牌定位方法，包括如下步驟；
獲取待處理圖像，所述待處理圖像中包含目標車牌；
對所述待處理圖像進行多尺度金字塔變換，得到M個圖像，所述M為大于1的整數(shù)；
對所述M個圖像中的每一圖像進行分塊處理，得到K個小塊，所述K為大于1的整數(shù)；
確定所述K個小塊中每一小塊的梯度信息，得到所述K個梯度信息；
對所述K個梯度信息進行垂直投影及濾波處理，得到所述K個行投影信息；
根據(jù)所述K個行投影信息來確定所述目標車牌的N個候選框的上下邊界；
對所述N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定所述N個候選框的左右邊界，其中，所述N個候選框中每一候選框的上下邊界和左右邊界構(gòu)成所述目標車牌的一個定位區(qū)域，得到所述N個定位區(qū)域；
對所述N個定位區(qū)域的圖像信息進行特征提取，得到所述N組特征；
依次將所述N組特征輸入到目標分類器進行分類，得到所述目標車牌的區(qū)域。
請參閱圖1，為本發(fā)明實施例提供的一種車牌定位方法的第一實施例流程示意圖。本實施例中所描述的車牌定位方法，包括以下步驟：
101、獲取待處理圖像，所述待處理圖像中包含目標車牌。
其中，待處理圖像可包含至少一輛車，該至少一輛車可至少一個車牌的圖像。上述目標車牌可為1個或者多個。
102、對所述待處理圖像進行多尺度金字塔變換，得到M個圖像，所述M為大于1的整數(shù)。
其中，可對待處理圖像進行多尺度金字塔變換，得到M個圖像，該M為大于1的整數(shù)。M可由多尺度金字塔變換設(shè)置的層數(shù)，
103、對所述M個圖像中的每一圖像進行分塊處理，得到K個小塊，所述K為大于1的整數(shù)。
其中，在對待處理圖像進行多尺度金字塔變換，可得到M個圖像，可對該M個圖像中的每一圖像進行分塊。例如:塊的大小為400*400，與200萬像素的攝像頭抓拍到的小汽車尺寸差不多，塊與塊之間的重疊部分有2/3的車牌大小。求出每一塊的RGB、Gray圖的梯度，做垂直投影，算出平均行投影后求出行投影的方差，如果方差大于某一值則進行對比度拉升。對行投影做均值濾波。
104、確定所述K個小塊中每一小塊的梯度信息，得到所述K個梯度信息。
105、對所述K個梯度信息進行垂直投影及濾波處理，得到所述K個行投影信息。
106、根據(jù)所述K個行投影信息來確定所述目標車牌的N個候選框的上下邊界。
其中，上述N可由系統(tǒng)默認或者用戶自行設(shè)置，也可以通過其他方式計算得到。
可選地，上述步驟106中，根據(jù)所述K個行投影信息來確定所述目標車牌的N個候選框的上下邊界，包括：
61)、按照中間比上下兩邊行投影值小的原則對所述K個行投影信息進行分段，得到Z個分段，所述Z為大于1的正整數(shù)；
62)、將所述Z個分段中相鄰且分段的平均行投影和最大行投影之間的差值的絕對值小于預(yù)設(shè)閾值的兩個分段進行合并，并刪除所述Z個分段中的最大行投影小于該分段所在小塊的平均行投影的分段，得到N個分段；
63)、根據(jù)所述N個分段來確定所述目標車牌的上下邊界，得到所述目標車牌的N個候選框的上下邊界。
具體地，確定車牌的上下邊界：根據(jù)均值濾波后的行投影，按照波谷清零的原則將中間比上下兩邊行投影值小的行投影置零，這樣講塊分成很多段，對距離相鄰、分段的平均行投影和最大行投影接近的兩個分段進行合并，刪除最大行投影小于當前塊的平均行投影的分段。保留的分段通過最大行投影進行排序，依次進行輸出。
107、對所述N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定所述N個候選框的左右邊界，其中，所述N個候選框中每一候選框的上下邊界和左右邊界構(gòu)成所述目標車牌的一個定位區(qū)域，得到所述N個定位區(qū)域。
可選地，上述步驟107中，對所述N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定所述N個候選框的左右邊界，包括：
71)、按照預(yù)設(shè)的滑塊和滑動步長對所述N個候選框進行檢測，得到P個候選區(qū)域，所述P為正整數(shù)；
72)、采用對比極值區(qū)域CER對所述P個候選區(qū)域進行處理，得到Q個連通區(qū)域，所述Q為正整數(shù)；
73)、根據(jù)預(yù)設(shè)字符排列規(guī)則從所述Q個連通區(qū)域中確定出所述N個候選框的左右邊界。
具體地，確定左右邊界：取分段高的3.5倍為寬、高度跟分段高一致的滑塊，滑動步長為一個高度。每產(chǎn)生一個候選區(qū)域時，則對區(qū)域進行水平、垂直投影，計算分塊數(shù)，滿足分塊數(shù)是否在一定的范圍內(nèi)。如果滿足則計算灰度和灰度方差，如果對比度低則需要進行對比度拉伸。用對比極值區(qū)域(CER)來計算連通區(qū)域的個數(shù)及其分布，如果連通區(qū)域的個數(shù)和每個聯(lián)連通區(qū)域所在的位置滿足車牌字符分布則保留，可將保留的連通區(qū)域的左右邊界作為目標車牌的左右邊界。
108、對所述N個定位區(qū)域的圖像信息進行特征提取，得到所述N組特征。
其中，可對N個定位區(qū)域的圖像信息進行特征提取，得到N組特征，該N組特征中每一組特征包含的特征數(shù)目相同。
可選地，上述步驟108中，對所述N個定位區(qū)域的圖像信息進行特征提取，得到N組特征，可包括如下步驟：
對所述N個定位區(qū)域的圖像信息進行尺度歸一化處理；
將所述尺度歸一化處理后的圖像信息進行特征提取，得到所述N組特征。
例如，對N個定位區(qū)域的圖像信息提取gabor特征：
A)將對N個定位區(qū)域的圖像信息進行歸一化處理，然后，進行分塊，得到若干個子圖像。如歸一化的車牌寬為56，高為16，會分成8塊(16X16大小五塊：0-15、9-25、19-35、29-45、39-55，32X16大小三塊：0-31、23-55、11-43，56X16大小一塊)；
B)每個子圖像使用同一個尺度四個方向的Gabor濾波器進行特征提取，得到不同區(qū)域的不同方向的多張圖像特征。其中Gabor濾波器的表達式如下：
其中，a＝xcosθ+ysinθ,b＝-xsinθ+ycosθ,θ為Gabor核函數(shù)的方向(為了節(jié)省時間這里取0°，45°，90°，135°)，δx和δy分別為高斯函數(shù)的標準差，wx和wy為濾波器徑向中心頻率的分量，j為虛數(shù)單位。對應(yīng)的二維Gabor函數(shù)的頻率響應(yīng)為：
根據(jù)上式可知，二維Gabor濾波器的奇偶函數(shù)的表達式為：
C)對Gabor特征圖采用高斯加權(quán)進行卷積和計算，用來降維。
109、依次將所述N組特征輸入到目標分類器進行分類，得到所述目標車牌的區(qū)域。
可選地，具體如下所述：假設(shè)輸入一組圖像：
訓練集{(x1,y1),…,(xN,yN)}，其中xi＝{xi1,…,xiM},yi∈(+1,-1),i＝1,2,…,N,M是向量xi的維數(shù)。
初始化：每一個訓練樣本最開始時具有相同的權(quán)重：
循環(huán)構(gòu)建決策樹，知道滿足條件退出。k＝1,2,…,M
①、使用具有權(quán)值分布Dm的訓練數(shù)據(jù)集學習，得到基本分類器Gm(x):χ→{-1,+1}
②、計算Gm(x)在訓練數(shù)據(jù)集上的分類錯誤率
③、計算Gm(x)的系數(shù)，αm表示Gm(x)在最終分類器的重要程度：
由上式可知，em<＝1/2時，αm>＝0，且αm隨著em的減小而增大，意味著分類誤差率越小的分類器在最終的分類器中的作用越大。
④、更新訓練數(shù)據(jù)集的權(quán)值分布
Dm+1＝(wm+1,1,wm+1,2,…,wm+1,i,…,wm+1,N)
使得被基本分類器Gm(x)誤分類樣本的權(quán)值增大，而被正確分類樣本的權(quán)值減小。通過這樣的方式，Adaboost方法能“聚焦于”那些較難分的樣本上。其中Zm是規(guī)范因子，使得Dm+1成為一個概率分布：
⑤構(gòu)建基本分類器的線性組合、
從而得到最終分類器，如下：
可選地，步驟101之前，還可以包含如下步驟：
獲取車牌的正樣本集和負樣本集；
對所述正樣本集合和所述負樣本集進行特征提取，得到多個特征；
對所述多個特征進行訓練，得到所述目標分類器。
可以看出，通過本發(fā)明實施例，獲取待處理圖像，待處理圖像中包含目標車牌，對待處理圖像進行多尺度金字塔變換，得到M個圖像，M為大于1的整數(shù)，對M個圖像中的每一圖像進行分塊處理，得到K個小塊，K為大于1的整數(shù)，確定K個小塊中每一小塊的梯度信息，得到K個梯度信息，對K個梯度信息進行垂直投影及濾波處理，得到K個行投影信息，根據(jù)K個行投影信息來確定目標車牌的N個候選框的上下邊界，對N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定N個候選框的左右邊界，其中，該N個候選框中每一候選框的上下邊界和左右邊界構(gòu)成所述目標車牌的一個定位區(qū)域，得到N個定位區(qū)域，對所述N個定位區(qū)域的圖像信息進行特征提取，得到N組特征，依次將N組特征輸入到目標分類器進行分類，得到目標車牌的區(qū)域。如此，可提高車牌定位精度。
與上述一致地，請參閱圖2，為本發(fā)明實施例提供的一種車牌定位方法的第二實施例流程示意圖。本實施例中所描述的車牌定位方法，包括以下步驟：
201、獲取車牌的正樣本集和負樣本集。
其中，步驟201中的正樣本集可為正常車牌的圖像，正樣本集中包含多個正樣本。負樣本集則為用戶想不包含車牌或者車牌不正常的圖像，負樣本集中包含多個負樣本。上述正樣本集和負樣本集的包含的樣本數(shù)量當然越多，訓練出來的模型越準確，但是，正樣本和負樣本的數(shù)量越多，也會增加訓練時候的計算成本。
202、對所述正樣本集合和所述負樣本集進行特征提取，得到多個特征。
203、對所述多個特征進行訓練，得到目標分類器。
204、獲取待處理圖像，所述待處理圖像中包含目標車牌。
205、對所述待處理圖像進行多尺度金字塔變換，得到M個圖像，所述M為大于1的整數(shù)。
206、對所述M個圖像中的每一圖像進行分塊處理，得到K個小塊，所述K為大于1的整數(shù)。
207、確定所述K個小塊中每一小塊的梯度信息，得到所述K個梯度信息。
208、對所述K個梯度信息進行垂直投影及濾波處理，得到所述K個行投影信息。
209、根據(jù)所述K個行投影信息來確定所述目標車牌的N個候選框的上下邊界；
210、對所述N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定所述N個候選框的左右邊界，其中，所述N個候選框中每一候選框的上下邊界和左右邊界構(gòu)成所述目標車牌的一個定位區(qū)域，得到所述N個定位區(qū)域；
211、對所述N個定位區(qū)域的圖像信息進行特征提取，得到所述N組特征。
212、依次將所述N組特征輸入到所述目標分類器進行分類，得到所述目標車牌的區(qū)域。
可以看出，通過本發(fā)明實施例，獲取車牌的正樣本集和負樣本集，對正樣本集合和負樣本集進行特征提取，得到多個特征，對多個特征進行訓練，得到目標分類器，獲取待處理圖像，待處理圖像中包含目標車牌，對待處理圖像進行多尺度金字塔變換，得到M個圖像，M為大于1的整數(shù)，對M個圖像中的每一圖像進行分塊處理，得到K個小塊，K為大于1的整數(shù)，確定K個小塊中每一小塊的梯度信息，得到K個梯度信息，對K個梯度信息進行垂直投影及濾波處理，得到K個行投影信息，根據(jù)K個行投影信息來確定目標車牌的N個候選框的上下邊界，對N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定N個候選框的左右邊界，其中，該N個候選框中每一候選框的上下邊界和左右邊界構(gòu)成所述目標車牌的一個定位區(qū)域，得到N個定位區(qū)域，對N個定位區(qū)域的圖像信息進行特征提取，得到N組特征，將N組特征輸入到目標分類器進行分類，得到目標車牌的區(qū)域。如此，可提高車牌定位精度。
與上述一致地，以下為實施上述車牌定位方法的裝置，具體如下：
請參閱圖3a，為本發(fā)明實施例提供的一種終端的第一實施例結(jié)構(gòu)示意圖。本實施例中所描述的終端，包括：獲取單元301、變換單元302、第一處理單元303、第一確定單元304、第二處理單元305、第二確定單元306、第三確定單元307、提取單元308和分類單元309，具體如下：
獲取單元301，用于獲取待處理圖像，所述待處理圖像中包含目標車牌；
變換單元302，用于對所述待處理圖像進行多尺度金字塔變換，得到M個圖像，所述M為大于1的整數(shù)；
第一處理單元303，用于對所述M個圖像中的每一圖像進行分塊處理，得到K個小塊，所述K為大于1的整數(shù)；
第一確定單元304，用于確定所述K個小塊中每一小塊的梯度信息，得到所述K個梯度信息；
第二處理單元305，用于對所述K個梯度信息進行垂直投影及濾波處理，得到所述K個行投影信息；
第二確定單元306，用于根據(jù)所述K個行投影信息來確定所述目標車牌的N個候選框的上下邊界；
第三確定單元307，用于用于對所述N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定所述N個候選框的左右邊界，其中，所述N個候選框中每一候選框的上下邊界和左右邊界構(gòu)成所述目標車牌的一個定位區(qū)域，得到所述N個定位區(qū)域；
提取單元308，用于對所述N個定位區(qū)域的圖像信息進行特征提取，得到N組特征；
分類單元309，用于依次將N組特征輸入到目標分類器進行分類，得到所述目標車牌的區(qū)域。
可選地，如圖3b，圖3b為圖3a所描述的終端的第二確定單元305的具體細化結(jié)構(gòu)，所述第二確定單元305可包括：分段模塊3051、篩選模塊3052和第一確定模塊3053，具體如下：
分段模塊3051，用于按照中間比上下兩邊行投影值小的原則對所述K個行投影信息進行分段，得到Z個分段，所述Z為大于1的正整數(shù)；
篩選模塊3052，用于將所述Z個分段中相鄰且分段的平均行投影和最大行投影之間的差值的絕對值小于預(yù)設(shè)閾值的兩個分段進行合并，并刪除所述Z個分段中的最大行投影小于該分段所在小塊的平均行投影的分段，得到N個分段；
第一確定模塊3053，用于根據(jù)所述N個分段來確定所述目標車牌的上下邊界，得到所述目標車牌的N個候選框的上下邊界。
可選地，如圖3c，圖3c為圖3a所描述的終端的第三確定單元306的具體細化結(jié)構(gòu)，所述第三確定單元306可包括：檢測模塊3061、第一處理模塊3062和第二確定模塊3063，具體如下：
檢測模塊3061，用于按照預(yù)設(shè)的滑塊和滑動步長對所述N個候選框進行檢測，得到P個候選區(qū)域，所述P為正整數(shù)；
第一處理模塊3062，用于采用對比極值區(qū)域CER對所述P個候選區(qū)域進行處理，得到Q個連通區(qū)域，所述Q為正整數(shù)；
第二確定模塊3063，用于根據(jù)預(yù)設(shè)字符排列規(guī)則從所述Q個連通區(qū)域中確定出所述N個候選框的左右邊界。
可選地，如圖3d，圖3d為圖3a所描述的終端的提取單元308的具體細化結(jié)構(gòu)，所述提取單元308可包括：第二處理模塊3081和提取模塊3082，具體如下：
第二處理模塊3081，用于對所述N個定位區(qū)域的圖像信息進行尺度歸一化處理；
提取模塊3082，用于將所述尺度歸一化處理后的圖像信息進行特征提取，得到所述N組特征。
可選地，如圖3e，圖3e為圖3a所描述的終端的變型結(jié)構(gòu)，與圖3a所描述的終端相比較，其還可包括：訓練單元310，具體如下：
所述獲取單元301，還具體用于：所述獲取待處理圖像之前，獲取車牌的正樣本集和負樣本集；所述提取單元308還具體用于：對所述正樣本集合和所述負樣本集進行特征提取，得到多個特征；
訓練單元310，用于對所述多個特征進行訓練，得到所述目標分類器。
可以看出，通過本發(fā)明實施例所描述的終端，可獲取待處理圖像，待處理圖像中包含目標車牌，對待處理圖像進行多尺度金字塔變換，得到M個圖像，M為大于1的整數(shù)，對M個圖像中的每一圖像進行分塊處理，得到K個小塊，K為大于1的整數(shù)，確定K個小塊中每一小塊的梯度信息，得到K個梯度信息，對K個梯度信息進行垂直投影及濾波處理，得到K個行投影信息，根據(jù)K個行投影信息來確定目標車牌的N個候選框的上下邊界，對N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定N個候選框的左右邊界，其中，該N個候選框中每一候選框的上下邊界和左右邊界構(gòu)成所述目標車牌的一個定位區(qū)域，得到N個定位區(qū)域，對所述N個定位區(qū)域的圖像信息進行特征提取，得到N組特征，依次將每組N組特征輸入到目標分類器進行分類，得到目標車牌的區(qū)域。如此，可提高車牌定位精度。
與上述一致地，請參閱圖4，為本發(fā)明實施例提供的一種終端的第二實施例結(jié)構(gòu)示意圖。本實施例中所描述的終端，包括：至少一個輸入設(shè)備1000；至少一個輸出設(shè)備2000；至少一個處理器3000，例如CPU；和存儲器4000，上述輸入設(shè)備1000、輸出設(shè)備2000、處理器3000和存儲器4000通過總線5000連接。
其中，上述輸入設(shè)備1000具體可為觸控面板、物理按鍵或者鼠標。
上述輸出設(shè)備2000具體可為顯示屏。
上述存儲器4000可以是高速RAM存儲器，也可為非易失存儲器(non-volatile memory)，例如磁盤存儲器。上述存儲器4000用于存儲一組程序代碼，上述輸入設(shè)備1000、輸出設(shè)備2000和處理器3000用于調(diào)用存儲器4000中存儲的程序代碼，執(zhí)行如下操作：
上述處理器3000，用于：
獲取待處理圖像，所述待處理圖像中包含目標車牌；
對所述待處理圖像進行多尺度金字塔變換，得到M個圖像，所述M為大于1的整數(shù)；
對所述M個圖像中的每一圖像進行分塊處理，得到K個小塊，所述K為大于1的整數(shù)；
確定所述K個小塊中每一小塊的梯度信息，得到所述K個梯度信息；
對所述K個梯度信息進行垂直投影及濾波處理，得到所述K個行投影信息；
根據(jù)所述K個行投影信息來確定所述目標車牌的N個候選框的上下邊界；
對所述N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定所述N個候選框的左右邊界，其中，所述N個候選框中每一候選框的上下邊界和左右邊界構(gòu)成所述目標車牌的一個定位區(qū)域，得到所述N個定位區(qū)域；
對所述N個定位區(qū)域的圖像信息進行特征提取，得到所述N組特征；
依次將所述N組特征輸入到目標分類器進行分類，得到所述目標車牌的區(qū)域。
可選地，上述處理器3000根據(jù)所述K個行投影信息來確定所述目標車牌的N個候選框的上下邊界，包括：
按照中間比上下兩邊行投影值小的原則對所述K個行投影信息進行分段，得到Z個分段，所述Z為大于1的正整數(shù)；
將所述Z個分段中相鄰且分段的平均行投影和最大行投影之間的差值的絕對值小于預(yù)設(shè)閾值的兩個分段進行合并，并刪除所述Z個分段中的最大行投影小于該分段所在小塊的平均行投影的分段，得到N個分段；
根據(jù)所述N個分段來確定所述目標車牌的上下邊界，得到所述目標車牌的N個候選框的上下邊界。
可選地，上述處理器3000對所述N個候選框進行列投影并做濾波處理，通過滑塊來選取至少一個指定段列投影的分布信息，并根據(jù)該分布信息確定所述N個候選框的左右邊界，包括：
按照預(yù)設(shè)的滑塊和滑動步長對所述N個候選框進行檢測，得到P個候選區(qū)域，所述P為正整數(shù)；
采用對比極值區(qū)域CER對所述P個候選區(qū)域進行處理，得到Q個連通區(qū)域，所述Q為正整數(shù)；
根據(jù)預(yù)設(shè)字符排列規(guī)則從所述Q個連通區(qū)域中確定出所述N個候選框的左右邊界。
可選地，上述處理器3000對所述N個定位區(qū)域的圖像信息進行特征提取，得到N組特征，包括：
對所述N個定位區(qū)域的圖像信息進行尺度歸一化處理；
將所述尺度歸一化處理后的圖像信息進行特征提取，得到所述N組特征。
可選地，上述處理器3000獲取待處理圖像之前，還具體用于：
獲取車牌的正樣本集和負樣本集；
對所述正樣本集合和所述負樣本集進行特征提取，得到多個特征；
對所述多個特征進行訓練，得到所述目標分類器。
本發(fā)明實施例還提供一種計算機存儲介質(zhì)，其中，該計算機存儲介質(zhì)可存儲有程序，該程序執(zhí)行時包括上述方法實施例中記載的任何一種車牌定位方法的部分或全部步驟。
盡管在此結(jié)合各實施例對本發(fā)明進行了描述，然而，在實施所要求保護的本發(fā)明過程中，本領(lǐng)域技術(shù)人員通過查看所述附圖、公開內(nèi)容、以及所附權(quán)利要求書，可理解并實現(xiàn)所述公開實施例的其他變化。在權(quán)利要求中，“包括”(comprising)一詞不排除其他組成部分或步驟，“一”或“一個”不排除多個的情況。單個處理器或其他單元可以實現(xiàn)權(quán)利要求中列舉的若干項功能。相互不同的從屬權(quán)利要求中記載了某些措施，但這并不表示這些措施不能組合起來產(chǎn)生良好的效果。
本領(lǐng)域技術(shù)人員應(yīng)明白，本發(fā)明的實施例可提供為方法、裝置(設(shè)備)、或計算機程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、CD-ROM、光學存儲器等)上實施的計算機程序產(chǎn)品的形式。計算機程序存儲/分布在合適的介質(zhì)中，與其它硬件一起提供或作為硬件的一部分，也可以采用其他分布形式，如通過Internet或其它有線或無線電信系統(tǒng)。
本發(fā)明是參照本發(fā)明實施例的方法、裝置(設(shè)備)和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
這些計算機程序指令也可存儲在能引導(dǎo)計算機或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。
這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。
盡管結(jié)合具體特征及其實施例對本發(fā)明進行了描述，顯而易見的，在不脫離本發(fā)明的精神和范圍的情況下，可對其進行各種修改和組合。相應(yīng)地，本說明書和附圖僅僅是所附權(quán)利要求所界定的本發(fā)明的示例性說明，且視為已覆蓋本發(fā)明范圍內(nèi)的任意和所有修改、變化、組合或等同物。顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。
- 還沒有人留言評論。精彩留言會獲得點贊！