一種車牌定位方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，特別是涉及一種車牌定位方法及裝置。
【背景技術(shù)】
[0002]隨著數(shù)字圖像處理、模式識(shí)別和人工智能技術(shù)的日趨成熟，智能交通系統(tǒng)(ITS)已經(jīng)逐漸成為21世紀(jì)道路交通發(fā)展的趨勢。車牌識(shí)別技術(shù)是實(shí)現(xiàn)智能交通系統(tǒng)的基礎(chǔ)，而車牌定位是車牌識(shí)別中十分重要的環(huán)節(jié)。在社區(qū)、校園、十字路口或多車道路口等非交通卡口的復(fù)雜場景中，監(jiān)控?cái)z像頭所拍攝的視頻幀圖像中的車牌區(qū)域通常在位置、角度、大小清晰度方面具有明顯的差異，另外，非交通卡口下拍攝的視頻幀圖像中的背景區(qū)域雜亂。
[0003]在目前已有的非交通卡口的車牌定位技術(shù)中，通常提取非交通卡口下所拍攝的視頻幀圖像中的某種特征，例如，將灰度值或顏色等單一特征作為定位車牌的特征。
[0004]顯然，非交通卡口下所拍攝的視頻幀圖像中的車牌區(qū)域的這些不利因素給后期的準(zhǔn)確定位車牌增大了難度，因此，當(dāng)上述現(xiàn)有技術(shù)中采用某種單一特征來定位車牌時(shí)，常常出現(xiàn)定位失敗或者漏檢的情況。

【發(fā)明內(nèi)容】

[0005]本發(fā)明實(shí)施例的目的在于提供一種車牌定位方法及裝置，以實(shí)現(xiàn)準(zhǔn)確定位車牌，降低定位失敗或者漏檢的情況。
[0006]為達(dá)到上述目的，本發(fā)明實(shí)施例公開了一種車牌定位方法，所述方法包括:
[0007]提取待定位車牌的視頻幀圖像的哈爾Haar特征，并將所述Haar特征輸入至預(yù)先建立的第一分類器中，得到與所述視頻幀圖像對應(yīng)的第一類車牌圖像信息序列，其中，所述第一類車牌圖像信息序列中包含視頻幀圖像中搜索到的第一類候選車牌圖像的位置信息，所述第一分類器為:基于提取到的針對預(yù)定的第一樣本圖像集合中各個(gè)圖像的哈爾Haar特征，并采用自適應(yīng)提升算法Adaboost算法訓(xùn)練得到的分類器；
[0008]基于所述第一類候選車牌圖像的位置信息，確定所述視頻幀圖像中的第一類候選車牌圖像；
[0009]計(jì)算所述第一類候選車牌圖像的第一類車牌相似值，并篩選出第一類車牌相似值中的最大值；
[0010]判斷篩選得到的第一類車牌相似值中的最大值是否大于預(yù)設(shè)的第一相似度閾值:
[0011]在判斷結(jié)果為大于時(shí)，根據(jù)預(yù)設(shè)的第一有效車牌定位規(guī)則和所計(jì)算得到的第一類車牌相似值，從所述第一類候選車牌圖像中定位到至少一個(gè)有效車牌圖像，在判斷結(jié)果為不大于時(shí)，根據(jù)預(yù)設(shè)的圖像旋轉(zhuǎn)規(guī)則，對所述頻幀圖像進(jìn)行N次旋轉(zhuǎn)，將每一次旋轉(zhuǎn)后所得的視頻幀圖像再次輸入至所述第一分類器中，獲得N個(gè)第二類車牌圖像信息序列，基于所述第二類車牌圖像信息序列中的第二類候選車牌圖像的位置信息，確定所述視頻幀圖像中的第二類候選車牌圖像，計(jì)算每一第二類車牌圖像信息序列所對應(yīng)的第二類候選車牌圖像的第二類車牌相似值，并篩選出每一第二類車牌圖像信息序列所對應(yīng)的第二類候選車牌圖像的第二類車牌相似值中的最大值，進(jìn)而，從篩選得到的各個(gè)第二類車牌相似值中的最大值中，確定出數(shù)值最大的目標(biāo)第二類車牌相似值，判斷所述目標(biāo)第二類車牌相似值是否大于預(yù)設(shè)的第二相似度閾值，如果大于，根據(jù)預(yù)設(shè)的第二有效車牌定位規(guī)則和所計(jì)算得到的第二類車牌相似值，從所述目標(biāo)第二類車牌相似值所對應(yīng)的第二類車牌圖像信息序列所針對的第二類候選車牌圖像中定位到至少一個(gè)有效車牌圖像，如果不大于，則
[0012]繼續(xù)提取所述視頻幀圖像的局部二值模式LBP特征，并將所述LBP特征輸入至預(yù)先建立的第二分類器中，得到與所述視頻幀圖像對應(yīng)的第三類車牌圖像信息序列，其中，所述第三類車牌圖像信息序列中包含視頻幀圖像中搜索到的第三類候選車牌圖像的位置信息，所述第二分類器為:基于提取到的針對預(yù)定的第二樣本圖像集合中各個(gè)圖像的局部二值模式LBP特征，并采用自適應(yīng)提升算法Adaboost算法訓(xùn)練得到的分類器；
[0013]基于所述第三類候選車牌圖像的位置信息，確定所述視頻幀圖像中的第三類候選車牌圖像；
[0014]計(jì)算所述第三類候選車牌圖像的第三類車牌相似值，并篩選出第三類車牌相似值中的最大值；
[0015]判斷篩選得到的第三類車牌相似值的最大值是否大于預(yù)設(shè)的第三相似度閾值；在判斷結(jié)果為大于時(shí)，根據(jù)預(yù)設(shè)的第三有效車牌定位規(guī)則和所計(jì)算得到的第三類車牌相似值，從所述第三類候選車牌圖像中定位到至少一個(gè)有效車牌圖像，在判斷結(jié)果為不大于時(shí)，確定通過所述第一分類器和第二分類器未定位到有效車牌圖像。
[0016]較佳的，計(jì)算任一第一類候選車牌圖像的第一類車牌相似值的過程，包括:
[0017]對第一類候選車牌圖像進(jìn)行二值化處理；
[0018]對二值化處理后得到的第一類候選車牌圖像進(jìn)行開運(yùn)算形態(tài)學(xué)變換；
[0019]通過Sobel算法對經(jīng)開運(yùn)算形態(tài)學(xué)變換后的第一類候選車牌圖像進(jìn)行垂直濾波處理，得到開運(yùn)算形態(tài)學(xué)變換后的第一類候選車牌圖像的第一類垂直梯度圖像；
[0020]通過Canny算法對所述第一類垂直梯度圖像進(jìn)行邊緣檢測，獲得第一類邊緣圖像；
[0021]針對所述第一類邊緣圖像中提取到的邊緣按照垂直方向進(jìn)行六等分，計(jì)算每一等分中邊緣部分像素點(diǎn)在水平方向的跳變均值；
[0022]計(jì)算所述跳變均值的平均值，將計(jì)算得到的所述平均值確定為所述第一類候選車牌圖像的第一類車牌相似值。
[0023]較佳的，所述根據(jù)預(yù)設(shè)的第一有效車牌定位規(guī)則和所計(jì)算得到的第一類車牌相似值，從所述第一類候選車牌圖像中定位到至少一個(gè)有效車牌圖像，包括:
[0024]將所述第一類車牌相似值中的最大值所對應(yīng)的第一類候選車牌圖像確定為定位到的有效車牌圖像；
[0025]或
[0026]將所述第一類車牌相似值中，大于預(yù)設(shè)的第一定位閾值的第一類車牌相似值所對應(yīng)的第一類候選車牌圖像確定為定位到有效車牌圖像。
[0027]較佳的，所述確定通過所述第一分類器和第二分類器未定位到有效車牌圖像之后，所述方法還包括:
[0028]將所述Haar特征輸入至預(yù)先建立的第三分類器中，得到與所述視頻幀圖像對應(yīng)的第四類車牌圖像信息序列，其中，所述第四類車牌圖像信息序列中包含視頻幀圖像中搜索到的第四類候選車牌圖像的位置信息，所述第三分類器為:基于提取到的針對預(yù)定的第三樣本圖像集合中各個(gè)圖像的哈爾Haar特征，并采用自適應(yīng)提升算法Adaboost算法訓(xùn)練得到的分類器；
[0029]基于所述第四類候選車牌圖像的位置信息，確定所述視頻幀圖像中的第四類候選車牌圖像；
[0030]計(jì)算所述第四類候選車牌圖像的第四類車牌相似值，并篩選出第四類車牌相似值中的最大值；
[0031]判斷篩選得到的第四類車牌相似值中的最大值是否大于預(yù)設(shè)的第四相似度閾值；在判斷結(jié)果為大于時(shí)，根據(jù)預(yù)設(shè)的第四有效車牌定位規(guī)則和所計(jì)算得到的第四類車牌相似值，從所述第四類候選車牌圖像中定位到至少一個(gè)有效車牌圖像，在判斷結(jié)果為不大于時(shí)，確定通過所述第一分類器、第二分類器和第三分類器未定位到有效車牌圖像。
[0032]較佳的，所述確定通過所述第一分類器、第二分類器和第三分類器未定位到有效車牌圖像之后，所述方法還包括:
[0033]將所述Haar特征輸入至預(yù)先建立的第四分類器中，得到與所述視頻幀圖像對應(yīng)的第五類車牌圖像信息序列，其中，所述第五類車牌圖像信息序列中包含視頻幀圖像中搜索到的第五類候選車牌圖像的位置信息，所述第四分類器為:基于提取到的針對第四樣本圖像集合中各個(gè)圖像的哈爾Haar特征，并采用自適應(yīng)提升算法Adaboost算法訓(xùn)練得到的分類器；
[0034]基于所述第五類候選車牌圖像的位置信息，確定所述視頻幀圖像中的第五類候選車牌圖像；
[0035]計(jì)算所述第五類候選車牌圖像的第五類車牌相似值，并篩選出第五類車牌相似值中的最大值；
[0036]判斷篩選得到的第五類車牌相似值中的最大值是否大于預(yù)設(shè)的第五相似度閾值；在判斷結(jié)果為大于時(shí)，根據(jù)預(yù)設(shè)的第五有效車牌定位規(guī)則和所計(jì)算得到的第五類車牌相似值，從所述第五類候選車牌圖像中定位到至少一個(gè)有效車牌圖像，在判斷結(jié)果為不大于時(shí)，確定未定位到有效車牌圖像。
[0037]為達(dá)到上述目的，本發(fā)明實(shí)施例公開了一種車牌定位裝置，所述裝置包括:
[0038]第一車牌序列獲得模塊，用于提取待定位車牌的視頻幀圖像的哈爾Haar特征，并將所述Haar特征輸入至預(yù)先建立的第一分類器中，得到與所述視頻幀圖像對應(yīng)的第一類車牌圖像信息序列，其中，所述第一類車牌圖像信息序列中包含視頻幀圖像中搜索到的第一類候選車牌圖像的位置信息，所述第一分類器為:基于提取到的針對預(yù)定的第一樣本圖像集合中各個(gè)圖像的哈爾Haar特征，并采用自適應(yīng)提升算法Adaboost算法訓(xùn)練得到的分類器；
[0039]第一車牌圖像確定模塊，用于基于所述第一類候選車牌圖像的位置信息，確定所述視頻幀圖像中的第一類候選車牌圖像；
[0040]第一車牌相似度計(jì)算模塊，用于計(jì)算所述第一類候選車牌圖像的第一類車牌相似值，并篩選出第一類車牌相似值中的最大值；
[0041]第一車牌相似度判斷模塊，用于判斷篩選得到的第一類車牌相似值中的最大值是否大于預(yù)設(shè)的第一相似度閾值；在判斷結(jié)果為大于時(shí)，根據(jù)預(yù)設(shè)的第一有效車牌定位規(guī)則和所計(jì)算得到的第一類車牌相似值，從所述第一類候選車牌圖像中定位到至少一個(gè)有效車牌圖像，在判斷結(jié)果為不大于時(shí)，觸發(fā)第二車牌序列獲得模塊；
[0042]所述第二車牌序列獲得模塊，用于根據(jù)預(yù)設(shè)的圖像旋轉(zhuǎn)規(guī)則，對所述頻幀圖像進(jìn)行N次旋轉(zhuǎn)，將每一次旋轉(zhuǎn)后所得的視頻幀圖像再次輸入至所述第一分類器中，獲得N個(gè)第二類車牌圖像信息序列；
[0043]第二車牌圖像確定模塊，用于基于所述第二類車牌圖像信息序列中的第二類候選車牌圖像的位置信息，確定所述視頻幀圖像中的第二類候選車牌圖像；
[0044]第二車牌相似度計(jì)算模塊，用于計(jì)算每一第二類車牌圖像信息序列所對應(yīng)的第二類候選車牌圖像的第二類車牌相似值，并篩選出每一第二類車牌圖像信息序列所對應(yīng)的第二類候選車牌圖像的第二類車牌相似值中的最大值，進(jìn)而，從篩選得到的各個(gè)第二類車牌相似值中的最大值中，確定出數(shù)值最大的目標(biāo)第二類車牌相似值；
[0045]第二車牌相似度判斷模塊，用于判斷所述目標(biāo)第二類車牌相似值是否大于預(yù)設(shè)的第二相似度閾值，如果大于，根據(jù)預(yù)設(shè)的第二有效車牌定位規(guī)則和所計(jì)算得到的第二類車牌相似值，從所述目標(biāo)第二類車牌相似值所對應(yīng)的第二類車牌圖像信息序列所針對的第二類候選車牌圖像中定位到至少一個(gè)有效車牌圖像，如果不大于，則觸發(fā)第三車牌序列獲得豐吳塊；
[0046]所述第三車牌序列獲得模塊，用于繼續(xù)提取所述視頻幀圖像的局部二值模式LBP特征，并將所述LBP特征輸入至預(yù)先建立的第二分類器中，得到與所述視頻幀圖像對應(yīng)的第三類車牌圖像信