法律状态公告日
法律状态信息
法律状态
2020-03-27
授权
授权
2017-07-07
实质审查的生效 IPC(主分类):G06K9/32 申请日:20170112
实质审查的生效
2017-06-13
公开
公开
技术领域
本发明涉及一种基于对比色矩形特征的小尺寸车牌检测方法。
背景技术
近十几年来,车牌的检测和识别在某些领域已经能够应用,例如:违章车辆的车牌检测识别和停车场车牌检测识别等。拍摄图像中车牌的拍摄质量是影响检测和识别方法的主要影响因素之一,在清晰车牌的检测和识别已经得到较好的解决并有许多成功的应用,但是,在复杂监视大场景下,小尺寸车牌的检测仍然是一个非常具有挑战性的问题,其需要克服的难点有:一,小尺寸车牌其边缘和内容信息模糊,不容易进行特征提取;二,面对复杂大大背景,需要在大分辨率图像中进行搜索小尺寸车牌,这是一个非常耗时的过程。
Viola提出的基于AdaBoost算法、级联机制和Haar-like特征的快速检测系统,在车牌检测中得到了较好的应用,然而面对小尺寸车牌检测时却难以胜任。在车牌检测领域,Viola的检测框架已经被成功的应用在多个车牌检测系统中,但其速度和识别率都有待提高,并且都没有涉及小尺寸车牌检测问题。在基于AdaBoost的检测方法中,具有代表性的有Dlagnekov等使用AdaBoost方法和Haar-like特征设计的标志牌检测方法,Zhang等使用基于AdaBoost的整体和局部特征设计的标志牌检测方法,这些方法都无法检测小尺寸车牌,并且面对大分辨率图像时运算速度较慢。
发明内容
本发明为了解决上述问题,提出了一种基于对比色矩形特征的小尺寸车牌检测方法,本发明通过设计一种对比色矩形特征,并将其级联成一种检测框架,然后再级联检测基础上结合SVM检测器,实现对不同尺寸的车牌的快速检测,并且能够达到很高的检测率,鲁棒性好。
为了实现上述目的,本发明采用如下技术方案:
一种基于对比色矩形特征的小尺寸车牌检测方法,包括以下步骤:
(1)设定缩放比例,将输入的待测图像用缩放算法生成金字塔图像集合;
(2)计算各彩色通道所有矩形块像素值之和加权后的和的差值,确定对比色矩形特征,生成建立包含不同尺寸车牌的级联分类器结构的分类器,利用多特征级联结构,在金字塔图像集合中以预定大小步进地判定该检测区域内是否存在车牌;
(3)基于HOG特征和SVM分类器的检测方法判断是否存在车牌;
(4)标定车牌的位置,按所在的金字塔图像及缩小比例,换算到与原始图像中,确定所检车牌的位置及大小。
所述步骤(1)中,输入图像按缩放比例s,将待测图像等比例缩放为原图像尺寸的s,s2,...,sn倍,生成层数为n+1的金字塔图像集合。
所述步骤(2)中,在对比色矩形特征级联检测器的离线训练过程中,计算各彩色通道所有矩形块像素值之和加权后的和的差值,确定对比色矩形特征,并生成对应的弱分类器,然后将多个弱分类器构建能够检测车牌和排除背景区域的强分类器;在线检测过程中,用对比色矩形特征级联检测器,在金字塔图像集合中以预定大小步进地判定该检测区域内是否存在车牌。
所述步骤(2)中,基于车牌具有显著的蓝色和白色等对比色的特征,使用对比色设计矩形特征提取车牌的颜色特征。
所述步骤(2)中,分别N个彩色通道分别计算积分图,利用积分图计算每个通道的矩形块像素值之和,进而计算各彩色通道的所有矩形块像素值之和加权后的和的差值,以得到对比色矩形特征。
所述步骤(2)中,彩色通道的一个矩形块像素值之和γ的计算方法为通道积分图在矩形块左上与右下处的值之和与通道积分图在矩形右上、左下处的坐标值之和的差值。
所述步骤(2)中,通过对比色矩形特征生成供AdaBoost算法学习和训练使用的弱分类器,利用AdaBoost算法将不同的弱分类器加权相加得到一个具有强分类功能的强分类器。
所述步骤(3)中,通过计算和统计图像局部区域的梯度方向直方图来构成特征,利用具有一定重叠的HOG特征提取其梯度特征,并使用线性或非线性核函数SVM分类器。
本发明的有益效果为:
(1)本发明设计的对比色矩形特征能够通过对比度设计矩形特征,能够更好的表示车牌的显著颜色特征,解决传统Haar-like特征是一种灰度矩形特征,其灰度特性无法表达车牌的显著颜色特性的问题,基于此特征使用AdaBoost训练和设计的级联结构,需要更少数目的特征就能达到更好的检测率,并且能够有效提取小尺寸车牌的特征。
(2)能够快速的检测高分辨率图像中的不同尺寸程度的车牌,并且能够达到很高的检测率,鲁棒性好。
附图说明
图1为本发明对比色矩形特征示意图;
图2为本发明多特征级联分类器结构示意图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
传统Haar-like特征是一种灰度矩形特征,其灰度特性无法表达车牌的显著颜色特性,本发明设计的“对比色矩形特征”能够通过对比度设计矩形特征,能够更好的表示车牌的显著颜色特征,其基本原理是:车牌具有显著的蓝色和白色等对比色,使用对比色设计矩形特征能够有效的提取车牌的颜色特征。
具体步骤如下:
对于N个彩色通道分别计算积分图,x,y是积分图的x轴和y轴坐标,z代表彩色通道,(x,y)左上方的坐标点表示为(x’,y’),积分图I(x,y,z)计算公式如下,
其中,P(x',y',z)是输入图像P在z彩色通道的坐标点(x',y')处的像素值。
z通道的一个矩形块像素值之和γ的计算方法为,
γ=I(x3,y3,z)+I(x0,y0,z)-I(x1,y1,z)-I(x2,y2,z)(6)
其中,I(xi,yi,z)是z通道积分图在xi,yi处的值。
(x0,y0),(x1,y1),(x2,y2),(x3,y3)分别是矩形块左上,右上,左下和右下处的坐标值。则“对比色矩形特征”计算如下,
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彩色通道矩形块的像素值之和,w(i)和w(j)分别是r(i)和r(j)的权重,∑w(i)·r(i)和∑w(j)·r(j)是分别属于i和j彩色通道的所有矩形块像素值之和加权后的和。
“对比色矩形特征”的弱分类器表示为hh:
其中,θh是AdaBoost训练过程中得到的阈值,σ∈{+1,-1}是一个极性参数。
AdaBoost方法是一种机器学习方法,它能够通过训练正、负训练样本得到能够区分正负样本的弱分类器,这些弱分类器分类能力较弱,只能得到比50%正确率高一些的分类结果,但是将不同的弱分类器加权相加得到一个具有强分类功能的强分类器,该强分类器能够有效的区分正负样本。
AdaBoost学习后的强分类器为Hh:
其中,wh是hh对应的权重。
由于小尺寸车牌具有边缘模糊和特征不显著等问题,对比色矩形特征级联检测器的检测可以排除大部分背景窗口,但是得到检测窗口中仍包含部分背景,所以需要进一步使用HOG特征和SVM分类器的分类方法判断检测窗口是车牌还是背景。
在比色矩形特征级联检测器检测基础上,设计基于HOG特征和SVM分类器的检测方法,进一步判断检测是否存在车牌。HOG特征,又称为方向梯度直方图(Histogram ofOriented Gradient)特征,是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。HOG特征结合SVM分类器已经被广泛应用于图像识别中。本专利提取具有一定重叠的HOG特征,在50×14的最小检测窗口下,提取的HOG特征为1944维,其参数为:一个block单元为10×4,block中每个小块cell为5×2,步长step为5×2,方向为9个不同方向。将提取的HOG特征使用线性或非线性核函数SVM分类器,取得了较好的检测效果。
在检测过程中,整个检测步骤如下:
(1)将输入的待测图像用缩放算法生成金字塔图像集合,取缩放比例为s,在小尺寸车牌检测情况下s的经验取值范围为0.87≤s≤0.95,则输入图像可按缩放比例s,将待测图像等比例缩放为原图像尺寸的s,s2,...,sn倍,生成层数为n+1的金字塔图像集合。
(2)在对比色矩形特征级联检测器的离线训练过程中,计算各彩色通道所有矩形块像素值之和加权后的和的差值,确定对比色矩形特征,并生成对应的弱分类器,然后将多个弱分类器构建能够检测车牌和排除背景区域的强分类器;在线检测过程中,用对比色矩形特征级联检测器,在金字塔图像集合中以预定大小步进地判定该检测区域内是否存在车牌;在小尺寸车牌检测过程中,步进b的经验取值范围为5≤b≤10。由于小尺寸车牌具有边缘模糊和特征不显著等问题,对比色矩形特征级联检测器的检测可以排除大部分背景窗口,但是得到检测窗口中仍包含部分背景,所以需要进一步使用HOG特征和SVM分类器的分类方法判断检测窗口是车牌还是背景。
(3)在HOG特征和SVM分类器的离线训练过程中,通过训练车牌和背景图像样本得到HOG+SVM分类器。在检测过程中,将对比色矩形特征级联检测器得的检测窗口作为输入,提取其HOG特征,并使用离线训练的SVM分类器进行二分类(车牌和背景),判断该检测窗口是车牌还是背景;
(4)标定车牌的位置,按所在的金字塔图像及缩小比例,换算到与原始图像中,确定所检车牌的位置及大小。在金字塔缩放的图像中标定车牌的位置为(x,y)和大小为(w,h);按所在的金字塔图像的缩小比例s,换算到原始图像中,确定所检车牌的位置(x/s,y/s)及大小(w/s,h/s)。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
机译: 工作面小尺寸塌陷柱的基于衍射波的检测方法
机译: 一种基于小特征的双曲数字签名方法
机译: 一种基于小特征的双曲线数字签名方法