[发明专利]一种基于像素级联特征的模糊车牌检测方法

说明书

本发明公开了一种基于像素级联特征的模糊车牌检测方法，包括以下步骤：将输入的待测图像利用缩放算法生成金字塔图像集合；通过计算“像素级联特征”生成可供AdaBoost相关算法学习和训练使用的弱分类器；使用上述生成的弱分类器，构建能够提取车牌颜色像素点特征的强分类器，并进一步将强分类器级联为像素级联检测器；利用像素级联检测器，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；基于HOG特征和SVM分类器进一步判断检测是否存在车牌，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。本方法能够快速的检测高分辨率图像中的不同模糊程度的车牌，并且能够达到很高的检测率。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于像素级联特征的模糊车牌检测方法。

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，车牌较小并且具有一定的模糊，其检测仍然是一个非常具有挑战性的问题，在复杂监视大场景下车牌检测中仍然有两种主要难点需要克服：一，拍摄的车牌具有一定的模糊性，二，检测标示牌需要在大分辨率图像中进行搜索，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，然而面对模糊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，并且都没有涉及模糊的车牌检测问题。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模糊车牌，并且面对大分辨率图像时运算速度较慢。

因此，亟需一种针对复杂监视大场景下的模糊车牌检测方法，实现对车牌的快速检测。

发明内容

为解决现有技术存在的不足，本发明公开了一种基于像素级联特征的模糊车牌检测方法，本发明利用像素级联特征，并将其级联成一种检测框架，能够快速实时的检测图像中的不同尺寸车牌，其对检测模糊的车牌的能力超出了已有的基于AdaBoost的方法。

为实现上述目的，本发明的具体方案如下：

一种基于像素级联特征的模糊车牌检测方法，包括以下步骤：

将输入的待测图像利用缩放算法生成金字塔图像集合；

在像素级联检测器的离线训练过程中，通过计算“像素级联特征”生成可供AdaBoost相关算法学习和训练使用的弱分类器；

使用上述生成的弱分类器，构建能够提取车牌颜色像素点特征的强分类器，并进一步将强分类器级联为像素级联检测器即建立包含不同尺寸车牌的级联分类器结构；

利用像素级联检测器，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，像素级联检测器的检测能够排除大部分背景窗口，但是得到的检测窗口中仍包含部分背景；

基于HOG特征和SVM分类器进一步判断检测是否存在车牌，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。

进一步的，将输入的待测图像利用缩放算法生成金字塔图像集合，具体的，取缩放比例为s，在模糊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,n为正整数。