[发明专利]基于改进BING算法的车牌预检测方法

说明书

本发明公开了一种基于改进BING算法的车牌预检测方法，属于车牌识别领域。本发明根据车牌的具体形状，改进了BING的检测窗口，丰富了BING的检测特征，使得BING给出的推荐框能够完整包含整个车牌，由于本发明中的BING的检测形态发生了改变，因此可以不用像BING的原始方法中一样在不同尺度的图像下做检测，而只需要采用传统的金字塔方法就可以取得良好的检测效果。

技术领域

本发明属于计算机视觉领域，具体涉及车牌识别技术领域。

背景技术

随着经济的快速发展，越来越多的中国人拥有了自己的私家车。因此需要一套智能交通系统来帮助人们管理交通秩序。车牌是机动车的身份证，找到了车牌也就能找到唯一对应的机动车辆，因此车牌识别系统是智能交通系统的重要组成成分。车牌检测是车牌识别的第一步也是最关重要的一步，好的车牌检测算法要求检测速度要快，并且查全率要高。传统车牌检测主要有以下方法：

1)基于边缘检测和图像形态学的车牌检测方法，基于边缘检测的方法主要依赖车牌区域有丰富的纹理特征，如果背景环境复杂或者车牌部分与汽车排气口区域(也有丰富的纹理)太过接近，就很难检测出车牌。

2)基于颜色的车牌定位方法，大部分车牌为蓝色或者黄色，就可以利用颜色区域检测车牌，用颜色信息检测车牌在很多时候效果还是不错的，但是对蓝车蓝车牌或者黄车黄车牌就完全检测不出来，同时这种算法对光照敏感而且不能检出警车车牌(白色)。

3)BING算法，其利用8*8的滑窗在不同尺度下检测物体，因为8*8的结果为64，从而可以充分利用64位计算机的特性，以提升检测速度。因现有的BING算法是采用8*8的滑窗，则会导致其检测出来的推荐框(检测目标的位置标识，通常为覆盖检测目标的一个矩形框，其坐标通过矩形的左上角和右下角的坐标来定位)并不是刚好包括一个完整物体，而通常只包含了目标的大部分区域，则当单幅图片的推荐框数量到达一定数量后，其检测率准确率极低，例如当当单幅图片的推荐框达到5000个的时候，目标物体的召回率(查全率)可以达到99.5％。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种能快速检测出可能是车牌的所有区域，缩小后续检测范围，进而加快车牌识别的速度。

本发明的基于改进BING算法的车牌预检测方法包括下列步骤：

步骤1：训练分类器：

101：输入训练样本集，包括包含车牌的图像和图像中的车牌位置标注信息；

102：提取正样本：从训练样本图像中提取车牌切片图，并对车牌切片图进行尺寸归一化处理，缩放为24*8的大小；计算尺寸归一化后的车牌切片图的梯度图，得到梯度车牌切片图，进行图像列向量化得到正样本；

103：提取负样本：从训练样本图像中随机提取非车牌的切片图，并将所述切片图缩放为24*8的大小后，再计算各切片图的梯度图，对所述梯度图列向量化得到负样本；

104：训练分类器：基于正、负样本进行分类器训练，去掉分类器的偏置项后，将分类器排列成为24*8的模板图片；

105：将步骤104训练好的模板图片划分为3个8*8大小的子模板，并计算每个子模板中的像素的二值化梯度幅值其中b_k表示第k个比特面，N_g表示梯度图像的估计超参数；

比特面：将一个灰度图像为8bit/像素中每个像素的第j个比特抽取出来，就得到一个称为比特平面的二值图像。

步骤2：检测处理：

步骤201：输入待预检测的图片；

步骤202：构建待预检测的图片的8层图像金字塔，其中图像金字塔的放缩系数为0.8；