[发明专利]一种改进MSER与多特征支持向量机相结合的车牌定位方法

权利要求书

1.一种改进MSER与多特征支持向量机相结合的车牌定位方法，其特征在于，该方法将车牌定位分为粗定位与精定位两个阶段；

粗定位阶段：首先对输入的定位图像进行预处理，然后将预处理后图像转换至HSV空间图片，并在HSV空间中分通道进行最大稳定极值区域提取，然后通过改进的最大稳定极值区域特征(Maximally Stable Extremal Regions，MSER)算法得到车牌候选区；

所述粗定位阶段中，对输入的定位图像进行预处理具体包括：首先运用中值滤波消除图像中的噪声，然后采用灰度世界法将图像校正，减少光照影响，最后使用CLAHE图像增强算法增强图像对比度；具体包括：

1)将图像划分为若干区域，对每一区域分别计算裁剪直方图，然后进行图像均衡化；

2)使用线性插值算法对各个区域进行计算；

3)与原始图像做图层滤色混合；

精定位阶段：首先在HSV空间通过CNN特征提取网络提取CNN特征，然后分通道对标识数据库样本提取HOG、LBP特征，并将三种特征进行线性融合，利用融合特征训练SVM分类器，最后将候选区域送入训练好的SVM分类器，滤除非车牌字符区域，最终得到精确定位的车牌区域，完成车牌定位；

所述精定位阶段中，提取HOG特征时，将图像以4×4作为一个cell，分成9个梯度方向块，以8×8个cell作为一个block计算得到在单个独立通道的HOG特征；

提取LBP特征时，将图像划分为3×3区域，在单通道提取到LBP特征维度为531，在三通道提取到的特征维度为1593；

提取CNN特征的CNN特征提取网络含有两个卷积层和两个池化层，卷积层采用5×5的卷积核，池化层采用2×2的卷积核，步长均为1，通过CNN网络，提取到512维车牌字符的CNN特征；

所述精定位阶段中，候选区进行最近邻对构造之后，通过SVM分类器判断候选区域，当存在7个最近邻对候选区的概率达到90％以上时，将其合并得到精确定位的车牌区域；对候选区进行最邻近对匹配，具体包括：扫描所有候选区矩形并求得平均高度和宽度，并求得每个候选区中心点坐标并按横坐标由大到小进行排序；从左至右扫描候选区，判断当前候选区是否与右边满足下述公式，如满足，则证明存在最邻近对，如不满足，则剔除当前区域；

其中，分别表示候选区平均高度和宽度，(x,y)表示候选区中心点坐标，r表示候选区域，d_y表示两个候选区中心点的垂直距离。

2.根据权利要求1所述的一种改进MSER与多特征支持向量机相结合的车牌定位方法，其特征在于，所述粗定位阶段中，对预处理后图像进行HSV色彩空间变换，并在H，S，V三个独立空间进行MSER候选区提取，并根据车牌字符高宽比、占空比、设置过滤条件；

采用非极大值抑制算法对重叠区域进行过滤。