[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

说明书

本发明涉及一种改进MSER与多特征支持向量机相结合的车牌定位方法，属于智慧交通技术领域。该方法包括：粗定位，首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MSER算法得到车牌候选区；精定位，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，得到车牌区域。本发明能够在光照不同、车牌污染以及复杂环境下提升车牌定位的准确率，并且保证了算法的实时性。

技术领域

本发明属于智慧交通技术领域，涉及车牌定位系统中的一种车牌图像的定位和分割方法。

背景技术

车辆牌照识别系统作为近年来计算机视觉与图像处理领域的一个重要的研究方向，车辆牌照识别系统中主要的技术问题包括车牌定位以及字符识别。

针对车牌定位技术，目前主要将其分为三类，第一类是基于颜色的车牌定位算法，第二类是基于边缘特征的车牌定位算法，第三类是基于机器学习和深度学习的车牌定位算法。基于颜色的车牌定位算法利用车牌字符和背景之间的关系来对车牌进行定位，虽然该方法在一些场景中能够快速完成车牌定位，但在如光照变化、车牌污染、车身颜色与车牌颜色接近、图像分辨率较低等情况下，车牌定位效果较差，因此该方法更适合在环境较好场景或者与其他算法结合使用。基于边缘特征的车牌定位主要利用图像处理技术中的边缘检测算子来检测车牌的边缘特征进行车牌定位，该方法用时少、定位效率高，但是在由于车牌污染、场景复杂、光线等因素造成边界模糊的情况下，车牌定位效率较低。基于机器学习或深度学习的车牌定位方法是从大量样本图片中获得车牌特征进而形成车牌特征模型，通过车牌模型进行车牌定位，其优点是鲁棒性较强、定位准确率高，但是由于需要对图片进行滑动扫描，所以定位耗时较长。

因此，目前在车牌定位系统中，亟需一种能够高效快速精确定位的车牌定位方法。

发明内容

有鉴于此，本发明的目的在于提供一种改进的MSER算法与SVM的多特征融合算法相结合的车牌定位方法，在保持车牌定位高准确率的情况下，降低了算法运算。

为达到上述目的，本发明提供如下技术方案：

一种改进MSER与多特征支持向量机相结合的车牌定位方法，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MSER算法得到车牌候选区；

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。

进一步，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。

进一步，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(NMS)对重叠区域进行过滤。

进一步，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3×3×59＝531，在三通道提取到的特征维度为531×3＝1593；