[发明专利]一种前车窗右上角点检测方法

摘要

本发明涉及智能交通系统，旨在提供一种前车窗右上角点检测方法。该种前车窗右上角点检测方法包括步骤：选取样本组，人工标定车牌中心点和前车窗右上角点；寻找车牌中心点与前车窗右上角点的关系；建立样本库；训练adaboost；定位车牌中心点；定位前车窗右上角点；确定检索区域；采集候选区域；提取特征：传入训练好adaboost进行分类。本发明对前车窗右上角进行定位，从而为其他检测部位提供位置参考；本算法通过提取车窗特征，放入adaboost训练器进行训练，可提高车窗检测率，其中样本集及特征选取的好坏对结果影响较大，在选取良好样本的情况下，前车窗右上角点检测的方法可以达到很好的正确率。

主权项

一种前车窗右上角点检测方法，包括建立样本库，训练adaboost分类器，以及应用训练好的adaboost，定位前车窗右上角点，其特征在于，所述建立样本库，训练adaboost分类器，包括以下步骤：(1)选取样本组，人工标定车牌中心点和前车窗右上角点；(2)寻找车牌中心点与前车窗右上角点的关系；(3)建立样本库；(4)训练adaboost；所述应用训练好的adaboost，定位前车窗右上角点，包括以下步骤：(5)定位车牌中心点；(6)定位前车窗右上角点；(7)确定检索区域；(8)采集候选区域；(9)提取特征；(10)传入训练好adaboost进行分类；所述步骤(1)的具体过程：通过卡口系统拍摄汽车在行驶中的车牌图片，然后在拍摄的车牌图片中，选取样本组，样本组包括各种车型的图片，样本组的样本量是1000张，在样本组中的车牌图片上，人工标定车牌中心点和前车窗右上角点；所述步骤(2)的具体过程：将步骤(1)中标定的车牌中心点记为(X_p，Y_p)，前车窗右上角点记为(X_c，Y_c)，用最小二乘拟合法确定两者的线性位置关系；所述步骤(3)的具体过程，按如下步骤处理：步骤A：将样本组中的车牌图片，由RGB图转化为GRAY图；步骤B：在步骤A处理后的车牌图片上，选取以(X_c，Y_c)为中心的20像素×20像素的区域；步骤C：以步骤B中选取的区域内的所有点为中心点，截取120像素×120像素的区块；步骤D：将步骤C中得到的区块，分别按顺时针、逆时针方向旋转10度；步骤E：将未经旋转和旋转后的区块同时作为正样本；步骤F：在步骤A处理后的车牌图片上，选取以(X_c，Y_c)为中心的200像素×200像素的区域，再去除中心50像素×50像素的区域，形成新的区域；步骤G：以步骤F的新形成的区域内的所有点为中心点，截取120像素×120像素的区块作为负样本；所述步骤(4)的具体过程：将步骤(3)采集到的正样本和负样本下，采样至24像素×24像素，提取haar特征，传入adaboost分类器，训练adaboost分类器，在分类器能正确区分正负样本时停止训练；所述步骤(5)的具体过程：通过卡口系统拍摄汽车在行驶中的车牌图片，然后对拍摄的车牌图片，确定车牌中心点的像素位置；所述步骤(6)的具体过程：根据步骤(2)中确定的关系，由步骤(5)中确定的车牌中心点，定位前车窗右上角点的位置；所述步骤(7)的具体过程：以步骤(6)中定位的前车窗右上角点位置为中心，确定一个200像素×200像素的搜索区域；所述步骤(8)的具体过程：以步骤(7)中确定的搜索区域内的所有点为中心点，截取120像素×120像素区块作为候选区域；所述步骤(9)的具体过程：将步骤(8)中确定的候选区域下，采样至24像素×24像素，提取haar特征；所述步骤(10)的具体过程：将步骤(9)中提取的haar特征，放入步骤(4)中训练好的adaboost，将adaboost输出响应值最高的区块作为最佳结果，将此区块中心作为右上角点位置。