基于颜色纹理分析器与机器学习的车牌检测方法
【技术领域】
[0001] 本发明涉及一种车牌检测技术，属于计算机图像处理领域，特别涉及一种基于颜 色纹理分析器与机器学习的车牌检测方法，本发明是一种基于颜色特征、纹理特征以及支 持向量机的车牌检测方法。
【背景技术】
[0002] 随着社会的高速发展，人们对私家车的需求越来越大，由此带来巨大的交通压力 影响着人们正常的出行。车牌识别是智能交通的重要组成部分，但是现在的车牌识别方法 由于自身的局限性只适用于简单场景，如小区管理入口，停车场收费入口等。作为车辆的唯 一标记识别物，车牌的识别对于车辆的监控有着重大的意义。未来，现实生活中会有更多 的地方使用到车牌识别系统。通常来说，现实场景往往比较复杂，监视区域会出现一些路 人，树木等干扰物，而且期间的光照与拍摄视角也会多样化。现有的车牌识别方法无法对上 述场景进行高效的处理，视角的倾斜角度带来的图像形变不能简单地通过图像旋转方法处 理，光照突变给车牌颜色信息带来了很大的干扰，传统的颜色空间不能合理地分离颜色通 道。这些问题大大降低了检测车牌的准确率，是本领域技术人员亟待解决的一个技术问题。
【发明内容】
[0003] 本发明的目的在于克服现有技术的缺点与不足，提供一种基于颜色纹理分析器与 机器学习的车牌检测方法，该车牌检测方法解决了光照不均带来的颜色变化的干扰问题， 矫正了倾斜角度过大或者形变的车牌图片，提高了白颜色车牌在白颜色车辆下定位的准确 率。
[0004] 本发明的目的通过以下技术方案实现：一种基于颜色纹理分析器与机器学习的车 牌检测方法，包括以下步骤：
[0005] 步骤1、图片预处理与基于边缘信息纹理特征提取，对预处理后的图片进行纹理特 征提取；
[0006] 步骤2、车牌图片的透射变换，对纹理特征提取的候选车牌图进行透射变换矫正车 牌倾斜角；
[0007] 步骤3、基于颜色信息特征提取，对车牌底色进行判断，针对蓝黄牌进行两次颜色 特征提取锁定目标位置；
[0008] 步骤4、二次纹理特征信息提取，针对白色的车牌进行第二次纹理特征提取；
[0009] 步骤5、建立车牌图库，分类训练，对特征提取后的候选车牌进行机器学习判断。
[0010] 在步骤1中，采用了sobel算子进行边缘纹理提取以及使用新的片断连接方法对 目标区域进行连接；
[0011] 由于车牌边缘纹理较为简结，在竖直方向以及水平方向上进行边缘提取足以突出 车牌字符所在的位置。以下是sobel算子在水平x方向以及竖直y方向上的两个运算模 板：
[0012]
[0013] 式中，Gx表示纵向边缘检测模板，Gy表示横向边缘检测模板；
[0014] 所述Gx和Gy都是3x3的矩阵，在待检测的图片中使用相同大小的3x3移动窗口 遍历整幅图片，在这个过程中分别将模板和移动窗口区域的像素点进行卷积，选取计算值 的绝对值较大的点并保留下来。
[0015] 此外，考虑到车牌边框附近的细线杂块影响，本发明提出了一种新的连接像素点 的方法，降低真正车牌的区域与干扰区域连接的可能性；所述新的连接像素点的方法包括 如下步骤：
[0016]A、用模板窗口遍历图像，当该区域内特征像素点达到阈值，执行步骤B，否则，继续 遍历。并且在平移模板窗口过程中，每次均与上一个矩形窗口三分之一的重叠区域，因此可 以很好地连接片段区域；
[0017]B、将该有效区域划分为四个部分，在每部分查找外围点，将得到的边界点连接起 来，形成一个封闭的轮廓（由此可以确保不扩大外轮廓区域），然后将轮廓内的位置全部设 置为有效区域。
[0018] 在步骤2中，采用透射变换的方法对倾斜的候选车牌图片进行矫正，具体包括以 下步骤：
[0019] 步骤21、对候选图像进行canny算子的边缘提取，得到大概的车牌边缘信息；
[0020] 步骤22、在canny算子边缘图中使用Hough变换找到图片中接近水平以及竖直的 直线，并记录每一条直线的斜率以及截距值；
[0021] 步骤23、对hough变换找到的直线进行综合决策，选出最贴近车牌边框的四条直 线，计算其两两相交的坐标；
[0022] 步骤24、根据步骤23计算出来的4个坐标值，结合下面的公式，计算出坐标系之间 转换的透视变换矩阵M:
[0023] [x'，y'，w' ] = [u，v，w] ?M，
[0024] 式中，M为透视变换矩阵，[u，v，w]为透视变换前的坐标，[x'，y'，w']为透视 变换后的坐标；
[0025] 步骤25、通过透视变换矩阵M，将原图的像素点坐标转换到新的坐标系中，从而进 行透射变换，矫正倾斜变形的车牌。
[0026] 在步骤3中，采用YCrCb颜色空间以及LAB颜色空间对黄蓝底色的车牌进行颜色 特征提取，所述颜色特征提取包括以下步骤：
[0027] 步骤31、将候选车牌图转换到YCrCb颜色空间，根据其Y通道的数值大小判断车牌 是否是蓝黄底色的车牌；
[0028] 步骤32、针对黄蓝色车牌，根据YCrCb空间中的Cb通道数值大小，使用固定阈值法 将符合阈值的蓝黄色像素点标记为前景，将非法的像素点标记为背景；
[0029] 步骤33、使用新的片段连接方法对步骤32中的前景像素点进行连接，得到颜色特 征提取的车牌位置图；
[0030] 步骤34、对步骤33颜色特征提取后的车牌进行长宽比例判断。针对不符正常车牌 长宽比例的候选图，本方法会将其转化到LAB颜色空间进行二次特征提取，根据图片在B通 道的数值大小进行大津法的自动阈值化；
[0031] 步骤35、对步骤34中得到的二值化图片使用新的片段连接方法，得到第二次颜色 特征提取的车牌位置图。
[0032] 在步骤4中，采用拉普拉斯算子对白色的车牌进行二次边缘纹理特征提取，所述 纹理特征提取包括以下步骤：
[0033] 步骤41、将候选车牌图转换到YCrCb颜色空间，根据其Y通道的数值大小判断车牌 是否是白色的车牌；
[0034] 步骤42、针对白色车牌，使用拉普拉斯二阶算子对候选车牌区域进行再次边缘提 取，以下是在3x3的模板下，拉普拉斯算子在水平x方向以及竖直y方向的运算模板：
[0035]
[0036]
[0037] 式中，为水平方向上的二阶导数模板，g为竖直方向上的二阶导数模板， f[x+l，y]、f[x，y]、f[x- 1，y]、f[x，y+1]、和f[x，y- 1]分别为在图片（x+1，y)、（x，y)、 (x-1，y)、（x，y+1)和（x,y-1)处像素值的大小。
[0038] 步骤43、对步骤42处理后的边缘提取图，使用新的片段连接方法对车牌字符边缘 进行连接，得到二次纹理特征提取后的车牌位置图。
[0039] 在步骤5中，采用基于H0G特征的SVM分类器对候选车牌进行最终的判断；H0G是 一种在计算机视觉以及图像处理中进行物体检测的特征描述子。在图像中，物体的局部外 观以及形状可以通过其局部梯度或边缘信息描述，根据这一特点，H0G主要通过计算和统计 图像局部区域的提督方向直方图来构成物体的特征。
[0040] 本发明的原理：本发明综合了颜色特征，纹理特征以及机器学习的方法提高车牌 检测的准确性以及鲁棒性，首先，要对处理的图片进行sobel算子提取边缘特征以及使用 透射变换矫正候选区域，接着，根据车牌颜色的分类分别进行不同的算法流程。针对黄蓝色 车牌，本方法使用了YCrCb颜色空间以及LAB颜色空间对图像进行颜色特征提取，去除不和 谐色块的干扰。针对白色车牌，本方法使用了二阶拉普拉斯算子进行二次纹理特征提取，目 的是为了进一步锁定车牌的精确区域。最合结合SVM分类器对候选车牌区域进行机器学习 判断，决定最终的车牌所在的位置。本发明可以较好地应对光照不均情况下拍摄的图片，在 一定程度上较好处理运动模糊的车牌图片，此外，本发明的车牌检测（含白色警车上白色 车牌的检测）准确性高，有较好的应用前景。
[0041] 本发明相对于现有技术具有如下的优点及效果：
[0042] 1、提出了基于颜色纹理分析器与机器学习的车牌检测方法，提高了复杂场景下车 牌检测的准确率，并对光照变化以及车牌形变具有鲁棒性。
[0043] 3、提出利用直线检测与色彩决策相结合的车牌边界定位方法，准确的找出车牌边 界指导车牌的矫正。
[0044] 4、提出了片断连接方法，尽可能缩小车牌纹理连接范围，减少传统的膨胀带来的 干扰。
[0045] 5、针对白色车牌的定位，提出了二次纹理特征检测的方法，大大提高了白色车牌 在白色车辆下定位的准确率。
【附图说明】
[0046] 图1是本发明方法的流程图。
【具体实施方式】
[0047] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限 于此。
[0048] 实施例
[0049] 如图1所示，一种基于颜色纹理分析器与机器学习的车牌检测方法，是一种结合 了颜色以及纹理特征对车牌进行初步定位，经过有监督的分类器验证车牌的车牌定位算 法。该方法首先对预处理后的图片进行基于sobel算子的边缘检测，然后通过提出的片段 连接方法将目标边缘部分连