[發明專利]一種基于集成隨機蕨和形狀回歸的車牌定位方法

在審

• 申請號: 201610554203.4
• 申請日: 2016-07-12
• 公開（公告）號: CN107305634A
• 公開（公告）日: 2017-10-31
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 杭州凌絕科技有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/46;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于集成隨機蕨和形狀回歸的車牌定位方法，其特征在于，包括以下步驟：

1)集成隨機蕨算法提取候選車牌區域；

2)基于HOG特征的SVM非車牌候選區域排除：

3)使用形狀回歸算法獲取車牌四個頂點坐標。

2.根據權利要求1所述的一種基于集成隨機蕨和形狀回歸的車牌定位方法，其特征在于，所述的集成隨機蕨算法提取候選車牌區域包括以下步驟：

1)對獲取到的車牌圖像進行灰度處理、歸一化處理；

2)對車牌圖像使用滑動窗口的框架進行多分辨率檢測。建立車牌圖像金字塔；

3)對于圖像金字塔的每一層圖像，提取HOG特征響應圖，HOG使用無符號梯度，即0度到180度，cell大小為6*6，統計直方圖時的方向個數為4；

4)使用大小為14*42的滑動窗口在特征響應圖上進行掃描，得到大量窗口；

5)使用集成隨機蕨算法對每個窗口進行分類，保留分為正類的窗口；

6)對上述得到的窗口進行多分辨率合并，得到候選的車牌區域。

3.根據權利要求2所述的集成隨機蕨算法提取候選車牌區域，其特征在于，所述的使用集成隨機蕨算法對每個窗口進行分類包括集成隨機蕨的構建和預測。

集成隨機蕨作為強分類器包含多個弱分類器，表示為：

其中h_t(x)為弱分類器，β_c為強分類器閾值。弱分類器h_t(x)使用隨機蕨分類器，擁有F個特征點對，每個特征點對由兩個隨機特征組成。每個特征點對建立如下的映射關系：

f(x)=1.xΩi>xΩj0,other---(2)]]>

其中和為特征空間的兩個隨機特征。

因此，隨機蕨分類器把特征空間劃分為2^F個空間，每個空間輸出0或者1。這樣組成的F長度的二進制串，求得該十進制值。因此隨機蕨分類器建立如下的二進制與十進制關系：

z：F₍₂₎→z₍₁₀₎(3)

而隨機蕨分類器可以使用貝葉斯關系表示：

P(C|f1,f2,...,fF)=P(f1,f2,...,fF|C)P(C)P(f1,f2,...,fF)---(4)]]>

P(B|f1,f2,...,fF)=P(f1,f2,...,fF|B)P(B)P(f1,f2,...,fF)---(5)]]>

其中C表示車牌類別，f_i表示特征對，B表示背景類別。

取車牌類別和背景類別的對數比值作為隨機蕨分類的依據，同時假設均勻的先驗概率P(C)＝P(B)，且去掉P（f₁，f₂，...，f_F)，上述關系變為：

logP(C|f1,f2,···,fF)P(B|f1,f2,...,fF)=logP(f1,f2,...,fF|C)P(f1,f2,...,fF|B)=Σi=1FlogP(fi|C)P(fi|B)---(6)]]>

而由F的觀察值表示為：

Σi=1FlogP(zi=k|C,gi)P(zi=k|B,gi),k=1,2,...,F---(7)]]>

其中k為F的觀察值，g_i表示圖像的空間位置。

綜上所述，隨機蕨分類器表示為：

ht(x)=12logP(zt=k|C,gt)P(zt=k|B,gt),k=1,2,...,F---(8)]]>

1)集成隨機蕨分類器的構建

(1)準備N個車牌樣本圖像作為正樣本，M個非車牌背景作為負樣本，構成訓練樣本集合；

(2)將所有的樣本灰度化，并縮放到14×42大?。?/p>

(3)對所有的樣本提取HOG特征；

(4)構建由隨機蕨弱分類器組成的弱分類器池。設置集成隨機蕨分類器的訓練迭代次數為T，并進行迭代；

a)首次迭代時，初始化每個樣本的概率為：

D_t(i)＝1/(N+M) (9)b)計算在當前權重下樣本的z值分布，

P(zt=k|C,gt)=Σi:zt(xi)=kDt(i),k=1,...,K---(10)]]>

c)從弱分類器池中選擇使下面Q_t值最小的弱分類器作為此次迭代的最佳分類器，放入強分類器中。

Qt=2Σk=1KP(zi=k|C,gi)P(zi=k|C,gi)---(11)]]>

d)更新當前樣本權重，并繼續迭代：

Dt+1(i)=Dt(i)exp[-yiht(xi)]Σi=1N+MDt(i)exp[-yiht(xi)]---(12)]]>

(5)得到最終的強分類器：

E(x)=sign(Σt=1Tht(x)-βe)---(13)]]>

2)應用隨機蕨分類器對滑動窗口檢測框架產生的每一個窗口進行預測。