[發明專利]基于改進BING算法的車牌預檢測方法

有效

• 申請號: 201710854432.2
• 申請日: 2017-09-20
• 公開（公告）號: CN107657275B
• 公開（公告）日: 2020-07-21
• 發明（設計）人: 馬爭;解梅;李佩倫;秦方
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 周劉英

本發明公開了一種基于改進BING算法的車牌預檢測方法，屬于車牌識別領域。本發明根據車牌的具體形狀，改進了BING的檢測窗口，豐富了BING的檢測特征，使得BING給出的推薦框能夠完整包含整個車牌，由于本發明中的BING的檢測形態發生了改變，因此可以不用像BING的原始方法中一樣在不同尺度的圖像下做檢測，而只需要采用傳統的金字塔方法就可以取得良好的檢測效果。

技術領域

本發明屬于計算機視覺領域，具體涉及車牌識別技術領域。

背景技術

隨著經濟的快速發展，越來越多的中國人擁有了自己的私家車。因此需要一套智能交通系統來幫助人們管理交通秩序。車牌是機動車的身份證，找到了車牌也就能找到唯一對應的機動車輛，因此車牌識別系統是智能交通系統的重要組成成分。車牌檢測是車牌識別的第一步也是最關重要的一步，好的車牌檢測算法要求檢測速度要快，并且查全率要高。傳統車牌檢測主要有以下方法：

1)基于邊緣檢測和圖像形態學的車牌檢測方法，基于邊緣檢測的方法主要依賴車牌區域有豐富的紋理特征，如果背景環境復雜或者車牌部分與汽車排氣口區域(也有豐富的紋理)太過接近，就很難檢測出車牌。

2)基于顏色的車牌定位方法，大部分車牌為藍色或者黃色，就可以利用顏色區域檢測車牌，用顏色信息檢測車牌在很多時候效果還是不錯的，但是對藍車藍車牌或者黃車黃車牌就完全檢測不出來，同時這種算法對光照敏感而且不能檢出警車車牌(白色)。

3)BING算法，其利用8*8的滑窗在不同尺度下檢測物體，因為8*8的結果為64，從而可以充分利用64位計算機的特性，以提升檢測速度。因現有的BING算法是采用8*8的滑窗，則會導致其檢測出來的推薦框(檢測目標的位置標識，通常為覆蓋檢測目標的一個矩形框，其坐標通過矩形的左上角和右下角的坐標來定位)并不是剛好包括一個完整物體，而通常只包含了目標的大部分區域，則當單幅圖片的推薦框數量到達一定數量后，其檢測率準確率極低，例如當當單幅圖片的推薦框達到5000個的時候，目標物體的召回率(查全率)可以達到99.5％。

發明內容

本發明的發明目的在于：針對上述存在的問題，提供一種能快速檢測出可能是車牌的所有區域，縮小后續檢測范圍，進而加快車牌識別的速度。

本發明的基于改進BING算法的車牌預檢測方法包括下列步驟：

步驟1：訓練分類器：

101：輸入訓練樣本集，包括包含車牌的圖像和圖像中的車牌位置標注信息；

102：提取正樣本：從訓練樣本圖像中提取車牌切片圖，并對車牌切片圖進行尺寸歸一化處理，縮放為24*8的大小；計算尺寸歸一化后的車牌切片圖的梯度圖，得到梯度車牌切片圖，進行圖像列向量化得到正樣本；

103：提取負樣本：從訓練樣本圖像中隨機提取非車牌的切片圖，并將所述切片圖縮放為24*8的大小后，再計算各切片圖的梯度圖，對所述梯度圖列向量化得到負樣本；

104：訓練分類器：基于正、負樣本進行分類器訓練，去掉分類器的偏置項后，將分類器排列成為24*8的模板圖片；

105：將步驟104訓練好的模板圖片劃分為3個8*8大小的子模板，并計算每個子模板中的像素的二值化梯度幅值其中b_k表示第k個比特面，N_g表示梯度圖像的估計超參數；

比特面：將一個灰度圖像為8bit/像素中每個像素的第j個比特抽取出來，就得到一個稱為比特平面的二值圖像。

步驟2：檢測處理：

步驟201：輸入待預檢測的圖片；

步驟202：構建待預檢測的圖片的8層圖像金字塔，其中圖像金字塔的放縮系數為0.8；