一種基于多特征融合的車牌類別識別方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本申請設(shè)及車牌識別領(lǐng)域，特別設(shè)及一種基于多特征融合的車牌類別識別方法及 系統(tǒng)。
【背景技術(shù)】
[0002] 隨著技術(shù)的發(fā)展，人們對車牌識別的要求越來越高。
[0003] 當(dāng)前主要的車牌類型包括：普通藍(lán)牌、普通黃牌、普通黑牌（港澳牌）、新式軍牌、 雙層新式軍牌、新式武警車牌、雙層新式武警車牌、警牌、使館牌等。
[0004] 當(dāng)前大多數(shù)車牌類型識別的方法主要有W下幾種方法：（1)使用顏色來進(jìn)行車牌 類型的識別，例如使用HIS顏色模型，對于各個顏色分量分別設(shè)置相對應(yīng)的闊值來區(qū)分普 通的藍(lán)黃牌及軍警牌，此種方法在攝像機(jī)成像較好，車牌顏色正常的情況下能夠獲得較好 的類型識別結(jié)果，但是在某些復(fù)雜光線環(huán)境下，例如強(qiáng)光或者逆光情況下，車牌顏色可能失 真，特別是軍警牌。此種方法在某些場景中的魯棒性較差，對成像設(shè)備的性能要求較高，相 關(guān)闊值不易確定；（2)對車牌灰度圖二值化，分析二值化后車牌區(qū)域前景像素點與背景像 素點之間的關(guān)系，基于對白底黑字（主要是黃牌及軍警牌）與黑底白字（主要是藍(lán)牌與黑 牌）兩大類車牌進(jìn)行前景點及背景點占比的統(tǒng)計分析，得出相應(yīng)車牌類型的前景點占比闊 值，通過此闊值進(jìn)行車牌大類型（正反色）的判斷。此種方法一般情況下能夠較準(zhǔn)確的識 別車牌的大類型（正反色），但不能快速有效的識別車牌的小類型，要確定車牌的具體類型 依賴后面的車牌切分及字符識別部分。（3)通過對整車牌的識別來識別類型，此種方法識別 較準(zhǔn)確、識別率較高，但是其識別速度較慢，不適用于實時性要求較高的嵌入式前端設(shè)備。 陽0化]不同于傳統(tǒng)的經(jīng)驗闊值和統(tǒng)計方法，當(dāng)前比較經(jīng)典的方法就是使用機(jī)器學(xué)習(xí)的相 關(guān)算法進(jìn)行對象的識別。在嵌入式的平臺中常用的分類算法主要有SVM、ADAB00ST、A順等。 在識別對象時首先會收集大量對象樣本，然后對樣本進(jìn)行特征提取，比較經(jīng)典及常用的特 征主要有Harr特征、HOG特征、LBP特征等，僅僅對單類特征進(jìn)行提取，然后根據(jù)單類特征進(jìn) 行車牌類型識別，導(dǎo)致車牌類型識別的效果差。

【發(fā)明內(nèi)容】

[0006] 本申請所要解決的技術(shù)問題是提供一種基于多特征融合的車牌類別識別方法及 系統(tǒng)，解決了現(xiàn)有技術(shù)中僅僅對單類特征進(jìn)行提取，然后根據(jù)單類特征進(jìn)行車牌類型識別， 導(dǎo)致車牌類型識別的效果差的問題。
[0007] 其具體方案如下：
[0008] 一種基于多特征融合的車牌類別識別方法，該方法包括：
[0009] 獲取經(jīng)過粗檢過濾后的車牌圖像；
[0010] 計算所述車牌圖像的分塊LBP特征；
[0011] 計算所述車牌圖像的擴(kuò)展HOG特征；
[0012] 計算所述車牌圖像的顏色直方圖特征；
[0013] 融合計算的所述車牌圖像的分塊LBP特征、擴(kuò)展HOG特征和顏色直方圖特征；
[0014] 根據(jù)融合后的所述車牌圖像的特征進(jìn)行車牌的類別識別，確定所述車牌的類別。
[0015] 上述的方法，優(yōu)選的，所述計算所述車牌圖像的擴(kuò)展HOG特征，包括：
[0016] 采用查表的方法計算所述車牌圖像的HOG特征。
[0017] 上述的方法，優(yōu)選的，所述計算所述車牌圖像的顏色直方圖特征，包括：
[0018] 采用RGB及YCb化顏色空間特征計算所述車牌圖像的顏色直方圖特征。
[0019] 上述的方法，優(yōu)選的，所述融合計算的所述車牌圖像的分塊LBP特征、擴(kuò)展HOG特 征和顏色直方圖特征，包括：
[0020] 直接融合所述車牌圖像的分塊LBP特征、擴(kuò)展HOG特征和顏色直方圖特征，組成一 個1XN維的特征向量。
[0021] 上述的方法，優(yōu)選的，所述根據(jù)融合后的所述車牌圖像的特征進(jìn)行車牌的類別識 另ll，包括：
[0022] 將經(jīng)過點積加速處理后的線性SVM作為分類器，對訓(xùn)練樣本進(jìn)行訓(xùn)練得到識別模 型；
[0023] 通過所述識別模型，根據(jù)所述融合后的所述車牌圖像的特征進(jìn)行車牌的類別識 別。
[0024] 一種基于多特征融合的車牌類別識別系統(tǒng)，該系統(tǒng)包括：
[00巧]獲取單元，用于獲取經(jīng)過粗檢過濾后的車牌圖像；
[00%] 第一計算單元，用于計算所述車牌圖像的分塊LBP特征；
[0027] 第二計算單元，用于計算所述車牌圖像的擴(kuò)展HOG特征；
[0028] 第=計算單元，用于計算所述車牌圖像的顏色直方圖特征；
[0029] 融合單元，用于融合計算的所述車牌圖像的分塊LBP特征、擴(kuò)展HOG特征和顏色直 方圖特征；
[0030] 類別識別單元，用于根據(jù)融合后的所述車牌圖像的特征進(jìn)行車牌的類別識別，確 定所述車牌的類別。
[0031] 上述的系統(tǒng)，優(yōu)選的，所述第二計算單元中，
[0032] 采用查表的方法計算所述車牌圖像的HOG特征。
[0033] 上述的系統(tǒng)，優(yōu)選的，所述第S計算單元中，
[0034] 采用RGB及YCb化顏色空間特征計算所述車牌圖像的顏色直方圖特征。
[0035] 上述的系統(tǒng)，優(yōu)選的，所述融合單元中：
[0036] 直接融合所述車牌圖像的分塊LBP特征、擴(kuò)展HOG特征和顏色直方圖特征，組成一 個1XN維的特征向量。
[0037] 上述的系統(tǒng)，優(yōu)選的，所述類別識別單元，包括：
[0038] 訓(xùn)練單元，用于將經(jīng)過點積加速處理后的線性SVM作為分類器，對訓(xùn)練樣本進(jìn)行 訓(xùn)練得到識別模型；
[0039] 類別識別子單元，用于通過所述識別模型，根據(jù)所述融合后的所述車牌圖像的特 征進(jìn)行車牌的類別識別。
[0040] 本申請?zhí)峁┑囊环N基于多特征融合的車牌類別識別方法中，獲取經(jīng)過粗檢過濾后 的車牌圖像；計算所述車牌圖像的分塊LBP特征；計算所述車牌圖像的擴(kuò)展HOG特征；計算 所述車牌圖像的顏色直方圖特征；融合計算的所述車牌圖像的分塊LBP特征、擴(kuò)展HOG特征 和顏色直方圖特征；根據(jù)融合后的所述車牌圖像的特征進(jìn)行車牌的類別識別，確定所述車 牌的類別。本申請中將計算的不同的特征進(jìn)行融合，然后根據(jù)融合后的特征進(jìn)行車牌的類 別識別，綜合了單獨根據(jù)每一種特征進(jìn)行車牌類別識別的優(yōu)點，使用多特征使識別效果相 對魯棒，對光線的變化及角度變化具有較強(qiáng)的抵抗能力。
【附圖說明】
[0041] 為了更清楚地說明本申請實施例中的技術(shù)方案，下面將對實施例描述中所需要使 用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于 本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可W根據(jù)運些附圖獲得其 他的附圖。
[0042]圖1是本申請的一種基于多特征融合的車牌類別識別方法實施例的流程圖；
[0043] 圖2是本申請的一種基于多特征融合的車牌類別識別系統(tǒng)實施例的示意圖。
【具體實施方式】
[0044]下面將結(jié)合本申請實施例中的附圖，對本申請實施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例?；?本申請中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例，都屬于本申請保護(hù)的范圍。
[0045] 參考圖1，示出了本申請一種基于多特征融合的車牌類別識別方法實施例的流程 圖，可W包括W下步驟：
[0046]步驟S101 :獲取經(jīng)過粗檢過濾后的車牌圖像。
[0047]獲取經(jīng)過粗檢過濾后的彩色的車牌圖像，此圖可W是精確定位的車牌圖像，也可W是帶有一定左右偏移（一個車牌字符左右）的車牌圖像。
[0048]利用本申請中的方法可W進(jìn)行多類型車牌類別的識別，在進(jìn)行多類型車牌類別的 識別時，收集一定數(shù)量的各類車牌樣本，包括藍(lán)牌、黃牌、黑牌、單層軍牌、雙層軍牌、單層武 警車牌、雙層武警車牌、警牌、使館牌等，各類車牌1500個。對樣車牌本進(jìn)行標(biāo)注，標(biāo)注框中 的車牌占比，依賴檢測出的車牌在檢測框中的占比，本申請中使用的是精確標(biāo)注車牌，標(biāo)注 框緊貼車牌字符，為了加快計算速度，將各類車牌圖像統(tǒng)一縮放到48X16。
[0049]步驟S102 :計算所述車牌圖像的分塊LBP特征。
[0050] 此處的LBP為統(tǒng)一化LBP算子。
[0051] 當(dāng)對多類型車牌進(jìn)行類別識別時，需要計算各類車牌的分塊LBP特征。 陽0巧圖像按8X8大小分塊，8X8的圖像塊中使用3X3的基本塊進(jìn)行LBP特征的計算。 對于灰度圖像，統(tǒng)一化LBP算子具有58個統(tǒng)一模式和1個非統(tǒng)一模式，此處只使用58個統(tǒng) 一模式，那么48X16大小的圖像產(chǎn)生的特征維數(shù)為（48/8)X(16/8)X58,即696維特征。
[0053]步驟S103 :計算所述車牌圖像的擴(kuò)展HOG特征。
[0054]當(dāng)對多類型車牌進(jìn)行類別識別時，需要計算各類車牌的擴(kuò)展HOG特征。 W55] 本申請中的冊G特征為DPM算法中使用的擴(kuò)展冊G特征，冊G特征的每一個 塊的特征維數(shù)為31，將車牌圖像按8X8大小分塊，那么圖像生成的HOG特征維數(shù)為 (48/8)X(16/8)X31，即 372 維。 陽056] 計算HOG特征時采用查表的方法進(jìn)行特征計算加速，加速的部分包括：（1)正弦及 余弦的計算；在HOG計算中設(shè)及到cos及sin的計算，由于送入正余弦函數(shù)的值是有限確定 的所W可W先計算出來使用時進(jìn)行查表。（2)H0G特征的梯度計算；（3)線性差值權(quán)重計算 及差值計算。
[0057] 由于使用的方法思想較相似，此處只對第（2)項進(jìn)行詳細(xì)描述。HOG特征是灰度 圖的梯度統(tǒng)計信息，梯度主要存在于邊緣的地方。可W根據(jù)如下公式計算梯度，獲得HOG特 征，其中I(x，y)表示在圖像I上的一個點。圖像的一階梯度的大小為：
[0058]
[0059]由于像素的灰度范圍為[0,255]，可知I(X+1,y)-I(X-1,y)和I(X,y-l)-I(X,y+1) 的范圍為[-255,25引；那么可W使用一個預(yù)先計算好的梯度矩陣來保存可能的梯度值，本 實施例中使用一個511X511大小的float類型數(shù)組gradient保存所有由
[0060]
[0061] 計算出的值，其中x、y的取值范圍為[0, 255]。
[0062] 在計算R(x,y)時，直接查表，找出相應(yīng)的gradient巧55+X] [255+y]值即可。第 (1) (3)項中皆可使用（2)項中的策略進(jìn)行計算優(yōu)化，在嵌入式平臺中減少乘除、平方、正余 弦等相對耗時的運算。
[006引步驟S104 :計算所述車牌圖像的顏色直方圖特征。
[0064] 當(dāng)對多類型車牌進(jìn)行類別識別時，需要計算各類車牌的顏色直方圖特征。 陽〇化]所述計算所述車牌圖像的顏色直方圖特征，包括：
[0066] 采用RGB及YCb化顏色空間特征計算所述車牌圖像的顏色直方圖特