一种车牌识别方法及车牌识别设备技术

本申请公开了一种车牌识别方法及车牌识别设备，根据原始车牌分类器检测现场的无车场景，收集现场的静态负样本；将静态负样本添加到车牌识别设备的原始训练集中，得到第一训练集，根据第一训练集训练第一车牌分类器；根据第一车牌分类器检测现场的有车场景，收集现场的动态负样本，将动态负样本添加到第一训练集中，得到第二训练集，根据第二训练集训练第二车牌分类器，并根据第二车牌分类器进行车牌识别。这样，利用第二训练集训练的第二车牌分类器能够去除静态负样本和动态负样本，此时现场可能出现的绝大部分负样本都能够被第二车牌分类器拒绝，从而达到对车牌的精确识别，减少车牌识别设备的误检率。

【技术实现步骤摘要】
-种车牌识别方法及车牌识别设备
本申请涉及图像识别
，特别是涉及一种车牌识别方法及车牌识别设备。
技术介绍
为了保证良好的交通秩序或社会治安，基于车牌识别技术的车牌识别设备等产品 被广泛应用于交叉路口、物业小区、商业楼宇及政府机构等位置。车牌识别技术一般分为车 牌检测、字符分割识别及车牌投票这三大步骤。车牌检测，即从视频中检测车牌并确定其在 每一帧图像中的位置，是车牌识别技术中比较关键和耗时的一步。 目前，车牌识别设备通常都是在实验室进行训练。通常情况下，车辆正面只有一个 车牌，并且在路口、岗亭或卡口，车辆都是依次通行的，通过使用摄像机在各个时段和天气 条件下在各个位置拍摄并储存大量视频，在这些视频的图像中，人工截取出每辆车的车牌 图像作为正样本，人工截取出其中的非车牌图像作为负样本，然后通过正、负样本训练得到 车牌识别设备。 然而，在实际应用中，现场环境和应用情况千变万化，车牌识别设备在实验室训练 时由于负样本的数量和种类有限，无法兼顾所有的应用场景和工作时段，因而车牌识别设 备在现场使用的时候会存在一定的误检，即把一些非车牌图像错误地识别成车牌。误检包 括静态的误检和动态的误检。静态的误检是指现场的场景中一些背景，例如路边的栅栏，广 告牌上的电话号码等，这些背景图案与实际的车牌很相似，车牌识别设备很容易把这些背 景错误地识别成车牌，比如路边的栅栏与mill很相似，容易被识别成省份L11111， 另外一些字符如 i 、L、T等也容易被错误地识别成H或Y。动态的误检是指移动 的物体，例如汽车引擎的通风口、车身上的广告等，这些物体偶尔会出现，由于比较类似车 牌，也会造成一定的误检，如果车牌识别设备应用在快递公司出入口，公交公司停车场等场 所时，由于大量的车身上都具有广告和电话号码等，就容易出现大量误检，导致车牌识别出 错。
技术实现思路
有鉴于此，本申请提供一种车牌识别方法及车牌识别设备，以实现对车牌的精确 识别，减少车牌识别设备的误检率。 为了实现上述目的，本申请实施例提供的技术方案如下： -种车牌识别方法，应用于布置在现场的车牌识别设备中，所述车牌识别设备中 包括根据原始训练集训练的原始车牌分类器，所述车牌识别方法包括： 根据所述原始车牌分类器检测现场的无车场景，收集现场的静态负样本；所述静 态负样本为所述现场的无车场景中被所述原始车牌分类器误检为车牌区域的背景图像； 将所述静态负样本添加到所述车牌识别设备的所述原始训练集中，得到第一训练 集，根据所述第一训练集训练第一车牌分类器； 根据所述第一车牌分类器检测现场的有车场景，收集现场的动态负样本，将所述 动态负样本添加到所述第一训练集中，得到第二训练集，根据所述第二训练集训练第二车 牌分类器，并根据所述第二车牌分类器进行车牌识别；所述动态负样本为所述现场的有车 场景中被所述第一车牌分类器误检为车牌区域的运动图像。 优选地，所述根据所述第一训练集训练第一车牌分类器，包括： 使用方向梯度直方图HOG特征对所述第一训练集里的每一个正样本进行表征，形 成正样本HOG特征向量； 使用方向梯度直方图HOG特征对所述第一训练集里的每一个负样本进行表征，形 成负样本HOG特征向量； 利用支持向量机SVM对所述正样本HOG特征向量和所述负样本HOG特征向量进行 训练，获得第一车牌分类器。 优选地，所述根据所述第一车牌分类器检测现场的有车场景，收集现场的动态负 样本，包括： 获取所述车牌识别设备检测现场的有车场景得到的视频图像，提取所述视频图像 中的疑似车牌区域，根据所述第一车牌分类器检测所述疑似车牌区域中的车牌区域； 从所述车牌区域中分割出多个字符，根据支持向量机SVM训练的车牌字符识别模 型对多个所述字符进行识别，并判断每个所述字符的识别置信度； 根据每个所述字符的识别置信度判断所述车牌区域是否有效，如果无效，将所述 车牌区域作为所述现场的动态负样本。 优选地，所述根据每个所述字符的识别置信度判断所述车牌区域是否有效，包 括： 判断所述字符的个数是否为7个； 如果是，判断每个所述字符的识别置信度是否大于或等于第一阈值； 如果是，判断7个所述字符的识别置信度的和是否大于或等于第二阈值； 如果是，则判定所述车牌区域有效，否则无效。 优选地，所述将所述动态负样本添加到所述第一训练集中，包括： 按照预设的时间间隔统计所述第一车牌分类器检测现场的有车场景的误检率，并 判断所述误检率是否大于第三阈值； 如果是，判断收集到的所述动态负样本的个数是否大于或等于第四阈值； 如果是，将所述动态负样本添加到所述第一训练集中。 本申请还提供一种车牌识别设备，用于布置在现场进行车牌识别，所述车牌识别 设备中包括根据原始训练集训练的原始车牌分类器，所述车牌识别设备还包括： 静态负样本收集模块，用于根据所述原始车牌分类器检测现场的无车场景，收集 现场的静态负样本；所述静态负样本为所述现场的无车场景中被所述原始车牌分类器误检 为车牌区域的背景图像； 第一车牌分类器模块，用于将所述静态负样本添加到所述车牌识别设备的所述原 始训练集中，得到第一训练集，根据所述第一训练集训练第一车牌分类器； 第二车牌分类器模块，用于根据所述第一车牌分类器检测现场的有车场景，收集 现场的动态负样本，将所述动态负样本添加到所述第一训练集中，得到第二训练集，根据所 述第二训练集训练第二车牌分类器，并根据所述第二车牌分类器进行车牌识别；所述动态 负样本为所述现场的有车场景中被所述第一车牌分类器误检为车牌区域的运动图像。 优选地，所述第一车牌分类器模块，包括： 正样本特征向量单元，用于使用方向梯度直方图HOG特征对所述第一训练集里的 每一个正样本进行表征，形成正样本HOG特征向量； 负样本特征向量单元，用于使用方向梯度直方图HOG特征对所述第一训练集里的 每一个负样本进行表征，形成负样本HOG特征向量； 训练单元，用于利用支持向量机SVM对所述正样本HOG特征向量和所述负样本HOG 特征向量进行训练，获得第一车牌分类器。 优选地，所述第二车牌分类器模块，包括： 检测单元，用于获取所述车牌识别设备检测现场的有车场景得到的视频图像，提 取所述视频图像中的疑似车牌区域，根据所述第一车牌分类器检测所述疑似车牌区域中的 车牌区域； 识别单元，用于从所述车牌区域中分割出多个字符，根据支持向量机SVM训练的 车牌字符识别模型对多个所述字符进行识别，并判断每个所述字符的识别置信度； 动态负样本单元，用于根据每个所述字符的识别置信度判断所述车牌区域是否有 效，如果无效，将所述车牌区域作为所述现场的动态负样本。 优选地，所述动态负样本单元，包括： 第一判断子单元，用于判断所述字符的个数是否为7个； 第二判断子单元，用于如果是，判断每个所述字符的识别置信度是否大于或等于 第一阈值； 第三判断子单元，用于如果是，判断7个所述字符的识别置信度的和是否大于或 等于第二阈值； 判定子单元，用于如果是，则判定所述车牌区域有效，否则无效。 本文档来自技高网...

【技术保护点】
一种车牌识别方法，应用于布置在现场的车牌识别设备中，所述车牌识别设备中包括根据原始训练集训练的原始车牌分类器，其特征在于，所述车牌识别方法包括：根据所述原始车牌分类器检测现场的无车场景，收集现场的静态负样本；所述静态负样本为所述现场的无车场景中被所述原始车牌分类器误检为车牌区域的背景图像；将所述静态负样本添加到所述车牌识别设备的所述原始训练集中，得到第一训练集，根据所述第一训练集训练第一车牌分类器；根据所述第一车牌分类器检测现场的有车场景，收集现场的动态负样本，将所述动态负样本添加到所述第一训练集中，得到第二训练集，根据所述第二训练集训练第二车牌分类器，并根据所述第二车牌分类器进行车牌识别；所述动态负样本为所述现场的有车场景中被所述第一车牌分类器误检为车牌区域的运动图像。

【技术特征摘要】
1. 一种车牌识别方法，应用于布置在现场的车牌识别设备中，所述车牌识别设备中包 括根据原始训练集训练的原始车牌分类器，其特征在于，所述车牌识别方法包括： 根据所述原始车牌分类器检测现场的无车场景，收集现场的静态负样本；所述静态负 样本为所述现场的无车场景中被所述原始车牌分类器误检为车牌区域的背景图像； 将所述静态负样本添加到所述车牌识别设备的所述原始训练集中，得到第一训练集， 根据所述第一训练集训练第一车牌分类器； 根据所述第一车牌分类器检测现场的有车场景，收集现场的动态负样本，将所述动态 负样本添加到所述第一训练集中，得到第二训练集，根据所述第二训练集训练第二车牌分 类器，并根据所述第二车牌分类器进行车牌识别；所述动态负样本为所述现场的有车场景 中被所述第一车牌分类器误检为车牌区域的运动图像。2. 根据权利要求1所述的车牌识别方法，其特征在于，所述根据所述第一训练集训练 第一车牌分类器，包括： 使用方向梯度直方图HOG特征对所述第一训练集里的每一个正样本进行表征，形成正 样本HOG特征向量； 使用方向梯度直方图HOG特征对所述第一训练集里的每一个负样本进行表征，形成负 样本HOG特征向量； 利用支持向量机SVM对所述正样本HOG特征向量和所述负样本HOG特征向量进行训 练，获得第一车牌分类器。3. 根据权利要求1所述的车牌识别方法，其特征在于，所述根据所述第一车牌分类器 检测现场的有车场景，收集现场的动态负样本，包括： 获取所述车牌识别设备检测现场的有车场景得到的视频图像，提取所述视频图像中的 疑似车牌区域，根据所述第一车牌分类器检测所述疑似车牌区域中的车牌区域； 从所述车牌区域中分割出多个字符，根据支持向量机SVM训练的车牌字符识别模型对 多个所述字符进行识别，并判断每个所述字符的识别置信度； 根据每个所述字符的识别置信度判断所述车牌区域是否有效，如果无效，将所述车牌 区域作为所述现场的动态负样本。4. 根据权利要求3所述的车牌识别方法，其特征在于，所述根据每个所述字符的识别 置信度判断所述车牌区域是否有效，包括： 判断所述字符的个数是否为7个； 如果是，判断每个所述字符的识别置信度是否大于或等于第一阈值； 如果是，判断7个所述字符的识别置信度的和是否大于或等于第二阈值； 如果是，则判定所述车牌区域有效，否则无效。5. 根据权利要求1所述的车牌识别方法，其特征在于，所述将所述动态负样本添加到 所述第一训练集中，包括： 按照预设的时间间隔统计所述第一车牌分类器检测现场的有车场景的误检率，并判断 所述误检率是否大于第三阈值； 如果是，判断收集到的所述动态负样本的个数是否大于或等于第四阈值； 如果是，将所述动态负样本添加到所述第一训练集中。6. -种车牌识别设备，用于布置在现场进行车牌识别，所述车牌识别设备中包括根据 原始训练集训练...

【专利技术属性】
技术研发人员：唐健，李昕，邹振宇，李锐，
申请(专利权)人：深圳市捷顺科技实业股份有限公司，
类型：发明
国别省市：广东;44