一种车牌的检测方法及摄像机和服务器技术

本发明专利技术实施例提供的一种车牌的检测方法及摄像机和服务器，该车牌的检测方法包括：获得待检测的车牌图像的N个目标字符分割块；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度，生成一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则确定待检测的车牌图像对应的车牌为正常车牌。应用本发明专利技术实施例，提高了车牌检测的准确率。

Method for detecting license plate and camera and server

A license plate provided by the embodiment of the invention of the detection method and the camera and the server, including the license plate detection method: N target image to be detected to obtain a license plate character segmentation; character segmentation for each target block, calculate a number of features; according to the confidence of the algorithm for character segmentation block preset each feature contains the abnormal character, the calculation of confidence for each feature corresponding to each target character segmentation block, generating a confidence vector, and the license plate character second layer generated confidence vector input to a pre established prediction model, for each target character segmentation block contains abnormal prediction results license plate character; when there is at least one prediction result is predicted to contain abnormal character, to determine the detection of license plate image corresponding to the license plate For the exception of the license plate, or to determine the number of plates to be detected corresponding to the license plate is a normal license plate. With the embodiment of the invention, the accuracy of the license plate detection is improved.

【技术实现步骤摘要】
一种车牌的检测方法及摄像机和服务器
本专利技术涉及智能交通
，特别是涉及一种车牌的检测方法及摄像机和服务器。
技术介绍
随着图像处理、模式识别和人工智能技术的不断发展，智能交通技术在我国的交通运输领域中显现出了巨大优势，而车牌检测系统是实现智能交通中最关键的一个环节，该系统通常可以包括摄像机和服务器两大硬件。实际应用中，针对异常车牌检测的车牌检测系统尤其重要。通常，对于异常车牌的检测，可以包括：车牌字符的分割和车牌字符的预测两步处理。现有技术中，提供了这样一种车牌字符的分割方法：提取待分割的车牌图像的LBP纹理特征，并将提取到的LBP纹理特征输入至预先建立的Adaboost分类器中进行筛选，通常会有上百个切割块，将筛选得到的上百个切割块进行合并处理后，得到合并后的车牌字符的分割块，且得到的全部分割块的数量通常小于等于车牌的字符数7(包括汉字)；现有技术中，提供了这样一种车牌字符的预测方法：分别提取车牌图像的7个分割块的纹理特征，并将提取得到的7个纹理特征向量输入至预先建立的异常字符的预测模型中，得到车牌字符的预测结果。显然，上述对于异常车牌的检测方法虽然可行，但在实际应用中，仅通过提取单一的图像特征进行车牌字符的分割，容易出现字符分割块位置不准确的问题，基于单一的纹理特征训练的预测模型在进行异常字符预测时，容易出现预测不准确，因而导致对异常车牌的检测的准确率低下。
技术实现思路
本专利技术实施例的目的在于提供一种车牌的检测方法及摄像机和服务器，以提高对车牌进行检测的准确率。为达到上述目的，本专利技术实施例公开了一种车牌检测方法，所述方法包括：获得待检测的车牌图像的N个目标字符分割块；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；其中，所述多个特征为灰度特征、颜色分布特征或笔道特征中的至少2种；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。较佳的，所述获得待检测的车牌图像的N个目标字符分割块，包括：获得待检测的车牌图像；基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得所述待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息。较佳的，所述标准车牌图像模板，包括：预先获得各类符合国家标准的标准车牌的车牌图像中的N个车牌字符位的位置信息，将携带有N个车牌字符位的标准车牌的车牌图像作为标准车牌图像模板。较佳的，所述基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块，包括：利用LBP纹理特征提取算法，提取待检测的车牌图像的纹理特征；将提取的纹理特征输入至预先建立的第一分割模型中，获得多个初级分割块；其中，所述第一分割模型为：基于从预定的车牌图像样本中提取的各个车牌图像的纹理特征，采用自适应提升算法Adaboost算法训练得到的分割模型；对所获得的多个初级分割块进行合并处理，获得第一类候选分割块。较佳的，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征中包括灰度特征时，针对灰度特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的灰度特征对应的置信度的步骤，包括：获得每个目标字符分割块的灰度图像的一维灰度特征向量；将所述一维灰度特征向量输入至预先建立的第一层的第一车牌字符预测子模型中，获得第一置信度；其中，所述第一层的第一车牌字符预测子模型为，基于从预定的第一车牌字符分割块样本中提取的各个字符分割块的灰度特征，采用人工神经网络ANN算法训练得到的用于预测字符分割块中包含异常车牌字符的预测模型；所述第一置信度为所述第一层的第一车牌字符预测子模型的输出层中表示包含异常车牌字符概率的激活值；和/或，获得每个目标字符分割块的灰度图像的一维灰度特征向量；将所述一维灰度特征向量输入至预先建立的第一层的第二车牌字符预测子模型中，获得第二置信度；其中，所述第一层的第二车牌字符预测子模型为，基于从预定的第二车牌字符分割块样本中提取的各个字符分割块的灰度特征，采用人工神经网络ANN算法训练得到的用于预测字符分割块中包含正常车牌字符的预测模型；所述第二置信度为所述第一层的第二车牌字符预测子模型的输出层中用于表示包含异常车牌字符概率的激活值。较佳的，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征包括颜色分布特征时，针对颜色分布特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的颜色分布特征对应的置信度的步骤，包括：计算每个目标字符分割块的颜色矩；基于所述第一层的第一车牌字符预测子模型和第一层的第二车牌字符预测子模型，获得每个目标字符分割块包含正常车牌字符概率的激活值；按照目标字符分割块中包含正常车牌字符概率由高到低的顺序，获得具有概率值最高的前3个目标字符分割块的颜色矩，标记为A1、A2、A3；计算所述3个目标字符分割块两两之间的颜色矩距离，标记为L12、L23、L31；根据所述两两之间的颜色矩距离L12、L23、L31，获得用于衡量N个目标字符分割块的颜色矩距离偏差程度的标准值；计算每个目标字符分割块的颜色矩距离与所获得的标准值的偏差值，记为ΔL1至ΔL7，根据预设的颜色矩距离偏差值阈值，获得每个目标字符分割块的颜色矩距离的偏差程度；根据所述偏差程度，获得每个目标字符分割块中包含异常车牌字符的概率，并将其确定为颜色分布特征对应的第三置信度。较佳的，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征为笔道特征时，针对笔道特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的笔道特征对应的置信度的步骤，包括：获得每个目标字符分割块的二值化图像；判断待检测的车牌图像对应的待检测车牌为浅色车牌时，进行反色处理；对反色处理后的二值化图像进行定向图像腐蚀处理；按照预定顺序，逐行扫描腐蚀处理后的目标字符分割块后，得到每一行像素点的二值数据，基于所述二值数据，获得每个目标字符分割块的每一行像素点中包含的笔道数量以及各个笔道的宽度；判断所获得的每个笔道是否为有效笔道：当所获得的各个笔道的宽度位于预设的笔道宽度范围内，确定为有效笔道，否则，确定为无效笔道；将所述每个目标字符分割块划分成上下两部分图像区域，本文档来自技高网...

【技术保护点】
一种车牌检测方法，其特征在于，所述方法包括：获得待检测的车牌图像的N个目标字符分割块；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；其中，所述多个特征为灰度特征、颜色分布特征或笔道特征中的至少2种；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。

【技术特征摘要】
1.一种车牌检测方法，其特征在于，所述方法包括：获得待检测的车牌图像的N个目标字符分割块；针对每个目标字符分割块，分别计算多个特征；按照针对每种特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的每种特征对应的置信度；其中，所述多个特征为灰度特征、颜色分布特征或笔道特征中的至少2种；基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果；当所获得的预测结果中至少有一个被预测为包含异常车牌字符时，确定所述待检测的车牌图像对应的车牌为异常车牌，否则，确定待检测的车牌图像对应的车牌为正常车牌。2.根据权利要求1所述的方法，其特征在于，所述获得待检测的车牌图像的N个目标字符分割块，包括：获得待检测的车牌图像；基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与所述第二类候选分割块的位置信息，从所述第二类候选分割块中筛选出与所述第一类候选分割块具有重叠区域的第三类候选分割块；将第三类候选分割块的位置信息与预设的标准车牌图像模板中的N个车牌字符位的位置进行比对，获得所述待检测的车牌图像中与所述N个车牌字符位对应的N个目标字符分割块的位置信息。3.根据权利要求2所述的方法，其特征在于，所述标准车牌图像模板，包括：预先获得各类符合国家标准的标准车牌的车牌图像中的N个车牌字符位的位置信息，将携带有N个车牌字符位的标准车牌的车牌图像作为标准车牌图像模板。4.根据权利要求2所述的方法，其特征在于，所述基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块，包括：利用LBP纹理特征提取算法，提取待检测的车牌图像的纹理特征；将提取的纹理特征输入至预先建立的第一分割模型中，获得多个初级分割块；其中，所述第一分割模型为：基于从预定的车牌图像样本中提取的各个车牌图像的纹理特征，采用自适应提升算法Adaboost算法训练得到的分割模型；对所获得的多个初级分割块进行合并处理，获得第一类候选分割块。5.根据权利要求1所述的方法，其特征在于，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征中包括灰度特征时，针对灰度特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的灰度特征对应的置信度的步骤，包括：获得每个目标字符分割块的灰度图像的一维灰度特征向量；将所述一维灰度特征向量输入至预先建立的第一层的第一车牌字符预测子模型中，获得第一置信度；其中，所述第一层的第一车牌字符预测子模型为，基于从预定的第一车牌字符分割块样本中提取的各个字符分割块的灰度特征，采用人工神经网络ANN算法训练得到的用于预测字符分割块中包含异常车牌字符的预测模型；所述第一置信度为所述第一层的第一车牌字符预测子模型的输出层中表示包含异常车牌字符概率的激活值；和/或，获得每个目标字符分割块的灰度图像的一维灰度特征向量；将所述一维灰度特征向量输入至预先建立的第一层的第二车牌字符预测子模型中，获得第二置信度；其中，所述第一层的第二车牌字符预测子模型为，基于从预定的第二车牌字符分割块样本中提取的各个字符分割块的灰度特征，采用人工神经网络ANN算法训练得到的用于预测字符分割块中包含正常车牌字符的预测模型；所述第二置信度为所述第一层的第二车牌字符预测子模型的输出层中用于表示包含异常车牌字符概率的激活值。6.根据权利要求5所述的方法，其特征在于，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征包括颜色分布特征时，针对颜色分布特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的颜色分布特征对应的置信度的步骤，包括：计算每个目标字符分割块的颜色矩；基于所述第一层的第一车牌字符预测子模型和第一层的第二车牌字符预测子模型，获得每个目标字符分割块包含正常车牌字符概率的激活值；按照目标字符分割块中包含正常车牌字符概率由高到低的顺序，获得具有概率值最高的前3个目标字符分割块的颜色矩，标记为A1、A2、A3；计算所述3个目标字符分割块两两之间的颜色矩距离，标记为L12、L23、L31；根据所述两两之间的颜色矩距离L12、L23、L31，获得用于衡量N个目标字符分割块的颜色矩距离偏差程度的标准值；计算每个目标字符分割块的颜色矩距离与所获得的标准值的偏差值，记为ΔL1至ΔL7，根据预设的颜色矩距离偏差值阈值，获得每个目标字符分割块的颜色矩距离的偏差程度；根据所述偏差程度，获得每个目标字符分割块中包含异常车牌字符的概率，并将其确定为颜色分布特征对应的第三置信度。7.根据权利要求1所述的方法，其特征在于，当所获得的待检测的车牌图像的N个目标字符分割块的多个特征为笔道特征时，针对笔道特征预设的字符分割块包含异常车牌字符的置信度的算法，计算获得每个目标字符分割块的笔道特征对应的置信度的步骤，包括：获得每个目标字符分割块的二值化图像；判断待检测的车牌图像对应的待检测车牌为浅色车牌时，进行反色处理；对反色处理后的二值化图像进行定向图像腐蚀处理；按照预定顺序，逐行扫描腐蚀处理后的目标字符分割块后，得到每一行像素点的二值数据，基于所述二值数据，获得每个目标字符分割块的每一行像素点中包含的笔道数量以及各个笔道的宽度；判断所获得的每个笔道是否为有效笔道：当所获得的各个笔道的宽度位于预设的笔道宽度范围内，确定为有效笔道，否则，确定为无效笔道；将所述每个目标字符分割块划分成上下两部分图像区域，获得各个图像区域中的像素点的总行数并记为NU和ND，统计各个图像区域中包含有效笔道的行数并记为NU′和ND′；根据公式(NU′/NU)*(ND′/ND)获得所述笔道特征对应的第四置信度。8.根据权利要求1所述的方法，其特征在于，所述基于每个目标字符分割块所获得的多个置信度，生成该目标字符分割块的一个置信度向量，并将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，车牌字符预测子模型按照预设的算法对所输入的置信度向量中的向量元素进行运算，获得每个目标字符分割块是否包含异常车牌字符的预测结果，包括：基于第一层的多个车牌字符预测子模型，获得多个置信度；将所获得的多个置信度进行归一化处理，并根据归一化后的多个置信度生成一个置信度向量；将所生成的置信度向量输入至预先建立的第二层的车牌字符预测子模型中，获得所述置信度向量中各个向量元素的权值，并根据所获得的权值对各个向量元素进行运算后，获得每个目标字符分割块的预测结果；其中，所述第二层的车牌字符预测子模型为采用支持向量机SVM算法训练得到的，其预测结果为输入至第二层的车牌字符预测子模型中的置信度向量中各个向量元素的权值。9.一种用于对车牌进行检测的摄像机，其特征在于，应用于车牌检测系统，包括：视频采集模块、第一处理器和存储器；其中，所述的视频采集模块，用于获得包含车牌图像的抓拍帧图像；所述的第一处理器，用于从所述抓拍帧图像中提取车牌图像；基于所述车牌图像的纹理特征，对所述车牌图像进行第一次车牌字符分割，获得可能包含车牌字符的第一类候选分割块；基于所述车牌图像的区域特征，对所述车牌图像进行第二次车牌字符分割，获得第二类候选分割块；根据所获得的第一类候选分割块与所述第...

【专利技术属性】
技术研发人员：余声，薛睿，罗兵华，朱江，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江,33