[发明专利]一种车牌的定位方法及定位装置

说明书

技术领域

本发明涉及图像处理领域，具体涉及一种车牌的定位方法及定位装置。

背景技术

车牌定位任务的目的是在一幅图像中定位出车牌的位置，它是智能交通领域中车牌识别系统最基础的一个步骤，从一幅图像中定位出车牌所处的区域之后，便可以进一步的识别该区域内的车牌号码。

目前常用的、成熟的车牌定位方法主要为机器学习方法，机器学习的主要思路为：采集大量的车牌正负样本数据，构建用以表述正负样本数据的特征集合，现有技术中常见的特征包括矩形特征(haar-like)、局部二值模式特征(LBP)和方向梯度直方图(Hog)特征等，利用特征集合对基于学习的分类器进行训练，得到车牌分类器，之后可以利用得到的车牌分类器对图像进行区域搜索，确定包括车牌的子区域，从而定位出车牌的位置。

但是，现有技术构建特征需要建立在图像识别的基础上，因此需要大量的数据处理过程，产生大量的特征，计算复杂，耗时较长。

发明内容

本发明提供一种车牌的定位方法及定位装置，用于解决现有技术中车牌分类器的训练过程的计算复杂、耗时过长的问题。

本发明实施例的一方面提供了一种车牌的定位方法，包括：

步骤1、获取类别已知的样本图像，所述样本图像包括车牌图像和非车牌图像；

步骤2、计算所述样本图像的像素差异特征；

步骤3、根据所述样本图像的类别标识所述像素差异特征所属的类别；

步骤4、利用机器学习算法对标识有类别的所述像素差异特征进行学习，得到车牌分类器；

步骤5、利用所述车牌分类器对第一待检测子图像集中的子图像进行分类，得到第一分类结果，所述第一待检测子图像集通过以第一预设检测窗口遍历待定位图像得到；

步骤6、根据所述第一分类结果输出车牌定位结果。

结合第一方面，在第一方面的第一种可能的实现方式中，所述机器学习算法为GentleBoost算法。

结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述步骤4中利用机器学习算法对标识有类别的所述像素差异特征进行学习包括：

步骤4.1、利用GentleBoost算法对标识有类别标签的像素差异特征进行学习，得到第一分类器；

步骤4.2、重复步骤1至步骤4.1的训练过程，得到多层所述第一分类器；

步骤4.3、将所述多层第一分类器级联成所述车牌分类器。

结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述步骤4.1中得到的第一分类器包括若干个最优第二分类器，所述最优第二分类器通过GentleBoost算法训练得到。

结合第一方面、第一方面的第一种可能的实现方式、第一方面的第二种可能的实现方式和第一方面的第三种可能的实现方式之中任意一种，在第一方面的第四种可能的实现方式中，在步骤5中利用所述车牌分类器对第一待检测子图像集中的子图像进行分类之后，在步骤6中根据所述第一分类结果输出车牌定位结果之前，所述方法还包括：

根据所述第一分类结果判断所述第一待检测子图像集中是否包括目标子图像，所述目标子图像为属于车牌图像的子图像；

若是，则触发根据所述第一分类结果输出车牌定位结果的操作；

若否，则以第二预设检测窗口遍历所述待定位图像，得到第二待检测子图像集，所述第二预设检测窗口的尺寸与所述第一预设检测窗口的尺寸不同；

利用所述车牌分类器对所述第二待检测子图像集中的子图像进行分类，得到第二分类结果；

根据所述第二分类结果输出车牌定位结果。

本发明实施例的第二方面提供了一种车牌的定位装置，包括：

获取模块，用于获取类别已知的样本图像，所述样本图像包括车牌图像和非车牌图像；

计算模块，用于计算所述样本图像的像素差异特征；

标识模块，用于根据所述样本图像的类别标识所述像素差异特征所属的类别；

分类器训练模块，用于利用机器学习算法对标识有类别的所述像素差异特征进行学习，得到车牌分类器；

第一分类模块，用于利用所述车牌分类器对第一待检测子图像集中的子图像进行分类，得到第一分类结果，所述第一待检测子图像集通过以第一预设检测窗口遍历待定位图像得到；

第一定位模块，用于根据所述第一分类结果输出车牌定位结果。

结合第二方面，在第二方面的第一种可能的实现方式中，所述机器学习算法为GentleBoost算法。