[发明专利]一种监控场景下高鲁棒性的快速车牌定位方法

说明书

本发明涉及一种监控场景下高鲁棒性的快速车牌定位方法，包括以下步骤：步骤S1：对车牌训练图像进行语义分组，即将车牌图像分为车牌和非车牌两个语义组，并按组将训练图像输入到支持向量机中进行训练；步骤S2：采用基于Epanechikov核密度估计自适应快速车辆检测方法对车辆区域进行快速检测；步骤S3：利用基于AFRD的帧滑动算法对视频帧进行过滤，得到感兴趣的帧图像；步骤S4：对感兴趣帧图像中车辆区域采用形态学、颜色和MSER相结合的方法对车牌进行检测；步骤S5：对步骤S4中得到的候选车牌运用步骤S1中训练好的支持向量机进行二元分类，得到正确的车牌。本发明的定位方法能够改善车牌识别系统在低对比度、低光照等恶劣环境下的鲁棒性。

技术领域

本发明涉及模式识别与计算机视觉领域，特别是一种监控场景下高鲁棒性的快速车牌定位方法。

背景技术

随着平安中国建设步伐的加快，监控摄像头分布越来越广，摄像头的分辨率越来越高，直接使用这些遍布大街小巷的监控环境与使用标准卡口的车辆图像采集装置相比，带来了一些新的挑战。传统的车牌识别系统在公路收费、停车场等方面运用广泛，但大多数的运用场景都需要一些特殊硬件设备的支持，如地感线圈，一次只能对一辆车进行识别，识别速度慢，且图像传输大多采用模拟信号，图像层次感不强，对比度较差，为了保证分辨率往往不能采集到车辆全景，从而导致不能满足刑侦、治安的相关业务要求。监控环境场景下基于动态视频流的车牌检测与识别系统无需安装其它硬件设备，能够同时对图像中的多个车牌进行检测，不受硬件和环境的制约，效率高，能够对多帧视频图像分别进行识别，选择置信度最高的作为最终结果，从而降低单帧图像对识别结果的影响，识别准确率较高。但基于监控环境场景下的车牌检测系统也面临着许多挑战，例如车牌角度变化大，长期使用的摄像头表面附着的尘埃会使采集到的图像模糊，噪点增多。摄像头的分辨率的提高也给车牌识别的实时性带来了严峻的挑战。近年来，随着计算机图像处理、人工智能、模式识别、视频传输等技术的不断发展，基于动态视频流的车牌算法在犯罪侦查、交通事故快速处理等社会生活中获得越来越广泛的应用。

虽然国内外学者也纷纷对此展开了研究，提出了一些高水平和使用性强的基于动态视频流的车牌检测算法，但是仍然存在一些研究的难点问题亟待解决。

1)基于高分辨率的视频的车牌识别对系统实时性造成巨大挑战。随着1080P等高清摄像头的不断普及运用，图像预处理、车牌检测和识别的时间也不断增加，这也给基于动态视频流的车牌识别速度带来了很大挑战。由于获取的动态视频流图像受到多方面的影响，比如天气的变化、光照条件的变化、车辆自身的运动阴影、道路场景中的静态阴影、缓慢移动的阴影如浮云造成的阴影、运动目标之间的遮挡、摄像机的抖动、道路中其它运动物体等，这些都使得高效的机动车运动检测与分割成为相当重要但又比较困难的问题。

2)车牌检测鲁棒性不够。车牌图像采集系统工作在各种各样的复杂环境中，受到天气、光线变化、污迹遮挡、拍摄位置和角度等影响，且极易因摄像头长期缺少定期维护导致镜头的镜片处容易覆盖一层尘埃，导致图像清晰度和对比度下降，影响车牌检测的准确率。

对于第一个问题，我们提出了用Epanechikov核和帧自适应的运动检测方法。该方法首先利用基于Epanechikov核的背景差分法，从视频流中检测是否有运动发生，再根据运动情况采用帧自适应的运动目标过滤，从而加快车牌识别速度。该方法利用车牌的大小去动态估计车辆大小，将不符合规则的连通区域过滤掉，减少车牌的检测时间。同时，我们提出了基于AFRD的帧滑动算法，通过无效帧的检测，在不降低准确率的前提下提升车牌识别系统对视频流的处理速度，对提高车牌识别系统的实时性具有重大意义。