一种基于集成随机蕨和形状回归的车牌定位方法技术

本发明专利技术提供一种基于集成随机蕨和形状回归的车牌定位方法，该方法1)使用集成随机蕨算法提取候选车牌区域；2)缩放至标准大小，提取方向梯度直方图特征，使用支持向量机排除非车牌区域；3)使用形状回归的方法获取车牌的四个顶点的坐标。经过本方法的处理，可以较容易地利用得到的四个顶点得到归一化的车牌。本发明专利技术利用集成随机蕨提升了在复杂背景情况下的车牌检测率，同时使用形状回归的方法显著地简化了后期的车牌字符分割和识别，提升车牌识别效果。

A license plate location method based on integrated random ferns and shape regression

The invention provides an integrated random fern and shape regression based on license plate location method, the method of 1 extraction) candidate plate region using integrated random fern algorithm; 2) zoom to the standard size, orientation gradient histogram feature extraction, using support vector machine to eliminate non plate region; 3) coordinates of vertices using shape regression method get the license plate. After the processing of this method, we can easily use the four vertices to get the normalized license plate. Integrated random ferns enhance the license plate under the complex background detection rate using the invention, at the same time the shape of the regression significantly simplified the license plate character segmentation and recognition stage, improve recognition rate.

【技术实现步骤摘要】
一种基于集成随机蕨和形状回归的车牌定位方法
本专利技术涉及一种车牌定位的方法，具体涉及一种基于集成随机蕨和形状回归的车牌定位方法。
技术介绍
车牌号码的识别是一项涉及到数字图像处理、计算机视觉和模式识别的综合交叉科学。通过对车牌识别来鉴定车辆的身份，在车辆管理上具有不可比拟的优越性，在大型停车场、小区和校区车辆登记等场所，拥有广阔的应用前景。车牌识别技术包括车牌定位和车牌识别两大部分。车牌定位是车牌识别的基础，车牌定位的性能好坏对整个车牌识别系统有重要的影响。现有的车牌定位方法主要有：基于统计边缘跳变和形态学的定位算法、基于颜色分割的定位算法和基于纹理特征的定位算法等。然而，这些算法的普遍特点是环境适应力差，遇到光照变化、车牌模糊不清和背景层次复杂的情况，或者由一种工作环境移植到另外一种工作环境时，车牌定位准确率会出现不可预估的波动性。由此可知，现有车牌定位的鲁棒性并不能够满足复杂背景下对车牌定位技术的要求。
技术实现思路
本专利技术结合目前国内车牌定位的研究现状，综合考虑到现有的车牌定位算法的优缺点，提出一种新的基于机器学习的定位方案，即利用集成随机蕨(BoostedRandomFerns，BRFs)和支持向量机(SVM)级联算法定位车牌位置以及利用形状回归算法获取车牌的四个顶点。本专利技术可以有效解决传统车牌定位算法鲁棒性差的问题，而且在一定程度上简化了车牌识别的后续步骤。本专利技术在解决当前问题中的技术实施方案如下：一种基于深度学习的人脸遮挡检测系统，所述检测算法包括如下步骤：1)集成随机蕨算法提取候选车牌区域：①对获取到的车牌图像进行灰度处理、归一化处理。由于方向梯度直方图(HOG)特征对光照条件、车牌旋转及污损敏感性弱，故采用HOG特征构建弱分类器。集成随机蕨算法是由多个弱分类器构建而成的强分类器，能够综合体现图像结构的局部特征，有良好分类能力。②对车牌图像使用滑动窗口的框架进行多分辨率检测，使用集成随机蕨算法对每个窗口进行分类，保留分为正类的窗口，并对窗口进行多分辨率合并，得到候选的车牌区域；2)对上一步获取到的候选区域，统一缩放到标准大小，提取HOG特征，使用SVM分类器排除非车牌区域：3)利用形状回归算法对上一步获取到的车牌区域进行回归，精确得到车牌四个顶点坐标；为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图说明对本专利技术作进一步的详细描述。结合附图1和附图2说明集成随机蕨算法的车牌粗定位算法的具体实现：本算法使用集成随机蕨算法(BRFs)对车牌进行粗定位，BRFs作为强分类器包含多个弱分类器，表示为：其中ht(x)为弱分类器，βc为强分类器阈值。弱分类器ht(x)使用随机蕨分类器，拥有F个特征点对，每个特征点对由两个随机特征组成。每个特征点对建立如下的映射关系：其中和为特征空间的两个随机特征。因此，随机蕨分类器把特征空间划分为2F个空间，每个空间输出0或者1。这样组成的F长度的二进制串，求得该十进制值。因此随机蕨分类器建立如下的二进制与十进制关系：z：F(2)→z(10)(3)而随机蕨分类器可以使用贝叶斯关系表示：其中C表示车牌类别，fi表示特征对，B表示背景类别取车牌类别和背景类别的对数比值作为随机蕨分类的依据，同时假设均匀的先验概率P(C)＝P(B)，且去掉P(f1，f2，...，fF)，上述关系变为：而由F的观察值表示为：其中k为F的观察值，gi表示图像的空间位置.综上所述，随机蕨分类器表示为：本算法包括BRFs的构建和应用BRFs进行检测两个部分:1、BRFs分类器的构建1)准备N个车牌样本图像作为正样本，M个非车牌背景作为负样本，构成训练样本集合；2)将所有的样本灰度化，并缩放到14×42大小；3)对所有的样本提取HOG特征；4)构建由随机蕨弱分类器组成的弱分类器池。设置集成随机蕨分类器的训练迭代次数为T，并进行迭代。a)首次迭代时，初始化每个样本的概率为：Dt(i)＝1/(N+M)(9)b)计算在当前权重下样本的z值分布：从弱分类器池中选择使下面值最小的弱分类器作为此次迭代的最佳分类器，放入强分类器中。c)更新当前样本权重，并继续迭代：5)得到最终的强分类器：2、应用BRFs进行检测1)设获取到的车牌图像为I，将I灰度化，得到Ig的灰度图像；2)第一级定位：为了提高识别精度，用图像金字塔描述Ig，并分为五组；在此基础上对每一组图像放在尺度空间中刻画，再分为五层；在每一层上，建立滑动窗口模型，执行下面步骤：a)以14×42大小的窗口扫描Ig，得到大量图像窗口区域Igw；b)利用训练时得到的BRFs分类器对Igw进行分类；对于分类为正类的归为候选车牌窗口区域。3)对上述得到的候选区域进行多分辨率合并，得到候选的车牌窗口区域。结合图1和图2说明非车牌区域排除算法的具体实现：对于集成随机蕨算法得到的候选车牌区域可能含有非车牌区域，因此需要排除非车牌区域。该算法包含SVM分类器的训练和预测。训练的步骤如下：1)重复使用粗定位收集的车牌为正样本；收集不含车牌的图像，应用车牌粗定位算法，得到的候选车牌窗口作为负样本；2)将所有的样本缩放至24×84大小；3)对所有的样本提取HOG特征；4)使用具有RBF核函数的SVM训练分类器。预测步骤如下：1)将粗定位得到的候选车牌区域，统一缩放至28×84大小：2)提取HOG特征；3)应用训练得到的SVM分类器进行分类，将分类器为正类的归为车牌区域。结合图1和图2说明车牌形状回归算法的具体实现。对于获取车牌的四个顶点，本算法采用形状回归算法。车牌四个顶点表示为形状S＝[x1，y1，x2，y2，x3，y3，x4，y4]，给定车牌图像，回归的目标是估计车牌形状使得最小。本回归算法采用集成T个强随机蕨回归器Rt算法，每个强随机蕨回归器由K个弱随机蕨回归器组成。对于给定车牌图像I和初始的车牌形状S0(可以为训练集的平均形状，也可以随机为训练样本的形状)，每个弱随机蕨回归器迭代更新车牌形状：其中,为第t强随机蕨回归器中第i个弱随机蕨回归器，更新先前形状St-1至新形状St。弱随机蕨回归器把特征空间划分为2F个空间，每个空间输出形状的更新δSb。对于每个弱随机蕨回归器上的每个划分空间上的输出值δSb需要在训练时计算得到。根据下面的公式计算得到：其中Si表示先前形状，此方程的解为：为了防止过拟合，上述改为：其中，β为自由参数，本算法为1000，自动控制过拟合程度回归器算法包含训练和回归预测两个步骤：1、训练的步骤如下：1)收集大量含有车牌的图像，手工标定出车牌的四个顶点构成车牌形状S，并使用车牌定位算法得到车牌的矩形框，则每个训练样本由图像、包含车牌的矩形框和车牌形状构成；2)对所有的样本图像进行直方图均衡化处理；3)对于每个样本随机从其他样本中选取形状作为此样本的初始形状。所有的形状依据车牌矩形框进行坐标轴的归一化；4)迭代训练T个强随机蕨回归器，每个强随机蕨回归器包含K个弱随机蕨回归器。A)随机从车牌区域中选择400个点，从而构成4002个点对。计算回归残差作为目标，初始化每个样本的累积回归预测值为0形状，迭代训练K个弱随机蕨回归器。a)将所有样本的回归残差目标投影至随机方向，得到一系列标量；b)使用基于相关性的特征选择算法从所有点对中依次选取F个点对，每本文档来自技高网...

【技术保护点】
一种基于集成随机蕨和形状回归的车牌定位方法，其特征在于，包括以下步骤：1)集成随机蕨算法提取候选车牌区域；2)基于HOG特征的SVM非车牌候选区域排除：3)使用形状回归算法获取车牌四个顶点坐标。

【技术特征摘要】
2016.04.21 CN 20161025005801.一种基于集成随机蕨和形状回归的车牌定位方法，其特征在于，包括以下步骤：1)集成随机蕨算法提取候选车牌区域；2)基于HOG特征的SVM非车牌候选区域排除：3)使用形状回归算法获取车牌四个顶点坐标。2.根据权利要求1所述的一种基于集成随机蕨和形状回归的车牌定位方法，其特征在于，所述的集成随机蕨算法提取候选车牌区域包括以下步骤：1)对获取到的车牌图像进行灰度处理、归一化处理；2)对车牌图像使用滑动窗口的框架进行多分辨率检测。建立车牌图像金字塔；3)对于图像金字塔的每一层图像，提取HOG特征响应图，HOG使用无符号梯度，即0度到180度，cell大小为6*6，统计直方图时的方向个数为4；4)使用大小为14*42的滑动窗口在特征响应图上进行扫描，得到大量窗口；5)使用集成随机蕨算法对每个窗口进行分类，保留分为正类的窗口；6)对上述得到的窗口进行多分辨率合并，得到候选的车牌区域。3.根据权利要求2所述的集成随机蕨算法提取候选车牌区域，其特征在于，所述的使用集成随机蕨算法对每个窗口进行分类包括集成随机蕨的构建和预测。集成随机蕨作为强分类器包含多个弱分类器，表示为：其中ht(x)为弱分类器，βc为强分类器阈值。弱分类器ht(x)使用随机蕨分类器，拥有F个特征点对，每个特征点对由两个随机特征组成。每个特征点对建立如下的映射关系：其中和为特征空间的两个随机特征。因此，随机蕨分类器把特征空间划分为2F个空间，每个空间输出0或者1。这样组成的F长度的二进制串，求得该十进制值。因此随机蕨分类器建立如下的二进制与十进制关系：z：F(2)→z(10)(3)而随机蕨分类器可以使用贝叶斯关系表示：其中C表示车牌类别，fi表示特征对，B表示背景类别。取车牌类别和背景类别的对数比值作为随机蕨分类的依据，同时假设均匀的先验概率P(C)＝P(B)，且去掉P（f1，f2，...，fF)，上述关系变为：而由F的观察值表示为：其中k为F的观察值，gi表示图像的空间位置。综上所述，随机蕨分类器表示为：1)集成随机蕨分类器的构建(1)准备N个车牌样本图像作为正样本，M个非车牌背景作为负样本，构成训练样本集合；(2)将所有的样本灰度化，并缩放到14×42大小；(3)对所有的样本提取HOG特征；(4)构建由随机蕨弱分类器组成的弱分类器池。设置集成随机蕨分类器的训练迭代次数为T，并进行迭代；a)首次迭代时，初始化每个样本的概率为：Dt(i)＝1/(N+M)(9)b)计算在当前权重下样本的z值分布，c)从弱分类器池中选择使下面Qt值最小的弱分类器作为此次迭代的最佳分类器，放入强分类器中。d)更新当前样本权重，并继续迭代：(5)得到最终的强分类器：

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：杭州凌绝科技有限公司，
类型：发明
国别省市：浙江,33