本發(fā)明屬于目標(biāo)識(shí)別技術(shù)領(lǐng)域，特別涉及了一種車牌定位方法。
背景技術(shù)：
隨著智能交通的快速發(fā)展，車牌識(shí)別技術(shù)被廣泛應(yīng)用于停車管理、交通控制管理和車輛追蹤系統(tǒng)中，因此對(duì)于車牌識(shí)別的要求也日益提高。車牌定位作為車牌識(shí)別中關(guān)鍵的一環(huán)，它直接影響到了車牌識(shí)別系統(tǒng)的準(zhǔn)確度。車牌識(shí)別中利用的傳統(tǒng)車牌定位方法在低光照或者其他復(fù)雜環(huán)境下效果大打折扣，直接導(dǎo)致了車牌識(shí)別準(zhǔn)確率的下降。
目前車牌定位方法根據(jù)檢測的內(nèi)容的不同，可以將其分為兩種，其一是基于垂直邊緣檢測的車牌定位方法，其二是顏色區(qū)分與邊緣特征結(jié)合的車牌定位方法。對(duì)于基于垂直邊緣檢測的車牌定位方法，它先進(jìn)行二值化處理再進(jìn)行垂直邊緣檢測，選出候選車牌再從中篩選真正的車牌圖像，由于一些車輛形態(tài)本身存在很多垂直邊緣，對(duì)正常的車牌定位產(chǎn)生了干擾；對(duì)于顏色區(qū)分與邊緣特征結(jié)合的車牌定位方法，通過提取圖像中指定顏色作為車牌候選區(qū)域，再利用特定的邊緣特征來分割候選區(qū)域，最后篩選出正確的車牌，此種方法對(duì)于車身顏色與車牌顏色相接近的車輛時(shí)，無法準(zhǔn)確截取出車牌候選區(qū)域，導(dǎo)致無法定位到車牌。
技術(shù)實(shí)現(xiàn)要素：
為了解決上述背景技術(shù)提出的技術(shù)問題，本發(fā)明旨在提供一種車牌定位方法，通過角點(diǎn)檢測與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的車牌定位方法，既解決在復(fù)雜環(huán)境下的車牌定位問題，而且提高車牌定位的準(zhǔn)確度。
為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：
一種車牌定位方法，包括以下步驟：
(1)采集車輛圖像，去除圖像噪點(diǎn)，并對(duì)圖像進(jìn)行銳化；
(2)使用角點(diǎn)檢測器定位圖像上的角點(diǎn)；
(3)通過檢測出的角點(diǎn)，尋找角點(diǎn)集中的區(qū)域作為候選車牌區(qū)域；
(4)將訓(xùn)練數(shù)據(jù)集輸入卷積神經(jīng)網(wǎng)絡(luò)中，訓(xùn)練出車牌定位模型；將步驟(3)得到的候選車牌區(qū)域輸入車牌定位模型中，篩選出最大可能性的候選車牌區(qū)域作為最終預(yù)測的車牌區(qū)域。
進(jìn)一步地，步驟(2)的具體步驟如下：
(a)定義步驟(1)采集的圖像為I，圖像上(x,y)像素點(diǎn)為I(x,y)，設(shè)移動(dòng)距離(u,v)，計(jì)算所移動(dòng)的區(qū)域內(nèi)像素亮度變化的最大值：
(b)對(duì)E(u,v)進(jìn)行泰勒展開：
上式中，Ix、Iy為I在x軸與y軸方向的偏導(dǎo)數(shù)；
(c)令計(jì)算M的特征值λ1，λ2；
(d)計(jì)算R＝λ1λ2-k(λ1-λ2)2，k為常數(shù)，若R≥t，則判定所移動(dòng)的區(qū)域內(nèi)存在角點(diǎn)，t為預(yù)先設(shè)定的閾值。
進(jìn)一步地，步驟(3)的具體過程如下：
根據(jù)步驟(2)獲取角點(diǎn)的分布情況，在圖像上設(shè)置對(duì)稱線，使對(duì)稱線兩側(cè)的角點(diǎn)數(shù)量保持大致相等，沿垂直于對(duì)稱線的方向移動(dòng)，將移動(dòng)距離最小且含有角點(diǎn)數(shù)量最多的區(qū)域作為候選車牌區(qū)域。
進(jìn)一步地，在步驟(4)中，訓(xùn)練車牌定位模型的具體過程如下：
選擇含有車輛的圖像集，找到圖像集中每張圖像中的車牌位置，記錄車牌左上角角點(diǎn)坐標(biāo)和右下角角點(diǎn)坐標(biāo)，計(jì)算兩者的偏移量，保存車牌左上角角點(diǎn)坐標(biāo)、和兩者的偏移量，構(gòu)成訓(xùn)練數(shù)據(jù)集，輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到車牌定位模型。
進(jìn)一步地，在步驟(1)中，采用高斯模糊去除圖像噪點(diǎn)。
采用上述技術(shù)方案帶來的有益效果：
(1)本發(fā)明采用角點(diǎn)定位與垂直交線相結(jié)合獲取候選車牌區(qū)域時(shí)，可以有效排除特定車型中自身攜帶的垂直邊緣所帶來的干擾，提高特殊情況下的定位準(zhǔn)確度；
(2)本發(fā)明采用了卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行最后的車牌區(qū)域篩選，相比傳統(tǒng)的定位算法，如SVM，卷積神經(jīng)網(wǎng)絡(luò)具有更高的準(zhǔn)確度，解決了復(fù)雜環(huán)境下車牌定位不準(zhǔn)確的問題；
(3)本發(fā)明在圖像預(yù)處理時(shí)簡化了二值化操作，減少了CPU資源的消耗，提高了定位速度，做到更高的實(shí)時(shí)性。
附圖說明
圖1是本發(fā)明的整體流程圖。
具體實(shí)施方式
以下將結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。
一種車牌定位方法，如圖1所示，包括以下步驟：
步驟1：采集車輛圖像，通過高斯模糊來去除圖像噪點(diǎn)，并對(duì)圖像進(jìn)行銳化、突出角點(diǎn)。
步驟2：使用角點(diǎn)檢測器定位圖像上的角點(diǎn)。
(a)定義步驟1采集的圖像為I，圖像上(x,y)像素點(diǎn)為I(x,y)，設(shè)移動(dòng)距離(u,v)，計(jì)算所移動(dòng)的區(qū)域內(nèi)像素亮度變化的最大值：
(b)對(duì)E(u,v)進(jìn)行泰勒展開：
上式中，Ix、Iy為I在x軸與y軸方向的偏導(dǎo)數(shù)；
(c)令計(jì)算M的特征值λ1，λ2；
(d)計(jì)算R＝λ1λ2-k(λ1-λ2)2，k為常數(shù)，若R≥t，則判定所移動(dòng)的區(qū)域內(nèi)存在角點(diǎn)，t為預(yù)先設(shè)定的閾值。
步驟3：通過檢測出的角點(diǎn)，尋找角點(diǎn)集中的區(qū)域作為候選車牌區(qū)域。
根據(jù)步驟2獲取角點(diǎn)的分布情況，在圖像上設(shè)置對(duì)稱線，使對(duì)稱線兩側(cè)的角點(diǎn)數(shù)量保持大致相等，沿垂直于對(duì)稱線的方向移動(dòng)，將移動(dòng)距離最小且含有角點(diǎn)數(shù)量最多的區(qū)域作為候選車牌區(qū)域。
步驟4：將訓(xùn)練數(shù)據(jù)集輸入卷積神經(jīng)網(wǎng)絡(luò)中，訓(xùn)練出車牌定位模型。
選擇含有車輛的圖像集，找到圖像集中每張圖像中的車牌位置，記錄車牌左上角角點(diǎn)坐標(biāo)和右下角角點(diǎn)坐標(biāo)，計(jì)算兩者的偏移量，保存車牌左上角角點(diǎn)坐標(biāo)和兩者的偏移量，構(gòu)成訓(xùn)練數(shù)據(jù)集，輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到車牌定位模型。
將步驟3得到的候選車牌區(qū)域輸入車牌定位模型中，篩選出最大可能性的候選車牌區(qū)域作為最終預(yù)測的車牌區(qū)域。
實(shí)施例僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動(dòng)，均落入本發(fā)明保護(hù)范圍之內(nèi)。