本發(fā)明涉及智能交通技術(shù)領(lǐng)域，特別是涉及一種檢測臨時(shí)車牌的方法及裝置。

背景技術(shù)：

現(xiàn)如今，隨著數(shù)字圖像處理、模式識(shí)別和人工智能技術(shù)的日趨成熟，智能交通技術(shù)已逐漸成為道路交通發(fā)展的趨勢。其中，對(duì)車輛的車牌檢測是智能交通技術(shù)中的一個(gè)重要環(huán)節(jié)。實(shí)際應(yīng)用中，由于新購買車輛等情況，道路上行駛有一些未掛有正常車牌的車輛，這些車輛按照規(guī)定是需要在車輛的車窗范圍內(nèi)粘貼臨時(shí)車牌的。因此，為了實(shí)現(xiàn)對(duì)道路上行駛車輛的管理，對(duì)未掛有正常車牌的車輛的臨時(shí)車牌的檢測已成為一個(gè)值得深入研究的課題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例的目的在于提供一種檢測臨時(shí)車牌的方法及裝置，以實(shí)現(xiàn)對(duì)道路上未掛有正常車牌的車輛是否粘貼有臨時(shí)車牌進(jìn)行檢測。

為達(dá)到上述目的，本發(fā)明實(shí)施例公開了一種檢測臨時(shí)車牌的方法，所述方法包括：

獲得待檢測圖像中的候選車輛區(qū)域；其中，所述候選車輛區(qū)域?yàn)?，所述待檢測圖像中的疑似粘貼有臨時(shí)車牌的車輛所在的圖像區(qū)域；

利用預(yù)設(shè)的車窗檢測模板，從所獲得的候選車輛區(qū)域中定位到車窗區(qū)域，并獲得針對(duì)所述車窗區(qū)域的目標(biāo)檢測區(qū)域；其中，所述車窗區(qū)域?yàn)樗龊蜻x車輛區(qū)域中疑似為車輛車窗的圖像區(qū)域；

提取所述目標(biāo)檢測區(qū)域的紋理特征，并將所述紋理特征輸入至預(yù)先建立的臨時(shí)車牌檢測模型中，所述臨時(shí)車牌檢測模型，依據(jù)輸入的紋理特征，檢測所述目標(biāo)檢測區(qū)域中是否有與臨時(shí)車牌的紋理特征相匹配的目標(biāo)區(qū)域，獲得標(biāo)識(shí)目標(biāo)區(qū)域數(shù)量的檢測結(jié)果；

根據(jù)所述檢測結(jié)果，判斷所述目標(biāo)區(qū)域的數(shù)量是否為零，若不為零，則判 定從所述待檢測圖像的候選車輛區(qū)域中檢測到臨時(shí)車牌，若為零，則判定未從所述待檢測圖像的候選車輛區(qū)域中檢測到臨時(shí)車牌。

較佳的，所述獲得待檢測圖像中的候選車輛區(qū)域，包括：

獲得待檢測圖像的紋理特征，并將所述紋理特征輸入至預(yù)先建立的道路過濾模型中，所述道路過濾模型，依據(jù)輸入的紋理特征，檢測所述待檢測圖像中是否有與道路的紋理特征相匹配的道路區(qū)域，并將檢測出的道路區(qū)域從所述待檢測圖像中過濾掉，確定過濾后的所述待檢測圖像為第一圖像區(qū)域；

提取所述第一圖像區(qū)域的灰度特征，并將所述灰度特征輸入至預(yù)先建立的車輛區(qū)域檢測模型中，所述車輛區(qū)域檢測模型，依據(jù)輸入的灰度特征，檢測所述第一圖像區(qū)域中是否有與車輛的灰度特征相匹配的第二圖像區(qū)域；

提取所述第二圖像區(qū)域的灰度投影特征，并將所述灰度投影特征輸入至預(yù)先建立的車牌檢測模型中，所述車牌檢測模型，依據(jù)輸入的灰度投影特征，檢測所述第二圖像區(qū)域中是否有與正常車牌的灰度投影特征相匹配的正常車牌區(qū)域；

將沒有檢測出正常車牌區(qū)域的第二圖像區(qū)域確定為候選車輛區(qū)域。

較佳的，所述提取所述第二圖像區(qū)域的灰度投影特征，并將所述灰度投影特征輸入至預(yù)先建立的車牌檢測模型中，所述車牌檢測模型，依據(jù)輸入的灰度投影特征，檢測所述第二圖像區(qū)域中是否有與正常車牌的灰度投影特征相匹配的正常車牌區(qū)域，包括：

利用多尺度的滑窗方式，提取所述第二圖像區(qū)域在各個(gè)窗口內(nèi)的灰度投影特征，并將各個(gè)窗口內(nèi)的灰度投影特征逐一輸入至預(yù)先建立的第一正常車牌檢測模型中，得到所述第二圖像區(qū)域中在各個(gè)窗口具有正常車牌的多個(gè)置信度；其中，所述第一正常車牌檢測模型是基于預(yù)設(shè)的正常車牌的正負(fù)樣本圖像的灰度投影特征訓(xùn)練得到的分類模型；

判斷是否有大于預(yù)設(shè)的置信度閾值t的置信度，若有，則判定從所述第二圖像區(qū)域中檢測到正常車牌區(qū)域。

較佳的，當(dāng)判斷出至少有2個(gè)置信度大于所述閾值t時(shí)，所述判定從所述第二圖像區(qū)域中檢測到正常車牌區(qū)域，包括：

提取所述第二圖像區(qū)域中置信度大于所述閾值t的各個(gè)正常車牌區(qū)域的顏色特征，并獲得各個(gè)正常車牌區(qū)域中像素點(diǎn)的顏色值；

根據(jù)所述像素點(diǎn)的顏色值，統(tǒng)計(jì)出各個(gè)正常車牌區(qū)域中與預(yù)設(shè)顏色類別相對(duì)應(yīng)的像素點(diǎn)數(shù)量，獲得各個(gè)正常車牌區(qū)域中屬于所述預(yù)設(shè)顏色類別的顏色百分比；其中，所述顏色百分比為與所述預(yù)設(shè)顏色類別相對(duì)應(yīng)的像素點(diǎn)數(shù)量占所述正常車牌區(qū)域中像素點(diǎn)總數(shù)的比值；

將所述顏色百分比輸入至預(yù)設(shè)的第二正常車牌檢測模型中，并與所述第二正常車牌檢測模型中預(yù)設(shè)的正常車牌的顏色百分比進(jìn)行比較，篩選出與所述預(yù)設(shè)顏色類別的顏色百分比具有匹配關(guān)系的正常車牌區(qū)域；

判斷篩選出的正常車牌區(qū)域的數(shù)量是否為零，若不為零，則判定從所述第二圖像區(qū)域中檢測到正常車牌區(qū)域。

較佳的，所述獲得針對(duì)所述車窗區(qū)域的目標(biāo)檢測區(qū)域，包括：

根據(jù)預(yù)設(shè)的臨時(shí)車牌圖像的顏色特征中各個(gè)顏色分量獲得顏色分量閾值，并根據(jù)所獲得的顏色分量閾值對(duì)所述車窗區(qū)域進(jìn)行二值化處理，并將二值化處理后的所述車窗區(qū)域中的白色圖像區(qū)域確定為目標(biāo)檢測區(qū)域。

較佳的，所述臨時(shí)車牌檢測模型，依據(jù)輸入的紋理特征，檢測所述目標(biāo)檢測區(qū)域中是否有與臨時(shí)車牌的紋理特征相匹配的目標(biāo)區(qū)域，包括：

所述臨時(shí)車牌檢測模型，使用預(yù)先設(shè)置的搜索窗口對(duì)所述目標(biāo)檢測區(qū)域進(jìn)行窗口掃描，其中，所述預(yù)先設(shè)置的搜索窗口包含臨時(shí)車牌的紋理特征；在掃描過程中，將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在所述目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域。

較佳的，所述臨時(shí)車牌檢測模型中預(yù)設(shè)有不同尺寸的多個(gè)搜索窗口；

所述使用預(yù)先設(shè)置的搜索窗口對(duì)所述目標(biāo)檢測區(qū)域進(jìn)行窗口掃描，包括：使用預(yù)設(shè)的第一搜索窗口對(duì)所述目標(biāo)檢測區(qū)域進(jìn)行窗口掃描，若未檢測到目標(biāo)區(qū)域則使用下一個(gè)搜索窗口，直到當(dāng)前搜索窗口掃描完成時(shí)檢測出目標(biāo)區(qū)域或預(yù)設(shè)的所有搜索窗口全部掃描完成。

較佳的，所述臨時(shí)車牌檢測模型包含級(jí)聯(lián)的多個(gè)子分類器，每個(gè)子分類器 將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在所述目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域；其中，所述各個(gè)子分類器是基于不同的訓(xùn)練樣本的相同特征訓(xùn)練得到的分類模型，且訓(xùn)練得到的各個(gè)子分類器之間具有不同的訓(xùn)練參數(shù)。

較佳的，所述使用預(yù)先設(shè)置的搜索窗口對(duì)所述目標(biāo)檢測區(qū)域進(jìn)行窗口掃描，包括：

按照預(yù)設(shè)的行方向的掃描步長以及預(yù)設(shè)的行掃描方向?qū)λ瞿繕?biāo)檢測區(qū)域進(jìn)行掃描，且每掃描完一行后按照預(yù)設(shè)的行間距下移至下一行繼續(xù)掃描，直到將所述目標(biāo)檢測區(qū)域中的全部行掃描完成；其中，所述掃描步長不超過所使用的搜索窗口在行方向的窗口尺寸的大小，所述行間距不超過所使用的搜索窗口在列方向的窗口尺寸的大小。

所述判斷所述目標(biāo)區(qū)域的數(shù)量是否為零之前，還包括：

利用預(yù)設(shè)的聚類算法對(duì)所述目標(biāo)區(qū)域進(jìn)行合并處理，得到合并處理后的目標(biāo)區(qū)域，并獲得標(biāo)識(shí)合并后的目標(biāo)區(qū)域數(shù)量的檢測結(jié)果。

較佳的，所述預(yù)設(shè)的車窗檢測模板為：根據(jù)預(yù)設(shè)的車窗樣本圖像的車窗邊緣的梯度信息擬合生成的模板。

為達(dá)到上述目的，本發(fā)明實(shí)施例公開了一種檢測臨時(shí)車牌的裝置，所述裝置包括：

候選車輛區(qū)域獲得模塊，用于獲得待檢測圖像中的候選車輛區(qū)域；其中，所述候選車輛區(qū)域?yàn)?，所述待檢測圖像中的疑似粘貼有臨時(shí)車牌的車輛所在的圖像區(qū)域；

目標(biāo)檢測區(qū)域獲得模塊，用于利用預(yù)設(shè)的車窗檢測模板，從所獲得的候選車輛區(qū)域中定位到車窗區(qū)域，并獲得針對(duì)所述車窗區(qū)域的目標(biāo)檢測區(qū)域；其中，所述車窗區(qū)域?yàn)樗龊蜻x車輛區(qū)域中疑似為車輛車窗的圖像區(qū)域；

目標(biāo)區(qū)域檢測模塊，用于提取所述目標(biāo)檢測區(qū)域的紋理特征，并將所述紋理特征輸入至預(yù)先建立的臨時(shí)車牌檢測模型中，所述臨時(shí)車牌檢測模型，依據(jù)輸入的紋理特征，檢測所述目標(biāo)檢測區(qū)域中是否有與臨時(shí)車牌的紋理特征相匹配的目標(biāo)區(qū)域，獲得標(biāo)識(shí)目標(biāo)區(qū)域數(shù)量的檢測結(jié)果；

臨時(shí)車牌檢測模塊，用于根據(jù)所述檢測結(jié)果，判斷所述目標(biāo)區(qū)域的數(shù)量是否為零，若不為零，則判定從所述待檢測圖像的候選車輛區(qū)域中檢測到臨時(shí)車牌，若為零，則判定未從所述待檢測圖像的候選車輛區(qū)域中檢測到臨時(shí)車牌。

較佳的，所述候選車輛區(qū)域獲得模塊，包括：

第一圖像區(qū)域確定子模塊，用于獲得待檢測圖像的紋理特征，并將所述紋理特征輸入至預(yù)先建立的道路過濾模型中，所述道路過濾模型，依據(jù)輸入的紋理特征，檢測所述待檢測圖像中是否有與道路的紋理特征相匹配的道路區(qū)域，并將檢測出的道路區(qū)域從所述待檢測圖像中過濾掉，確定過濾后的所述待檢測圖像為第一圖像區(qū)域；

第二圖像區(qū)域檢測子模塊，用于提取所述第一圖像區(qū)域的灰度特征，并將所述灰度特征輸入至預(yù)先建立的車輛區(qū)域檢測模型中，所述車輛區(qū)域檢測模型，依據(jù)輸入的灰度特征，檢測所述第一圖像區(qū)域中是否有與車輛的灰度特征相匹配的第二圖像區(qū)域；

正常車牌區(qū)域檢測子模塊，用于提取所述第二圖像區(qū)域的灰度投影特征，并將所述灰度投影特征輸入至預(yù)先建立的車牌檢測模型中，所述車牌檢測模型，依據(jù)輸入的灰度投影特征，檢測所述第二圖像區(qū)域中是否有與正常車牌的灰度投影特征相匹配的正常車牌區(qū)域；

候選車輛區(qū)域確定子模塊，用于將沒有檢測出正常車牌區(qū)域的第二圖像區(qū)域確定為候選車輛區(qū)域。

較佳的，所述正常車牌區(qū)域檢測子模塊，包括：

置信度獲得單元，用于利用多尺度的滑窗方式，提取所述第二圖像區(qū)域在各個(gè)窗口內(nèi)的灰度投影特征，并將各個(gè)窗口內(nèi)的灰度投影特征逐一輸入至預(yù)先建立的第一正常車牌檢測模型中，得到所述第二圖像區(qū)域中在各個(gè)窗口具有正常車牌的多個(gè)置信度；其中，所述第一正常車牌檢測模型是基于預(yù)設(shè)的正常車牌的正負(fù)樣本圖像的灰度投影特征訓(xùn)練得到的分類模型；

正常車牌區(qū)域判斷單元，用于判斷是否有大于預(yù)設(shè)的置信度閾值t的置信度，若有，則判定從所述第二圖像區(qū)域中檢測到正常車牌區(qū)域。

較佳的，所述正常車牌區(qū)域判斷單元，具體用于：

當(dāng)判斷出至少有2個(gè)置信度大于所述閾值t時(shí)，提取所述第二圖像區(qū)域中置信度大于所述閾值t的各個(gè)正常車牌區(qū)域的顏色特征，并獲得各個(gè)正常車牌區(qū)域中像素點(diǎn)的顏色值；

根據(jù)所述像素點(diǎn)的顏色值，統(tǒng)計(jì)出各個(gè)正常車牌區(qū)域中與預(yù)設(shè)顏色類別相對(duì)應(yīng)的像素點(diǎn)數(shù)量，獲得各個(gè)正常車牌區(qū)域中屬于所述預(yù)設(shè)顏色類別的顏色百分比；其中，所述顏色百分比為與所述預(yù)設(shè)顏色類別相對(duì)應(yīng)的像素點(diǎn)數(shù)量占所述正常車牌區(qū)域中像素點(diǎn)總數(shù)的比值；

將所述顏色百分比輸入至預(yù)設(shè)的第二正常車牌檢測模型中，并與所述第二正常車牌檢測模型中預(yù)設(shè)的正常車牌的顏色百分比進(jìn)行比較，篩選出與所述預(yù)設(shè)顏色類別的顏色百分比具有匹配關(guān)系的正常車牌區(qū)域；

判斷篩選出的正常車牌區(qū)域的數(shù)量是否為零，若不為零，則判定從所述第二圖像區(qū)域中檢測到正常車牌區(qū)域。

較佳的，所述目標(biāo)檢測區(qū)域獲得模塊，具體用于：

利用預(yù)設(shè)的車窗檢測模板，從所獲得的候選車輛區(qū)域中定位到車窗區(qū)域，根據(jù)預(yù)設(shè)的臨時(shí)車牌圖像的顏色特征中各個(gè)顏色分量獲得顏色分量閾值，并根據(jù)所獲得的顏色分量閾值對(duì)所述車窗區(qū)域進(jìn)行二值化處理，并將二值化處理后的所述車窗區(qū)域中的白色圖像區(qū)域確定為目標(biāo)檢測區(qū)域。

較佳的，所述目標(biāo)區(qū)域檢測模塊，具體用于：

提取所述目標(biāo)檢測區(qū)域的紋理特征，并將所述紋理特征輸入至預(yù)先建立的臨時(shí)車牌檢測模型中，所述臨時(shí)車牌檢測模型，使用預(yù)先設(shè)置的搜索窗口對(duì)所述目標(biāo)檢測區(qū)域進(jìn)行窗口掃描，其中，所述預(yù)先設(shè)置的搜索窗口包含臨時(shí)車牌的紋理特征；在掃描過程中，將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在所述目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域。

較佳的，所述臨時(shí)車牌檢測模型中預(yù)設(shè)有不同尺寸的多個(gè)搜索窗口；

所述目標(biāo)區(qū)域檢測模塊，具體用于：提取所述目標(biāo)檢測區(qū)域的紋理特征，并將所述紋理特征輸入至預(yù)先建立的臨時(shí)車牌檢測模型中，所述臨時(shí)車牌檢測模型，使用預(yù)設(shè)的第一搜索窗口對(duì)所述目標(biāo)檢測區(qū)域進(jìn)行窗口掃描，若未檢測 到目標(biāo)區(qū)域則使用下一個(gè)搜索窗口，直到當(dāng)前搜索窗口掃描完成時(shí)檢測出目標(biāo)區(qū)域或預(yù)設(shè)的所有搜索窗口全部掃描完成，其中，所述預(yù)先設(shè)置的搜索窗口包含臨時(shí)車牌的紋理特征；在掃描過程中，將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在所述目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域。

較佳的，所述臨時(shí)車牌檢測模型包含級(jí)聯(lián)的多個(gè)子分類器，每個(gè)子分類器將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在所述目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域；其中，所述各個(gè)子分類器是基于不同的訓(xùn)練樣本的相同特征訓(xùn)練得到的分類模型，且訓(xùn)練得到的各個(gè)子分類器之間具有不同的訓(xùn)練參數(shù)。

較佳的，所述目標(biāo)區(qū)域檢測模塊，具體用于：

提取所述目標(biāo)檢測區(qū)域的紋理特征，并將所述紋理特征輸入至預(yù)先建立的臨時(shí)車牌檢測模型中，所述臨時(shí)車牌檢測模型，按照預(yù)設(shè)的行方向的掃描步長以及預(yù)設(shè)的行掃描方向?qū)λ瞿繕?biāo)檢測區(qū)域進(jìn)行掃描，且每掃描完一行后按照預(yù)設(shè)的行間距下移至下一行繼續(xù)掃描，直到將所述目標(biāo)檢測區(qū)域中的全部行掃描完成；其中，所述掃描步長不超過所使用的搜索窗口在行方向的窗口尺寸的大小，所述行間距不超過所使用的搜索窗口在列方向的窗口尺寸的大小，其中，所述預(yù)先設(shè)置的搜索窗口包含臨時(shí)車牌的紋理特征；在掃描過程中，將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在所述目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域。

所述裝置還包括：合并處理模塊，用于在判斷所述目標(biāo)區(qū)域的數(shù)量是否為零之前，利用預(yù)設(shè)的聚類算法對(duì)所述目標(biāo)區(qū)域進(jìn)行合并處理，得到合并處理后的目標(biāo)區(qū)域，并獲得標(biāo)識(shí)合并后的目標(biāo)區(qū)域數(shù)量的檢測結(jié)果。

較佳的，所述預(yù)設(shè)的車窗檢測模板為：根據(jù)預(yù)設(shè)的車窗樣本圖像的車窗邊緣的梯度信息擬合生成的模板。

本發(fā)明實(shí)施例提供的一種檢測臨時(shí)車牌的方法及裝置，首先獲得待檢測圖像中的候選車輛區(qū)域；然后，利用預(yù)設(shè)的車窗檢測模板，從所獲得的候選車輛區(qū)域中定位到車窗區(qū)域，并獲得針對(duì)所述車窗區(qū)域的目標(biāo)檢測區(qū)域；接著，提 取目標(biāo)檢測區(qū)域的紋理特征，并將紋理特征輸入至預(yù)先建立的臨時(shí)車牌檢測模型中，臨時(shí)車牌檢測模型，依據(jù)輸入的紋理特征，檢測目標(biāo)檢測區(qū)域中是否有與臨時(shí)車牌的紋理特征相匹配的目標(biāo)區(qū)域，獲得標(biāo)識(shí)目標(biāo)區(qū)域數(shù)量的檢測結(jié)果；最后，根據(jù)檢測結(jié)果，判斷目標(biāo)區(qū)域的數(shù)量是否為零，若不為零，則判定從待檢測圖像的候選車輛區(qū)域中檢測到臨時(shí)車牌，若為零，則判定未從待檢測圖像的候選車輛區(qū)域中檢測到臨時(shí)車牌。

應(yīng)用本發(fā)明實(shí)施例提供的方案，能夠?qū)ξ磼煊姓＼嚺频能囕v是否粘貼有臨時(shí)車牌進(jìn)行檢測，在檢測臨時(shí)車牌的過程中，利用臨時(shí)車牌的紋理特征進(jìn)行檢測，為進(jìn)一步實(shí)現(xiàn)對(duì)道路上車輛的管理提供了可能。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1a為本發(fā)明實(shí)施例提供的一種檢測臨時(shí)車牌的方法的流程示意圖；

圖1b為本發(fā)明實(shí)施例提供的一種待檢測圖像的示意圖；

圖1c為本發(fā)明實(shí)施例提供的一種第二圖像區(qū)域的示意圖；

圖1d為本發(fā)明實(shí)施例提供的另一種第二圖像區(qū)域的示意圖；

圖2為本發(fā)明實(shí)施例提供的另一種檢測臨時(shí)車牌的方法的流程示意圖；

圖3為本發(fā)明實(shí)施例提供的一種檢測臨時(shí)車牌的裝置的結(jié)構(gòu)示意圖；

圖4為本發(fā)明實(shí)施例提供的另一種檢測臨時(shí)車牌的裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

首先，對(duì)本發(fā)明實(shí)施例的應(yīng)用場景進(jìn)行下描述。本發(fā)明實(shí)施例提供的技術(shù) 方案適用于對(duì)車輛的臨時(shí)車牌進(jìn)行檢測。需要說明的是，根據(jù)相關(guān)規(guī)定，未懸掛正常車牌的車輛(例如，新購買的車輛等)若要上路行駛是必須要粘貼臨時(shí)車牌的。臨時(shí)車牌是指準(zhǔn)予機(jī)動(dòng)車臨時(shí)上道路行駛的紙質(zhì)機(jī)動(dòng)車號(hào)牌，也稱臨時(shí)行駛車號(hào)牌。通常，臨時(shí)車牌需要粘貼在車輛的前車窗上，例如，可以將臨時(shí)車牌粘貼在前車窗的左下角或右下角等不影響駕駛?cè)艘暰€的位置。

為了實(shí)現(xiàn)對(duì)道路上行駛車輛的管理，除了通過對(duì)正常車牌的檢測外，對(duì)于臨時(shí)車牌的檢測也是一個(gè)必不可少的環(huán)節(jié)。鑒于此，本發(fā)明實(shí)施例提供了一種檢測臨時(shí)車牌的方法及裝置，下面先對(duì)本發(fā)明實(shí)施例提供的一種檢測臨時(shí)車牌的方法進(jìn)行下詳細(xì)描述，如圖1a所示，該方法可以包括以下步驟：

步驟s101：獲得待檢測圖像中的候選車輛區(qū)域。

其中，候選車輛區(qū)域?yàn)?，待檢測圖像中的疑似粘貼有臨時(shí)車牌的車輛所在的圖像區(qū)域。

這里所說的“待檢測圖像”，可以是由圖像采集設(shè)備實(shí)時(shí)采集的圖像，例如，待檢測圖像可以是由預(yù)先設(shè)置于道路卡口的監(jiān)控?cái)z像頭實(shí)時(shí)拍攝的視頻幀圖像；也可以是本地預(yù)先存儲(chǔ)的圖像，例如，待檢測圖像可以是由工作人員預(yù)先存儲(chǔ)的圖像。

但是，無論是實(shí)時(shí)采集的視頻幀圖像，還是預(yù)先存儲(chǔ)的圖像，對(duì)于待檢測圖像而言，在整幅圖像的前景部分中可能包括一個(gè)或多個(gè)包含有車輛的圖像區(qū)域(參見圖1b)，也可能該圖像的前景部分一個(gè)車輛的圖像區(qū)域也不包含。步驟s101目的在于將待檢測圖像中包含有車輛的圖像區(qū)域(即候選車輛區(qū)域)從待檢測圖像中提取出來，并將所提取出來的包含有車輛的圖像區(qū)域作為后續(xù)步驟的處理對(duì)象。

在本發(fā)明的一種具體實(shí)施例中，可以按照以下步驟獲得待檢測圖像中的候選車輛區(qū)域：

(11)獲得待檢測圖像的紋理特征，并將紋理特征輸入至預(yù)先建立的道路過濾模型中，道路過濾模型，依據(jù)輸入的紋理特征，檢測待檢測圖像中是否有與道路的紋理特征相匹配的道路區(qū)域，并將檢測出的道路區(qū)域從待檢測圖像中過濾掉，確定過濾后的待檢測圖像為第一圖像區(qū)域。

一種實(shí)現(xiàn)方式中，可以通過計(jì)算待檢測圖像的灰度共生矩陣，并根據(jù)灰度共生矩陣計(jì)算待檢測圖像的紋理特征。

其中，待檢測圖像的紋理特征可以包括對(duì)比度、能量、熵和相關(guān)性。

對(duì)比度用于度量待檢測圖像的圖像矩陣中各矩陣元素的分布情況以及待檢測圖像的局部變化情況，該物理量反映了待檢測圖像的清晰度以及紋理的溝紋深淺。一般的，對(duì)比度的數(shù)值越大，說明紋理的溝紋越深，待檢測圖像越清晰，反之，對(duì)比度的數(shù)值越小，紋理的溝紋越淺，說明待檢測圖像越模糊。

具體的，可以按照以下公式來計(jì)算待檢測圖像的對(duì)比度con：

其中，i表示灰度共生矩陣的行號(hào)，j表示灰度共生矩陣的列號(hào)，p(i，j)表示灰度共生矩陣中第i行第j列的矩陣元素的值。

能量是根據(jù)待檢測圖像的灰度共生矩陣中各矩陣元素值的平方和計(jì)算得到的，該物理量用于度量待檢測圖像的紋理的灰度變化穩(wěn)定程度，反映了待檢測圖像中像素點(diǎn)的灰度分布均勻程度以及紋理粗細(xì)度。一般的，能量值大表明待檢測圖像的紋理是一種規(guī)則變化且較為穩(wěn)定的紋理。

具體的，可以按照以下公式來計(jì)算待檢測圖像的能量asm：

其中，i表示灰度共生矩陣的行號(hào)，j表示灰度共生矩陣的列號(hào)，p(i，j)表示灰度共生矩陣中第i行第j列的矩陣元素的值。

熵用于度量待檢測圖像包含的信息量的隨機(jī)性。當(dāng)灰度共生矩陣中所有矩陣元素均相等或者待檢測圖像的像素點(diǎn)的灰度值表現(xiàn)出最大的隨機(jī)性時(shí)，熵最大，該物理量表明了待檢測圖像灰度分布的復(fù)雜程度。一般的，待檢測圖像的熵的數(shù)值越大，表明待檢測圖像越復(fù)雜。

具體的，可以按照以下公式來計(jì)算待檢測圖像的熵ent：

其中，i表示灰度共生矩陣的行號(hào)，j表示灰度共生矩陣的列號(hào)，p(i，j)表示灰度共生矩陣中第i行第j列的矩陣元素的值。

相關(guān)性用于度量圖像的灰度級(jí)在圖像的行方向或列方向上的相似程度，反映了待檢測圖像的局部灰度相關(guān)性。一般的，待檢測圖像的相關(guān)性的數(shù)值越大，表明待檢測圖像的行方向或列方向的局部灰度的相關(guān)性也越大。

具體的，可以按照以下公式來計(jì)算待檢測圖像的相關(guān)性：

且分別按照如下公式計(jì)算μi、μj、si和sj：

其中，i表示灰度共生矩陣的行號(hào)，j表示灰度共生矩陣的列號(hào)，p(i，j)表示灰度共生矩陣中第i行第j列的矩陣元素的值。

另外，預(yù)先建立的道路過濾模型中的道路的紋理特征，也是通過對(duì)建立該模型的正樣本圖像(包含道路的圖像)和負(fù)樣本圖像(不包含道路的圖像)采用與上述紋理特征相同的計(jì)算方式得到的。

需要說明的是，上述灰度共生矩陣的計(jì)算方法以及利用灰度共生矩陣來計(jì)算對(duì)比度、能量、熵和相關(guān)性4種紋理特征的方法屬于現(xiàn)有技術(shù)，這里僅是舉例說明。當(dāng)然，本發(fā)明實(shí)施例不需要對(duì)待檢測圖像所提取的紋理特征的具體形式進(jìn)行限定，例如，還可以為最大概率、倒數(shù)差分距等，本領(lǐng)域內(nèi)的技術(shù)人員需要根據(jù)實(shí)際應(yīng)用中的具體情況進(jìn)行合理的設(shè)置。

具體的，該道路過濾模型可以是基于決策樹算法訓(xùn)練得到的分類模型，在將紋理特征輸入至預(yù)先建立的道路過濾模型中后，該道路過濾模型使用滑窗方式對(duì)待檢測圖像進(jìn)行掃描，其中，滑窗是指使用預(yù)設(shè)窗口尺寸的搜索窗口并按 照預(yù)設(shè)的掃描規(guī)則在待檢測圖像上滑動(dòng)以實(shí)現(xiàn)對(duì)待檢測圖像的掃描。考慮到圖像拍攝時(shí)所拍攝的圖像內(nèi)容所具有的“近大遠(yuǎn)小”的特性，可以在道路過濾模型中預(yù)設(shè)具有不同的窗口尺寸的搜索窗口，即使用多尺度的搜索窗口對(duì)待檢測圖像進(jìn)行掃描，以提高對(duì)待檢測圖像中的道路區(qū)域的掃描的準(zhǔn)確度。

一般的，道路區(qū)域往往在待檢測圖像中占據(jù)較大的比例，通過上述對(duì)道路區(qū)域的過濾處理，降低了對(duì)臨時(shí)車牌進(jìn)行檢測時(shí)對(duì)計(jì)算資源和處理時(shí)間的消耗。

(12)提取第一圖像區(qū)域的灰度特征，并將灰度特征輸入至預(yù)先建立的車輛區(qū)域檢測模型中，車輛區(qū)域檢測模型，依據(jù)輸入的灰度特征，檢測第一圖像區(qū)域中是否有與車輛的灰度特征相匹配的第二圖像區(qū)域。

一種實(shí)現(xiàn)方式中，該車輛區(qū)域檢測模型可以是基于svm(supportvectormachine，支持向量機(jī))算法訓(xùn)練得到的分類模型，該分類模型中包含有車輛圖像的灰度特征，并依據(jù)該灰度特征與所提取的第一圖像區(qū)域的灰度特征進(jìn)行比對(duì)，從而檢測出與車輛的灰度特征相匹配的第二圖像區(qū)域(即車輛區(qū)域)，參見圖1c至圖1d，其中，圖1c中的車輛懸掛有正常車牌，而圖1d中的車輛未懸掛正常車牌。

需要說明的是，本發(fā)明實(shí)施例并不需要對(duì)建立該車輛區(qū)域檢測模型的具體方式進(jìn)行限定，也不需要對(duì)所提取的第一圖像區(qū)域的灰度特征進(jìn)行限定，本領(lǐng)域內(nèi)的技術(shù)人員需要根據(jù)實(shí)際應(yīng)用中的具體情況進(jìn)行合理的設(shè)置。

(13)提取第二圖像區(qū)域的灰度投影特征，并將灰度投影特征輸入至預(yù)先建立的車牌檢測模型中，車牌檢測模型，依據(jù)輸入的灰度投影特征，檢測第二圖像區(qū)域中是否有與正常車牌的灰度投影特征相匹配的正常車牌區(qū)域。

一種實(shí)現(xiàn)方式中，可以按照以下步驟來檢測第二圖像區(qū)域中是否有與正常車牌的灰度投影特征相匹配的正常車牌區(qū)域：

(13.1)利用多尺度的滑窗方式，提取第二圖像區(qū)域在各個(gè)窗口內(nèi)的灰度投影特征，并將各個(gè)窗口內(nèi)的灰度投影特征逐一輸入至預(yù)先建立的第一正常車牌檢測模型中，得到第二圖像區(qū)域中在各個(gè)窗口具有正常車牌的多個(gè)置信度；其中，第一正常車牌檢測模型是基于預(yù)設(shè)的正常車牌的正負(fù)樣本圖像的灰度投影特征訓(xùn)練得到的分類模型。

具體的，預(yù)先建立的第一正常車牌檢測模型可以是基于svm(supportvectormachine，支持向量機(jī))算法訓(xùn)練得到的分類模型，還可以是基于anns(artificialneuralnetworks，人工神經(jīng)網(wǎng)絡(luò))算法訓(xùn)練得到的分類模型，當(dāng)然，本發(fā)明實(shí)施例并不需要對(duì)建立該第一正常車牌檢測模型的具體方式進(jìn)行限定，也不需要對(duì)所提取的第二圖像區(qū)域的灰度投影特征進(jìn)行限定，本領(lǐng)域內(nèi)的技術(shù)人員需要根據(jù)實(shí)際應(yīng)用中的具體情況進(jìn)行合理的設(shè)置。

(13.2)判斷是否有大于預(yù)設(shè)的置信度閾值t的置信度，若有，則判定從第二圖像區(qū)域中檢測到正常車牌區(qū)域。

需要說明的是，由于各種因素的影響(例如車內(nèi)方式的面巾紙盒等)，容易對(duì)臨時(shí)車牌的檢測造成干擾，因此，進(jìn)一步的，當(dāng)判斷出至少有2個(gè)置信度大于閾值t時(shí)，可以按照以下步驟判定從第二圖像區(qū)域中檢測到正常車牌區(qū)域：

(13.2.1)提取第二圖像區(qū)域中置信度大于閾值t的各個(gè)正常車牌區(qū)域的顏色特征，并獲得各個(gè)正常車牌區(qū)域中像素點(diǎn)的顏色值。

(13.2.2)根據(jù)像素點(diǎn)的顏色值，統(tǒng)計(jì)出各個(gè)正常車牌區(qū)域中與預(yù)設(shè)顏色類別相對(duì)應(yīng)的像素點(diǎn)數(shù)量，獲得各個(gè)正常車牌區(qū)域中屬于預(yù)設(shè)顏色類別的顏色百分比。

其中，顏色百分比為與預(yù)設(shè)顏色類別相對(duì)應(yīng)的像素點(diǎn)數(shù)量占正常車牌區(qū)域中像素點(diǎn)總數(shù)的比值。

(13.2.3)將顏色百分比輸入至預(yù)設(shè)的第二正常車牌檢測模型中，并與第二正常車牌檢測模型中預(yù)設(shè)的正常車牌的顏色百分比進(jìn)行比較，篩選出與預(yù)設(shè)顏色類別的顏色百分比具有匹配關(guān)系的正常車牌區(qū)域。

(13.2.4)判斷篩選出的正常車牌區(qū)域的數(shù)量是否為零，若不為零，則判定從第二圖像區(qū)域中檢測到正常車牌區(qū)域。

需要說明的是，由于車輛車牌的相關(guān)規(guī)定，車輛的車牌所具有的顏色可以是藍(lán)色、黃色、白色以及黑色的，這樣，可以根據(jù)各類車牌對(duì)應(yīng)的車牌圖像訓(xùn)練得到各類車牌圖像的顏色特征，并依據(jù)各類車牌的顏色特征對(duì)步驟(13.2)中判定出的正常車牌區(qū)域進(jìn)行進(jìn)一步的篩選，提高了所檢測出的正常車牌區(qū)域的準(zhǔn)確度。

(14)將沒有檢測出正常車牌區(qū)域的第二圖像區(qū)域確定為候選車輛區(qū)域。

需要說明的是，由于道路上行駛的車輛大多數(shù)是掛有正常車牌的，因此，步驟(14)中將沒有檢測出正常車牌區(qū)域的第二圖像區(qū)域確定為候選車輛區(qū)域，大大縮小了對(duì)臨時(shí)車牌圖像的檢索區(qū)域的范圍，進(jìn)一步降低了對(duì)臨時(shí)車牌進(jìn)行檢測時(shí)對(duì)計(jì)算資源和處理時(shí)間的消耗。

步驟s102：利用預(yù)設(shè)的車窗檢測模板，從所獲得的候選車輛區(qū)域中定位到車窗區(qū)域，并獲得針對(duì)車窗區(qū)域的目標(biāo)檢測區(qū)域。

其中，車窗區(qū)域?yàn)楹蜻x車輛區(qū)域中疑似為車輛車窗的圖像區(qū)域。

一種實(shí)現(xiàn)方式中，預(yù)設(shè)的車窗檢測模板為：根據(jù)預(yù)設(shè)的車窗樣本圖像的車窗邊緣的梯度信息擬合生成的模板。需要說明的是，這里僅僅列舉了生成車窗檢測模板的一種具體形式，本發(fā)明實(shí)施例不需要對(duì)生成車窗檢測模板的具體形式進(jìn)行限定，任何可能的實(shí)現(xiàn)方式均可以應(yīng)用于本發(fā)明。

在本發(fā)明的一種具體實(shí)施例中，可以按照以下步驟來獲得目標(biāo)檢測區(qū)域：

根據(jù)預(yù)設(shè)的臨時(shí)車牌圖像的顏色特征中各個(gè)顏色分量獲得顏色分量閾值，并根據(jù)所獲得的顏色分量閾值對(duì)車窗區(qū)域進(jìn)行二值化處理，并將二值化處理后的車窗區(qū)域中的白色圖像區(qū)域確定為目標(biāo)檢測區(qū)域。

需要說明的是，該具體實(shí)施例的優(yōu)點(diǎn)在于，結(jié)合了臨時(shí)車牌圖像的顏色特征(臨時(shí)車牌為白色的)，這樣，基于該顏色特征能夠從所定位到的車窗區(qū)域中過濾掉部分與預(yù)設(shè)的顏色特征不匹配的圖像區(qū)域，這樣，進(jìn)一步縮小了對(duì)臨時(shí)車牌圖像的檢索區(qū)域的范圍，進(jìn)一步降低了對(duì)臨時(shí)車牌進(jìn)行檢測時(shí)對(duì)計(jì)算資源和處理時(shí)間的消耗。

步驟s103：提取目標(biāo)檢測區(qū)域的紋理特征，并將紋理特征輸入至預(yù)先建立的臨時(shí)車牌檢測模型中，臨時(shí)車牌檢測模型，依據(jù)輸入的紋理特征，檢測目標(biāo)檢測區(qū)域中是否有與臨時(shí)車牌的紋理特征相匹配的目標(biāo)區(qū)域，獲得標(biāo)識(shí)目標(biāo)區(qū)域數(shù)量的檢測結(jié)果。

一種實(shí)現(xiàn)方式中，可以按照以下步驟檢測目標(biāo)檢測區(qū)域中是否有與臨時(shí)車牌的紋理特征相匹配的目標(biāo)區(qū)域：

臨時(shí)車牌檢測模型，使用預(yù)先設(shè)置的搜索窗口對(duì)目標(biāo)檢測區(qū)域進(jìn)行窗口掃 描，其中，預(yù)先設(shè)置的搜索窗口包含臨時(shí)車牌的紋理特征；在掃描過程中，將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域。

具體的，可以按照以下方式對(duì)目標(biāo)檢測區(qū)域進(jìn)行窗口掃描：

按照預(yù)設(shè)的行方向的掃描步長以及預(yù)設(shè)的行掃描方向?qū)δ繕?biāo)檢測區(qū)域進(jìn)行掃描，且每掃描完一行后按照預(yù)設(shè)的行間距下移至下一行繼續(xù)掃描，直到將目標(biāo)檢測區(qū)域中的全部行掃描完成；其中，掃描步長不超過所使用的搜索窗口在行方向的窗口尺寸的大小，行間距不超過所使用的搜索窗口在列方向的窗口尺寸的大小。

另一種實(shí)現(xiàn)方式中，臨時(shí)車牌檢測模型中預(yù)設(shè)有不同尺寸的多個(gè)搜索窗口；可以使用預(yù)設(shè)的第一搜索窗口對(duì)目標(biāo)檢測區(qū)域進(jìn)行窗口掃描，若未檢測到目標(biāo)區(qū)域則使用下一個(gè)搜索窗口，直到當(dāng)前搜索窗口掃描完成時(shí)檢測出目標(biāo)區(qū)域或預(yù)設(shè)的所有搜索窗口全部掃描完成。

另一種實(shí)現(xiàn)方式中，臨時(shí)車牌檢測模型包含級(jí)聯(lián)的多個(gè)子分類器，每個(gè)子分類器將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域；其中，各個(gè)子分類器是基于不同的訓(xùn)練樣本的相同特征訓(xùn)練得到的分類模型，且訓(xùn)練得到的各個(gè)子分類器之間具有不同的訓(xùn)練參數(shù)。

具體的，該臨時(shí)車牌檢測模型可以是基于集合分類器boosting算法訓(xùn)練得到的由多個(gè)級(jí)聯(lián)的子分類器構(gòu)成的分類模型。

一方面，在訓(xùn)練每一個(gè)子分類器時(shí)，首先選取預(yù)設(shè)數(shù)量的正樣本(具有臨時(shí)車牌的圖像)和負(fù)樣本(不具有臨時(shí)車牌的圖像)；對(duì)所選取的正負(fù)樣本圖像進(jìn)行歸一化處理，歸一化處理后的正負(fù)樣本圖像具有相同的圖像大小，例如，可以將圖像歸一化為64*32的圖像大?。环謩e提取正樣本和負(fù)樣本中的每一幅圖像的哈爾haar特征，并獲得一個(gè)具有所提取的haar特征的搜索窗口。

進(jìn)一步的，為了提高對(duì)臨時(shí)車牌圖像檢測的準(zhǔn)確度，還可以將樣本圖像歸一化為不同圖像尺寸，進(jìn)而得到具有不同的窗口尺寸的搜索窗口。

需要說明的是，對(duì)于構(gòu)成該臨時(shí)車牌檢測模型的各個(gè)子分類器而言，建立每個(gè)子分類器所選取的正樣本與正樣本中的圖像是不相同的、負(fù)樣本與負(fù)樣本中的圖像也是不相同的，甚至是正樣本與正樣本的樣本容量也是可以不同的，負(fù)樣本與負(fù)樣本的樣本容量也是可以不同的。

還需要說明的是，對(duì)于級(jí)聯(lián)的各個(gè)子分類器，在應(yīng)用該級(jí)聯(lián)的各個(gè)子分類器對(duì)目標(biāo)檢測區(qū)域進(jìn)行搜索時(shí)，所采用的搜索窗口是相同的。

下面結(jié)合一個(gè)具體例子，對(duì)該臨時(shí)車牌檢測模型的檢測過程進(jìn)行下描述：

假設(shè)，該臨時(shí)車牌檢測模型是由a、b、c三個(gè)子分類器構(gòu)成的檢測模型，其中，針對(duì)該臨時(shí)車牌檢測模型預(yù)設(shè)有50*50、40*40、30*30、20*20和10*10五個(gè)窗口尺寸的搜索窗口。

第一步：使用50*50的搜索窗口對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描，首先由子分類器a對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描，然后由子分類器b對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描，最后由子分類器c對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描；若子分類器a、b、c掃描完之后都沒有檢測出目標(biāo)區(qū)域，則使用40*40的搜索窗口對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描；

第二步：使用40*40的搜索窗口對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描，首先由子分類器a對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描，然后由子分類器b對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描，最后由子分類器c對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描；若子分類器a、b、c掃描完之后都沒有檢測出目標(biāo)區(qū)域，則使用30*30的搜索窗口對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描；

第三步，使用30*30的搜索窗口對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描，首先由子分類器a對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描，然后由子分類器b對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描，最后有子分類器c對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描；若子分類器a、b、c掃描完之后都檢測出目標(biāo)區(qū)域，則不再使用20*20和10*10的搜索窗口對(duì)目標(biāo)檢測區(qū)域進(jìn)行掃描。

步驟s104：根據(jù)檢測結(jié)果，判斷目標(biāo)區(qū)域的數(shù)量是否為零，若不為零，則判定從待檢測圖像的候選車輛區(qū)域中檢測到臨時(shí)車牌，若為零，則判定未從待檢測圖像的候選車輛區(qū)域中檢測到臨時(shí)車牌。

更進(jìn)一步的，參見圖2，在圖1所示方法實(shí)施例基礎(chǔ)之上，在步驟s101中判斷目標(biāo)區(qū)域的數(shù)量是否為零之前，還包括：

步驟s105：利用預(yù)設(shè)的聚類算法對(duì)目標(biāo)區(qū)域進(jìn)行合并處理，得到合并處理后的目標(biāo)區(qū)域，并獲得標(biāo)識(shí)合并后的目標(biāo)區(qū)域數(shù)量的檢測結(jié)果。

一種實(shí)現(xiàn)方式中，可以按照以下方式來對(duì)目標(biāo)區(qū)域進(jìn)行合并處理：

(21)將檢測結(jié)果中的n個(gè)目標(biāo)區(qū)域確定為待合并目標(biāo)，并針對(duì)每個(gè)待合并目標(biāo)設(shè)置一個(gè)初始的類別；

(22)判斷屬于不同類別的任意兩個(gè)待合并目標(biāo)ui和uj的質(zhì)心連線的距離dij是否小于預(yù)設(shè)的距離閾值td；其中，待合并目標(biāo)ui屬于類別ri，待合并目標(biāo)uj屬于類別rj；

(23)若小于，則判定這兩個(gè)待合并目標(biāo)ui和uj屬于同一類別，則將類別rj中的各個(gè)待合并目標(biāo)合并到類別ri中，并刪除類別rj；

(24)繼續(xù)執(zhí)行步驟(22)和步驟(23)，直到屬于不同類別的任意兩個(gè)待合并目標(biāo)ui和uj的質(zhì)心連線的距離dij不小于閾值td時(shí)，獲得當(dāng)前的類別的數(shù)量n′，分別從當(dāng)前的每個(gè)類別中確定一個(gè)為合并后的目標(biāo)區(qū)域，從而獲得n′個(gè)合并后的目標(biāo)區(qū)域。

需要說明的是，對(duì)屬于同一類別的各個(gè)目標(biāo)區(qū)域進(jìn)行合并屬于現(xiàn)有技術(shù)，本發(fā)明并不需要對(duì)預(yù)設(shè)的距離閾值td的具體數(shù)值進(jìn)行限定；上述列舉的僅僅是對(duì)目標(biāo)區(qū)域進(jìn)行合并的一種具體實(shí)現(xiàn)方式而已，本發(fā)明不需要限定對(duì)目標(biāo)區(qū)域進(jìn)行合并的具體實(shí)現(xiàn)方式，任何可能的實(shí)現(xiàn)方式均可以應(yīng)用于本發(fā)明。

應(yīng)用本發(fā)明實(shí)施例提供的方案，能夠?qū)ξ磼煊姓＼嚺频能囕v是否粘貼有臨時(shí)車牌進(jìn)行檢測，在檢測臨時(shí)車牌的過程中，利用臨時(shí)車牌的紋理特征進(jìn)行檢測，為進(jìn)一步實(shí)現(xiàn)對(duì)道路上車輛的管理提供了可能。進(jìn)一步的，在檢測臨時(shí)車牌的過程中，排除了待檢測圖像中的道路區(qū)域以及具有正常車牌區(qū)域的干擾，降低了對(duì)臨時(shí)車牌進(jìn)行檢測時(shí)對(duì)計(jì)算資源和處理時(shí)間的消耗。

下面對(duì)本發(fā)明實(shí)施例提供的檢測臨時(shí)車牌的裝置進(jìn)行下說明，參見圖3，為本發(fā)明實(shí)施例提供的一種檢測臨時(shí)車牌的裝置的結(jié)構(gòu)示意圖，該裝置包括：

候選車輛區(qū)域獲得模塊201，用于獲得待檢測圖像中的候選車輛區(qū)域；其中，候選車輛區(qū)域?yàn)?，待檢測圖像中的疑似粘貼有臨時(shí)車牌的車輛所在的圖像 區(qū)域；

目標(biāo)檢測區(qū)域獲得模塊202，用于利用預(yù)設(shè)的車窗檢測模板，從所獲得的候選車輛區(qū)域中定位到車窗區(qū)域，并獲得針對(duì)車窗區(qū)域的目標(biāo)檢測區(qū)域；其中，車窗區(qū)域?yàn)楹蜻x車輛區(qū)域中疑似為車輛車窗的圖像區(qū)域；

目標(biāo)區(qū)域檢測模塊203，用于提取目標(biāo)檢測區(qū)域的紋理特征，并將紋理特征輸入至預(yù)先建立的臨時(shí)車牌檢測模型中，臨時(shí)車牌檢測模型，依據(jù)輸入的紋理特征，檢測目標(biāo)檢測區(qū)域中是否有與臨時(shí)車牌的紋理特征相匹配的目標(biāo)區(qū)域，獲得標(biāo)識(shí)目標(biāo)區(qū)域數(shù)量的檢測結(jié)果；

臨時(shí)車牌檢測模塊204，用于根據(jù)檢測結(jié)果，判斷目標(biāo)區(qū)域的數(shù)量是否為零，若不為零，則判定從待檢測圖像的候選車輛區(qū)域中檢測到臨時(shí)車牌，若為零，則判定未從待檢測圖像的候選車輛區(qū)域中檢測到臨時(shí)車牌。

具體的，候選車輛區(qū)域獲得模塊201，包括：

第一圖像區(qū)域確定子模塊，用于獲得待檢測圖像的紋理特征，并將紋理特征輸入至預(yù)先建立的道路過濾模型中，道路過濾模型，依據(jù)輸入的紋理特征，檢測待檢測圖像中是否有與道路的紋理特征相匹配的道路區(qū)域，并將檢測出的道路區(qū)域從待檢測圖像中過濾掉，確定過濾后的待檢測圖像為第一圖像區(qū)域；

第二圖像區(qū)域檢測子模塊，用于提取第一圖像區(qū)域的灰度特征，并將灰度特征輸入至預(yù)先建立的車輛區(qū)域檢測模型中，車輛區(qū)域檢測模型，依據(jù)輸入的灰度特征，檢測第一圖像區(qū)域中是否有與車輛的灰度特征相匹配的第二圖像區(qū)域；

正常車牌區(qū)域檢測子模塊，用于提取第二圖像區(qū)域的灰度投影特征，并將灰度投影特征輸入至預(yù)先建立的車牌檢測模型中，車牌檢測模型，依據(jù)輸入的灰度投影特征，檢測第二圖像區(qū)域中是否有與正常車牌的灰度投影特征相匹配的正常車牌區(qū)域；

候選車輛區(qū)域確定子模塊，用于將沒有檢測出正常車牌區(qū)域的第二圖像區(qū)域確定為候選車輛區(qū)域。

一種實(shí)現(xiàn)方式中，第一圖像區(qū)域確定子模塊，具體用于：

計(jì)算待檢測圖像的灰度共生矩陣，并根據(jù)灰度共生矩陣計(jì)算待檢測圖像的 紋理特征，并將紋理特征輸入至預(yù)先建立的道路過濾模型中，道路過濾模型，依據(jù)輸入的紋理特征，檢測待檢測圖像中是否有與道路的紋理特征相匹配的道路區(qū)域，并將檢測出的道路區(qū)域從待檢測圖像中過濾掉，確定過濾后的待檢測圖像為第一圖像區(qū)域；

正常車牌區(qū)域檢測子模塊，包括：

置信度獲得單元，用于利用多尺度的滑窗方式，提取第二圖像區(qū)域在各個(gè)窗口內(nèi)的灰度投影特征，并將各個(gè)窗口內(nèi)的灰度投影特征逐一輸入至預(yù)先建立的第一正常車牌檢測模型中，得到第二圖像區(qū)域中在各個(gè)窗口具有正常車牌的多個(gè)置信度；其中，第一正常車牌檢測模型是基于預(yù)設(shè)的正常車牌的正負(fù)樣本圖像的灰度投影特征訓(xùn)練得到的分類模型；

正常車牌區(qū)域判斷單元，用于判斷是否有大于預(yù)設(shè)的置信度閾值t的置信度，若有，則判定從第二圖像區(qū)域中檢測到正常車牌區(qū)域。

其中，正常車牌區(qū)域判斷單元，具體用于：

當(dāng)判斷出至少有2個(gè)置信度大于閾值t時(shí)，提取第二圖像區(qū)域中置信度大于閾值t的各個(gè)正常車牌區(qū)域的顏色特征，并獲得各個(gè)正常車牌區(qū)域中像素點(diǎn)的顏色值；

根據(jù)像素點(diǎn)的顏色值，統(tǒng)計(jì)出各個(gè)正常車牌區(qū)域中與預(yù)設(shè)顏色類別相對(duì)應(yīng)的像素點(diǎn)數(shù)量，獲得各個(gè)正常車牌區(qū)域中屬于預(yù)設(shè)顏色類別的顏色百分比；其中，顏色百分比為與預(yù)設(shè)顏色類別相對(duì)應(yīng)的像素點(diǎn)數(shù)量占正常車牌區(qū)域中像素點(diǎn)總數(shù)的比值；

將顏色百分比輸入至預(yù)設(shè)的第二正常車牌檢測模型中，并與第二正常車牌檢測模型中預(yù)設(shè)的正常車牌的顏色百分比進(jìn)行比較，篩選出與預(yù)設(shè)顏色類別的顏色百分比具有匹配關(guān)系的正常車牌區(qū)域；

判斷篩選出的正常車牌區(qū)域的數(shù)量是否為零，若不為零，則判定從第二圖像區(qū)域中檢測到正常車牌區(qū)域。

一種實(shí)現(xiàn)方式中，目標(biāo)檢測區(qū)域獲得模塊202，具體用于：

利用預(yù)設(shè)的車窗檢測模板，從所獲得的候選車輛區(qū)域中定位到車窗區(qū)域，根據(jù)預(yù)設(shè)的臨時(shí)車牌圖像的顏色特征中各個(gè)顏色分量獲得顏色分量閾值，并根 據(jù)所獲得的顏色分量閾值對(duì)車窗區(qū)域進(jìn)行二值化處理，并將二值化處理后的車窗區(qū)域中的白色圖像區(qū)域確定為目標(biāo)檢測區(qū)域。

其中，目標(biāo)區(qū)域檢測模塊203，具體用于：

提取目標(biāo)檢測區(qū)域的紋理特征，并將紋理特征輸入至預(yù)先建立的臨時(shí)車牌檢測模型中，臨時(shí)車牌檢測模型，使用預(yù)先設(shè)置的搜索窗口對(duì)目標(biāo)檢測區(qū)域進(jìn)行窗口掃描，其中，預(yù)先設(shè)置的搜索窗口包含臨時(shí)車牌的紋理特征；在掃描過程中，將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域。

一種實(shí)現(xiàn)方式中，臨時(shí)車牌檢測模型中預(yù)設(shè)有不同尺寸的多個(gè)搜索窗口；

目標(biāo)區(qū)域檢測模塊203，具體用于：提取目標(biāo)檢測區(qū)域的紋理特征，并將紋理特征輸入至預(yù)先建立的臨時(shí)車牌檢測模型中，臨時(shí)車牌檢測模型，使用預(yù)設(shè)的第一搜索窗口對(duì)目標(biāo)檢測區(qū)域進(jìn)行窗口掃描，若未檢測到目標(biāo)區(qū)域則使用下一個(gè)搜索窗口，直到當(dāng)前搜索窗口掃描完成時(shí)檢測出目標(biāo)區(qū)域或預(yù)設(shè)的所有搜索窗口全部掃描完成，其中，預(yù)先設(shè)置的搜索窗口包含臨時(shí)車牌的紋理特征；在掃描過程中，將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域。

具體的，臨時(shí)車牌檢測模型包含級(jí)聯(lián)的多個(gè)子分類器，每個(gè)子分類器將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域；其中，各個(gè)子分類器是基于不同的訓(xùn)練樣本的相同特征訓(xùn)練得到的分類模型，且訓(xùn)練得到的各個(gè)子分類器之間具有不同的訓(xùn)練參數(shù)。

一種實(shí)現(xiàn)方式中，目標(biāo)區(qū)域檢測模塊203，具體用于：

提取目標(biāo)檢測區(qū)域的紋理特征，并將紋理特征輸入至預(yù)先建立的臨時(shí)車牌檢測模型中，臨時(shí)車牌檢測模型，按照預(yù)設(shè)的行方向的掃描步長以及預(yù)設(shè)的行掃描方向?qū)δ繕?biāo)檢測區(qū)域進(jìn)行掃描，且每掃描完一行后按照預(yù)設(shè)的行間距下移至下一行繼續(xù)掃描，直到將目標(biāo)檢測區(qū)域中的全部行掃描完成；其中，掃描步長不超過所使用的搜索窗口在行方向的窗口尺寸的大小，行間距不超過所使用 的搜索窗口在列方向的窗口尺寸的大小，其中，預(yù)先設(shè)置的搜索窗口包含臨時(shí)車牌的紋理特征；在掃描過程中，將搜索窗口所包含的臨時(shí)車牌的紋理特征與當(dāng)前搜索窗口在目標(biāo)檢測區(qū)域中對(duì)應(yīng)的當(dāng)前窗口區(qū)域的紋理特征進(jìn)行匹配，將匹配成功的當(dāng)前窗口區(qū)域確定為目標(biāo)區(qū)域。

參見圖4，在圖3所示裝置實(shí)施例的基礎(chǔ)之上，該裝置還包括：

合并處理模塊205，用于在判斷目標(biāo)區(qū)域的數(shù)量是否為零之前，利用預(yù)設(shè)的聚類算法對(duì)目標(biāo)區(qū)域進(jìn)行合并處理，得到合并處理后的目標(biāo)區(qū)域，并獲得標(biāo)識(shí)合并后的目標(biāo)區(qū)域數(shù)量的檢測結(jié)果。

具體的，預(yù)設(shè)的車窗檢測模板為：根據(jù)預(yù)設(shè)的車窗樣本圖像的車窗邊緣的梯度信息擬合生成的模板。

應(yīng)用本發(fā)明實(shí)施例提供的方案，能夠?qū)ξ磼煊姓＼嚺频能囕v是否粘貼有臨時(shí)車牌進(jìn)行檢測，在檢測臨時(shí)車牌的過程中，利用臨時(shí)車牌的紋理特征進(jìn)行檢測，為進(jìn)一步實(shí)現(xiàn)對(duì)道路上車輛的管理提供了可能。進(jìn)一步的，在檢測臨時(shí)車牌的過程中，排除了待檢測圖像中的道路區(qū)域以及具有正常車牌區(qū)域的干擾，降低了對(duì)臨時(shí)車牌進(jìn)行檢測時(shí)對(duì)計(jì)算資源和處理時(shí)間的消耗。

對(duì)于裝置實(shí)施例而言，由于其基本相似于方法實(shí)施例，所以描述得比較簡單，相關(guān)之處參見方法實(shí)施例的部分說明即可。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述方法實(shí)施方式中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以存儲(chǔ)于計(jì)算機(jī)可 讀取存儲(chǔ)介質(zhì)中，這里所稱的存儲(chǔ)介質(zhì)，如：rom/ram、磁碟、光盤等。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍內(nèi)。