一種車牌識別方法及車牌識別設備的製作方法
2024-02-25 01:29:15 1
一種車牌識別方法及車牌識別設備的製作方法
【專利摘要】本申請公開了一種車牌識別方法及車牌識別設備，根據原始車牌分類器檢測現場的無車場景，收集現場的靜態負樣本；將靜態負樣本添加到車牌識別設備的原始訓練集中，得到第一訓練集，根據第一訓練集訓練第一車牌分類器；根據第一車牌分類器檢測現場的有車場景，收集現場的動態負樣本，將動態負樣本添加到第一訓練集中，得到第二訓練集，根據第二訓練集訓練第二車牌分類器，並根據第二車牌分類器進行車牌識別。這樣，利用第二訓練集訓練的第二車牌分類器能夠去除靜態負樣本和動態負樣本，此時現場可能出現的絕大部分負樣本都能夠被第二車牌分類器拒絕，從而達到對車牌的精確識別，減少車牌識別設備的誤檢率。
【專利說明】-種車牌識別方法及車牌識別設備
【技術領域】
[0001] 本申請涉及圖像識別【技術領域】，特別是涉及一種車牌識別方法及車牌識別設備。
【背景技術】
[0002] 為了保證良好的交通秩序或社會治安，基於車牌識別技術的車牌識別設備等產品 被廣泛應用於交叉路口、物業小區、商業樓宇及政府機構等位置。車牌識別技術一般分為車 牌檢測、字符分割識別及車牌投票這三大步驟。車牌檢測，即從視頻中檢測車牌並確定其在 每一幀圖像中的位置，是車牌識別技術中比較關鍵和耗時的一步。
[0003] 目前，車牌識別設備通常都是在實驗室進行訓練。通常情況下，車輛正面只有一個 車牌，並且在路口、崗亭或卡口，車輛都是依次通行的，通過使用攝像機在各個時段和天氣 條件下在各個位置拍攝並儲存大量視頻，在這些視頻的圖像中，人工截取出每輛車的車牌 圖像作為正樣本，人工截取出其中的非車牌圖像作為負樣本，然後通過正、負樣本訓練得到 車牌識別設備。
[0004] 然而，在實際應用中，現場環境和應用情況千變萬化，車牌識別設備在實驗室訓練 時由於負樣本的數量和種類有限，無法兼顧所有的應用場景和工作時段，因而車牌識別設 備在現場使用的時候會存在一定的誤檢，即把一些非車牌圖像錯誤地識別成車牌。誤檢包 括靜態的誤檢和動態的誤檢。靜態的誤檢是指現場的場景中一些背景，例如路邊的柵欄，廣 告牌上的電話號碼等，這些背景圖案與實際的車牌很相似，車牌識別設備很容易把這些背 景錯誤地識別成車牌，比如路邊的柵欄與"mill"很相似，容易被識別成"省份L11111"， 另外一些字符如" i "、"L"、"T"等也容易被錯誤地識別成"H"或"Y"。動態的誤檢是指移動 的物體，例如汽車引擎的通風口、車身上的廣告等，這些物體偶爾會出現，由於比較類似車 牌，也會造成一定的誤檢，如果車牌識別設備應用在快遞公司出入口，公交公司停車場等場 所時，由於大量的車身上都具有廣告和電話號碼等，就容易出現大量誤檢，導致車牌識別出 錯。
【發明內容】
[0005] 有鑑於此，本申請提供一種車牌識別方法及車牌識別設備，以實現對車牌的精確 識別，減少車牌識別設備的誤檢率。
[0006] 為了實現上述目的，本申請實施例提供的技術方案如下：
[0007] -種車牌識別方法，應用於布置在現場的車牌識別設備中，所述車牌識別設備中 包括根據原始訓練集訓練的原始車牌分類器，所述車牌識別方法包括：
[0008] 根據所述原始車牌分類器檢測現場的無車場景，收集現場的靜態負樣本；所述靜 態負樣本為所述現場的無車場景中被所述原始車牌分類器誤檢為車牌區域的背景圖像；
[0009] 將所述靜態負樣本添加到所述車牌識別設備的所述原始訓練集中，得到第一訓練 集，根據所述第一訓練集訓練第一車牌分類器；
[0010] 根據所述第一車牌分類器檢測現場的有車場景，收集現場的動態負樣本，將所述 動態負樣本添加到所述第一訓練集中，得到第二訓練集，根據所述第二訓練集訓練第二車 牌分類器，並根據所述第二車牌分類器進行車牌識別；所述動態負樣本為所述現場的有車 場景中被所述第一車牌分類器誤檢為車牌區域的運動圖像。
[0011] 優選地，所述根據所述第一訓練集訓練第一車牌分類器，包括：
[0012] 使用方向梯度直方圖HOG特徵對所述第一訓練集裡的每一個正樣本進行表徵，形 成正樣本HOG特徵向量；
[0013] 使用方向梯度直方圖HOG特徵對所述第一訓練集裡的每一個負樣本進行表徵，形 成負樣本HOG特徵向量；
[0014] 利用支持向量機SVM對所述正樣本HOG特徵向量和所述負樣本HOG特徵向量進行 訓練，獲得第一車牌分類器。
[0015] 優選地，所述根據所述第一車牌分類器檢測現場的有車場景，收集現場的動態負 樣本，包括：
[0016] 獲取所述車牌識別設備檢測現場的有車場景得到的視頻圖像，提取所述視頻圖像 中的疑似車牌區域，根據所述第一車牌分類器檢測所述疑似車牌區域中的車牌區域；
[0017] 從所述車牌區域中分割出多個字符，根據支持向量機SVM訓練的車牌字符識別模 型對多個所述字符進行識別，並判斷每個所述字符的識別置信度；
[0018] 根據每個所述字符的識別置信度判斷所述車牌區域是否有效，如果無效，將所述 車牌區域作為所述現場的動態負樣本。
[0019] 優選地，所述根據每個所述字符的識別置信度判斷所述車牌區域是否有效，包 括：
[0020] 判斷所述字符的個數是否為7個；
[0021] 如果是，判斷每個所述字符的識別置信度是否大於或等於第一閾值；
[0022] 如果是，判斷7個所述字符的識別置信度的和是否大於或等於第二閾值；
[0023] 如果是，則判定所述車牌區域有效，否則無效。
[0024] 優選地，所述將所述動態負樣本添加到所述第一訓練集中，包括：
[0025] 按照預設的時間間隔統計所述第一車牌分類器檢測現場的有車場景的誤檢率，並 判斷所述誤檢率是否大於第三閾值；
[0026] 如果是，判斷收集到的所述動態負樣本的個數是否大於或等於第四閾值；
[0027] 如果是，將所述動態負樣本添加到所述第一訓練集中。
[0028] 本申請還提供一種車牌識別設備，用於布置在現場進行車牌識別，所述車牌識別 設備中包括根據原始訓練集訓練的原始車牌分類器，所述車牌識別設備還包括：
[0029] 靜態負樣本收集模塊，用於根據所述原始車牌分類器檢測現場的無車場景，收集 現場的靜態負樣本；所述靜態負樣本為所述現場的無車場景中被所述原始車牌分類器誤檢 為車牌區域的背景圖像；
[0030] 第一車牌分類器模塊，用於將所述靜態負樣本添加到所述車牌識別設備的所述原 始訓練集中，得到第一訓練集，根據所述第一訓練集訓練第一車牌分類器；
[0031] 第二車牌分類器模塊，用於根據所述第一車牌分類器檢測現場的有車場景，收集 現場的動態負樣本，將所述動態負樣本添加到所述第一訓練集中，得到第二訓練集，根據所 述第二訓練集訓練第二車牌分類器，並根據所述第二車牌分類器進行車牌識別；所述動態 負樣本為所述現場的有車場景中被所述第一車牌分類器誤檢為車牌區域的運動圖像。
[0032] 優選地，所述第一車牌分類器模塊，包括：
[0033] 正樣本特徵向量單元，用於使用方向梯度直方圖HOG特徵對所述第一訓練集裡的 每一個正樣本進行表徵，形成正樣本HOG特徵向量；
[0034] 負樣本特徵向量單元，用於使用方向梯度直方圖HOG特徵對所述第一訓練集裡的 每一個負樣本進行表徵，形成負樣本HOG特徵向量；
[0035] 訓練單元，用於利用支持向量機SVM對所述正樣本HOG特徵向量和所述負樣本HOG 特徵向量進行訓練，獲得第一車牌分類器。
[0036] 優選地，所述第二車牌分類器模塊，包括：
[0037] 檢測單元，用於獲取所述車牌識別設備檢測現場的有車場景得到的視頻圖像，提 取所述視頻圖像中的疑似車牌區域，根據所述第一車牌分類器檢測所述疑似車牌區域中的 車牌區域；
[0038] 識別單元，用於從所述車牌區域中分割出多個字符，根據支持向量機SVM訓練的 車牌字符識別模型對多個所述字符進行識別，並判斷每個所述字符的識別置信度；
[0039] 動態負樣本單元，用於根據每個所述字符的識別置信度判斷所述車牌區域是否有 效，如果無效，將所述車牌區域作為所述現場的動態負樣本。
[0040] 優選地，所述動態負樣本單元，包括：
[0041] 第一判斷子單元，用於判斷所述字符的個數是否為7個；
[0042] 第二判斷子單元，用於如果是，判斷每個所述字符的識別置信度是否大於或等於 第一閾值；
[0043] 第三判斷子單元，用於如果是，判斷7個所述字符的識別置信度的和是否大於或 等於第二閾值；
[0044] 判定子單元，用於如果是，則判定所述車牌區域有效，否則無效。
[0045] 優選地，所述第二車牌分類器模塊，包括：
[0046] 統計單元，用於按照預設的時間間隔統計所述第一車牌分類器檢測現場的有車場 景的誤檢率，並判斷所述誤檢率是否大於第三閾值；
[0047] 判斷單元，用於如果是，判斷收集到的所述動態負樣本的個數是否大於或等於第 四閾值；
[0048] 添加單元，用於如果是，將所述動態負樣本添加到所述第一訓練集中。
[0049] 由以上本申請提供的技術方案，車牌識別方法應用於布置在現場的車牌識別設備 中，所述車牌識別設備中包括根據原始訓練集訓練的原始車牌分類器，所述車牌識別方法 根據所述原始車牌分類器檢測現場的無車場景，收集現場的靜態負樣本；所述靜態負樣本 為所述現場的無車場景中被所述原始車牌分類器誤檢為車牌區域的背景圖像；將所述靜 態負樣本添加到所述車牌識別設備的所述原始訓練集中，得到第一訓練集，根據所述第一 訓練集訓練第一車牌分類器；根據所述第一車牌分類器檢測現場的有車場景，收集現場的 動態負樣本，將所述動態負樣本添加到所述第一訓練集中，得到第二訓練集，根據所述第二 訓練集訓練第二車牌分類器，並根據所述第二車牌分類器進行車牌識別；所述動態負樣本 為所述現場的有車場景中被所述第一車牌分類器誤檢為車牌區域的運動圖像。這樣，先收 集現場的靜態負樣本並添加到原始訓練集，得到第一訓練集，利用第一訓練集訓練第一車 牌分類器去除靜態負樣本，然後再使用第一車牌分類器收集動態負樣本並添加到第一訓練 集，得到第二訓練集，利用第二訓練集訓練第二車牌分類器就可以去除收集到的靜態負樣 本和動態負樣本，此時第二訓練集中已經包含了現場可能出現的絕大部分負樣本，這些負 樣本能夠被第二車牌分類器拒絕，從而達到對車牌的精確識別，減少車牌識別設備的誤檢 率。
【專利附圖】
【附圖說明】
[0050] 為了更清楚地說明本申請實施例或現有技術中的技術方案，下面將對實施例或現 有技術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 申請中記載的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下， 還可以根據這些附圖獲得其他的附圖。
[0051] 圖1為本申請提供的一種車牌識別方法的流程示意圖；
[0052] 圖2為本申請提供的另一種車牌識別方法的流程示意圖；
[0053] 圖3為本申請提供的又一種車牌識別方法的流程示意圖；
[0054] 圖4為本申請提供的一種車牌識別設備的結構示意圖。
【具體實施方式】
[0055] 為了使本【技術領域】的人員更好地理解本申請中的技術方案，下面將結合附圖，對 本申請的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施 例，而不是全部的實施例。基於本申請中的實施例，本領域普通技術人員在沒有做出創造性 勞動前提下所獲得的所有其他實施例，都應當屬於本申請保護的範圍。
[0056] 下面結合附圖，對本申請的實施方案進行詳細描述。
[0057] 圖1為本申請提供的一種車牌識別方法的流程示意圖。
[0058] 請參照圖1所示，本申請實施例提供一種車牌識別方法，應用於布置在現場的車 牌識別設備中，所述車牌識別設備中包括根據原始訓練集訓練的原始車牌分類器，所述車 牌識別方法包括：
[0059] SlOO :根據所述原始車牌分類器檢測現場的無車場景，收集現場的靜態負樣本；
[0060] 所述靜態負樣本為所述現場的無車場景中被所述原始車牌分類器誤檢為車牌區 域的背景圖像；
[0061] 在本申請實施例中，在現場安裝車牌識別設備後，首先使用原始車牌分類器檢測 現場無車場景，收集導致原始車牌分類器誤檢的圖像，作為錯分負樣本，即靜態負樣本。
[0062] 車牌識別設備安裝在現場的時候，要把實驗室訓練車牌分類器的原始正樣本和原 始負樣本一起保存在現場的計算機內。開啟車牌識別器後，在確保現場無車的情況下按照 白晝、黑夜、陰天、晴天、強光、弱光等不同環境對現場進行視頻流車牌檢測，如果能檢測到 車牌，就表示現場場景中的某些背景被識別成車牌了，此時保留這些錯誤的樣本，即現場的 靜態負樣本。
[0063] S200:將所述靜態負樣本添加到所述車牌識別設備的所述原始訓練集中，得到第 一訓練集，根據所述第一訓練集訓練第一車牌分類器；
[0064] 在本申請實施例中，將現場的靜態負樣本添加到原始訓練集，得到第一訓練集，根 據新的訓練集即第一訓練集訓練新的車牌分類器即第一車牌分類器，從而用新的第一車牌 分類器替代舊的原始車牌分類器進行車牌檢測，就可以不受靜態負樣本的影響，實現對靜 態負樣本的正確識別。
[0065] S300 :根據所述第一車牌分類器檢測現場的有車場景，收集現場的動態負樣本，將 所述動態負樣本添加到所述第一訓練集中，得到第二訓練集，根據所述第二訓練集訓練第 二車牌分類器，並根據所述第二車牌分類器進行車牌識別。
[0066] 所述動態負樣本為所述現場的有車場景中被所述第一車牌分類器誤檢為車牌區 域的運動圖像。
[0067] 在本申請實施例中，用新的第一車牌分類器替代舊的原始車牌分類器後，在第一 車牌分類器的使用過程中收集現場的動態負樣本，並把收集的動態負樣本添加到第一訓練 集中，得到第二訓練集，重新根據第二訓練集訓練第二車牌分類器，並根據第二車牌分類器 進行車牌識別，就可以不受現場的靜態負樣本和已經收集到的動態負樣本的影響，實現對 靜態負樣本和收集到的動態負樣本的正確識別，減少誤檢率。
[0068] 進一步的，在第二車牌分類器的使用過程中，本申請還可以繼續收集動態負樣本， 並將收集的動態負樣本繼續添加進第二訓練集中得到第三訓練集，並且根據第三訓練集訓 練第三車牌分類器，根據第三車牌分類器進行車牌識別，依次類推。該方法無需人工幹預， 經過多次迭代後能有效減少車牌識別設備的誤檢，後續的迭代方法與步驟300類似，屬於 同一原理的重複運用，此處不再贅述。
[0069] 由以上本申請提供的技術方案，車牌識別方法應用於布置在現場的車牌識別設備 中，所述車牌識別設備中包括根據原始訓練集訓練的原始車牌分類器，所述車牌識別方法 根據所述原始車牌分類器檢測現場的無車場景，收集現場的靜態負樣本；所述靜態負樣本 為所述現場的無車場景中被所述原始車牌分類器誤檢為車牌區域的背景圖像；將所述靜 態負樣本添加到所述車牌識別設備的所述原始訓練集中，得到第一訓練集，根據所述第一 訓練集訓練第一車牌分類器；根據所述第一車牌分類器檢測現場的有車場景，收集現場的 動態負樣本，將所述動態負樣本添加到所述第一訓練集中，得到第二訓練集，根據所述第二 訓練集訓練第二車牌分類器，並根據所述第二車牌分類器進行車牌識別；所述動態負樣本 為所述現場的有車場景中被所述第一車牌分類器誤檢為車牌區域的運動圖像。這樣，先收 集現場的靜態負樣本並添加到原始訓練集，得到第一訓練集，利用第一訓練集訓練第一車 牌分類器去除靜態負樣本，然後再使用第一車牌分類器收集動態負樣本並添加到第一訓練 集，得到第二訓練集，利用第二訓練集訓練第二車牌分類器就可以去除收集到的靜態負樣 本和動態負樣本，此時第二訓練集中已經包含了現場可能出現的絕大部分負樣本，這些負 樣本能夠被第二車牌分類器拒絕，從而達到對車牌的精確識別，減少車牌識別設備的誤檢 率。
[0070] 上述實施例提供了一種車牌識別方法，其中，根據所述第一訓練集訓練第一車牌 分類器的方法，本實施例將結合附圖進行說明：
[0071] 圖2為本申請提供的另一種車牌識別方法的流程示意圖。
[0072] 請參照圖2所示，本申請實施例提供的方法，包括：
[0073] S201 :使用方向梯度直方圖HOG特徵對所述第一訓練集裡的每一個正樣本進行表 徵，形成正樣本HOG特徵向量；
[0074] S202 :使用方向梯度直方圖HOG特徵對所述第一訓練集裡的每一個負樣本進行表 徵，形成負樣本HOG特徵向量；
[0075] S203 :利用支持向量機SVM對所述正樣本HOG特徵向量和所述負樣本HOG特徵向 量進行訓練，獲得第一車牌分類器。
[0076] 原始訓練集中包括原始正樣本和原始負樣本，將靜態負樣本加入原始訓練集中 後，得到的第一訓練集中同樣包括正樣本和負樣本，其中的負樣本是指原始負樣本與靜態 負樣本的和。
[0077] 基於視頻的車牌檢測方法有很多，包括基於線模板的二值化圖像中的角檢測算 法，利用遺傳算法檢測車牌，基於Haar特徵的Adaboost檢測，還有使用基於HOG特徵的支 持向量機訓練的分類器檢測等等。
[0078] 在本申請實施例中，優選採用基於HOG特徵的支持向量機訓練第一車牌分類器。 使用HOG特徵對每一幅車牌的正、負樣本進行表徵，形成HOG特徵向量。最後使用支持向量 機對HOG特徵進行訓練，獲得第一車牌分類器。
[0079] H0G(Histogram of oriented gradients)刻畫圖像的局部梯度幅值和方向特徵。 HOG允許塊之間相互重疊，因此對光照變化和小量的偏移並不敏感，能有效地刻畫出邊緣特 徵。對於角度大的車牌檢測效果好。之後通過形成的HOG特徵向量建立HOG模型，通過HOG 模型進行多尺度檢測，對圖像中每個能通過HOG驗證的區域，都用一個方框區域顯示，提取 通過HOG模型檢測的方框區域。
[0080] HOG特徵是灰度圖的梯度統計信息，梯度主要存在於邊緣的地方。可以根據如下公 式計算梯度，獲得HOG特徵，其中I (X，y)表示在圖像I上的一個點。
[0081] 圖像的一階梯度的大小為：
【權利要求】
1. 一種車牌識別方法，應用於布置在現場的車牌識別設備中，所述車牌識別設備中包 括根據原始訓練集訓練的原始車牌分類器，其特徵在於，所述車牌識別方法包括： 根據所述原始車牌分類器檢測現場的無車場景，收集現場的靜態負樣本；所述靜態負 樣本為所述現場的無車場景中被所述原始車牌分類器誤檢為車牌區域的背景圖像； 將所述靜態負樣本添加到所述車牌識別設備的所述原始訓練集中，得到第一訓練集， 根據所述第一訓練集訓練第一車牌分類器； 根據所述第一車牌分類器檢測現場的有車場景，收集現場的動態負樣本，將所述動態 負樣本添加到所述第一訓練集中，得到第二訓練集，根據所述第二訓練集訓練第二車牌分 類器，並根據所述第二車牌分類器進行車牌識別；所述動態負樣本為所述現場的有車場景 中被所述第一車牌分類器誤檢為車牌區域的運動圖像。
2. 根據權利要求1所述的車牌識別方法，其特徵在於，所述根據所述第一訓練集訓練 第一車牌分類器，包括： 使用方向梯度直方圖HOG特徵對所述第一訓練集裡的每一個正樣本進行表徵，形成正 樣本HOG特徵向量； 使用方向梯度直方圖HOG特徵對所述第一訓練集裡的每一個負樣本進行表徵，形成負 樣本HOG特徵向量； 利用支持向量機SVM對所述正樣本HOG特徵向量和所述負樣本HOG特徵向量進行訓 練，獲得第一車牌分類器。
3. 根據權利要求1所述的車牌識別方法，其特徵在於，所述根據所述第一車牌分類器 檢測現場的有車場景，收集現場的動態負樣本，包括： 獲取所述車牌識別設備檢測現場的有車場景得到的視頻圖像，提取所述視頻圖像中的 疑似車牌區域，根據所述第一車牌分類器檢測所述疑似車牌區域中的車牌區域； 從所述車牌區域中分割出多個字符，根據支持向量機SVM訓練的車牌字符識別模型對 多個所述字符進行識別，並判斷每個所述字符的識別置信度； 根據每個所述字符的識別置信度判斷所述車牌區域是否有效，如果無效，將所述車牌 區域作為所述現場的動態負樣本。
4. 根據權利要求3所述的車牌識別方法，其特徵在於，所述根據每個所述字符的識別 置信度判斷所述車牌區域是否有效，包括： 判斷所述字符的個數是否為7個； 如果是，判斷每個所述字符的識別置信度是否大於或等於第一閾值； 如果是，判斷7個所述字符的識別置信度的和是否大於或等於第二閾值； 如果是，則判定所述車牌區域有效，否則無效。
5. 根據權利要求1所述的車牌識別方法，其特徵在於，所述將所述動態負樣本添加到 所述第一訓練集中，包括： 按照預設的時間間隔統計所述第一車牌分類器檢測現場的有車場景的誤檢率，並判斷 所述誤檢率是否大於第三閾值； 如果是，判斷收集到的所述動態負樣本的個數是否大於或等於第四閾值； 如果是，將所述動態負樣本添加到所述第一訓練集中。
6. -種車牌識別設備，用於布置在現場進行車牌識別，所述車牌識別設備中包括根據 原始訓練集訓練的原始車牌分類器，其特徵在於，所述車牌識別設備還包括： 靜態負樣本收集模塊，用於根據所述原始車牌分類器檢測現場的無車場景，收集現場 的靜態負樣本；所述靜態負樣本為所述現場的無車場景中被所述原始車牌分類器誤檢為車 牌區域的背景圖像； 第一車牌分類器模塊，用於將所述靜態負樣本添加到所述車牌識別設備的所述原始訓 練集中，得到第一訓練集，根據所述第一訓練集訓練第一車牌分類器； 第二車牌分類器模塊，用於根據所述第一車牌分類器檢測現場的有車場景，收集現場 的動態負樣本，將所述動態負樣本添加到所述第一訓練集中，得到第二訓練集，根據所述第 二訓練集訓練第二車牌分類器，並根據所述第二車牌分類器進行車牌識別；所述動態負樣 本為所述現場的有車場景中被所述第一車牌分類器誤檢為車牌區域的運動圖像。
7. 根據權利要求6所述的車牌識別設備，其特徵在於，所述第一車牌分類器模塊，包 括： 正樣本特徵向量單元，用於使用方向梯度直方圖HOG特徵對所述第一訓練集裡的每一 個正樣本進行表徵，形成正樣本HOG特徵向量； 負樣本特徵向量單元，用於使用方向梯度直方圖HOG特徵對所述第一訓練集裡的每一 個負樣本進行表徵，形成負樣本HOG特徵向量； 訓練單元，用於利用支持向量機SVM對所述正樣本HOG特徵向量和所述負樣本HOG特 徵向量進行訓練，獲得第一車牌分類器。
8. 根據權利要求6所述的車牌識別設備，其特徵在於，所述第二車牌分類器模塊，包 括： 檢測單元，用於獲取所述車牌識別設備檢測現場的有車場景得到的視頻圖像，提取所 述視頻圖像中的疑似車牌區域，根據所述第一車牌分類器檢測所述疑似車牌區域中的車牌 區域； 識別單元，用於從所述車牌區域中分割出多個字符，根據支持向量機SVM訓練的車牌 字符識別模型對多個所述字符進行識別，並判斷每個所述字符的識別置信度； 動態負樣本單元，用於根據每個所述字符的識別置信度判斷所述車牌區域是否有效， 如果無效，將所述車牌區域作為所述現場的動態負樣本。
9. 根據權利要求8所述的車牌識別設備，其特徵在於，所述動態負樣本單元，包括： 第一判斷子單元，用於判斷所述字符的個數是否為7個； 第二判斷子單元，用於如果是，判斷每個所述字符的識別置信度是否大於或等於第一 閾值； 第三判斷子單元，用於如果是，判斷7個所述字符的識別置信度的和是否大於或等於 第二閾值； 判定子單元，用於如果是，則判定所述車牌區域有效，否則無效。
10. 根據權利要求6所述的車牌識別設備，其特徵在於，所述第二車牌分類器模塊，包 括： 統計單元，用於按照預設的時間間隔統計所述第一車牌分類器檢測現場的有車場景的 誤檢率，並判斷所述誤檢率是否大於第三閾值； 判斷單元，用於如果是，判斷收集到的所述動態負樣本的個數是否大於或等於第四閾 值； 添加單元，用於如果是，將所述動態負樣本添加到所述第一訓練集中。
【文檔編號】G06K9/62GK104408475SQ201410745124
【公開日】2015年3月11日 申請日期:2014年12月8日 優先權日:2014年12月8日
【發明者】唐健, 李昕, 鄒振宇, 李銳 申請人:深圳市捷順科技實業股份有限公司