本發(fā)明涉及智能交通領域，特別涉及一種車牌檢測方法及裝置。

背景技術：

隨著智能交通技術的發(fā)展，車牌檢測技術的應用已從原有的收費站、治安卡口等背景變化不大的場景擴展到了電子警察、出入口等普通監(jiān)控場景。然而，在這些場景中獲得的交通監(jiān)測圖片的背景千變?nèi)f化，圖片中車牌區(qū)域附近有復雜的紋理和噪聲，并且當圖片中的非車牌區(qū)域有跟車牌區(qū)域非常相似的紋理(比如車窗、車燈、散熱格柵、樹葉、草叢、柵欄、路面標志)時，會極大地增加確定車牌區(qū)域的錯誤率，同時帶來真實車牌區(qū)域包含部分背景和真實車牌區(qū)域的邊界精準度下降的問題，進而易造成車牌檢測結果錯誤，車牌檢測正確率低。

技術實現(xiàn)要素：

本發(fā)明實施例公開了一種車牌檢測方法及裝置，以提高車牌檢測的正確率。

為達到上述目的，本發(fā)明實施例公開了一種車牌檢測方法，所述方法包括步驟：

根據(jù)待檢測圖片中像素點的像素值，獲得所述待檢測圖片的車牌候選區(qū)域m1；

計算所述車牌候選區(qū)域m1的寬高比值，并判斷所述寬高比值是否大于第一預設閾值；

若為是，則根據(jù)預設的基于機器學習的回歸算法，從所述車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，其中，所述車牌候選區(qū)域m2為寬高比值不大于第一預設閾值的區(qū)域；

按照第一預設分類模型，判斷所述車牌候選區(qū)域m2是否為車牌區(qū)域，其中，所述第一預設分類模型，為通過機器學習算法對樣本車牌區(qū)域進行學習獲得的分類模型；

若為是，則確定所述車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)所述車牌候選區(qū)域m2，生成檢測結果。

在本發(fā)明的一種具體實現(xiàn)方式中，所述根據(jù)待檢測圖片中像素點的像素值，獲得所述待檢測圖片的車牌候選區(qū)域m1，包括：

按照預設的掃描順序，獲得所述待檢測圖片的各個像素行的有效像素段，其中，所述有效像素段為：根據(jù)像素行中灰度跳變值大于第二預設閾值的像素點確定的像素段；

根據(jù)各個有效像素段兩端像素點的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點的像素值，計算垂直相鄰的有效像素段的邊界相似程度；

對邊界相似程度大于第三預設閾值的相鄰有效像素段進行合并處理；

根據(jù)合并處理后的有效像素段，獲得所述待檢測圖片的車牌候選區(qū)域m1。

在本發(fā)明的一種具體實現(xiàn)方式中，所述按照預設的掃描順序，獲得所述待檢測圖片的各個像素行的有效像素段，包括：

按照預設的掃描順序，通過以下步驟獲得所述待檢測圖片的每一像素行的有效像素段：

計算像素行x中每一像素點的灰度跳變值，其中，所述像素行x為所述待檢測圖片中的任一像素行；

選擇灰度跳變值大于第二預設閾值的像素點；

根據(jù)所選擇的像素點中水平坐標最大和最小的像素點，獲得所述像素行x上的候選像素段；

判斷所述候選像素段內(nèi)各個像素點的灰度跳變值是否與預設的灰度跳變規(guī)則相匹配；

若為是，則確定所述候選像素段為有效像素段。

在本發(fā)明的一種具體實現(xiàn)方式中，所述根據(jù)合并處理后的有效像素段，獲得所述待檢測圖片的車牌候選區(qū)域m1，包括：

確定合并處理后的有效像素段中的疑似字符串區(qū)域；

根據(jù)所述疑似字符串區(qū)域中像素點的像素值，獲得字符串顏色信息，并根據(jù)合并處理后的有效像素段中非所述疑似字符串區(qū)域中像素點的像素值，獲得背景顏色信息；

根據(jù)所述字符串顏色信息和所述背景顏色信息，確定車牌候選區(qū)域的邊界；

根據(jù)所確定的邊界獲得車牌候選區(qū)域m1。

在本發(fā)明的一種具體實現(xiàn)方式中，所述根據(jù)預設的基于機器學習的回歸算法，從所述車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，包括：

確定所述車牌候選區(qū)域m1中疑似字符串的位置；

按照預設的基于機器學習的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界；

根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2。

在本發(fā)明的一種具體實現(xiàn)方式中，所述第一預設分類模型通過以下方式獲得：

獲得邊界精確度大于預設精確度閾值的樣本車牌區(qū)域和/或寬高比值小于所述第一預設閾值的樣本車牌區(qū)域，并將所獲得的樣本車牌區(qū)域作為正樣本；

根據(jù)預設的機器學習算法和所述正樣本，獲得所述第一預設分類模型。

在本發(fā)明的一種具體實現(xiàn)方式中，在所述根據(jù)預設的機器學習算法和所述正樣本，獲得所述第一預設分類模型之前，還包括：

獲得為非車牌區(qū)域的樣本區(qū)域；

按照所獲得的樣本區(qū)域的內(nèi)容，對所獲得的樣本區(qū)域進行分類，得到多個類別的負樣本；

根據(jù)預設的機器學習算法和所述正樣本，獲得所述第一預設分類模型，包括：

根據(jù)預設的機器學習算法、所述正樣本和所述多個類別的負樣本，獲得所述第一預設分類模型。

在本發(fā)明的一種具體實現(xiàn)方式中，所述方法還包括：

在判斷得到所述車牌候選區(qū)域m2不是車牌區(qū)域的情況下，判斷所述車牌候選區(qū)域m2的亮度是否在預設的亮度范圍內(nèi)；

若為否，則對所述車牌候選區(qū)域m2進行灰度均衡化處理；

按照第二預設分類模型，判斷灰度均衡化處理后的所述車牌候選區(qū)域m2是否為車牌區(qū)域，其中，所述第二預設分類模型，為通過機器學習算法對經(jīng)灰度均衡化處理后的樣本車牌區(qū)域進行學習獲得的分類模型；

若是車牌區(qū)域，則執(zhí)行所述確定所述車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)所述車牌候選區(qū)域m2，生成檢測結果的步驟。

為達到上述目的，本發(fā)明實施例還公開了一種車牌檢測裝置，所述裝置包括：候選區(qū)域獲得模塊、寬高比值判斷模塊、候選區(qū)域確定模塊、第一車牌區(qū)域判斷模塊和檢測結果生成模塊；

其中，所述候選區(qū)域獲得模塊，用于根據(jù)待檢測圖片中像素點的像素值，獲得所述待檢測圖片的車牌候選區(qū)域m1；

所述寬高比值判斷模塊，用于計算所述車牌候選區(qū)域m1的寬高比值，并判斷所述寬高比值是否大于第一預設閾值，若為是，則觸發(fā)所述候選區(qū)域確定模塊；

所述候選區(qū)域確定模塊，用于根據(jù)預設的基于機器學習的回歸算法，從所述車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，其中，所述車牌候選區(qū)域m2為寬高比值不大于第一預設閾值的區(qū)域；

所述第一車牌區(qū)域判斷模塊，用于按照第一預設分類模型，判斷所述車牌候選區(qū)域m2是否為車牌區(qū)域，其中，所述第一預設分類模型，為通過機器學習算法對樣本車牌區(qū)域進行學習獲得的分類模型，若為是，則觸發(fā)所述檢測結果生成模塊；

所述檢測結果生成模塊，用于確定所述車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)所述車牌候選區(qū)域m2，生成檢測結果。

在本發(fā)明的一種具體實現(xiàn)方式中，所述候選區(qū)域獲得模塊，包括：有效像素段獲得子模塊、相似程度計算子模塊、像素段合并子模塊和候選區(qū)域獲得子模塊；

其中，所述有效像素段獲得子模塊，用于按照預設的掃描順序，獲得所述待檢測圖片的各個像素行的有效像素段，其中，所述有效像素段為：根據(jù)像素行中灰度跳變值大于第二預設閾值的像素點確定的像素段；

所述相似程度計算子模塊，用于根據(jù)各個有效像素段兩端像素點的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點的像素值，計算垂直相鄰的有效像素段的邊界相似程度；

所述像素段合并子模塊，用于對邊界相似程度大于第三預設閾值的相鄰有效像素段進行合并處理；

所述候選區(qū)域獲得子模塊，用于根據(jù)合并處理后的有效像素段，獲得所述待檢測圖片的車牌候選區(qū)域m1。

在本發(fā)明的一種具體實現(xiàn)方式中，所述有效像素段獲得子模塊，具體用于：

按照預設的掃描順序，獲得所述待檢測圖片的每一像素行的有效像素段；

所述有效像素段獲得子模塊，包括：灰度跳變值計算單元、像素點選擇單元、候選像素段獲得單元、灰度跳變判斷單元和有效像素段確定單元；

其中，所述灰度跳變值計算單元，用于計算像素行x中每一像素點的灰度跳變值，其中，所述像素行x為所述待檢測圖片中的任一像素行；

所述像素點選擇單元，用于選擇灰度跳變值大于第二預設閾值的像素點；

所述候選像素段獲得單元，用于根據(jù)所選擇的像素點中水平坐標最大和最小的像素點，獲得所述像素行x上的候選像素段；

所述灰度跳變判斷單元，用于判斷所述候選像素段內(nèi)各個像素點的灰度跳變值是否與預設的灰度跳變規(guī)則相匹配，若為是，則觸發(fā)所述有效像素段確定單元；

所述有效像素段確定單元，用于確定所述候選像素段為有效像素段。

在本發(fā)明的一種具體實現(xiàn)方式中，所述候選區(qū)域獲得子模塊，包括：疑似字符串區(qū)域確定單元、顏色信息獲得單元、邊界確定單元和候選區(qū)域獲得單元；

其中，所述疑似字符串區(qū)域確定單元，用于確定合并處理后的有效像素段中的疑似字符串區(qū)域；

所述顏色信息獲得單元，用于根據(jù)所述疑似字符串區(qū)域中像素點的像素值，獲得字符串顏色信息，并根據(jù)合并處理后的有效像素段中非所述疑似字符串區(qū)域中像素點的像素值，獲得背景顏色信息；

所述邊界確定單元，用于根據(jù)所述字符串顏色信息和所述背景顏色信息，確定車牌候選區(qū)域的邊界；

所述候選區(qū)域獲得單元，用于根據(jù)所確定的邊界獲得車牌候選區(qū)域m1。

在本發(fā)明的一種具體實現(xiàn)方式中，所述候選區(qū)域確定模塊，包括：位置確定子模塊、邊界確定子模塊和候選區(qū)域確定子模塊；

其中，所述位置確定子模塊，用于確定所述車牌候選區(qū)域m1中疑似字符串的位置；

所述邊界確定子模塊，用于按照預設的基于機器學習的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界；

所述候選區(qū)域確定子模塊，用于根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2。

在本發(fā)明的一種具體實現(xiàn)方式中，所述裝置還包括：第一樣本區(qū)域獲得模塊和分類模型獲得模塊；

其中，所述第一樣本區(qū)域獲得模塊，用于獲得邊界精確度大于預設精確度閾值的樣本車牌區(qū)域和/或寬高比值小于所述第一預設閾值的樣本車牌區(qū)域，并將所獲得的樣本車牌區(qū)域作為正樣本；

所述分類模型獲得模塊，用于根據(jù)預設的機器學習算法和所述正樣本，獲得所述第一預設分類模型。

在本發(fā)明的一種具體實現(xiàn)方式中，所述裝置還包括：第二樣本區(qū)域獲得模塊和樣本區(qū)域分類模塊；

其中，所述第二樣本區(qū)域獲得模塊，用于獲得為非車牌區(qū)域的樣本區(qū)域；

所述樣本區(qū)域分類模塊，用于按照所獲得的樣本區(qū)域的內(nèi)容，對所獲得的樣本區(qū)域進行分類，得到多個類別的負樣本；

分類模型獲得模塊，具體用于：

根據(jù)預設的機器學習算法、所述正樣本和所述多個類別的負樣本，獲得所述第一預設分類模型。

在本發(fā)明的一種具體實現(xiàn)方式中，所述裝置還包括：亮度判斷模塊、灰度均衡化處理模塊和第二車牌區(qū)域判斷模塊；

其中，所述亮度判斷模塊，用于在判斷得到所述車牌候選區(qū)域m2不是車牌區(qū)域的情況下，判斷所述車牌候選區(qū)域m2的亮度是否在預設的亮度范圍內(nèi)，若為否，則觸發(fā)所述灰度均衡化處理模塊；

所述灰度均衡化處理模塊，用于對所述車牌候選區(qū)域m2進行灰度均衡化處理；

所述第二車牌區(qū)域判斷模塊，用于按照第二預設分類模型，判斷灰度均衡化處理后的所述車牌候選區(qū)域m2是否為車牌區(qū)域，若是車牌區(qū)域，則觸發(fā)所述檢測結果生成模塊，其中，所述第二預設分類模型，為通過機器學習算法對經(jīng)灰度均衡化處理后的樣本車牌區(qū)域進行學習獲得的分類模型。

由上可知，本發(fā)明實施例中，檢測終端接收到待檢測圖片后，根據(jù)待檢測圖片中像素點的像素值，獲得待檢測圖片的車牌候選區(qū)域m1，在車牌候選區(qū)域m1的寬高比值大于第一預設閾值的情況下，根據(jù)基于機器學習的第一預設分類模型，從車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，在根據(jù)基于機器學習的第一預設分類模型，判斷車牌候選區(qū)域m2是否為車牌區(qū)域，若為是，則確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測結果。這樣，避免了因為車牌候選區(qū)域的寬高比值過大誤判包含真實車牌的區(qū)域為非車牌區(qū)域，提高了車牌檢測的正確率，另外，采用基于機器學習的第一預設分類模型采集車牌候選區(qū)域的特征，對車牌候選區(qū)域進行分類，判斷車牌候選區(qū)域是否為車牌區(qū)域，而不是通過用戶手動設置特征來建立分類模型，進一步提高了車牌檢測的正確率。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)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發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種車牌檢測方法的流程示意圖；

圖2為本發(fā)明實施例提供的另一種車牌檢測方法的流程示意圖；

圖3為本發(fā)明實施例提供的另一種車牌檢測方法的流程示意圖；

圖4為本發(fā)明實施例提供的另一種車牌檢測方法的流程示意圖；

圖5為本發(fā)明實施例提供的一種車牌檢測裝置的結構示意圖；

圖6為本發(fā)明實施例提供的另一種車牌檢測裝置的結構示意圖；

圖7為本發(fā)明實施例提供的另一種車牌檢測裝置的結構示意圖；

圖8為本發(fā)明實施例提供的另一種車牌檢測裝置的結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中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發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

下面通過具體實施例，對本發(fā)明進行詳細說明。

參考圖1，圖1為本發(fā)明實施例提供的一種車牌檢測方法的流程示意圖，該方法可以包括如下步驟：

s101：根據(jù)待檢測圖片中像素點的像素值，獲得該待檢測圖片的車牌候選區(qū)域m1；

具體地，檢測終端接收到待檢測圖片后，可以根據(jù)待檢測圖片中各個像素點的像素值，確定該圖片中可能包含車牌內(nèi)容的區(qū)域，即車牌候選區(qū)域m1。例如：獲得每一像素行中灰度跳變值大于預設閾值的像素點，并確定滿足預設的灰度跳變規(guī)則的兩個像素點間的像素段為有效像素段，合并上下相鄰且邊界相似程度大于另一預設閾值的有效像素段，獲得車牌候選區(qū)域m1。

s102：計算車牌候選區(qū)域m1的寬高比值，并判斷寬高比值是否大于第一預設閾值，若為是，則執(zhí)行步驟s103；

其中，第一預設閾值可以根據(jù)實際應用中真實車牌的寬高比值確定，如： 真實車牌的寬和高為：440mm*140mm，則第一預設閾值可以為：440/140≈3.14。

實際交通場景圖片中，真實車牌區(qū)域的周圍可能會存在較多的與真實車牌區(qū)域相似的背景區(qū)域，這樣，進行車牌檢測時，若車牌候選區(qū)域m1的寬高比值過大，說明該車牌候選區(qū)域m1中包含有過多不屬于車牌的區(qū)域，進而在判斷候選車牌區(qū)域m1是否為車牌區(qū)域時，很容易參考到非車牌區(qū)域的特征，進而易判定該車牌候選區(qū)域m1為非車牌區(qū)域，若車牌候選區(qū)域m1中包含真實車牌區(qū)域，這樣就造成了誤判。因此，需要判斷車牌候選區(qū)域m1的寬高比值是否大于第一預設閾值，并對寬高比值大于第一預設閾值的車牌候選區(qū)域m1的寬高比進行調整，得到合適的車牌候選區(qū)域。

在本發(fā)明的一種具體實現(xiàn)方式中，在判斷得到寬高比值不大于第一預設閾值的情況下，可以將車牌候選區(qū)域m1作為車牌候選區(qū)域m2，繼續(xù)執(zhí)行步驟s104。

s103：根據(jù)預設的基于機器學習的回歸算法，從車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2；

這里，車牌候選區(qū)域m2為寬高比值不大于第一預設閾值的區(qū)域。

另外，上述基于機器學習的回歸算法是通過學習樣本區(qū)域的特征來構建的一種邊界回歸算法。具體地，上述基于機器學習的回歸算法是：通過模型訓練，從樣本區(qū)域中學習出該樣本中的對象的特征，然后根據(jù)學習到的對象的特征來確定對象的邊界的一種邊界回歸算法。

需要說明的是，通過基于機器學習的回歸算法，學習到的對象的特征比用戶手動設置的對象的特征更為全面，進而確定的邊界更為準確，可以有效的減少背景紋理對車牌檢測的干擾。

s104：按照第一預設分類模型，判斷車牌候選區(qū)域m2是否為車牌區(qū)域，若為是，則執(zhí)行步驟s105；

其中，第一預設分類模型，為通過機器學習算法對樣本車牌區(qū)域進行學習獲得的分類模型。在構建第一預設分類模型時，可以預先找到大量樣本車牌區(qū)域，然后，采用機器學習算法對這些樣本車牌區(qū)域進行學習，得到分類模型，通過該分類模型可以簡單的把一個區(qū)域分為車牌區(qū)域和非車牌區(qū)域兩大類。

本領域內(nèi)的技術人員可以理解的是，在構建第一預設分類模型時，所選擇 的樣本車牌區(qū)域數(shù)量越大、車牌區(qū)域的種類越多，構建的分類模型分類效果越好。

在本發(fā)明的一種具體實現(xiàn)方式中，上述第一預設分類模型，可以為：基于隨機森林、支持向量機、深度神經(jīng)網(wǎng)絡或卷積神經(jīng)網(wǎng)絡等的分類模型。以基于卷積神經(jīng)網(wǎng)絡的分類模型為例，利用該卷積神經(jīng)網(wǎng)絡的分類模型，可以獲得車牌候選區(qū)域m2的卷積特征，再根據(jù)獲得的卷積特征對車牌候選區(qū)域m2進行分類，判斷其是否為車牌區(qū)域。在本發(fā)明實施例中，采用基于機器學習的分類模型，不需要用戶手動設置特征，而是從樣本車牌區(qū)域中學習有利于分類的對象的特征，提高了該機器學習算法的泛化能力和檢測車牌的正確率。

在本發(fā)明的一種具體實現(xiàn)方式中，上述第一預設分類模型可以通過以下方式獲得：

s11、獲得邊界精確度大于預設精確度閾值的樣本車牌區(qū)域和/或寬高比值小于第一預設閾值的樣本車牌區(qū)域，將所獲得的樣本車牌區(qū)域作為正樣本；

其中，邊界精確度可以為樣本車牌區(qū)域的邊界與真實車牌的邊界間的距離，也可以為真實車牌的邊界的連貫度，本發(fā)明對此不進行限定。

s12、根據(jù)預設的機器學習算法和正樣本，獲得第一預設分類模型。

具體地，將邊界精確度大于預設精確度閾值的樣本車牌區(qū)域、寬高比值小于第一預設閾值的樣本車牌區(qū)域作為兩類正樣本，通過機器學習算法來訓練獲得第一預設分類模型，這樣，明確區(qū)分樣本車牌區(qū)域的種類，能夠有效地提高第一預設分類模型對背景噪聲的抗干擾能力。

實際應用中，在對模型進行訓練獲得第一預設分類模型時，為了提高車牌檢測的正確率，還需要采集負樣本來對模型進行訓練。鑒于此，在本發(fā)明的一種具體實現(xiàn)方式中，在步驟s12之前，還可以包括：

s13、獲得為非車牌區(qū)域的樣本區(qū)域；

這里，非車牌區(qū)域可以為包含車道路面、綠化帶、隔離柵欄、車門窗、車頭散熱格柵、車燈、車標、車身廣告文字等區(qū)域。

s14、按照所獲得的樣本區(qū)域的內(nèi)容，對所獲得的樣本區(qū)域進行分類，得到多個類別的負樣本。

如上述的包含車道路面、綠化帶、隔離柵欄的區(qū)域可以作為路面類的樣本區(qū)域，包含車門窗、車頭散熱格柵、車燈的區(qū)域可以作為車身類的樣本區(qū)域，包含車標、車身廣告文字的區(qū)域可以作為車身文字圖案類的樣本區(qū)域，當然還可以有其他類別的樣本區(qū)域，此處不再一一贅述。

這種情況下，步驟s12可以包括：

根據(jù)預設的機器學習算法、正樣本和多個類別的負樣本，獲得第一預設分類模型。

這樣對樣本進行類型的細分，有利于模型的收斂，有效地提高了車牌檢測的正確率。

s105：確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測結果。

在本發(fā)明的一種具體實現(xiàn)方式中，生成檢測結果后，可以將檢測結果存儲在檢測終端中，在檢測結果的數(shù)量達到一定數(shù)量后，再將所有的檢測結果發(fā)送給預設的終端，避免預設的終端總是收到檢測結果，影響用戶對終端的使用；另外，生成檢測結果后，也可以將該檢測結果直接發(fā)送給預設的終端，以便及時通知用戶車牌的檢測結果。

應用圖1所示實施例，檢測終端接收到待檢測圖片后，根據(jù)待檢測圖片中像素點的像素值，獲得待檢測圖片的車牌候選區(qū)域m1，在車牌候選區(qū)域m1的寬高比值大于第一預設閾值的情況下，根據(jù)基于機器學習的第一預設分類模型，從車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，在根據(jù)基于機器學習的第一預設分類模型，判斷車牌候選區(qū)域m2是否為車牌區(qū)域，若為是，則確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測結果。這樣，避免了因為車牌候選區(qū)域的寬高比值過大誤判包含真實車牌的區(qū)域為非車牌區(qū)域，提高了車牌檢測的正確率，另外，采用基于機器學習的第一預設分類模型采集車牌候選區(qū)域的特征，對車牌候選區(qū)域進行分類，判斷車牌候選區(qū)域是否為車牌區(qū)域，而不是通過用戶手動設置特征來建立分類模型，進一步提高了車牌檢測的正確率。

參考圖2，圖2為本發(fā)明實施例提供的另一種車牌檢測方法的流程示意圖，該方法中，步驟s101可以包括如下步驟：

s1011：按照預設的掃描順序，獲得待檢測圖片的各個像素行的有效像素段；

其中，有效像素段為：根據(jù)像素行中灰度跳變值大于第二預設閾值的像素點確定的像素段。

在本發(fā)明的一種具體實現(xiàn)方式中，上述預設的掃描順序可以為橫向逐行掃描，也可以為橫向跨行掃描，還可以是其他掃描順序，本發(fā)明對此不進行限定。

在本發(fā)明的一種具體實現(xiàn)方式中，上述步驟s1011，可以包括：

按照預設的掃描順序，通過以下步驟獲得待檢測圖片的每一像素行的有效像素段：

s21、計算像素行x中每一像素點的灰度跳變值；

其中，像素行x為待檢測圖片中的任一像素行。

需要說明的是，每一像素點的灰度跳變值為該像素點的像素值與上一掃描點的像素值的差值。

s22、選擇灰度跳變值大于第二預設閾值的像素點；

實際應用中，車牌的顏色是有規(guī)定的，如：、藍底白字、黃底黑字、黑底白字和白底黑字等，因此在車牌區(qū)域中的背景區(qū)域的像素點和車牌字符串的像素點間的灰度跳變值是有跡可尋的，可以根據(jù)真實車牌中“底(車牌背景)”和“字(車牌前景)”間的灰度跳變值來確定第二預設閾值，假設，真實的車牌的“底”和“字”間的灰度跳變值為10，則可以確定第二預設閾值為10；另外，考慮到環(huán)境因素和圖片采集設備分辨率等因素的影響，可以將第二預設閾值設置為真實的車牌的“底”和“字”間的灰度跳變值的一定倍數(shù)，如：可將第二預設閾值設置為車牌的“底”和“字”間的灰度跳變值的0.8倍。

s23、根據(jù)所選擇的像素點中水平坐標最大和最小的像素點，確定像素行x上的候選像素段；

s24、判斷候選像素段內(nèi)各個像素點的灰度跳變值是否與預設的灰度跳變規(guī)則相匹配，若為是，則執(zhí)行步驟s25；

實際應用中，車牌上字符的類型以及排列順序是有規(guī)定的，也就是：漢字、字母、“·”、五個字符(包括字母、數(shù)字和/或漢字)，因此，在車牌區(qū)域的每個 像素行中像素點的灰度跳變值的變化是有規(guī)律的，可以根據(jù)該變化規(guī)律設置灰度跳變規(guī)則，若車牌候選區(qū)域的一個像素行中候選像素段滿足灰度跳變規(guī)則，則可以確定該候選像素段為有效像素段。

在本發(fā)明的一種具體實現(xiàn)方法中，可能確定的候選像素段過長，其在與預設的灰度跳變規(guī)則進行匹配時，該候選像素段中的一部分滿足灰度跳變規(guī)則，而另一部分不滿足灰度跳變規(guī)則，則可以截取滿足灰度跳變規(guī)則的一部分，并將該部分作為候選像素段。

s25、確定候選像素段為有效像素段。

s1012：根據(jù)各個有效像素段兩端像素點的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點的像素值，計算垂直相鄰的有效像素段的邊界相似程度；

這里，邊界相似程度可以為：垂直相鄰的兩個有效像素段同側/異側的兩端點像素點的像素值之間的差值，也可以為垂直相鄰的兩個有效像素段同側/異側的兩端點像素點的像素值之間的比值，本發(fā)明對此不進行限定。

假設，垂直相鄰的兩個有效像素段分別為x1和x2，x1左側端點為a，x1右側端點為b，x2左側端點為c，x2右側端點為d，此時，x1和x2的邊界相似程度可以為a與b(或c與d)的差值，也可以為a與b(或c與d)的比值，也可以為a與c(或b與d)的差值，還可以為a與c(或b與d)的比值。

s1013：對邊界相似程度大于第三預設閾值的相鄰有效像素段進行合并處理；

實際應用中，在待檢測圖片中，車牌是占有一定區(qū)域的，而非是一個像素行，因此需要對邊界相似程度大于第三預設閾值的相鄰有效像素段進行合并處理。

s1014：根據(jù)合并處理后的有效像素段，獲得待檢測圖片的車牌候選區(qū)域m1。

具體地，可以將合并處理后的有效像素段作為待檢測圖片的車牌候選區(qū)域m1，但是合并處理后的有效像素段的邊界并不一定是一條直線或近似直線，而是一條不規(guī)則的曲線，這種情況下需要進一步確定車牌候選區(qū)域m1的邊界，因 此上述步驟s1014，可以包括：

s26、確定合并處理后的有效像素段中的疑似字符串區(qū)域；

s27、根據(jù)疑似字符串區(qū)域中像素點的像素值，獲得字符串顏色信息，并根據(jù)合并處理后的有效像素段中非疑似字符串區(qū)域中像素點的像素值，獲得背景顏色信息；

實際應用中，車牌的“底(車牌背景)”和“字(車牌前景)”的顏色是有規(guī)定，車牌的“底”的顏色和“字”的顏色之間的對比是一定，因此可以獲得車牌的“底”的顏色信息和“字”的顏色信息，來確定車牌候選區(qū)域的邊界。

s28、根據(jù)字符串顏色信息和背景顏色信息，確定車牌候選區(qū)域的邊界；

假設，上述確定的字符串顏色信息為白色，上述確定的背景顏色信息為黑色，則確定疑似字符串區(qū)域相鄰的顏色為黑色的區(qū)域為背景區(qū)域，該背景區(qū)域的邊界為車牌候選區(qū)域的邊界。

另外，上述字符串顏色信息可以為疑似字符串區(qū)域中所有像素點的平均像素值a1，背景顏色信息可以為非疑似字符串區(qū)域中所有像素點的平均像素值a2，根據(jù)a1和a2的比值，確定第四預設閾值，若與疑似字符串區(qū)域相鄰的區(qū)域中所有像素點的平均像素值a3與a1的比值與第四預設閾值匹配，則可以確定該相鄰的區(qū)域為背景區(qū)域，該背景區(qū)域的邊界為車牌候選區(qū)域的邊界。

s29、根據(jù)所確定的邊界獲得車牌候選區(qū)域m1。

另外，在本發(fā)明中還可以采用基于車牌邊緣特征或遺傳算法的車牌檢測方法來確定車牌候選區(qū)域，也可以采用基于harr等特征的adaboost車牌檢測器來確定車牌候選區(qū)域，本發(fā)明對此不進行限定。但是，這幾種確定車牌候選區(qū)域的方法與上述確定的車牌候選區(qū)域的方法相比，較為復雜且泛化能力較差。

應用圖2所示實施例，檢測終端按照預設的掃描順序，獲得待檢測圖片的各個像素行的有效像素段，根據(jù)各個有效像素段兩端像素點的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點的像素值，計算垂直相鄰的有效像素段的邊界相似程度，對邊界相似程度大于第三預設閾值的相鄰有效像素段進行合并處理，根據(jù)合并處理后的有效像素段，獲得待檢測圖片的車牌候選區(qū)域m1，這種獲得車牌候選區(qū)域的方法簡單、容易實現(xiàn)，因此提高了車牌檢測方法的通 用性和泛化性。

參考圖3，圖3為本發(fā)明實施例提供的另一種車牌檢測方法的流程示意圖，該方法中，步驟s103可以包括如下步驟：

s1031：確定車牌候選區(qū)域m1中疑似字符串的位置；

在車牌候選區(qū)域m1的寬高比大于第一預設閾值的情況下，表明該車牌候選區(qū)域m1中包含有過多圖片背景區(qū)域，而過多圖片背景區(qū)域會產(chǎn)生背景噪聲，對車牌區(qū)域的檢測造成干擾，降低了車牌檢測的正確率。因此，對于寬高比大于第一預設閾值的車牌候選區(qū)域m1，需要重新確定車牌候選區(qū)域。而在車牌區(qū)域中必定包含車牌字符串，因此，在重新確定車牌候選區(qū)域時，首先確定車牌候選區(qū)域m1中疑似字符串的位置，再根據(jù)該位置來重新確定車牌候選區(qū)域。

s1032：按照預設的基于機器學習的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界；

在本發(fā)明的一種具體實現(xiàn)方式中，通過上述基于機器學習的回歸算法，學習到的對象的特征不是用戶手動設置的，而是通過基于機器學習到的，獲得的對象的特征更為全面，進而確定的邊界更為準確，可以有效的減少背景紋理對車牌檢測的干擾。

s1033：根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2。

在邊界確定后，邊界內(nèi)的區(qū)域就是車牌候選區(qū)域m2。

應用圖3所示實施例，在車牌候選區(qū)域m1的寬高比大于第一預設閾值的情況下，檢測終端首先確定車牌候選區(qū)域m1中疑似字符串的位置，再按照預設的基于機器學習的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界，根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2，這樣基于機器學習的回歸算法中的特征不用用戶手動設置，因此根據(jù)該回歸算法來確定車牌候選區(qū)域m2，有效地減少了背景紋理對車牌檢測的干擾，進而提高車牌檢測的正確率。

參考圖4，圖4為本發(fā)明實施例提供的另一種車牌檢測方法的流程示意圖，該方法中還可以包括如下步驟：

s106：判斷車牌候選區(qū)域m2的亮度是否在預設的亮度范圍內(nèi)，若為否，則執(zhí)行步驟s107；

在本發(fā)明的一種具體實現(xiàn)方式中，車牌候選區(qū)域m2的亮度可以為車牌候選區(qū)域m2中所有像素點的亮度的均值，也可以為車牌候選區(qū)域m2中某一部分區(qū)域中所有像素點的亮度的均值，還可以為車牌候選區(qū)域m2中隨機選擇的預設數(shù)量的像素點的亮度的均值，本發(fā)明對此不進行限定。

在本發(fā)明的一種具體實現(xiàn)方式中，在判斷得到車牌候選區(qū)域m2不是車牌區(qū)域的情況下，判斷車牌候選區(qū)域m2的亮度是否在預設的亮度范圍內(nèi)，若車牌候選區(qū)域m2的亮度在預設的亮度范圍內(nèi)，則可以判定該車牌候選區(qū)域m2為非車牌區(qū)域，該次車牌檢測過程結束。

s107：對車牌候選區(qū)域m2進行灰度均衡化處理；

其中，灰度均衡化處理的方法為現(xiàn)有技術，此處不再贅述。

s108：按照第二預設分類模型，判斷灰度均衡化處理后的車牌候選區(qū)域m2是否為車牌區(qū)域，若是車牌區(qū)域，則執(zhí)行步驟s105，生成檢測結果。

其中，第二預設分類模型，為通過機器學習算法對經(jīng)灰度均衡化處理后的樣本車牌區(qū)域進行學習獲得的分類模型。

在本發(fā)明的一種具體實現(xiàn)方式中，在判斷得到灰度均衡化處理后的車牌候選區(qū)域m2不是車牌區(qū)域的情況下，則可以判定該車牌候選區(qū)域m2為非車牌區(qū)域，該次車牌檢測過程結束。

另外，在本發(fā)明的一種具體實現(xiàn)方式中，上述第二預設分類模型可以與第一預設分類模型的獲得方法相同，此處不再贅述。

需要說明的是，在獲得第二預設分類模型時，進行模型訓練的正樣本和負樣本都是經(jīng)灰度均衡化處理后的樣本車牌區(qū)域。

應用圖4所示實施例，在判斷得到車牌候選區(qū)域m2不是車牌區(qū)域的情況下，檢測終端會判斷車牌候選區(qū)域m2的亮度是否在預設的亮度范圍內(nèi)，若不在預設的該亮度范圍內(nèi)，再對車牌候選區(qū)域m2進行灰度均衡化處理，按照第二預設分類模型，判斷灰度均衡化處理后的車牌候選區(qū)域m2是否為車牌區(qū)域，若是車牌區(qū)域，則確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測結果，這樣避免了因車牌候選區(qū)域m2過亮或過暗，而誤判包含真實車牌的車牌候選區(qū)域m2為非車牌區(qū)域，提高了車牌檢測的正確率。

參考圖5，圖5為本發(fā)明實施例提供的一種車牌檢測裝置的結構示意圖，該裝置可以包括：候選區(qū)域獲得模塊501、寬高比值判斷模塊502、候選區(qū)域確定模塊503、第一車牌區(qū)域判斷模塊504和檢測結果生成模塊505；

其中，候選區(qū)域獲得模塊501，用于根據(jù)待檢測圖片中像素點的像素值，獲得待檢測圖片的車牌候選區(qū)域m1；

寬高比值判斷模塊502，用于計算車牌候選區(qū)域m1的寬高比值，并判斷寬高比值是否大于第一預設閾值，若為是，則觸發(fā)候選區(qū)域確定模塊503；

候選區(qū)域確定模塊503，用于根據(jù)預設的基于機器學習的回歸算法，從車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，其中，車牌候選區(qū)域m2為寬高比值不大于第一預設閾值的區(qū)域；

第一車牌區(qū)域判斷模塊504，用于按照第一預設分類模型，判斷車牌候選區(qū)域m2是否為車牌區(qū)域，其中，第一預設分類模型，為通過機器學習算法對樣本車牌區(qū)域進行學習獲得的分類模型，若為是，則觸發(fā)檢測結果生成模塊505；

檢測結果生成模塊505，用于確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測結果。

在本發(fā)明的一種具體實現(xiàn)方式中，上述車牌檢測裝置還可以包括：第一樣本區(qū)域獲得模塊和分類模型獲得模塊(圖5中未示出)；

其中，第一樣本區(qū)域獲得模塊，用于獲得邊界精確度大于預設精確度閾值的樣本車牌區(qū)域和/或寬高比值小于第一預設閾值的樣本車牌區(qū)域，并將所獲得的樣本車牌區(qū)域作為正樣本；

分類模型獲得模塊，用于根據(jù)預設的機器學習算法和正樣本，獲得第一預設分類模型。

在本發(fā)明的一種具體實現(xiàn)方式中，上述車牌檢測裝置還可以包括：第二樣本區(qū)域獲得模塊和樣本區(qū)域分類模塊(圖5中未示出)；

其中，第二樣本區(qū)域獲得模塊，用于獲得為非車牌區(qū)域的樣本區(qū)域；

樣本區(qū)域分類模塊，用于按照所獲得的樣本區(qū)域的內(nèi)容，對所獲得的樣本區(qū)域進行分類，得到多個類別的負樣本；

這種情況下，分類模型獲得模塊，具體用于：

根據(jù)預設的機器學習算法、正樣本和多個類別的負樣本，獲得第一預設分類模型。

應用圖5所示實施例，檢測終端接收到待檢測圖片后，根據(jù)待檢測圖片中像素點的像素值，獲得待檢測圖片的車牌候選區(qū)域m1，在車牌候選區(qū)域m1的寬高比值大于第一預設閾值的情況下，根據(jù)基于機器學習的第一預設分類模型，從車牌候選區(qū)域m1中重新確定車牌候選區(qū)域m2，在根據(jù)基于機器學習的第一預設分類模型，判斷車牌候選區(qū)域m2是否為車牌區(qū)域，若為是，則確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測結果。這樣，避免了因為車牌候選區(qū)域的寬高比值過大誤判包含真實車牌的區(qū)域為非車牌區(qū)域，提高了車牌檢測的正確率，另外，采用基于機器學習的第一預設分類模型采集車牌候選區(qū)域的特征，對車牌候選區(qū)域進行分類，判斷車牌候選區(qū)域是否為車牌區(qū)域，而不是通過用戶手動設置特征來建立分類模型，進一步提高了車牌檢測的正確率。

參考圖6，圖6為本發(fā)明實施例提供的另一種車牌檢測裝置的結構示意圖，該裝置中，候選區(qū)域獲得模塊501，可以包括：有效像素段獲得子模塊5011、相似程度計算子模塊5012、像素段合并子模塊5013和候選區(qū)域獲得子模塊5014；

其中，有效像素段獲得子模塊5011，用于按照預設的掃描順序，獲得待檢測圖片的各個像素行的有效像素段，其中，有效像素段為：根據(jù)像素行中灰度跳變值大于第二預設閾值的像素點確定的像素段；

相似程度計算子模塊5012，用于根據(jù)各個有效像素段兩端像素點的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點的像素值，計算垂直相鄰的有效像素段的邊界相似程度；

像素段合并子模塊5013，用于對邊界相似程度大于第三預設閾值的相鄰有效像素段進行合并處理；

候選區(qū)域獲得子模塊5014，用于根據(jù)合并處理后的有效像素段，獲得待檢測圖片的車牌候選區(qū)域m1。

在本發(fā)明的一種具體實現(xiàn)方式中，有效像素段獲得子模塊5011，具體用于：

按照預設的掃描順序，獲得所述待檢測圖片的每一像素行的有效像素段；

這種情況下，有效像素段獲得子模塊5011，可以包括：灰度跳變值計算單元、像素點選擇單元、候選像素段獲得單元、灰度跳變判斷單元和有效像素段確定單元(圖6中未示出)；

其中，灰度跳變值計算單元，用于計算像素行x中每一像素點的灰度跳變值，其中，像素行x為所述待檢測圖片中的任一像素行；

像素點選擇單元，用于選擇灰度跳變值大于第二預設閾值的像素點；

候選像素段獲得單元，用于根據(jù)所選擇的像素點中水平坐標最大和最小的像素點，獲得像素行x上的候選像素段；

灰度跳變判斷單元，用于判斷候選像素段內(nèi)各個像素點的灰度跳變值是否與預設的灰度跳變規(guī)則相匹配，若為是，則觸發(fā)有效像素段確定單元；

有效像素段確定單元，用于確定候選像素段為有效像素段。

在本發(fā)明的一種具體實現(xiàn)方式中，候選區(qū)域獲得子模塊5014，可以包括：疑似字符串區(qū)域確定單元、顏色信息獲得單元、邊界確定單元和候選區(qū)域獲得單元(圖6中未示出)；

其中，疑似字符串區(qū)域確定單元，用于確定合并處理后的有效像素段中的疑似字符串區(qū)域；

顏色信息獲得單元，用于根據(jù)疑似字符串區(qū)域中像素點的像素值，獲得字符串顏色信息，并根據(jù)合并處理后的有效像素段中非疑似字符串區(qū)域中像素點的像素值，獲得背景顏色信息；

邊界確定單元，用于根據(jù)字符串顏色信息和背景顏色信息，確定車牌候選區(qū)域的邊界；

候選區(qū)域獲得單元，用于根據(jù)所確定的邊界獲得車牌候選區(qū)域m1。

應用圖6所示實施例，檢測終端按照預設的掃描順序，獲得待檢測圖片的各個像素行的有效像素段，根據(jù)各個有效像素段兩端像素點的像素值和與該有效像素段垂直相鄰的有效像素段兩端像素點的像素值，計算垂直相鄰的有效像素段的邊界相似程度，對邊界相似程度大于第三預設閾值的相鄰有效像素段進行 合并處理，根據(jù)合并處理后的有效像素段，獲得待檢測圖片的車牌候選區(qū)域m1，這種獲得車牌候選區(qū)域的方法簡單、容易實現(xiàn)，因此提高了車牌檢測方法的通用性和泛化性。

參考圖7，圖7為本發(fā)明實施例提供的另一種車牌檢測裝置的結構示意圖，該裝置中，候選區(qū)域確定模塊503，包括：位置確定子模塊5031、邊界確定子模塊5032和候選區(qū)域確定子模塊5033；

其中，位置確定子模塊5031，用于確定車牌候選區(qū)域m1中疑似字符串的位置；

邊界確定子模塊5032，用于按照預設的基于機器學習的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界；

候選區(qū)域確定子模塊5033，用于根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2。

應用圖7所示實施例，在車牌候選區(qū)域m1的寬高比大于第一預設閾值的情況下，檢測終端首先確定車牌候選區(qū)域m1中疑似字符串的位置，再按照預設的基于機器學習的回歸算法，根據(jù)所確定的位置，重新確定車牌候選區(qū)域的邊界，根據(jù)所重新確定的邊界獲得車牌候選區(qū)域m2，這樣基于機器學習的回歸算法中的特征不用用戶手動設置，因此根據(jù)該回歸算法來確定車牌候選區(qū)域m2，有效地減少了背景紋理對車牌檢測的干擾，進而提高車牌檢測的正確率。

參考圖8，圖8為本發(fā)明實施例提供的另一種車牌檢測裝置的結構示意圖，該裝置還可以包括：亮度判斷模塊506、灰度均衡化處理模塊507和第二車牌區(qū)域判斷模塊508；

其中，亮度判斷模塊506，用于在判斷得到車牌候選區(qū)域m2不是車牌區(qū)域的情況下，判斷車牌候選區(qū)域m2的亮度是否在預設的亮度范圍內(nèi)，若為否，則觸發(fā)灰度均衡化處理模塊507；

灰度均衡化處理模塊507，用于對車牌候選區(qū)域m2進行灰度均衡化處理；

第二車牌區(qū)域判斷模塊508，用于按照第二預設分類模型，判斷灰度均衡化處理后的車牌候選區(qū)域m2是否為車牌區(qū)域，若是車牌區(qū)域，則觸發(fā)檢測結果生成模塊505，其中，第二預設分類模型，為通過機器學習算法對經(jīng)灰度均衡化處 理后的樣本車牌區(qū)域進行學習獲得的分類模型。

應用圖8所示實施例，在判斷得到車牌候選區(qū)域m2不是車牌區(qū)域的情況下，檢測終端會判斷車牌候選區(qū)域m2的亮度是否在預設的亮度范圍內(nèi)，若不在預設的該亮度范圍內(nèi)，再對車牌候選區(qū)域m2進行灰度均衡化處理，按照第二預設分類模型，判斷灰度均衡化處理后的車牌候選區(qū)域m2是否為車牌區(qū)域，若是車牌區(qū)域，則確定車牌候選區(qū)域m2為車牌區(qū)域，并根據(jù)車牌候選區(qū)域m2，生成檢測結果，這樣避免了因車牌候選區(qū)域m2過亮或過暗，而誤判包含真實車牌的車牌候選區(qū)域m2為非車牌區(qū)域，提高了車牌檢測的正確率。

對于裝置實施例而言，由于其基本相似于方法實施例，所以描述的比較簡單，相關之處參見方法實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系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“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……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

本領域普通技術人員可以理解實現(xiàn)上述方法實施方式中的全部或部分步驟是可以通過程序來指令相關的硬件來完成，所述的程序可以存儲于計算機可讀取存儲介質中，這里所稱得的存儲介質，如：rom/ram、磁碟、光盤等。

以上所述僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。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、改進等，均包含在本發(fā)明的保護范圍內(nèi)。