CN101334836A - 一种融合色彩、尺寸和纹理特征的车牌定位方法 - Google Patents

Abstract

本发明属于图像处理技术领域，特别涉及车牌识别技术中的复杂背景中的车牌定位方法。首先把RBG格式的车牌源图像转换到HSI格式，实现颜色信息与亮度信息的分离；接着把得到的饱和度分量图和亮度分量图进行二值化；然后，基于车牌色彩信息对源图像的像素进行分类，依据分类结果获得车牌定位模板二值图，并采用数学形态学运算对车牌定位模板二值图去除噪声；随后，用区域生长法提取车牌定位模板二值图中的每个连通区域并进行车牌尺寸检查，通过尺寸检查的连通区域成为候选车牌区域；在采用Hough变换对倾斜车牌进行矫正之后，进一步利用车牌竖直纹理特征检查每个候选车牌区域，去除伪候选区。采用本发明可以有效地提高系统的通用性和定位精度。

Description

一种融合色彩、尺寸和纹理特征的车牌定位方法

技术领域

本发明属于图像处理技术领域，特别涉及车牌识别技术中的复杂背景中的车牌定位方法。

背景技术

智能交通是当前交通管理发展的主要方向，是目前世界交通运输领域的前沿研究课题。汽车牌照自动识别技术则是智能交通系统的核心。它是解决高速公路管理问题的重要手段，是计算机图像处理技术和模式识别技术在智能交通领域的应用。该技术在解决高速公路的诸多问题，如车辆收费和管理，交通流量检测，停车场收费管理，违章车辆监控，假牌照车辆识别等具体问题中应用广泛，具有巨大的经济价值和现实意义。同时，它在城市道路、港口和机场等项目管理中占有重要地位。随着计算机性能的提高和图像处理技术的发展，车牌识别系统已经日趋成熟。

车牌定位是车牌识别中至关重要的一步。作为整个车牌识别的第一步，车牌的成功定位与否直接影响到后续的步骤，从而决定了系统的速度和识别率。为了准确、快速地定位出车牌区域，人们已经研究了许多定位方法。但在现实应用中，由于受背景的复杂性、光照条件的不均匀性和天气变换的不确定性等环境因素，以及车牌本身倾斜程序、受污染程度等因素的影响，目前的多数车牌分割方法只是在一定程度上解决了特定条件下从复杂背景中提取车牌的问题，要把这些研究成果应用于实际当中，还有很多可以改善的地方。因此，如何在现有所有有价值的研究成果之上，提高车牌分割系统的通用性、缩短定位时间和提高分割精度将成为我们当前研究的主要方向。

现在通常使用的车牌定位方法有：

(1)基于灰度特征的车牌分割方法。它利用了汽车牌照中文字笔划变化频率比较稳定的特点，在设定恰当的阀值后，通过扫描确定上下界位置和左右边界位置。这样在已缩小的范围内再用上述方法进行递归检测，直到牌照位置比较稳定为止。该方法在摄入角度、距离、光线都有很大调整的情况下，能够快速准确定位车牌。不足之处在于，对于那种引入文字背景的原始图像会出现很多错误。同时，笔划间隔的象素是一个相对的概念，对于大小不同的车牌是不同的，此外，对字符断裂和模糊的容忍度也很低，因此该算法对原始图像的标准化要求很高。详见文献：刘智勇，刘迎建.车牌识别中的图像提取及分割[I].微型电脑应用，1999，7。

(2)基于数学形态学的车牌定位方法。该方法将小波分析与数学形态学相结合，通过小波多尺度分解提取出纹理清晰且具有不同空间分辨率、不同方向的边缘子图像，其水平方向低频、垂直方向高频的这一细节分量，主要代表车牌的目标区域。然后，用数学形态学方法对小波分解得到的细节图像进行一系列膨胀和腐蚀运算，有效的消除细小的物体，增强目标区域内的连通性，从而在结果图像中只留下了车牌这一待寻的目标。详见文献袋青云，余英林.一种基于小波与形态学的车牌图像分割方法.中国图像图形学报，2005.5(5)：411-415。

(3)基于颜色信息的车牌定位方法。一种利用颜色信息进行车牌定位分割的方法是基于边缘颜色对的车牌定位方法。它首先进行彩色边缘检测，然后以每一边缘点为中心，垂直于边缘切线方向取线形窗口，在窗口内检测边缘点两侧像素的颜色是否与车牌的底色/字符色相符合，并保留符合该特征的车牌边缘点，然后进行滤波，最后采用纹理特征的分析以确定车牌位置。详见文献李文举等.基于边缘颜色对的车牌定位新方法.计算机学报，2004.27(2)。

上述的三种车牌定位方法的共同点是：这些方法都是针对车牌的某个特定的特征，容易受气象条件、背景、光照等因素的限制，鲁棒性不好。一旦条件发生变化，它们的分割准确率就会发生较大的波动，从而使整个车牌识别系统的性能大大降低。

发明内容

本发明的任务是提供一种融合色彩、尺寸和纹理特征的车牌定位方法，它具有在照明不均匀环境下定位准确率高和误识率低的特点。

本发明提供一种基于车牌色彩、尺寸和纹理三类特征相融合的车牌定位方法，首先把含有车牌信息的源彩色图像转换到色度、饱和度和亮度(HSI)色彩格式，实现颜色信息与亮度信息的分离；接着把得到的饱和度分量图和亮度分量图采用自适应阈值进行二值化；然后，基于车牌色彩信息对源图像的像素进行分类，依据分类结果获得车牌定位模板二值图，并采用数学形态学运算对车牌定位模板二值图去除噪声；随后，用区域生长法提取车牌定位模板二值图中的每个连通区域并进行车牌尺寸检查，通过尺寸检查的连通区域成为候选车牌区域；在采用Hough变换对倾斜车牌进行矫正之后，进一步利用车牌竖直纹理特征检查每个候选车牌区域，去除伪候选区；最后，对候选车牌区域进行粗略的车牌字符个数检查，进一步提高本方法的置信度，并把车牌从源图像中分割出来。采用本发明提出的基于车牌色彩、尺寸和纹理特征融合的车牌分割方法，可以有效地提高系统的通用性和定位精度等性能。

本发明的技术方案如下：

一种融合色彩、尺寸和纹理特征的车牌定位方法，包含下列步骤：

步骤1.颜色格式转换。

为了更好地利用车牌的颜色特征，需先将红、绿、蓝格式(即RGB格式)的车牌源图像转换到色度、饱和度、亮度(即HIS格式)格式，使得车牌源图像的彩色信息(色度和饱和度)与灰度信息(亮度)分离开来，从而使车牌定位过程对环境光照的强弱不敏感。红、绿、蓝(RGB)格式的图像转换成HSI格式的图像采用如下公式：

其中 $\mathrm{\θ}=\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R-B)]}{[{(R-G)}^2+(R-B){(G-B)}^{1/2}]}\right\}.$

这里R，G，B分别是RGB格式的车牌源图像的红、绿、蓝分量值，值域为[0，1]。H，S，I分别是对应的HIS格式的车牌源图像的色度、饱和度和亮度，色度的值域为[0°，360°)，饱和度和亮度的值域为[0，1]。颜色格式转换的结果，是得到三幅分量图，分别是色度分量图，饱和度分量图和亮度分量图。

步骤2.对饱和度分量图与亮度分量图进行二值化处理。

采用自适应阈值T对饱和度分量图与亮度分量图进行二值化，得到仅由像素值0和1构成的二值化饱和度分量图和亮度分量图。其中，自适应阈值T的算法如下：

步骤2-1.选择自适应阈值T的任意一个初始估计值。

步骤2-2.采用自适应阈值T对饱和度分量图或亮度分量图进行饱和度和亮度的像素值分类，得到两组像素：G₁由所有饱和度值或灰度值大于自适应阈值T的像素组成，而G₂由所有饱和度值或灰度值小于或等于自适应阈值T的像素组成。

步骤2-3.计算G₁像素组的饱和度值或灰度值的平均值μ₁，并计算G₂像素组的饱和度值或灰度值的平均值μ₂。

步骤2-4.计算新的自适应阈值T：T＝(μ₁+μ₂)/2。

步骤2-5.重复步骤2-2到步骤2-4，直到逐次迭代所得的自适应阈值T小于自适应阈值T的容差值T_o为止。

使用该算法需要指定两个参数，第一个是阈值初始值T，第二个是控制迭代过程结束的容差值T_o。

计算饱和度子图和亮度子图的阈值时，初始值T也可取为饱和度分量图或亮度分量图的饱和度或亮度平均值，自适应阈值T的容差值T_o的取值范围为[4，6]。

步骤3.利用步骤1所得的色度分量图与步骤2所得的二值化饱和度分量图和二值化亮度分量图建立车牌定位模板二值图。

采用如下的判别算法进行车牌定位模板的构建：

若Blue_min≤H(x，y)≤Blue_max，且S(x，y)＝1，那么像素(x，y)被识别为蓝色车牌底色像素，定位模板(x，y)位置的像素值设为1；

若Yellow_min≤H(x，y)≤Yellow_max，且S(x，y)＝1，那么像素(x，y)被识别为黄色车牌底色像素，定位模板(x，y)位置的像素值设为1；

若S(x，y)＝0，且I(x，y)＝1，那么像素(x，y)被识别为蓝色车牌字符像素，定位模板(x，y)位置的像素值设为1；

若S(x，y)＝1，且I(x，y)＝0，那么像素(x，y)被识别为黄色车牌字符像素，定位模板(x，y)位置的像素值设为1；

否则像素(x，y)被识别为非车牌对象，定位模板(x，y)位置的像素值设为0。

这里，x和y分别是像素点的行坐标和列坐标，H(x，y)，S(x，y)和I(x，y)分别是在(x，y)坐标处色度分量图、饱和度分量图和亮度分量图的像素值。Blue_min和Blue_max分别是蓝色车牌色度的下限和上限，Yellow_min和Yellow_max分别是黄色车牌色度的下限和上限。

在对图像中所有像素完成以上的判别之后，得到一幅与源图像大小完全相同的车牌定位模板图像，该模板图像是一幅像素值只有0和1两种可能的二值图。

步骤4.运用数学形态学对车牌定位模板去除噪声。

由于实际图像环境复杂，上一步骤中得到的车牌定位模板往往存在大量的噪声像素，因此需要采用恰当的方法对模板进行去噪。本方法使用数学形态学的膨胀和腐蚀运算对车牌定位模板二值图去噪。

下面首先简要介绍一下数学形态学膨胀和腐蚀运算。

图像集合A用结构元素B来膨胀，记做

其定义为：

$A\⊕B=\left\{X\right|{\left(\hat{B}\right)}_x\∩A\≠\mathrm{\Φ}\}=\{X|(-B+X)\∩A\≠\mathrm{\Φ}\}$

其中，

表示B的映像，即与B关于原点对称的集合。上式表明，用B对A进行膨胀的过程：首先对B作关于原点的映射，再将其映像平移x，当A与B映像的交集不为空集时，B的原点就是膨胀集合的像素。也就是说，用B来膨胀A得到的集合，是

的位移与A至少有一个非零元素相交时B的原点的位置的集合。

腐蚀运算是膨胀运算的对偶，图像集合A用结构元素B来腐蚀记做AΘB，其定义为：

$\mathrm{A\ΘB}=\left\{X\right|{\left(B\right)}_x\⊆A\}=\{X|B+X\⊆A\}$

上式表明，A用B来腐蚀的结果是所有满足将B平移x后，B仍全部包含在A中的x的集合，从直观上看，就是B经过平移后全部包含在A中的原点组成的集合。

车牌定位模板的去噪过程可描述为

$\mathrm{Template}=\left(\left((\mathrm{Template}\⊕B_1)\mathrm{\Θ}{B}_2\right)\mathrm{\Θ}{B}_3\right)$

这里，Template是二值化的车牌定位模板图像，B₁是一个1行3列的结构元素，B₂是一个7行1列的结构元素，B₃是一个1行7列的结构元素。用B₁进行膨胀的目的是填充定位模板中车牌字符像素与车牌背景像素之间的细小缝隙。用B₂和B₃各进行一次腐蚀的目的是去除模板中散布的面积较小的噪声像素。使用数学形态学去噪之后得到的车牌定位模板二值图将在下一步骤中使用。

步骤5.采用区域生长法提取车牌定位模板二值图中的每个连通区域。

步骤6.对步骤5所得的车牌定位模板二值图中的每个连通区域，利用实际车牌的尺寸特征进行检查。这里使用的尺寸特征算法可表示如下：

若h_region≥h_minlp，且w_region≥w_minlp，且ratio_minlp≤w_region/h_region≤ratio_maxlp，那么连通区域region通过尺寸检查，成为车牌候选区域；否则连通区域region未通过尺寸检查，不被后续步骤考虑。这里，w_region和h_region分别是连通区域region的宽度和高度(单位：像素)，w_minlp和h_minlp分别是实际的最小车牌宽度和最小车牌高度(单位：像素)，ratio_minlp和ratio_maxlp分别是实际的最小车牌宽高比和最大车牌宽高比。

当某个连通区域通过如上所示的尺寸检查之后，该区域就作为车牌候选区域，继续送入下述步骤作进一步的识别；否则，该连通区域被认为无效区域，被算法丢弃。

步骤7.从车牌源图像的亮度分量图中把车牌候选区域提取出来，再对该车牌候选区域亮度图进行二值化处理，得到车牌候选区域二值图。

步骤8.对倾斜的候选车牌区域进行矫正。当源图像中的车辆正在转弯行驶时，车牌在源图像中通常不是水平放置的，而是存在一定的倾斜角度，算法需要对这样的倾斜车牌进行矫正，使分割出来的车牌尽可能水平放置。本方法所使用的倾斜车牌矫正算法可表述如下：

步骤8-1利用Hough变换检测出车牌倾斜角度。具体过程是：

建立一个二维累加器矩阵M，它的第一维为距离，第二维为角度；把矩阵M的每个累加器单元都初始化为0；遍历车牌候选区域二值图，对其中的每个1值像素(x，y)，计算ρ_i＝xcos(θ_i)+ysin(θ_i)，这里θ_i从θ_min变化到θ_max，每次计算出新ρ_i后，使累加器单元M[ρ_i][θ_i]增加1；遍历累加器矩阵M，找到其中的最大累加值Val_max及其所在的角度值θ；

若Val_max＞Val_thresh，那么车牌倾斜角度为θ；否则车牌倾斜角度为0。

这里，θ_min和θ_max分别是预先设定的倾斜角度范围的下限和上限，Val_thresh是一个预定义的累加阈值。只有当最大累加值Val_max比Val_thresh更大时，θ才被认为有效并被作为车牌倾斜角度返回。

步骤8-2利用检测出的车牌倾斜角度，对车牌候选区域二值图进行矫正。具体过程是：

若车牌倾斜角度θ＞0，那么将候选车牌区域二值图的第i列的像素上移offset_i＝tan(θ)×(w_cand-i)个像素；若车牌倾斜角度θ＜0，那么将候选车牌区域二值图的第i列的像素上移offset_i＝-tan(θ)×i个像素；其中，1≤i≤w_cand，w_cand是车牌候选区域二值图的宽度(单位：像素)。

步骤9.利用车牌纹理特征对经过倾斜角度矫正的所有候选车牌区域进行检查，去除纹理密度未达到要求的候选车牌区域。具体步骤是：

步骤9-1利用4邻域分析法构建经过倾斜角度矫正的候选车牌区域二值图的边缘图像。一个坐标为(x，y)的像素的4邻域是由坐标分别为(x-1，y)，(x+1，y)，(x，y-1)和(x，y+1)的4个像素组成的像素集合。对经过倾斜角度矫正的所有车牌候选区域二值图的每个1值像素的4邻域进行分析，若其4邻域存在至少一个0值像素，则该1值像素就是边缘点；否则，该1值像素不是边缘点。构建一个与候选车牌区域二值图相同大小的二值化边缘图，若候选车牌区域二值图中坐标为(x，y)的1值像素通过4邻域分析被判定为边缘点，则把边缘图中对应位置的像素值设为1，否则把边缘图中对应位置的像素值为0。

步骤9-2对步骤9-1所得的二值化边缘图进行输血形态学的腐蚀处理，即ErodedEdge＝EdgeΘB₄，这里，Edge是步骤9-1中得到的二值化边缘图像，而B₄是一个3行1列的结构元素，ErodedEdge是经过腐蚀运算后的结果图像。

步骤9-3把Edge图像和ErodedEdge图像进行逐像素比较，确定候选车牌区域二值图的竖直纹理的丰富程度，并以此判别候选车牌区域是否满足车牌纹理特征要求。具体的过程可表述如下：

设置两个计数器ec和eec，并把它们初始化为0，扫描Edge和ErodedEdge图像的每个像素(x，y)，若Edge(x，y)＝ErodedEdge(x，y)，且Edge(x，y)＝1，那么ec和eec计数器均增加1；若Edge(x，y)≠ErodedEdge(x，y)，且Edge(x，y)＝1，那么仅ec计数器增加1。完成扫描后，计算比值ratio_tt＝eec/ec，若ratio_tt＞ratio_mintt，那么候选车牌区域通过纹理丰富程度检查，成为最终定位出的车牌区域；否则候选车牌区域未通过纹理丰富程度检查，被认为不包含车牌。这里，Edge(x，y)和ErodedEdge(x，y)分别是边缘图Edge和经过腐蚀运算后的结果图ErodedEdge在坐标为(x，y)位置的像素值，ratio_mintt是一个根据实际应用情况预设的纹理比值阈值。

需要说明的是：

1.步骤1把输入的源图像转换成色度、饱和度和亮度(HSI)色彩格式，达到了把图像色彩信息(色度和饱和度)同亮度信息分离的目的，使本方法对光照条件不敏感，提高了本方法对复杂场景的适应性。

2.步骤2和步骤7中，本方法使用了自适应的阈值计算算法，该算法基于灰度图像本身的灰度分布情况采用迭代的方法逐渐逼近最优阈值。使用自适应算法而不使用固定阈值使本方法能够适应具有复杂背景的真实图像。

3.步骤5采用区域生长法分离二值图像中的1值像素连通区域。区域生长算法属于递归算法的范畴，因此在实现时应注意控制递归的终止条件，避免出现无穷递归。

4.步骤8-1中设定了一个累加器阈值Val_thresh，并规定只有当矩阵M中的最大累加单元值Val_max大于Val_thresh时才认为θ_max合理。这一检查有效地提高了车牌倾斜角度的正确检测率。

5.步骤9-1种采用了4邻域分析法获得二值图像的边缘图，这种方法与常规的基于数学形态学的边缘提取方法相比，执行速度更快。

本发明的创新之处在于：

本发明采用一种基于多种车牌特征(包括色彩、尺寸和纹理特征)相融合的车牌分割方法，既充分利用了车牌背景和车牌字符颜色对比鲜明的特点，同时又结合了车牌具有规定大小和车牌字符引入丰富纹理的特点，从而克服了传统方法仅依赖单项特征进行车牌分割的缺陷，具有很高的定位精度。采用HSI色彩格式使本方法对环境光照条件不敏感，使本方法可顺利应用于光照较暗的场景；自适应二值化算法的采用使本方法对环境的依赖性降至最低，大大提高了本方法的通用性；基于区域生长法的连通区域提取能够快速有效地分离出二值图像中的连通区域，从而能够快速地定位出车牌候选区域；Hough变换可以准确地检测出候选车牌的倾斜角度，使本方法能够对其进行矫正，从而给后续的字符分割任务带来便利，提高了整个系统的识别性能。

具体实施方式

采用本发明的方法，首先编写车牌定位软件；然后在高速公路的入口处、收费站和其他任何合适位置采用摄像装置自动拍摄车辆的原始图像；接着把拍摄到的车辆原始图像作为源数据输入到车牌定位软件中进行处理；定位出的车牌以位图(BMP)格式保存到硬盘上。

本发明的方法充分利用车牌的色彩、尺寸和纹理特征，从而实现快速准确地从所提供的输入源图像中分割出车牌区域。根据该方法实现的一个实际系统中，对于各种成像条件下的车辆照片数据集(包括了不确定背景下，雨天、雾天、晴天等不同天气和车牌水平、车牌倾斜、车辆运动、车辆静止等不同状态的一系列照片)的测试表明，该方法对于复杂场景下车牌定位准确率达到96.3％。

Claims (3)

1、一种融合色彩、尺寸和纹理特征的车牌定位方法，包含下列步骤：

步骤1颜色格式转换：

将红、绿、蓝格式，即RGB格式的车牌源图像转换到色度、饱和度、亮度格式，即HIS格式，使得车牌源图像的色度信息、饱和度信息与亮度信息分离开来；RGB格式的图像转换成HSI格式的图像采用如下公式：

其中 $\mathrm{\θ}=\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R-B)]}{[{(R-G)}^2+(R-B){(G-B)}^{1/2}]}\right\};$

这里R，G，B分别是RGB格式的车牌源图像的红、绿、蓝分量值，值域为[0，1]；H，S，I分别是对应的HIS格式的车牌源图像的色度、饱和度和亮度；色度的值域为[0°，360°)，饱和度和亮度的值域为[0，1]；颜色格式转换的结果，是得到色度分量图、饱和度分量图和亮度分量图；

步骤2对饱和度分量图与亮度分量图进行二值化处理，得到仅由像素值0和1构成的二值化饱和度分量图和亮度分量图；

步骤3利用步骤1所得的色度分量图与步骤2所得的二值化饱和度分量图和二值化亮度分量图建立车牌定位模板二值图，具体采用如下的判别算法进行车牌定位模板的构建：

若Blue_min≤H(x，y)≤Blue_max，且S(x，y)＝1，那么像素(x，y)被识别为蓝色车牌底色像素，定位模板(x，y)位置的像素值设为1；

若Yellow_min≤H(x，y)≤Yellow_max，且S(x，y)＝1，那么像素(x，y)被识别为黄色车牌底色像素，定位模板(x，y)位置的像素值设为1；

若S(x，y)＝0，且I(x，y)＝1，那么像素(x，y)被识别为蓝色车牌字符像素，定位模板(x，y)位置的像素值设为1；

若S(x，y)＝1，且I(x，y)＝0，那么像素(x，y)被识别为黄色车牌字符像素，定位模板(x，y)位置的像素值设为1；

否则像素(x，y)被识别为非车牌对象，定位模板(x，y)位置的像素值设为0；

这里，x和y分别是像素点的行坐标和列坐标，H(x，y)，S(x，y)和I(x，y)分别是在(x，y)坐标处色度分量图、饱和度分量图和亮度分量图的像素值；Blue_min和Blue_max分别是蓝色车牌色度的下限和上限，Yellow_min和Yellow_max分别是黄色车牌色度的下限和上限；

步骤4运用数学形态学对车牌定位模板二值图去除噪声，具体采用数学形态学的膨胀和腐蚀运算对车牌定位模板二值图去噪：

$\mathrm{Template}=\left(\left((\mathrm{Template}\⊕B_1)\mathrm{\Θ}{B}_2\right)\mathrm{\Θ}{B}_3\right)$

这里，Template是车牌定位模板二值图，B₁是一个1行3列的结构元素，B₂是一个7行1列的结构元素，B₃是一个1行7列的结构元素；符号“

”代表膨胀运算，符号“Θ”代表腐蚀运算；

步骤5采用区域生长法提取车牌定位模板二值图中的每个连通区域；

步骤6对步骤5所得的车牌定位模板二值图中的每个连通区域，利用实际车牌的尺寸特征进行检查，具体过程如下：

若h_region≥h_minlp，且w_region≥w_minlp，且ratio_minlp≤w_region/h_region≤ratio_maxlp，那么连通区域region通过尺寸检查，成为车牌候选区域；否则连通区域region未通过尺寸检查，不被后续步骤考虑；w_region和h_region分别是连通区域region的宽度和高度，w_minlp和h_minlp分别是实际的最小车牌宽度和最小车牌高度，ratio_minlp和ratio_maxlp分别是实际的最小车牌宽高比和最大车牌宽高比；

步骤7从车牌源图像的亮度分量图中把车牌候选区域提取出来，再对该车牌候选区域亮度图进行二值化处理，得到车牌候选区域二值图；

步骤8对倾斜的候选车牌区域进行矫正，具体倾斜车牌矫正过程如下：

步骤8-1利用Hough变换检测出车牌倾斜角度，具体过程是：

建立一个二维累加器矩阵M，它的第一维为距离，第二维为角度；把矩阵M的每个累加器单元都初始化为0；遍历车牌候选区域二值图，对其中的每个1值像素(x，y)，计算ρ_i＝xcos(θ_i)+ysin(θ_i)，这里θ_i从θ_min变化到θ_max，每次计算出新ρ_i后，使累加器单元M[ρ_i][θ_i]增加1；遍历累加器矩阵M，找到其中的最大累加值Val_max及其所在的角度值θ；

若Val_max＞Val_thresh，那么车牌倾斜角度为θ；否则车牌倾斜角度为0；

这里，θ_min和θ_max分别是预先设定的倾斜角度范围的下限和上限，Val_thresh是一个预定义的累加阈值；只有当最大累加值Val_max比Val_thresh更大时，θ才被认为有效并被作为车牌倾斜角度返回；

步骤8-2利用检测出的车牌倾斜角度，对车牌候选区域二值图进行矫正，具体过程是：

若车牌倾斜角度θ＞0，那么将候选车牌区域二值图的第i列的像素上移offset_i＝tan(θ)×(w_cand-i)个像素；若车牌倾斜角度θ＜0，那么将候选车牌区域二值图的第i列的像素上移offset_i＝-tan(θ)×i个像素；其中，1≤i≤w_cand，w_cand是车牌候选区域二值图的宽度；

步骤9利用车牌纹理特征对经过倾斜角度矫正的所有候选车牌区域进行检查，去除纹理密度未达到要求的候选车牌区域，具体步骤是：

步骤9-1利用4邻域分析法构建经过倾斜角度矫正的候选车牌区域二值图的边缘图像：

对经过倾斜角度矫正的所有车牌候选区域二值图的每个1值像素的4邻域进行分析，若其4邻域存在至少一个0值像素，则该1值像素就是边缘点；否则，该1值像素不是边缘点；构建一个与经过倾斜角度矫正的候选车牌区域二值图相同大小的二值化边缘图，若候选车牌区域二值图中坐标为(x，y)的1值像素通过4邻域分析被判定为边缘点，则把边缘图中对应位置的像素值设为1，否则把边缘图中对应位置的像素值为0；

步骤9-2对步骤9-1所得的二值化边缘图进行输血形态学的腐蚀处理，即ErodedEdge＝EdgeΘB₄，这里，Edge是步骤9-1中得到的二值化边缘图像，而B₄是一个3行1列的结构元素，ErodedEdge是经过腐蚀运算后的结果图像；

步骤9-3把Edge图像和ErodedEdge图像进行逐像素比较，确定候选车牌区域二值图的竖直纹理的丰富程度，并以此判别候选车牌区域是否满足车牌纹理特征要求，具体的过程可表述如下：

设置两个计数器ec和eec，并把它们初始化为0，扫描Edge和ErodedEdge图像的每个像素(x，y)，若Edge(x，y)＝ErodedEdge(x，y)，且Edge(x，y)＝1，那么ec和eec计数器均增加1；若Edge(x，y)≠ErodedEdge(x，y)，且Edge(x，y)＝1，那么仅ec计数器增加1；完成扫描后，计算比值ratio_tt＝eec/ec，若ratio_tt＞ratio_mintt，那么候选车牌区域通过纹理丰富程度检查，成为最终定位出的车牌区域；否则候选车牌区域未通过纹理丰富程度检查，被认为不包含车牌；

这里，Edge(x，y)和ErodedEdge(x，y)分别是边缘图Edge和经过腐蚀运算后的结果图ErodedEdge在坐标为(x，y)位置的像素值，ratio_mintt是一个根据实际应用情况预设的纹理比值阈值。

2、根据权利要求1所述的融合色彩、尺寸和纹理特征的车牌定位方法，其特征在于，步骤2中对饱和度分量图与亮度分量图进行二值化处理时，采用自适应阈值T对饱和度分量图与亮度分量图进行二值化，其中，自适应阈值T的算法如下：

步骤2-1.选择自适应阈值T的任意一个初始估计值；

步骤2-2.采用自适应阈值T对饱和度分量图或亮度分量图进行饱和度和亮度的像素值分类，得到两组像素：G₁由所有饱和度值或灰度值大于自适应阈值T的像素组成，而G₂由所有饱和度值或灰度值小于或等于自适应阈值T的像素组成；

步骤2-3.计算G₁像素组的饱和度值或灰度值的平均值μ₁，并计算G₂像素组的饱和度值或灰度值的平均值μ₂；

步骤2-4.计算新的自适应阈值T：T＝(μ₁+μ₂)/2；

步骤2-5.重复步骤2-2到步骤2-4，直到逐次迭代所得的自适应阈值T小于自适应阈值T的容差值T_o为止；

计算饱和度子图和亮度子图的阈值时，初始值T也可取为饱和度分量图或亮度分量图的饱和度或亮度平均值，自适应阈值T的容差值T_o的取值范围为[4，6]。

3、根据权利要求1所述的融合色彩、尺寸和纹理特征的车牌定位方法，其特征在于，步骤7中对该车牌候选区域亮度图进行二值化处理时，采用自适应阈值T法进行二值化处理。