CN101520841A - 一种高清视频中的实时抗干扰车牌定位方法 - Google Patents

Abstract

一种高清视频中的实时抗干扰车牌定位方法使用基于Haar特征的Adaboost算法构建了多个弱分类器，并将这些弱分类器首尾进行连接，一个弱分类器的输出作为另一个分类器的输入，得到一个级联的强分类器，用于车辆前脸的检测，得到包含车牌区域的车连前脸图像；根据车辆前脸特定的纹理特征，获取彩色车辆前脸图像的纹理特征，之后根据我国车牌的固定的颜色搭配，得到蓝底白字、黄底蓝字、黑底白字和白底黑字边缘点，去掉干扰信息点后，提取同一水平区域(一行)中的连通线段，得到每行中的候选连通线。对被标记的连续各行中，以连通域的边缘作为车牌的四个边界，在彩色图像中，划定一个矩形的车牌候选区，通过将边界不断向外扩张，获得扩展出来的区域，如果新的扩展区域内的颜色对特征点数小于阈值，则停止扩张，得到最终的车牌区域。本发明能够对高清视频中的高清晰图片进行车辆的检测和车牌的定位，具有极强的抗复杂背景干扰的特性，并能作到实时处理。

Description

一种高清视频中的实时抗干扰车牌定位方法

技术领域

本发明涉及一种车牌定位方法，特别涉及一种在高清视频中实时抗干扰车牌定位方法。

背景技术

车牌识别是智能交通领域的一项关键技术。近年来，已经能够达到对标清视频进行比较准确的实时识别。随着高清高速相机在视频监控领域的日益广泛应用，实时高清识别在实时性和抗干扰方面还有待提高。在车牌识别系统中，车牌定位是整个识别模块实现的前提，其定位正确率将大大影响整个系统的最终识别性能，而车牌定位历来是车牌识别系统中的难点问题。而车牌定位恰恰是高清车牌识别与标清车牌识别的最大的区别，也是实时高清车牌识别的最大难点。

车牌定位的实质是图像分割，通过直接在输入图像数据中搜索类字符区域来实现，但计算量大，无法满足实时性要求。目前车牌定位的方法多种多样，当前的研究方法主要有：利用车牌的彩色边缘分布特征、利用车牌和文字颜色组合特点、利用车牌边框的面积、长宽比、利用车牌字符的角点信息、利用车牌字符笔画左右边缘之间的互相关矢量图的结构特点、和利用车牌纹理特征等。现有的车牌定位方法在光照和天气条件理想的条件下，针对标清图像且车牌区域特征明显的情况，定位准确率能达到98％以上。然而高清视频视场范围大，图像像素高，使得车牌在图片中所占的区域很小，传统的字符区域搜索方法无法满足实时性的要求，并且背景的干扰因素很多，车牌定位的准确率下降严重。鉴于上述的问题，需要一种针对高清交通监控视频的实时车牌定位方法。

发明内容

本发明的技术解决问题：克服现有车牌定位方法的不足，提供一种应用于实时高清视频的车牌定位方法。该方法可以实时的定位到高清视频中的车辆前脸的位置，对在车辆前脸图像中准确的定位车牌。

本发明的技术解决方案：一种高清视频中的实时抗干扰车牌定位方法，包括如下步骤：(1)从图像采集设备获取视频帧；(2)使用基于Haar特征的Adaboost算法构建了多个弱分类器，并将这些弱分类器首尾进行连接，一个弱分类器的输出作为另一个分类器的输入，得到一个级联的强分类器，对视频帧进行车辆检测，得到包含车牌区域的车辆前脸图像；(3)计算并得到车辆前脸图像的纹理特征点；(4)根据纹理特征点，并结合我国车牌固定的颜色搭配，计算得到四种颜色特征点，即蓝底白字、黄底蓝字、黑底白字和白底黑字边缘特征点；(5)去掉四种边缘特征点中的干扰信息点后，提取同一水平区域中的连通线段，得到每行中的候选连通线，计算候选车牌区域；(6)对候选车牌区域进行融合和扩展，对被标记的连续各行中，以连通域的边缘作为车牌的四个边界，在彩色图像中，划定一个矩形的初始车牌候选区，通过将边界不断向外扩张4个像素，获得扩展出来的区域，如果新的扩展区域内的颜色对特征点数不大于5，则停止扩张，得到最终的车牌区域。

其中，步骤(2)中所述的级联的强分类器的设计是由提取车前脸特征值和使用Adaboost算法提取特征值设计弱分类器两个部分组成，提取的车前脸特征有边缘特征、对称特征和中心特征共三大类、十二小类特征点，这些特征点均由Haar特征演变而来；在使用Adaboost算法提取特征值设计弱分类器时，根据车辆前脸的图像特点，先扫描整幅图像的滑动窗口的中心区域计算中心特征，然后在子窗口的边缘部分计算边缘特征；根据这些先验知识去除大部分无效矩形特征后，再利用AdaBoost算法挑选出对车辆前脸区分性最好的矩形特征，构建每个弱分类器，当弱分类器的误检率小于设定阈值时，停止构建弱分类器，将所有已构建的弱分类器首位相连，得到一个级联的强分类器，用于对高清视频进行车辆前脸图像的检测。

其中，在步骤(2)所述的使用Adaboost算法提取特征值设计弱分类器时，需要大量的车辆前脸图像集合和道路等背景干扰图像集合来构造正负样本库；训练分类器时将正样本的窗口归一化；为了检测到各种尺寸的车辆，采用图像金字塔的扫描方式，将图像在一定范围内依次进行尺寸的缩放，将缩放后的图像作为待检图像的输入，输出结果为可能的车辆前脸区域，对结果的融合后得到检测到的车辆前脸区域。

其中，步骤(3)中所述的图像的纹理特征点按如下公式计算：

Gray(i，j)＝|p(i，j)-p(i，j-1)|+|p(i，j+1)-p(i，j)|

其中p(i，j)代表像素点(i，j)的灰度，(i，j-1)和(i，j+1)分别是像素点(i，j)左右相邻的像素，Gray(i，j)表示像素点(i，j)的差分值。

其中，步骤(4)中四种边缘特征点的计算利用了车牌固定的颜色搭配，分别为白底黑字、蓝底白字、黑底白字和黄底黑字四种，把颜色信息和边缘信息融合起来，得到蓝底白字、黄底蓝字、黑底白字和白底黑字边缘特征点；在更接近人眼视觉特性的HSV颜色空间中，各种车牌颜色的阈值范围通过样本车牌的颜色值统计得到。

其中，步骤(5)中去除干扰信息点后，可以从白底黑字、蓝底白字、黑底白字和黄底黑字四种边缘特征点中提取多条连通曲线，并得到多个连通边界，此时按如下步骤确定原始彩色图像中的初始车牌区域：

(1)根据候选区的长宽比，排除一些明显不符合车牌比例的区域；

(2)在剩下的候选区中，考虑到车牌在车辆前脸的下方，所以认为多个候选区里，处于车辆前脸图像下方1/3处的候选区是车牌区。

其中，在步骤(6)中确定初始车牌区域后，需要对车牌区进行扩张，此时采用更不易受车牌外区域干扰的颜色对特征点作为判断条件，按如下步骤进行：

(1)边界向外扩张4个像素，获得一个扩展出来的区域；

(2)如果这个区域内的颜色对特征点数大于5，则将这个区域也归入车牌区；

(3)重复(1)和(2)，直到扩展区域内的颜色对点数不大于5，停止扩张；

(4)提取该区域的最小外接矩形，确定车牌的上下左右四个边界，返回到原输入的彩色图像中提取车牌。

本发明与现有技术相比的优点在于：

(1)车辆前脸的准确定位。通过对车辆前脸的分析，设计了适合于描述车辆前脸的由Haar特征演变而来的边缘特征、对称特征和中心特征共三大类、十二小类特征点，使用基于Haar特征的Adaboost算法提取出合适的特征点，逐个构建每个弱分类器，最后将弱分类器级联，得到一个级联分类器，该分类器可以以毫秒级的检测速度从高清视频图像中检测到多个车辆的前脸图像，做到对高清视频的实时处理，具有极强的抗复杂背景干扰的特性。

(2)充分利用了我国车牌颜色的特定搭配，将寻找候选车牌区的过程分解为寻找各个特征点中候选区的子过程。在对彩色车辆前脸图像计算了纹理特征以后，针对我国车牌颜色的特定搭配，将得到的纹理特征点对应的彩色图像中的像素点进行颜色分析，得到蓝底白字、黄底黑字、黑底白字和白底黑字边缘点，并对各个边缘点提取每一行中最长的连通线，已连通域的边缘作为车牌的四个边界，如果从蓝白特征点、黄黑特征点和白黑特征点的三种候选连通线里得到了多个车牌候选区，则对多个车牌候选区进行过滤和融合，得到统一的车牌区域。分解得到蓝白特征点、黄黑特征点和白黑特征点的做法更深入的利用了我国车牌的纹理和颜色特征，具有极强的抗各种噪声干扰的特性，并能适应复杂的背景。

附图说明

图1高清视频车牌定位流程

图2Haar-like矩形特征

图3级联式分类器结构

具体实施方式：

如图1所示，对每个视频帧图像，首先会进行车辆前脸的检测。

出于鲁棒性和实时性的考虑，同时受到Viola-Jones算法提出的4种Haar-like特征的启发，构造出了一组矩形特征对车辆图像进行建模。选择矩形特征的原则是能对车辆图像的空间结构特征能有本质的反映，受噪声影响小，并且这些特征要便于提取，在计算机上能简单快速的计算。设计出的矩形特征分为边缘特征、对称特征、中心特征3种，如图2所示。

为了方便计算，引入了积分图像的概念：

$I(x,y)=\underset{u,v=1}{\overset{x,y}{\mathrm{\Σ}}}i(u,v)---\left(1\right)$

利用计算出的每个像素点的积分图像值，经过有限次运算后，可快速计算出矩形特征值为-1区域灰度值的总和减去1区域灰度值的总和。然而，一幅图像的矩形特征T_i，i为其特征个数，i的总数要远远高于像素的个数，因此，必须有一个高效的分类器才能有效地筛选出有用的特征，因此采用级联式的分类器来达到此目的。将多个弱分类器首尾连接起来就得到了级联的分类器。弱分类器是指该分类器的分类性能不好，但是多个弱分类器级联得到的级联式分类器却具有非常好的分类性能。

在实际计算的特征值时，并不需要全部计算出图像中存在的矩形特征，根据车辆正脸的图像特点，在扫描整幅图像的滑动窗口的中心区域计算中心特征，在子窗口的边缘部分计算边缘特征。根据这些先验知识去除大部分无效矩形特征后，再利用AdaBoost算法就可挑选出对车辆正脸区分性最好的矩形特征。AdaBoost算法的学习过程是通过加权投票机制，用大量分类函数的加权组合来判断分类。生成分类器的过程就是寻找对车辆正脸和非车辆正脸区分性最好的矩形特征，由这些特征对应的弱分类器组合生成的强分类器对车辆正脸的区分度达到最优。

输入n个车辆正脸和非车辆区域的训练样本：{x₁，y₁}，…，{x_n，y_n}，其中，y_i＝{true，false}，i＝1，2，…，n。已知训练样本中有a个假样本和b个真样本。第j个特征生成的弱分类器，如式(2)所示。

其中，h_i表示弱分类器的值；θ_i为阈值；p_i表示不等号的方向，只能取±1；f_i(x)表示特征值。

在AdaBoost算法中，由若干个弱分类器构成一个强分类器，其具体步骤如下：

(1)初始化误差权重，对于h_i＝0的假样本，权重w_1，i＝1/2a；对于h_i＝1的真样本，权重w_1，i＝1/2b；

(2)选择具有最小误差的弱分类器，更新每个样本的误差权重： $w_{t+1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i},$ 其中，如果第i个样本被正确分类，则e_i＝0，反之e_i＝i；β_t＝ε_t/(1-ε_t)。

(3)选取具有最低误差的T个弱分类器h_t(x)形成的强分类器为H(x)。

在设计好强分类器之后，加权组合成一个层叠式分类器。在确定级联分类器的层数和具体参数前，先确定系统的最大误检率f_max和最小检测率d_min。设分类器正确识别非车辆正脸区域的比率为B，其中B∈(0，1)，且分类器错误过滤车辆正脸区域的比率为Err，其中Err∈(0，1)，则针对一个层级为N的级联分类器，其级联分类器最小检测率d_min＝(1-Err)^N，最大误检率f_max＝(1-B)^N。在算法的训练过程中，最好的分类器不断地被加进来，直到达到预先设定的误检测率为止。

在训练车辆正脸层叠式分类器时，需要大量的车辆正脸图像集合和道路等背景干扰图像集合来构造正负样本库。由于车辆图像来自不同的采集设备，图像质量不同，包括不同光照条件、天气条件、拍摄角度等情况。因此，需要对图像样本库(包含正负样本)进行图像的像素归一话，归一化后的像素值为G′＝(G-G)/σ，其中：G为图像像素点的灰度值，G为图像像素的均值，σ为图像像素的均方差。为了提高层叠式分类器的鲁棒性，训练样本要具有代表性和广泛性，即正样本要全面的反映车辆前部正面的矩形特征，负样本需要全面的反映背景中的各类干扰元素的特征，如在公路边经常出现的行人、非机动车、楼房、栅栏等。具体的步骤如下：

(1)构造正负样本图片库。

(2)每一层训练Boosting训练：从所有特征中选取加权后整体错误率最小的弱分类器，通过样本的训练进行权重更新，直到达到需要的检测率和误检率。

(3)将每一层训练的强分类器串联起来组成层叠分类器，用于目标检测。

车辆的运动是一个由远及近的过程，远处的车辆特征信息并不明显且容易导致误检率的上升，因此，在训练中，将正样本的窗口进行归一化。连续视频中车辆尺寸是由小变大连续变化的过程，为了尽可能检测到各种尺寸的车辆，采用图像金字塔的扫描方式，将图像在一定范围内依次进行尺寸的缩放，将缩放后的图像作为待检图像的输入，输出结果为可能的车辆正脸区域。

设计的级联的分类器的结构如图3所示。在每一层进行分类时，如果当前子窗口被检测为非车辆正脸区域，则分类器停止检测，直接输出结果。如当前子窗口为车辆正脸区域，则进入下一级分类器进行检测，分类器的复杂度是逐层增加的，计算量也越来越大。级联分类器之所以能够提高检测的速度，在一般的输入图像中，大部分区域都是非车辆正脸区域，通过简单的分类器滤去这些区域，只有对于少量类似车辆正脸的区域则需更复杂的分类器进行检测。

如图1所示，对视频帧图片检测得到车辆前脸图像后，需要计算得到其蓝底白字、黄底黑字、黑底白字和白底黑字边缘点，并提取其连通曲线，计算得到候选的车牌区域。

对于输入的车辆前脸图片，先计算其灰度图像，对图像按如下公式进行运算以获得图像的纹理特征点：

Gray(i，j)＝|p(i，j)-p(i，j-1)|+|p(i，j+1)-p(i，j)|       (4)

令p(i，j)代表像素点(i，j)的灰度，(i，j-1)和(i，j+1)分别是像素点(i，j)左右相邻的像素，Gray(i，j)表示像素点(i，j)的差分值。在这里，选择用左右相邻而不是上下相邻的像素点进行运算是因为车牌区域的纹理变化主要集中在左右方向上。

同时，由于图像大部分颜色相似区域灰度变化缓慢，而车牌区域内部字符和背景的变化明显，所以可令Gray(i，j)值低于一定阈值的像素点置为0，大于阈值的像素点作为纹理特征点。

我国的车牌背景与字符具有固定的颜色搭配，即白底黑字、蓝底白字、黑底白字和黄底黑字四种。根据这一特征，把颜色信息和边缘信息融合起来，定位车牌区域。在更接近人眼视觉特性的HSV颜色空间中，各种车牌颜色的阈值范围通过样本车牌的颜色值统计得到，彩色判断条件如下：

if(S<0.1)∩(V>0.5)

color＝白色

elseif(V<0.35)

color＝黑色

elseif(250>H>220)∩(S<0.1)∩(V>0.5)       (5)

color＝蓝色

elseif(50>H>20)∩(S<0.1)∩(V>0.35)

color＝白色

else无效点

找到从灰度图像中提取的纹理特征点在原彩色图中的对应像素点后进行颜色分析。如果一个纹理特征点满足上述条件，则分别标记为蓝底白字、黄底黑字、黑底白字和白底黑字边缘点。

车牌区域由于字符密集，必然存在大量颜色对特征点。这些特征点集中在一个接近矩形的区域内，需要找到这些特征点集中的区域并排除干扰区域从而确定车牌位置。

颜色对特征点都是分散的，噪声较大，因此需要去除部分无效的特征点。如果进行腐蚀运算，可能把很多有用的特征点也去除掉了，所以只考虑采用膨胀运算。

膨胀运算中，选择的结构元素既要把车牌区域连通起来，又不能把非车牌干扰区也大量连通起来。形态学运算的结构元素尺寸有一定的限制范围，如果车牌面积过大，可能导致膨胀运算无法连通车牌区域的各行，导致定位失败。而这正是车牌识别过程中一个非常大的局限性，只能识别固定大小范围内的车牌。车牌区域通常为车辆正脸区域的1/6～1/3大小之间，根据此先验知识，初步确定连通区域的大小。

因为颜色对特征点是在水平方向上提取的，为了把车牌区域的颜色对特征点在每行上连通起来，本文采用了具有水平方向膨胀能力的水平线段作为结构元素。具体是包括自身像素在内，再加上左右各5个像素，一共11个元素组成了结构元素。车牌区域每一行上的大部分特征点通过膨胀以后连通起来了，但少数还有空隙。因此，如果水平方向上两条相邻的连通线段，长度都大于N个像素(N为设定的像素个数阈值)，相互相隔不超过N个像素，则把这两条线段也相互连通起来，成为一条新连通线段。

在车牌的同一水平区域内很少有干扰点产生，颜色对特征点构成的连通线段在这一行内是最长的。因此，只提取每行中最长的一条连通线段，其余的线段舍去。提取每行最长的一条连通线段的过程实际上是去除车牌左右大量干扰的过程，但车牌上下还有很多连通线段存在，需要继续去除干扰。通过车牌颜色对的特点，去除伪车牌区域的连通线段，具体做法如下：

(C1，C2)为2)为车牌

N_c1为连通域内C1颜色的像素点数目

N_c2为连通域内C2颜色的像素点数目

Length为连通线的长度

T为为联通域内C1和2切切换切换                           (6)

if(N_c1+N_c2)/Length>N_threshold∩T>T_threshold

保留连留连

else去除连除连通线(伪车域)

其中，N_threshold为颜色对像素占连通线的百分比阈值，T_threshold为颜色对之间跳变的次数阈值。

伪车牌的连通线去除以后，保留下来的每一行的连通线就作为各种颜色对特征点的候选连通线了。

对于被标记出的连续各行中，以连通域的边缘作为车牌的四个边界，在原彩色图像中，划定一个矩形的车牌候选区。

在提取候选车牌区的过程中，如果从蓝白特征点、黄黑特征点和白黑特征点的三种候选连通线里得到了多个车牌候选区，则按如下步骤定候选的车牌区：

(1)根据候选区的长宽比，排除一些明显不符合车牌比例的区域；

(2)在剩下的候选区中，考虑到车牌在车辆正脸的下方，所以认为多

个候选区里，处于车辆正脸图像下方1/3处的候选区是车牌区。

对绝大部分车牌，确定好了的车牌区都不能把整个车牌全部包含，这主要是以下两方面的原因：

(1)由于车牌区域第二和第三个字符之间的空隙比其他字符之间的空隙要大，所以有可能在膨胀的时候，左边两个字符并没有与右边五个字符连通起来，导致左边两个字符未被包含进车牌区。

(2)由于车牌本身是倾斜的，用两条黑色线条把位于尖角附近的若干行车牌区域隔离开来作为示例，这部分尖角区域的车牌像素经过膨胀连通后，可能因为长度不够或字符与底色跳变次数较少等原因，会被作为伪车牌连通线去除。

因此，在得到了候选的车牌区域后，需要对车牌区域进行扩展，得到最终的车牌区域。

以颜色对特征点的数目作为区域扩张的判断条件，这是为了防止车身与车牌底色相同而导致扩张过大，所以采用更不易受车牌外区域干扰的颜色对特征点作为判断条件。从确定好的车牌区开始扩张，采用如下步骤：

(1)边界向外扩张4个像素，获得一个扩展出来的区域；

(2)如果这个区域内的颜色对特征点数大于5，则将这个区域也归入车牌区；

(3)重复上述两个步骤，直到扩展区域内的颜色对点数不大于5，则停止扩张；

(4)提取该区域的最小外接矩形，确定车牌的上下左右四个边界，返回到原输入的彩色图像中提取车牌。

Claims (7)

1、一种高清视频中的实时抗干扰车牌定位方法，包括如下步骤：(1)从图像采集设备获取视频帧；(2)使用基于Haar特征的Adaboost算法构建了多个弱分类器，并将这些弱分类器首尾进行连接，一个弱分类器的输出作为另一个分类器的输入，得到一个级联的强分类器，对视频帧进行车辆检测，得到包含车牌区域的车辆前脸图像；(3)计算并得到车辆前脸图像的纹理特征点；(4)根据纹理特征点，并结合我国车牌固定的颜色搭配，计算得到四种颜色特征点，即蓝底白字、黄底蓝字、黑底白字和白底黑字边缘特征点；(5)去掉四种边缘特征点中的干扰信息点后，提取同一水平区域中的连通线段，得到每行中的候选连通线，计算候选车牌区域；(6)对候选车牌区域进行融合和扩展，对被标记的连续各行中，以连通域的边缘作为车牌的四个边界，在彩色图像中，划定一个矩形的初始车牌候选区，通过将边界不断向外扩张4个像素，获得扩展出来的区域，如果新的扩展区域内的颜色对特征点数不大于5，则停止扩张，得到最终的车牌区域。

2、根据权利要求1所述的一种高清视频中的实时抗干扰车牌定位方法，其特征在于：步骤(2)中所述的级联的强分类器的设计是由提取车前脸特征值和使用Adaboost算法提取特征值设计弱分类器两个部分组成，提取的车前脸特征有边缘特征、对称特征和中心特征共三大类、十二小类特征点，这些特征点均由Haar特征演变而来；在使用Adaboost算法提取特征值设计弱分类器时，根据车辆前脸的图像特点，先扫描整幅图像的滑动窗口的中心区域计算中心特征，然后在子窗口的边缘部分计算边缘特征；根据这些先验知识去除大部分无效矩形特征后，再利用AdaBoost算法挑选出对车辆前脸区分性最好的矩形特征，构建每个弱分类器，当弱分类器的误检率小于设定阈值时，停止构建弱分类器，将所有已构建的弱分类器首位相连，得到一个级联的强分类器，用于对高清视频进行车辆前脸图像的检测。

3、根据权利要求1所述的一种高清视频中的实时抗干扰车牌定位方法，其特征在于：在步骤(2)所述的使用Adaboost算法提取特征值设计弱分类器时，需要大量的车辆前脸图像集合和道路等背景干扰图像集合来构造正负样本库；训练分类器时将正样本的窗口归一化；为了检测到各种尺寸的车辆，采用图像金字塔的扫描方式，将图像在一定范围内依次进行尺寸的缩放，将缩放后的图像作为待检图像的输入，输出结果为可能的车辆前脸区域，对结果的融合后得到检测到的车辆前脸区域。

4、根据权利要求1所述的一种高清视频中的实时抗干扰车牌定位方法，其特征在于：步骤(3)中所述的图像的纹理特征点按如下公式计算：

Gray(i，j)＝|p(i，j)-p(i，j-1)|+|p(i，j+1)-p(i，j)|

其中p(i，j)代表像素点(i，j)的灰度，(i，j-1)和(i，j+1)分别是像素点(i，j)左右相邻的像素，Gray(i，j)表示像素点(i，j)的差分值。

5、根据权利要求1所述的一种高清视频中的实时抗干扰车牌定位方法，其特征在于：步骤(4)中四种边缘特征点的计算利用了车牌固定的颜色搭配，分别为白底黑字、蓝底白字、黑底白字和黄底黑字四种，把颜色信息和边缘信息融合起来，得到蓝底白字、黄底蓝字、黑底白字和白底黑字边缘特征点；在更接近人眼视觉特性的HSV颜色空间中，各种车牌颜色的阈值范围通过样本车牌的颜色值统计得到。

6、根据权利要求1所述的一种高清视频中的实时抗干扰车牌定位方法，其特征在于：步骤(5)中去除干扰信息点后，可以从白底黑字、蓝底白字、黑底白字和黄底黑字四种边缘特征点中提取多条连通曲线，并得到多个连通边界，此时按如下步骤确定原始彩色图像中的初始车牌区域：

(1)根据候选区的长宽比，排除一些明显不符合车牌比例的区域；

(2)在剩下的候选区中，考虑到车牌在车辆前脸的下方，所以认为多个候选区里，处于车辆前脸图像下方1/3处的候选区是车牌区。

7、根据权利要求1所述的一种高清视频中的实时抗干扰车牌定位方法，其特征在于：在步骤(6)中确定初始车牌区域后，需要对车牌区进行扩张，此时采用更不易受车牌外区域干扰的颜色对特征点作为判断条件，按如下步骤进行：

(1)边界向外扩张4个像素，获得一个扩展出来的区域；

(2)如果这个区域内的颜色对特征点数大于5，则将这个区域也归入车牌区；

(3)重复(1)和(2)，直到扩展区域内的颜色对点数不大于5，停止扩张；

(4)提取该区域的最小外接矩形，确定车牌的上下左右四个边界，返回到原输入的彩色图像中提取车牌。

Images