CN101976340A - 基于压缩域的车牌定位方法 - Google Patents
基于压缩域的车牌定位方法 Download PDFInfo
- Publication number
- CN101976340A CN101976340A CN 201010504875 CN201010504875A CN101976340A CN 101976340 A CN101976340 A CN 101976340A CN 201010504875 CN201010504875 CN 201010504875 CN 201010504875 A CN201010504875 A CN 201010504875A CN 101976340 A CN101976340 A CN 101976340A
- Authority
- CN
- China
- Prior art keywords
- mrow
- license plate
- msub
- matrix
- msubsup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 100
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000006837 decompression Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车牌定位方法,通过部分解压提取被检测图像压缩域DCT变换系数矩阵参数构建纹理垂直频率矩阵和纹理水平频率矩阵,通过阈值法将纹理垂直频率矩阵转换成车牌二值模板矩阵,再通过形态学计算,纹理垂直、水平频率矩阵的频率密度值判断法以及波峰波谷阈值法对车牌二值模板矩阵进行校正,进而确认其对应的被检测图像上的车牌区域;本发明简化了DCT变换矩阵的特征量,提高了运算速度;通过构建车牌二值模板矩阵来判断车牌区域,简化了车牌检测判断方法的复杂度;利用形态学计算实现了多车牌区域的检测,通过纹理垂直、水平频率矩阵的频率密度值判断法以及波峰波谷阈值法引入车牌二值模板校正机制,提高了检测精度。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种车牌定位方法。
背景技术
现有技术对车牌定位方法的研究主要分为基于颜色特征的车牌定位方法和基于纹理特征的车牌定位方法。基于颜色特征的车牌定位方法主要思想是根据车牌区域的底色和字符颜色有标准地匹配,车牌区域和非车牌区域的颜色区别很大,因此将车辆图像从RGB彩色空间转化到HSI(或HSV)彩色空间,然后对其进行分析提取,并结合形态学算法和车牌的自身特点进行定位,基于颜色特征的算法受光照条件和气候的影响,如夜晚、大雾等情况下,此类方法检测精度低。
基于纹理特征的车牌定位方法通常都是在灰度图像下进行处理,采用各种工具(如:小波变换、各种边缘检测和频域滤波等)提取车牌的纹理特征,然后进行相应的后续处理来进行车牌定位;基于纹理特征的算法在复杂背景的情况下效果不理想,且运算量较大,时效性较差。
发明内容
有鉴于此,为了解决上述问题,本发明公开了一种基于压缩域的车牌定位方法,解决了车牌定位中运算复杂、实时性差、定位精度低的问题。
本发明的目的是这样实现的:基于压缩域的车牌定位方法,包括以下步骤:
1)将被检测JPEG格式图像经哈夫曼编码解码、DCT逆量化获得一组DCT变换系数矩阵;具体包括以下步骤:
11)对被检测JPEG格式图像的压缩数据进行哈夫曼编码解码,得到游程编码码流;
12)对游程编码码流进行DCT逆量化,得到一组大小为w×w的DCT变换系数矩阵,其中w为正整数,每一DCT变换系数矩阵对应于被检测图像中大小为w×w的一个分割块,该系数矩阵的元素满足:Ch,k(i,j);
其中,i=1,...,n;j=1,...,m;n对应于被检测JPEG格式的图像进行DCT变换时纵向分割的块数,m对应于被检测JPEG格式的图像进行DCT变换时横向分割的块数;n×m为DCT变换系数矩阵的个数;(i,j)表示该组DCT变换系数矩阵中的第i行与第j列标识的一个DCT变换系数矩阵,h,k分别表示第(i,j)个DCT变换系数矩阵中的第h行,k列的元素。
2)选取各DCT变换系数矩阵中的横向、纵向和对角线方向上的参数,构建被检测图像的纹理垂直频率矩阵和纹理水平频率矩阵;具体包括以下步骤:
21)对各个DCT变换系数矩阵进行横向参数和对角线参数提取,求得图像的纹理垂直频率矩阵DC,该矩阵元素满足:
其中,w1,w′1∈[0,w-1]且w1<w′1;
22)对各个DCT变换系数矩阵进行纵向参数和对角参数提取,求得图像的纹理水平频率矩阵DC′,该矩阵元素满足:
其中,w2,w′2∈[0,w-1]且w2<w′2;
3)对纹理垂直频率矩阵DC进行平滑处理获得相同大小平滑后的纹理垂直频率矩阵FDC;
4)对平滑后的纹理垂直频率矩阵利用平均值阈值法构建车牌二值模板矩阵,取值为1的矩阵元素聚集区为车牌候选区,具体包括以下步骤:
41)求取平滑后的纹理垂直频率矩阵FDC的平均值:
42)求取车牌二值模板矩阵MDC,其元素满足:
其中:thr1=3*mean,将MDC中连续取值为1的元素聚集区划分为车牌候选区。
进一步,步骤3)中的平滑过程为:
FDC(i,j)=DC(i,j)*Fb
其中,Fb为平滑因子,对纹理垂直频率矩阵DC采用平滑因子Fb卷积进行平滑处理;
进一步,步骤4)之后,还包括如下步骤:
5)对各车牌候选区利用形态学算子去噪,对去噪后的各车牌候选区进行水平校正,具体包括以下步骤:
51)运用一个2×2方形算子对步骤4)确认的车牌候选区进行开运算;运用2×4矩形算子对开运算后的车牌候选区进行闭运算;采用一个长为4的线性算子对闭运算后的车牌候选区再次进行开运算;
52)求取平滑后的纹理垂直频率矩阵映射于步骤51)确认的各车牌候选区的水平投影频率密度为:
其中,HorNumi(k)=∑lMDC(k,l),FDC(k,l)∈Rbt ,k≤Row≤n,l≤Col≤m,Rbt表示第t个车牌候选区,Row为该区域行数,Col为该区域列数;
Horprot代表第t个候选车牌区域的水平投影频率密度;
53)求取相邻水平投影频率密度的差为:
ΔHorprot(k)=Horprot(k)-Horprot(k-1);
其中,当差为正代表波峰,否则为波谷,将波谷对应的车牌二值模板矩阵MDC行置零,分割开各车牌区域;
进一步,步骤5)之后,还包括以下步骤:
6)利用矩形框匹配车牌候选区,将匹配失败的车牌候选区元素置零,具体包括以下步骤:
61)利用位置和大小变化的移动矩形框对车牌候选区进行匹配,匹配公式如下:
其中,MDC(k,l)∈Fbt,k≤Row≤n,l≤Col≤m,Fbt表示与车牌候选区对应的第t个矩形框,Row为该矩形框行数,Col为该矩形框列数,PerMDC表示车牌候选区域映射到该矩形框中的取值为1的元素的密度;
62)当PerMDC大于预设定阈值thr2时,该移动矩形框所对应的车牌候选区为真;否则,该车牌候选区为假,将该车牌候选区元素置零;
进一步,步骤6)之后,还包括以下步骤:
7)分别求取纹理水平频率矩阵和纹理垂直频率矩阵映射于步骤6)获得的车牌候选区中的水平频率密度值和垂直频率密度值,通过判断各频率密度值是否在设定阈值范围内,再次确认车牌候选区,具体包括以下步骤;
71)将纹理水平频率矩阵和纹理垂直频率矩阵分别映射于步骤6)确认的车牌候选区,映射公式如下:
其中,DC(k,l),D′C(k,l)∈Rbt,k≤Row≤n,l≤Col≤m,Rbt为第t个车牌候选区,Row和col分别为该车牌候选区的行数和列数,为DC映射于该车牌候选区的水平频率密度,为D′C映射于该车牌候选区的垂直频率密度;
进一步,预备设定的阈值范围thr3为[0.7,2];
进一步,步骤7)之后,还包括以下步骤:
8)根据纹理垂直频率矩阵映射到步骤7)确认的车牌候选区中的垂直投影频率密度的分布情况,再次确认车牌候选区:具体包括以下步骤:
81)求取纹理垂直频率矩阵映射到步骤7)确认的车牌候选区中的垂直投影频率密度:
其中,VerNum(l)=∑kMDC(k,l),MDC(k,l),k≤Row≤n,l≤Col≤m,Rbt为第t个车牌候选区,Row为该区域行数,Col为该区域列数,Verprot(l)为垂直投影频率密度;
82)求取相邻垂直投影频率密度的差为:
ΔHorprot(k)=Horprot(k)-Horprot(k-1);
其中,当差为正代表波峰,否则为波谷,当车牌候选区内的波峰与波谷个数和大于等于2时,判断该车牌候选区为真,否则为假。
本发明的有益效果是:本发明在对被检测图像压缩域的多个DCT变换矩阵分块进行纵向和横向特征部分提取,构建纹理垂直频率矩阵和纹理水平频率矩阵,通过纹理垂直频率矩阵的平均值阈值判断二值化初步判断车牌位置,实现了车牌实时检测,减少了数据的运算量的同时保证了检测精度;
利用形态学算子对车牌候选区去噪,利用开、闭运算算子结合,降低了噪声对车牌区域的影响;
引入纹理垂直频率矩阵和纹理水平频率矩阵在车牌区域频率密度值判断机制,进一步提高了车牌检测精度;
引入纹理垂直频率矩阵纵向、横向投影波峰、波谷判断机制,进一步提高了车牌检测精度。
附图说明
图1为本发明检测流程图;
图2为被检测原图像;
图3为纹理垂直频率矩阵在原图像上的映射;
图4为平滑后的纹理垂直频率矩阵在原图像上的映射;
图5为车牌二值模板矩阵在原图像上圈定的车牌候选区;
图6为经历形态算子去噪后的车牌候选区;
图7为车牌候选区的水平投影频率密度示意图;
图8为车牌候选区的垂直投影频率密度示意图;
图9为最终检测结果图。
具体实施方式
以下将对本发明的优选实施例进行详细地描述。
图1示出了本发明公开了一种车牌定位方法流程,包括有如下步骤:
一、车牌区域初步检测
1)对被检测JPEG格式的图像压缩数据进行哈夫曼编码(Huffman)解码,得到游程编码(RLE)码流;
2)对游程编码码流进行DCT逆量化,得到一组大小为w×w的DCT变换系数矩阵,每一DCT变换系数矩阵对应于被检测图像中大小为w×w的一个分割块,该系数矩阵的元素满足:Ch,k(i,j);
其中,i=1,...,n;j=1,...,m;n对应于被检测JPEG格式的图像进行DCT变换时纵向分割的块数,m对应于被检测JPEG格式的图像进行DCT变换时横向分割的块数;n×m为DCT变换系数矩阵的个数;(i,j)表示该组DCT变换系数矩阵中的第i行与第l列标识的一个DCT变换系数矩阵,h,k分别表示第(i,j)个DCT变换系数矩阵中的第h行,k列的元素;
3)对各个DCT系数矩阵进行横向参数和对角线参数部分提取,求得图像的纹理垂直频率矩阵DC,该矩阵元素满足:
根据DCT变换系数矩阵特点,在横向选取4个参数信息,在对角线方向只选取了两点位置的方向信息,这样就可满足对车牌在垂直方向信息的提取。
图2为原被检测图像;图3示出了纹理垂直频率矩阵在原图像上的映射区域。
4)对各个DCT系数矩阵进行纵向参数和对角参数提取,求得图像的纹理水平频率矩阵DC′,该矩阵元素满足:
根据DCT变换系数矩阵特点,在纵向选取4个参数信息,在对角线方向只选取了两点位置的方向信息,这样就可满足对车牌在水平方向信息的提取。
5)对纹理垂直频率矩阵DC采用平滑因子Fb卷积进行平滑处理获得平滑后的纹理垂直频率矩阵FDC:
FDC(i,j)=DC(i,j)*Fb
其中,
图4示出了平滑后的纹理垂直频率矩阵在原图像上的映射区域。
6)求取平滑后的纹理垂直频率矩阵FDC的平均值:
求取车牌二值模板矩阵MDC,其元素满足:
其中:thr1=3*mean,MDC中连续为取值为1的元素聚集区为车牌候选区。
图5示出了车牌二值模板矩阵在原图像上圈定的车牌候选区。
7)采用形态学算子对步骤6)确定的车牌候选区去噪:
71)运用一个2×2方形算子对车牌候选区进行开运算,断开与车牌相连的噪声;开运算算子指定为2×2方形算子,解决了国内车牌中第2个字符和第3个字符间距较大容易被误分为两个车牌候选区的问题,同时解决了车牌数字中含有连续1使得车牌区域在开运算后变得不连续的情况,从而防止漏检的发生。
72)运用2×4矩形算子进行对车牌候选区进行闭运算,填补车牌区域中存在的空隙;
73)采用一个长为4的线性算子对车牌候选区进行开运算,将通过步骤72)闭运算后产生的与车牌上下相连的噪声进行分割。
图6示出了经历形态算子去噪后的车牌候选区。
8)求取纹理水平频率矩阵映射于步骤7)确认的各车牌候选区的水平投影频率密度为:
其中,HorNumt(k)=∑lMDC(k,l),FDC(k,l)∈Rbt,k≤Row≤n,l≤Col≤m,Rbt表示第t个车牌候选区,Row为该区域行数,Col为该区域列数;
Horrot代表第t个候选车牌区域的水平投影频率密度;
图7示出了一个车牌候选区的水平投影频率密度。
求取相邻水平投影频率密度的差为:
ΔHorprot(k)=Horprot(k)-Horprot(k-1);
其中,当差为正代表波峰,否则为波谷,波峰表示该行对应的被检测图像区域存在车牌信息,波谷表示该行对应的被检测图像区域存在车牌间的间隔信息;将波谷对应的车牌二值模板矩阵MDC行置零,分割开各车牌区域。
二、车牌区域精度检测
9)利用位置和大小变化的移动矩形框对车牌候选区进行匹配,匹配公式如下:
其中,MDC(k,l)∈Fbt,k≤Row≤n,l≤Col≤m,Fbt表示与车牌候选区对应的第t个矩形框,Row为该矩形框行数,Col为该矩形框列数,PerMDC表示车牌候选区域映射到该矩形框中的取值为1的元素的密度;
当PerMDC大于预设定阈值thr2,根据经验值可设定thr2为0.78,该移动矩形框所对应的车牌候选区为真;否则,该车牌候选区为假,将该车牌候选区元素置零。
10)将纹理水平频率矩阵和纹理垂直频率矩阵分别映射于步骤9)确认的车牌候选区,映射公式如下:
其中,DC(k,l),D′C(k,l)∈Rbt,k≤Row≤n,l≤Col≤m,Rbt为第t个车牌候选区,Row和col分别为该车牌候选区的行数和列数,为Dc映射于该车牌候选区的水平频率密度,为Dc’映射于该车牌候选区的垂直频率密度;
11)根据纹理垂直频率矩阵映射到步骤10)确认的车牌候选区中的垂直投影频率密度的分布情况,再次确认车牌候选区;
求取纹理垂直频率矩阵映射到步骤10)确认的车牌候选区中的垂直投影频率密度:
其中,VerNum(l)=∑kMDC(k,l),MDC(k,l),k≤Row≤n,l≤Col≤m,Rbt为第t个车牌候选区,Row为该区域行数,Col为该区域列数,Verprot(l)为垂直投影频率密度;
图8示出了一个车牌候选区的垂直投影频率密度。
求取相邻垂直投影频率密度的差为:
ΔHorprot(k)=Horprot(k)-Horprot(k-1);
其中,当差为正代表波峰,否则为波谷,当车牌候选区内的波峰与波谷个数和大于等于2时,判断该车牌候选区为真,否则为假。
本发明公开的车牌检测方法可应用于彩色、黑白的jpeg、jpg格式图像。
以上所述仅为本发明的优选并不用于限制本发明,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.基于压缩域的车牌定位方法,其特征在于:包括以下步骤:
1)将被检测JPEG格式图像经哈夫曼编码解码、DCT逆量化获得一组DCT变换系数矩阵;具体包括以下步骤:
11)对被检测JPEG格式图像的压缩数据进行哈夫曼编码解码,得到游程编码码流;
12)对游程编码码流进行DCT逆量化,得到一组大小为w×w的DCT变换系数矩阵,其中w为正整数,每一DCT变换系数矩阵对应于被检测图像中大小为w×w的一个分割块,该系数矩阵的元素满足:Ch,k(i,j);
其中,i=1,...,n;j=1,...,m;n对应于被检测JPEG格式的图像进行DCT变换时纵向分割的块数,m对应于被检测JPEG格式的图像进行DCT变换时横向分割的块数;n×m为DCT变换系数矩阵的个数;(i,j)表示该组DCT变换系数矩阵中的第i行与第j列标识的一个DCT变换系数矩阵,h,k分别表示第(i,j)个DCT变换系数矩阵中的第h行,k列的元素;
2)选取各DCT变换系数矩阵中的横向、纵向和对角线方向上的参数,构建被检测图像的纹理垂直频率矩阵和纹理水平频率矩阵;具体包括以下步骤:
21)对各个DCT变换系数矩阵进行横向参数和对角线参数提取,求得图像的纹理垂直频率矩阵DC,该矩阵元素满足:
其中,w1,w′1∈[0,w-1]且w1<w′1;
22)对各个DCT变换系数矩阵进行纵向参数和对角参数提取,求得图像的纹理水平频率矩阵DC′,该矩阵元素满足:
其中,w2,w′2∈[0,w-1]且w2<w′2;
3)对纹理垂直频率矩阵DC进行平滑处理获得相同大小平滑后的纹理垂直频率矩阵FDC;
4)对平滑后的纹理垂直频率矩阵利用平均值阈值法构建车牌二值模板矩阵,取值为1的矩阵元素聚集区为车牌候选区,具体包括以下步骤:
41)求取平滑后的纹理垂直频率矩阵FDC的平均值:
42)求取车牌二值模板矩阵MDC,其元素满足:
其中:thr1=3*mean,将MDC中连续取值为1的元素聚集区划分为车牌候选区。
3.如权利要求1或2所述的基于压缩域的车牌定位方法,其特征在于:步骤4)之后,还包括如下步骤:
5)对各车牌候选区利用形态学算子去噪,对去噪后的各车牌候选区进行水平校正,具体包括以下步骤:
51)运用一个2×2方形算子对步骤4)确认的车牌候选区进行开运算;运用2×4矩形算子对开运算后的车牌候选区进行闭运算;采用一个长为4的线性算子对闭运算后的车牌候选区再次进行开运算;
52)求取平滑后的纹理垂直频率矩阵映射于步骤51)确认的各车牌候选区的水平投影频率密度为:
其中,HorNumt(k)=∑lMDC(k,l),FDC(k,l)∈Rbt,k≤Row≤n,l≤Col≤m,Rbt表示第t个车牌候选区,Row为该区域行数,Col为该区域列数;
Horprot代表第t个候选车牌区域的水平投影频率密度;
53)求取相邻水平投影频率密度的差为:
ΔHorprot(k)=Horprot(k)-Horprot(k-1);
其中,当差为正代表波峰,否则为波谷,将波谷对应的车牌二值模板矩阵MDC行置零,分割开各车牌区域。
4.如权利要求3所述的基于压缩域的车牌定位方法,其特征在于:步骤5)之后,还包括以下步骤:
6)利用矩形框匹配车牌候选区,将匹配失败的车牌候选区元素置零,具体包括以下步骤:
61)利用位置和大小变化的移动矩形框对车牌候选区进行匹配,匹配公式如下:
其中,MDC(k,l)∈Fbt,k≤Row≤n,l≤Col≤m,Fbt表示与车牌候选区对应的第t个矩形框,Row为该矩形框行数,Col为该矩形框列数,PerMDC表示车牌候选区域映射到该矩形框中的取值为1的元素的密度;
62)当PerMDC大于预设定阈值thr2时,该移动矩形框所对应的车牌候选区为真;否则,该车牌候选区为假,将该车牌候选区元素置零。
5.如权利要求4所述的基于压缩域的车牌定位方法,其特征在于:步骤6)之后,还包括以下步骤:
7)分别求取纹理水平频率矩阵和纹理垂直频率矩阵映射于步骤6)获得的车牌候选区中的水平频率密度值和垂直频率密度值,通过判断各频率密度值是否在设定阈值范围内,再次确认车牌候选区,具体包括以下步骤;
71)将纹理水平频率矩阵和纹理垂直频率矩阵分别映射于步骤6)确认的车牌候选区,映射公式如下:
其中,DC(k,l),D′C(k,l)∈Rbt,k≤Row≤n,l≤Col≤m,Rbt为第t个车牌候选区,Row和col分别为该车牌候选区的行数和列数,为DC映射于该车牌候选区的水平频率密度,为D′C映射于该车牌候选区的垂直频率密度;
6.如权利要求5所述的基于压缩域的车牌定位方法,其特征在于:
预备设定的阈值范围thr3为[0.7,2]。
7.如权利要求5或6所述的基于压缩域的车牌定位方法,其特征在于:步骤7)之后,还包括以下步骤:
8)根据纹理垂直频率矩阵映射到步骤7)确认的车牌候选区中的垂直投影频率密度的分布情况,再次确认车牌候选区:具体包括以下步骤:
81)求取纹理垂直频率矩阵映射到步骤7)确认的车牌候选区中的垂直投影频率密度:
其中,VerNum(l)=∑kMDC(k,l),MDC(k,l),k≤Row≤n,l≤Col≤m,Rbt为第t个车牌候选区,Row为该区域行数,Col为该区域列数,Verprot(l)为垂直投影频率密度;
82)求取相邻垂直投影频率密度的差为:
ΔHorprot(k)=Horprot(k)-Horprot(k-1);
其中,当差为正代表波峰,否则为波谷,当车牌候选区内的波峰与波谷个数和大于等于2时,判断该车牌候选区为真,否则为假。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010504875 CN101976340B (zh) | 2010-10-13 | 2010-10-13 | 基于压缩域的车牌定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010504875 CN101976340B (zh) | 2010-10-13 | 2010-10-13 | 基于压缩域的车牌定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101976340A true CN101976340A (zh) | 2011-02-16 |
CN101976340B CN101976340B (zh) | 2013-04-24 |
Family
ID=43576224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010504875 Expired - Fee Related CN101976340B (zh) | 2010-10-13 | 2010-10-13 | 基于压缩域的车牌定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101976340B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214290A (zh) * | 2010-04-12 | 2011-10-12 | 无锡科利德斯科技有限公司 | 车牌定位方法及车牌定位模板训练方法 |
CN102509091A (zh) * | 2011-11-29 | 2012-06-20 | 北京航空航天大学 | 一种飞机尾号识别方法 |
CN102646195A (zh) * | 2012-02-21 | 2012-08-22 | 北京工业大学 | 基于jpeg压缩图像的车牌定位方法 |
CN105550684A (zh) * | 2015-12-14 | 2016-05-04 | 广东安居宝数码科技股份有限公司 | 基于图像的车牌定位方法及其系统 |
CN106600655A (zh) * | 2016-11-15 | 2017-04-26 | 昂纳自动化技术(深圳)有限公司 | 基于行程编码的任意结构元的快速区域腐蚀算法及装置 |
CN110458998A (zh) * | 2019-07-11 | 2019-11-15 | 深圳怡化电脑股份有限公司 | 票据检测方法、票据检测装置及终端 |
CN113114934A (zh) * | 2021-03-31 | 2021-07-13 | 太原理工大学 | 尿红细胞多焦距视频采集方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0751475A2 (en) * | 1995-06-29 | 1997-01-02 | Omron Corporation | Image processing method and device and scanner and printer equipped with same |
US20040170326A1 (en) * | 2003-01-27 | 2004-09-02 | Tomonori Kataoka | Image-processing method and image processor |
CN101105893A (zh) * | 2006-07-14 | 2008-01-16 | 沈阳江龙软件开发科技有限公司 | 一种车辆视频识别测速方法 |
CN101216893A (zh) * | 2008-01-08 | 2008-07-09 | 上海大学 | 视频运动阴影检测方法 |
CN101334837A (zh) * | 2008-07-31 | 2008-12-31 | 重庆大学 | 一种多方法融合的车牌图像定位方法 |
-
2010
- 2010-10-13 CN CN 201010504875 patent/CN101976340B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0751475A2 (en) * | 1995-06-29 | 1997-01-02 | Omron Corporation | Image processing method and device and scanner and printer equipped with same |
US20040170326A1 (en) * | 2003-01-27 | 2004-09-02 | Tomonori Kataoka | Image-processing method and image processor |
CN101105893A (zh) * | 2006-07-14 | 2008-01-16 | 沈阳江龙软件开发科技有限公司 | 一种车辆视频识别测速方法 |
CN101216893A (zh) * | 2008-01-08 | 2008-07-09 | 上海大学 | 视频运动阴影检测方法 |
CN101334837A (zh) * | 2008-07-31 | 2008-12-31 | 重庆大学 | 一种多方法融合的车牌图像定位方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214290A (zh) * | 2010-04-12 | 2011-10-12 | 无锡科利德斯科技有限公司 | 车牌定位方法及车牌定位模板训练方法 |
CN102509091A (zh) * | 2011-11-29 | 2012-06-20 | 北京航空航天大学 | 一种飞机尾号识别方法 |
CN102646195A (zh) * | 2012-02-21 | 2012-08-22 | 北京工业大学 | 基于jpeg压缩图像的车牌定位方法 |
CN105550684A (zh) * | 2015-12-14 | 2016-05-04 | 广东安居宝数码科技股份有限公司 | 基于图像的车牌定位方法及其系统 |
CN106600655A (zh) * | 2016-11-15 | 2017-04-26 | 昂纳自动化技术(深圳)有限公司 | 基于行程编码的任意结构元的快速区域腐蚀算法及装置 |
CN110458998A (zh) * | 2019-07-11 | 2019-11-15 | 深圳怡化电脑股份有限公司 | 票据检测方法、票据检测装置及终端 |
CN110458998B (zh) * | 2019-07-11 | 2021-11-16 | 深圳怡化电脑股份有限公司 | 票据检测方法、票据检测装置及终端 |
CN113114934A (zh) * | 2021-03-31 | 2021-07-13 | 太原理工大学 | 尿红细胞多焦距视频采集方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101976340B (zh) | 2013-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101976340B (zh) | 基于压缩域的车牌定位方法 | |
CN110378849B (zh) | 基于深度残差网络的图像去雾去雨方法 | |
CN103595980B (zh) | 基于轮廓非局部均值的色彩滤波阵列图像去马赛克方法 | |
AU2022202669B2 (en) | Method for extracting oil storage tank based on high-spatial resolution remote sensing image | |
CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
CN112465846B (zh) | 基于填充策略的含云遥感图像压缩方法 | |
CN105049851A (zh) | 基于色彩感知的通用无参考图像质量评价方法 | |
CN110782409B (zh) | 一种去除多运动物体阴影的方法 | |
CN110956183A (zh) | 一种沥青路面裂缝形态提取方法 | |
Danielyan et al. | Noise variance estimation in nonlocal transform domain | |
CN107909083A (zh) | 一种基于轮廓匹配优化的矩形检测提取方法 | |
CN117274820B (zh) | 一种测绘地理信息地图数据采集方法及系统 | |
CN110728690B (zh) | 一种利用小波变换对图像进行边缘平滑处理的抠图方法 | |
CN103106663B (zh) | 计算机系统中基于图像处理实现sim卡缺陷检测的方法 | |
CN105469358B (zh) | 一种图像处理方法 | |
CN103533344B (zh) | 基于多尺度分解的压缩图像质量无参评估方法 | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
CN109447952B (zh) | 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法 | |
JP6722651B2 (ja) | 画像のタイプに応じて圧縮アルゴリズムを選択する方法 | |
CN101296312A (zh) | 小波与小曲模糊自适应联合的图像去噪方法 | |
CN109598205A (zh) | 基于Gabor变换的指纹特征提取与压缩编码的方法 | |
CN102646195B (zh) | 基于jpeg压缩图像的车牌定位方法 | |
CN101930599B (zh) | 一种医学图像增强方法及系统 | |
CN112070081B (zh) | 一种基于高清视频的智能化车牌识别方法 | |
Meenakshisundaram | Quality assessment of IKONOS and Quickbird fused images for urban mapping |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130424 Termination date: 20131013 |