CN102214290A - 车牌定位方法及车牌定位模板训练方法 - Google Patents

Abstract

本发明揭露了一种车牌定位方法，所述方法包括：将彩色车牌图像进行灰度转换得到灰度车牌图像；对所述灰度车牌图像进行垂直边缘计算得到垂直边缘图像；利用车牌定位模板对垂直边缘图像进行卷积处理得到车牌定位图像；和根据所述车牌定位图像定位出车牌位置。与现有技术相比，本发明通过在具体实施环境采样图像训练车牌定位模板，并利用所述车牌定位模版进行车牌定位，可以以较快的速度和准确率定位车牌图像中的车牌区域。

Description

车牌定位方法及车牌定位模板训练方法

【技术领域】

本发明涉及图像处理技术领域，特别涉及车牌识别技术中的车牌定位技术。

【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，车牌识别技术则是智能交通系统的核心，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，车牌识别技术广泛应用于车辆收费与管理、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。随着计算机性能的提高和图像处理技术的发展，车牌识别技术已经日趋成熟。

车牌识别过程基本分为三个步骤：车牌定位、字符切割和字符识别。其中车牌定位技术是车牌识别技术中至关重要的一步，作为整个车牌识别过程的第一步，车牌的成功定位与否直接影响到后续的步骤，从而决定了车牌识别的速度和识别率。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。比较普遍的车牌定位方法有：(1)利用车牌的彩色边缘分布特征的车牌定位方法；(2)利用车牌和文字颜色组合特点的车牌定位方法；(3)基于数学形态学的车牌定位方法等。

现有的车牌定位方法在光照和天气条件理想的条件下，针对车头车尾等部位，取得了很好的成果，但是由于车牌识别系统的应用越来越广泛，采集到的车牌图像场景越来越复杂，天气条件的变化程度导致采集到不同质量的车牌图像，在车牌的颜色信息不明显和边缘信息受到干扰时，现有方法的性能都不是很理想。

以基于数学形态学的车牌定位方法为例，图1示出了现有技术基于数学形态学的车牌定位方法的方法流程图，请参考图1，所述方法100是：步骤102，首先将采集到的彩色车牌图像转变成灰度车牌图像；步骤104，将所述灰度车牌图像利用图像边缘检测技术得到垂直边缘图像；步骤106，将所述垂直边缘图像进行数学形态学的膨胀运算，使得一些边界比较密集的地方能够粘连起来组成连通区域；步骤108，最后再通过聚类或者小波分析等技术判定那些大小合适的连通区域是否是车牌。

但是在实际情况中，在采集到的车牌图像质量不佳时，经过数学形态学膨胀处理后的车牌图像可能会出现以下缺点：1)经过膨胀运算的车牌图像中除了车牌的区域会粘连起来，一些其他的区域也会粘连起来，这样就形成了多个车牌候选区域，增加了后续处理的复杂度，如图2A所示；2)经过膨胀运算的车牌图像中的车牌部分经常会和车辆的其他部分粘连起来，使本来含车牌的区域被误认为不是车牌候选区域，如图2B所示；3)当车辆在车牌图像中的位置处于较远或较近时，车牌图像中的车牌位置大小是不同的，导致车牌图像在进行膨胀计算时的参数不易控制，例如参数只适合远处的车牌，那么近处的车牌就会出现断裂，如图2C所示，其中左为远处车牌图像，右为近处车牌图像。一旦处理过后的图片有这些缺点，将会给后续车牌识别带来较大困难，从而造成车牌定位慢和定位不准的现象。

因此，有必要提出一种新的技术方案来解决上述缺点。

【发明内容】

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

本发明的一个目的在于提供一种车牌定位方法，其可以以较快的速度和准确率定位车牌图像中的车牌区域。

本发明的另一个目的在于提供一种车牌定位模板训练方法，其可以训练出定位速度快、准确率高的车牌定位模板。

为了达到本发明的目的，根据本发明的一方面，本发明提供一种车牌定位方法，所述方法包括：

将彩色车牌图像进行灰度转换得到灰度车牌图像；对所述灰度车牌图像进行垂直边缘计算得到垂直边缘图像；利用车牌定位模板对垂直边缘图像进行卷积处理得到车牌定位图像；根据所述车牌定位图像定位出车牌位置。

进一步地，所述车牌定位模板是：

其中u、v均为整数，m和n分别为车牌定位模板的宽和高，其中A＜0，B＞0，δ_u≠0。

进一步地，所述对垂直边缘图像利用车牌定位模板进行卷积处理为：

$R^{\′}(x,y)=\underset{v=1}{\overset{n}{\mathrm{\Σ}}}\{\underset{u=1}{\overset{m}{\mathrm{\Σ}}}R(x-\frac{m-2u+1}{2},y-\frac{n-2v+1}{2})*G(u,v)\}$

其中，R′(x，y)表示卷积处理后车牌定位图像R′的像素(x，y)的像素值，R(x，y)表示垂直边缘图像R的像素(x，y)的像素值，

其中

x和y均为整数，W＞m，H＞n。

进一步地，所述根据所述车牌定位图像定位出车牌位置是指从卷积之后的车牌定位图像R′里找出最大像素值R′_max(x，y)的坐标(x_max，y_max)，以所述坐标(x_max，y_max)为中心，大小为n*m的区域就是车牌区域。

根据本发明的另一方面，本发明提供一种车牌定位模板的训练方法，用于确定车牌定位模板的参数，所述车牌定位模板为

，其包括：

构建车牌样本库和车辆样本库；设定若干组车牌定位模板参数，通过车牌样本库和车辆样本库来检测各组车牌定位模板参数的有效性；通过各组车牌定位模板参数的有效性中的最大值，选择最优车牌定位模板参数，其中每组车牌定位模板参数都包括有m、n、A、B和δ_u。

进一步地，所述车牌样本库包括若干张车牌样本图像，所述车牌样本图像获取过程包括：采集到彩色车辆图像；将所述彩色车辆图像经过灰度化和求垂直边缘得到的垂直边缘图像；去除垂直边缘图像中的除车牌部位外的其他信息即得到车牌样本图像；所述车辆样本库包括若干张车辆样本图像，所述车辆样本图像的获取过程包括：采集到彩色车辆图像；将所述彩色车辆图像经过灰度化和求垂直边缘得到的垂直边缘图像即为车辆样本图像。

进一步地，所述设定若干组车牌定位模板参数，通过车牌样本库和车辆样本库来检测各组车牌定位模板参数的有效性包括：

将一组车牌定位模板参数赋予所述车牌定位模板G(u，v)；

利用车牌定位模板G(u，v)对于每张车牌样本图像X_i进行卷积得到灰度图像Y_i，找出灰度图像Y_i中像素值大于0的像素点个数a_i和这a_i个像素点的像素值的总和C_ai，得到一个代表车牌定位模板对车牌区域敏感程度的比值t_a，

$t_a=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{C}_{\mathrm{ai}}/\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{a}_i,$ 其中i＝1，2，......，M；

利用车牌定位模板G(u，v)对于每张车辆样本图像E_i进行卷积得到灰度图像F_i，找出灰度图像F_i中像素值大于0的像素点个数b_i和这b_i个像素点的像素值的总和C_bi，得到一个代表车牌定位模板对车辆图像卷积之后对车辆图像的保留程度比值t_b，

$t_b=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{C}_{\mathrm{bi}}/\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{b}_i,$ 其中i＝1，2，......，N；

确定该组车牌定位模板参数的有效性为μ＝t_a/t_b。

进一步地，通过在车牌定位模板参数固定取值区间设定A、B和δ_u一个确定值，并且对m和n在取值区间选取若干个等步长的可能组合产生若干组待检测车牌定位模板参数，通过检测各个待检测车牌定位模板参数的有效性μ，其中最大有效性μ对应的车牌定位模板参数中的m和n取值就为m和n的最优取值。

进一步地，以m和n的最优取值为固定值，A、B和δ_u在取值区间选取若干个等步长的可能组合产生若干组待检测车牌定位模板参数，检测若干组各个待检测车牌定位模板参数的有效性μ，其中最大有效性μ对应的车牌定位模板参数中的A、B和δ_u的取值就为A、B和δ_u的最优取值。

与现有技术相比，本发明通过在具体实施环境采样图像训练车牌定位模板，并利用所述车牌定位模版进行车牌定位，可以以较快的速度和准确率定位车牌图像中的车牌区域。

【附图说明】

结合参考附图及接下来的详细描述，本发明将更容易理解，其中同样的附图标记对应同样的结构部件，其中：

图1为现有技术基于数学形态学的车牌定位方法的方法流程图；

图2A、图2B和图2C为现有技术基于数学形态学的车牌定位方法的缺点示意图；

图3为本发明中的车牌定位方法在一个实施例中的方法流程图；

图4A、图4B、图4C为本发明中的车牌定位方法的卷积处理过程在一个实施例中的示意图；和

图5为本发明车牌定位模板训练方法在一个实施例中的方法流程图。

【具体实施方式】

本发明的详细描述主要通过程序、步骤、逻辑块、过程或其他象征性的描述来直接或间接地模拟本发明技术方案的运作。为透彻的理解本发明，在接下来的描述中陈述了很多特定细节。而在没有这些特定细节时，本发明则可能仍可实现。所属领域内的技术人员使用此处的这些描述和陈述向所属领域内的其他技术人员有效的介绍他们的工作本质。换句话说，为避免混淆本发明的目的，由于熟知的方法、程序、成分和电路已经很容易理解，因此它们并未被详细描述。

此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。此外，表示一个或多个实施例的方法、流程图或功能框图中的模块顺序并非固定的指代任何特定顺序，也不构成对本发明的限制。

本发明中的车牌定位方法可以利用计算机结合相关程序实现成为一个车牌定位模块，位于整个车牌识别系统的车牌定位位置，将采集到的彩色车牌图像进行相关处理后输出一个坐标或区域代表车牌在所述彩色车牌图像的位置以利于后续程序的处理。为了突出重点，下面仅讲述与本发明有关的车牌定位技术，对于车牌识别系统的其他方面，本文不再累述。

请参考图3，其示出了本发明中的车牌定位方法300在一个实施例中的方法流程图。所述车牌定位方法300包括如下操作。

步骤302，将采集到的彩色车牌图像进行灰度转换得到灰度车牌图像。

这里需要将采集到的彩色车牌图像进行灰度化预处理，灰度车牌图像的大小可以为640*480或其它分辨率，可以将其看成是640*480或其它大小的矩阵，每个像素点就是矩阵的一个值，对于8位精度的图像来说，像素点的取值范围是(0～255)。当然，这一步骤也可以在车牌定位方法的之前进行，只要能得到灰度车牌图像即可。

步骤304，将灰度车牌图像进行垂直边缘计算得到垂直边缘图像。所述垂直边缘图像是二值图像，即每个像素点的值非1即0。

步骤306，利用车牌定位模板对垂直边缘图像进行卷积得到车牌定位图像。

设待处理的垂直边缘图像为R，大小为W*H，W和H分别为垂直边缘图像的宽和高。

所述车牌定位模板可以为G：

其中u，v均为整数，m和n分别为车牌定位模板的宽和高，A、B、δ_u决定卷积强度，A＜0，B＞0。

将所述车牌定位模板G与待处理的垂直边缘图像R进行卷积，设卷积之前垂直边缘图像R在(x，y)处的像素值为R(x，y)，那么卷积之后的车牌定位图像R′在(x，y)处的像素值R′(x，y)为：

$R^{\′}(x,y)=\underset{v=1}{\overset{n}{\mathrm{\Σ}}}\{\underset{u=1}{\overset{m}{\mathrm{\Σ}}}R(x-\frac{m-2u+1}{2},y-\frac{n-2v+1}{2})*G(u,v)\}$

其中，

x和y均为整数，W＞m，H＞n。

特别地，由于车牌定位模板中的值有正有负，为了便于处理，卷积之后的图像转换为灰度图像，所述灰度图像的取值范围是(0～255)。

在一个实施例中，所述车牌定位模板可以被看成是一个奇行奇列的矩阵G，如图4A所示，其中u，v都是整数，分别代表矩阵中的列和行，矩阵中的具体值通过G(u，v)计算得出，如第三列第四行的矩阵点值就为G(3，4)。所述利用车牌定位模板对垂直边缘图像进行卷积处理包括：在垂直边缘图像中选取一个与车牌定位模板矩阵G相同大小的部分区域R，其也可以看成一个如图4B所示的矩阵；将矩阵G和R进行卷积，将卷积结果作为定位车牌定位图像R′的对应于矩阵R的中心像素点的像素点的值，

${R^{\′}}_{(\frac{m+1}{2},\frac{n+1}{2})}=(G\left(\mathrm{1,1}\right)*R\left(\mathrm{1,1}\right)+G\left(\mathrm{2,1}\right)*R\left(\mathrm{2,1}\right)+G\left(\mathrm{3,1}\right)*R\left(\mathrm{3,1}\right)+...+G(m,n)*R(m,n))=\mathrm{sum}(R.*G)$

其中，.*表示两个矩阵中所有相同位置元素两两相乘，sum表示所有元素之和；将所述车牌定位模板矩阵G在垂直边缘图像上进行遍历，如图4C示出的从左到右、由上至下，从而可以得到定位车牌定位图像R′的各个像素点的值。

步骤308，根据所述车牌定位图像定位出车牌位置。在一个实施例中，从车牌定位图像R卷积之后的灰度图像R′里找出最大像素值的R′_max(x，y)的坐标(x_max，y_max)，以该坐标(x_max，y_max)为中心，大小为n*m的区域就是车牌区域。

接下来，详细对车牌定位模板G(u，v)进行介绍，其包括五个参数，A、B、m、n和δ_u，其中m和n与车牌定位模板的宽长有关，A、B和δ_u与车牌定位模板在卷积时的滤波强度有关。在具体进行车牌定位时，需要确定这五个参数，参数的取值不同，那么车牌定位模板G(u，v)所能适用的使用环境也不同。在实际使用中，由于采集图像时传感器与车辆的位置远近会导致车牌在图像中大小不同，光照、折射、雾和车辆种类不同等因素导致图像的噪点和无用信息大小不同。因此，在确定车牌定位模板G(u，v)的参数时主要确定三个方面：1、车牌定位模板G(u，v)的大小，即m和n的取值；2、车牌定位模板G(u，v)对车牌图像中的车牌敏感度；3、车牌定位模板G(u，v)对车牌图像中的噪点和无用信息的保留程度。

为了利用车牌定位模板G(u，v)得到满意的车牌定位效果，可以事先建立车牌样本库对车牌定位模板G(u，v)进行训练。

请参考图5，其示出了本发明中的车牌定位模板训练方法500在一个实施例中的方法流程图。所述车牌定位模板参数确定方法500为：

步骤502，构建车牌样本库S和车辆样本库Q；

构建一个车牌样本库S，所述车牌样本库S包括M张车牌样本图像，所述车牌样本图像的制作过程为：在具体实施环境下采集到彩色车辆图像；将所述彩色车辆图像经过灰度化和求垂直边缘得到的垂直边缘图像；再人工去除垂直边缘图像中的无用信息只保留车牌部位即为车牌样本图像。

构建一个车辆样本库Q，所述车辆样本库Q包括N张车辆样本图像，所述车辆样本图像的制作过程为：在具体实施环境下采集到彩色车辆图像；将所述彩色车辆图像经过灰度化和求垂直边缘得到的垂直边缘图像即为车辆样本图像(为了样本库更为有效，通常M＝N，而且车牌样本库S和车辆样本库Q的图片一一对应)。

步骤504，给定若干组车牌定位模板参数，通过车牌样本库S和车辆样本库Q来检测各组车牌定位模板参数的有效性μ；

将一组车牌定位模板参数赋予所述车牌定位模板G(u，v)就是一个车牌定位模板，我们通过下述方法来测试一个车牌定位模板的有效性。

首先我们定义车牌定位模板G(u，v)对车牌图像中的车牌敏感度t_a，对于每张车牌样本图像X_i，i＝1，2，......，M，利用车牌定位模板G(u，v)进行卷积，得到灰度图像Y_i，i＝1，2，......，M，找出图像Y_i中每张图像中像素值大于0的像素点个数a_i，和这a_i个像素点的像素值的总和C_ai，得到一个比值

这个比值是车牌样本库S中的图像经过卷积处理之后，各张图像的像素点平均值。由于车牌样本库S的图像只包含车牌，所以比值t_a一定程度上代表了车牌定位模板G(u，v)对车牌图像卷积之后对车牌的敏感度，我们希望敏感度t_a越大越好。

我们继续定义车牌定位模板G(u，v)对车牌图像中的噪点和无用信息保留程度t_b，对于每张车辆样本图像E_i，i＝1，2，......，N，利用车牌定位模板G(u，v)进行卷积，得到灰度图像F_i，i＝1，2，......N，找出图像F_i中每张图像中像素值大于0的像素点个数b_i，和这b_i个像素点的像素值的总和C_bi，得到一个比值

这个比值是车辆样本库Q中的图像经过卷积处理之后，各张图像的像素点平均值。由于车辆样本库Q的图像包含整个车辆信息，所以比值t_b一定程度上代表了车牌定位模板G(u，v)对车辆图像卷积之后对车辆图像的保留程度，我们希望保留程度t_b越小越好，保留程度t_b越小，最后保留的信息越少，降噪和去除无用信息的作用越明显。

综上，我们确定了车牌定位模板G(u，v)的有效性标准μ＝t_a/t_b，即可以表征车牌定位模板G(u，v)对车牌的敏感度和对无用信息去除的保留程度都有利的标准，有效性标准μ＝t_a/t_b越大说明车牌定位模板G(u，v)越有效。

我们可以选择多组车牌定位模板参数来通过上述方法检测车牌定位模板的有效性标准μ。

步骤506，根据各组车牌定位模板参数的有效性μ结果，选择最优车牌定位模板参数。

在一个具体的应用中，A的取值范围是(-20，0)，B的取值范围是(0，20)，δ_u的取值范围是(0，100)，m的取值范围是(0，100)，n的取值范围是(0，100)，由于m和n是有关样本图像中车牌区域大小的值，而样本图像中车牌区域大小与采集时传感器与车辆的远近有关，所以还可以根据具体的实施环境修改上述的取值。我们可以先将A、B和δ_u在各自取值范围内等于一个常数(m，n先等于一个常数也可，没有先后顺序之分)，然后将m，n在可能取值范围提取所有的m和n组合，在一个具体的实施例中，取m的取值范围(30，100)，步长为5，n的取值范围是(2，40)，步长为2，m和n的组合共有15*20＝300种，此时我们就有确定了A、B、m、n和δ_u具体取值的300个待检测车牌定位模板参数组合，然后我们通过对每个待检测车牌定位模板参数计算有效性μ，选择有效性μ最大的一组待检测车牌定位模板参数中的m和n取值为最优解，即通过这样一次操作，我们可以确定m和n的最优取值。此时m和n的最优取值已经确定为固定值，我们再将其他参数在可能取值范围提取所有可能组合，来构成若干待检测车牌定位模板参数组合，继续对每个待检测车牌定位模板参数计算有效性μ，选择有效性μ最大的一组待检测车牌定位模板参数中相关参数为最优取值。可以根据需要将待检测车牌定位模板参数组合增多，多次迭代求解，来获得一组能够到达检验要求的车牌定位模板参数。

由于本发明的车牌定位模板的参数确定是通过某一具体实施环境的采样图像来训练所得，所以对于该具体实施环境，具有较高的车牌定位精度和速度。在具体实施时还可以利用使用中的实际车牌定位图像不断训练车牌定位模板以使其具有更高的定位精度；也可以建立不同具体实施环境下的车牌定位模板参数数据库，通过对数据的分析，来获得在不同距离、不同环境和不同天气情况下的典型车牌定位模板参数。

上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于所述具体实施方式。

Claims (9)

1.一种车牌定位方法，其特征在于，其包括：

将彩色车牌图像进行灰度转换得到灰度车牌图像；

对所述灰度车牌图像进行垂直边缘计算得到垂直边缘图像；

利用车牌定位模板对垂直边缘图像进行卷积处理得到车牌定位图像；和

根据所述车牌定位图像定位出车牌位置。

2.根据权利要求1所述的车牌定位方法，其特征在于：所述车牌定位模板是：

其中u、v均为整数，m和n分别为车牌定位模板的宽和高，其中A＜0，B＞0，δ_u≠0。

3.根据权利要求2所述的车牌定位方法，其特征在于，所述对垂直边缘图像利用车牌定位模板进行卷积处理为：

$R^{\′}(x,y)=\underset{v=1}{\overset{n}{\mathrm{\Σ}}}\{\underset{u=1}{\overset{m}{\mathrm{\Σ}}}R(x-\frac{m-2u+1}{2},y-\frac{n-2v+1}{2})*G(u,v)\}$

其中，R′(x，y)表示卷积处理后车牌定位图像R′的像素(x，y)的像素值，R(x，y)表示垂直边缘图像R的像素(x，y)的像素值，

其中

x和y均为整数，W＞m，H＞n。

4.根据权利要求3所述的车牌定位方法，其特征在于：所述根据所述车牌定位图像定位出车牌位置是指从卷积之后的车牌定位图像R′里找出最大像素值R′_max(x，y)的坐标(x_max，y_max)，以所述坐标(x_max，y_max)为中心，大小为n*m的区域就是车牌区域。

5.一种车牌定位模板的训练方法，用于确定车牌定位模板的参数，所述车牌定位模板为

，其特征在于，其包括：

构建车牌样本库和车辆样本库；

设定若干组车牌定位模板参数，通过车牌样本库和车辆样本库来检测各组车牌定位模板参数的有效性；

通过各组车牌定位模板参数的有效性中的最大值，选择最优车牌定位模板参数，其中

每组车牌定位模板参数都包括有m、n、A、B和δ_u。

6.根据权利要求5所述的车牌定位模板的训练方法，其特征在于：所述车牌样本库包括若干张车牌样本图像，所述车牌样本图像获取过程包括：采集到彩色车辆图像；将所述彩色车辆图像经过灰度化和求垂直边缘得到的垂直边缘图像；去除垂直边缘图像中的除车牌部位外的其他信息即得到车牌样本图像；所述车辆样本库包括若干张车辆样本图像，所述车辆样本图像的获取过程包括：采集到彩色车辆图像；将所述彩色车辆图像经过灰度化和求垂直边缘得到的垂直边缘图像即为车辆样本图像。

7.根据权利要求6所述的车牌定位模板的训练方法，其特征在于：所述设定若干组车牌定位模板参数，通过车牌样本库和车辆样本库来检测各组车牌定位模板参数的有效性包括：

将一组车牌定位模板参数赋予所述车牌定位模板G(u，v)；

利用车牌定位模板G(u，v)对于每张车牌样本图像X_i进行卷积得到灰度图像Y_i，找出灰度图像Y_i中像素值大于0的像素点个数a_i和这a_i个像素点的像素值的总和C_ai，得到一个代表车牌定位模板对车牌区域敏感程度的比值t_a，

$t_a=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{C}_{\mathrm{ai}}/\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{a}_i,$ 其中i＝1，2，......，M；

利用车牌定位模板G(u，v)对于每张车辆样本图像E_i进行卷积得到灰度图像F_i，找出灰度图像F_i中像素值大于0的像素点个数b_i和这b_i个像素点的像素值的总和C_bi，得到一个代表车牌定位模板对车辆图像卷积之后对车辆图像的保留程度比值t_b，

$t_b=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{C}_{\mathrm{bi}}/\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{b}_i,$ 其中i＝1，2，......，N；

确定该组车牌定位模板参数的有效性为μ＝t_a/t_b。

8.根据权利要求7所述的车牌定位模板的训练方法，其特征在于：通过在车牌定位模板参数固定取值区间设定A、B和δ_u一个确定值，并且对m和n在取值区间选取若干个等步长的可能组合产生若干组待检测车牌定位模板参数，通过检测各个待检测车牌定位模板参数的有效性μ，其中最大有效性μ对应的车牌定位模板参数中的m和n取值就为m和n的最优取值。

9.根据权利要求8所述的车牌定位模板的训练方法，其特征在于：，以m和n的最优取值为固定值，A、B和δ_u在取值区间选取若干个等步长的可能组合产生若干组待检测车牌定位模板参数，检测若干组各个待检测车牌定位模板参数的有效性μ，其中最大有效性μ对应的车牌定位模板参数中的A、B和δ_u的取值就为A、B和δ_u的最优取值。

Images