CN102226907A - 基于多特征的车牌定位方法及装置 - Google Patents

Abstract

本发明公开了一种基于多特征的车牌定位方法，包括：利用RGB彩色图像的竖直方向边缘密度特征检测图像中的车牌区域，得到符合车牌纹理密度特征区域的二值化图像模板；在RGB彩色空间内对所述RGB彩色图像每个像素的R、G、B分量值进行比较，获得符合预设的颜色条件的像素的若干掩模图像；将所述各掩膜图像分别和所述二值化图像模板进行逻辑与运算，并根据预设的颜色优先顺序去除重叠区域，得到各无重叠区域的掩膜图像；去除各掩膜图像的异常面积区域、异常宽高和宽高比区域、异常边缘密度区域、异常颜色区域，得到最终车牌定位图像。本发明还公开了相应的基于多特征的车牌定位装置。本发明可不受复杂背景干扰，定位速度快，准确性高，鲁棒性强。

Description

基于多特征的车牌定位方法及装置

技术领域

本发明涉及车牌识别技术，尤其涉及一种基于多特征的车牌定位方法及装置。

背景技术

随着信息技术的发展，智能交通系统在交通管理领域的应用日益广泛。车牌识别系统是智能交通领域的重要内容，被广泛应用于高速路收费管理系统、城市交通智能监控、智能停车场出入登记等多种场合。在车牌识别系统通常包括车牌定位，字符分割和字符识别3个环节，其中，车牌定位技术是其中非常关键的环节，定位的准确率直接影响到整个车牌识别系统的识别准确率。目前常用的车牌定位基本方法有：

(1)基于纹理特征的车牌识别方法。纹理特征是指车牌字符变化频率稳定在一定范围内的特性，表现在图像的边缘或梯度上。通过边缘检测、边缘统计分析和形态学操作可以实现车牌定位。这种方法对于拍摄角度和光照强度具有较强鲁棒性，能够快速准确定位，但是对于背景较为复杂的情况和背景中具有相似纹理特征的区域，容易形成误判。

(2)基于颜色信息的车牌定位方法。车牌颜色信息是指车牌底色与字符颜色比较固定，例如，中国大陆车牌目前包括蓝底白字、黄底黑字、白底黑字或红字和黑底白字四种车牌，利用车牌颜色与图中其他区域颜色不同的特征进行分割实现车牌定位。这种方法容易受到光照不均的影响，并且当图像中包含丰富颜色信息，比如蓝车蓝牌情况时，很难获得车牌的位置。

(3)基于数学形态学的车牌定位方法。数学形态学包括腐蚀、膨胀、开启和闭合四种基本运算以及据此发展的击中击不中、高帽等运算，需要根据车牌大小设计一个探测车牌位置的结构元素，这个结构元素遍历整个图像验证结构内的像素是否符合车牌特征进行定位。由于要处理的图像中车牌的大小和角度均不固定，形态学算法耗时严重等不利因素使得车牌定位效果不能满足要求。

(4)基于小波变换的车牌定位方法。小波变换可以将图像通过伸缩、平移等运算分解为不同分辨率、不同频率和不同方向特性的子图像，进而进行局部分析。可以利用车牌目标区域具有水平方向低频、垂直方向高频的特点，实现子图提取进行车牌定位。该方法处理过程复杂而且对噪声敏感，速度慢。

此外，还有基于遗传算法的车牌定位方法、基于神经网络的车牌定位方法等等。这些方法的共同点都是针对车牌的某个特征进行定位，因而容易受到拍摄环境、拍摄角度、背景、光照等影响，鲁棒性较差。而在实际车牌识别系统应用中，摄像装置拍摄环境比较复杂，树木、建筑、广告牌、车体字符等背景噪声，光照噪声等都会影响到车牌定位的准确性。为此需要针对车牌的多个特征，结合不同的方法进行车牌定位。中国专利101334836公开一种融合色彩、尺寸和纹理特征的车牌定位方法，首先利用HIS色彩模式图像的颜色信息和亮度信息处理的到候选区域；再用车牌的尺寸特征，即车牌宽度和高度的像素值以及宽高比值进行分析，排除非车牌的无效区域；之后进行车牌倾斜检测与校正；最后利用纹理特征进行排除剩余无效区域。该方法主要利用颜色信息对车牌进行定位，对车牌颜色的饱和度和亮度信息有较高要求，对车体与车牌同色的情框鲁棒性不强；在倾斜检测校正之前尚且不能确定处理区域是车牌区域还是无效区域，就直接进行Hough变换检测车牌倾斜角度，不能判断倾斜检测的正确性。中国专利101408942公开一种基于多特征的车牌定位方法，首先检测车体区域，利用车体区域内的梯度信息和车牌结构特征进行初步筛选；然后将候选区域转化到HSV色彩空间下利用BP神经网络进行识别，并检测彩色边缘，进行边缘颜色对判断，去除无效区域。该方法通过检测车体限定车牌搜索区域来避免车体外的复杂环境的干扰，前提是车体的背景必须是静止不会影响车体定位，不能满足城市交通监控图像包含多车辆等情况下对车牌识别系统要求。

发明内容

本发明所要解决的技术问题在于，提供一种基于多特征的车牌定位方法，该方法可克服环境干扰、光照影响、背景噪声等复杂背景下的应用场景干扰，定位速度快，准确性高，鲁棒性强，且可实现多车牌的精确定位。

本发明进一步所要解决的技术问题在于，提供一种基于多特征的车牌定位装置，该装置可克服复杂背景的环境干扰、光照影响、背景噪声等复杂背景下的应用场景干扰，定位速度快，准确性高，鲁棒性强，且可实现多车牌的精确定位。

为了解决上述技术问题，本发明提出了一种基于多特征的车牌定位方法，包括：

边缘密度检测步骤，利用摄像装置拍摄的原始RGB彩色图像的竖直方向边缘密度特征检测该图像中的车牌区域，得到符合车牌纹理密度特征区域的二值化图像模板；

颜色分割二值化步骤，在RGB彩色空间内对所述原始RGB彩色图像每个像素的R、G、B分量值进行比较，获得符合预设的颜色条件的像素的若干掩模图像；

逻辑算术运算步骤，将所述颜色分割二值化步骤得到的各掩膜图像分别和所述边缘密度检测步骤得到的二值化图像模板进行逻辑与运算，并根据预设的颜色优先顺序去除运算后的重叠区域，得到各无重叠区域的掩膜图像；

去除异常区域步骤，去除所述各无重叠区域的掩膜图像的异常面积区域、异常宽高和宽高比区域、异常边缘密度区域、以及异常颜色区域，得到最终的车牌定位图像。

优选地，所述去除异常区域步骤具体包括：

去除异常面积区域步骤，标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的面积大小nArea，判断其面积大小nArea是否在预设的面积阈值范围[nAreaMin，nAreaMax]内，并去除超出预设的面积阈值范围的候选区域；

去除异常宽高和宽高比步骤，标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的宽度nWidth、高度nHeight、及宽高比fWHRatio，判断其宽度nWidth是否在预设的宽度阈值范围[nWidthMin，nWidthMax]内、高度nHeight是否在预设的高度阈值范围[nHeightMin，nHeightMax]内、宽高比fWHRatio是否在预设的宽高比阈值范围[nWHRatioMin，nWHRatioMax]内，并去除超出预设的宽度阈值范围和/或高度阈值范围和/或宽高比阈值范围的候选区域；

去除异常边缘密度区域步骤，标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域中的每行边缘点总数nEdgeSum大于预设的每行边缘点数阈值nThresholdEdge的行数nLine，并去除其行数nLine不大于预设的行数阈值nThresholdLine的候选区域；

去除异常颜色区域步骤，将所述各无重叠区域的掩膜图像的所有候选区域的原始RGB彩色图像转化到HSV彩色模式下，去除与车牌区域的颜色饱和度差值超过预设的颜色饱和度比较阈值的候选区域，得到最终的车牌定位图像。

优选地，所述边缘密度检测步骤具体包括：

预处理步骤，将RGB彩色图像转化为灰度图像，并对该灰度图像进行中值滤波后，进行竖直方向的边缘检测，得到二值化的车牌边缘图像；

边缘密度分析步骤，统计该车牌边缘图像中每行的边缘点数，对于其行边缘点数大于行边缘点阈值nThresholdRowEdgePoint的行中的所有边缘点，以各边缘点为窗口中心，判断其窗口范围内的边缘点数目，去除该数目小于密度阈值nThresholdEdgeDensity的边缘点；

数学形态学处理步骤，利用矩形窗口结构元素对所述边缘图像进行闭操作，将同属一个区域内的所有边缘连接为一个连通域后；利用线状结构元素进行竖直方向膨胀和水平方向腐蚀操作；并填充所述连通域内部的空洞，得到包含车牌目标的一个或多个候选区域二值化掩模。

优选地，所述边缘密度检测步骤之前还包括有：

图像尺寸适配步骤，分别比较所述原始RGB图像的宽度和高度，若图像宽度大于预设的图像宽度阈值或者图像高度大于预设的图像高度阈值，则将该图像尺寸缩小至预设的图像宽度阈值和图像高度阈值范围。。

其中，所述预设的颜色条件包括有蓝、黄、白、黑四种颜色中的至少一种。

相应地，本发明还提供了一种基于多特征的车牌定位装置，包括：

边缘密度检测单元，用于利用摄像装置拍摄的原始RGB彩色图像的竖直方向边缘密度特征检测该图像中的车牌区域，得到符合车牌纹理密度特征区域的二值化图像模板；

颜色分割二值化单元，与所述边缘密度检测单元相连，用于在RGB彩色空间内对所述原始RGB彩色图像每个像素的R、G、B分量值进行比较，获得符合预设的颜色条件的像素的若干掩模图像；

逻辑算术运算单元，与所述边缘密度检测单元和颜色分割二值化单元相连，用于将所述颜色分割二值化单元输出的各掩膜图像分别和所述边缘密度检测单元输出的二值化图像模板进行逻辑与运算，并根据预设的颜色优先顺序去除运算后的重叠区域，得到各无重叠区域的掩膜图像；

去除异常区域单元，与所述逻辑算术运算单元相连，用于去除所述逻辑算术运算单元输出的掩膜图像的异常面积区域、异常宽高和宽高比区域、异常边缘密度区域、以及异常颜色区域，得到最终的车牌定位图像。

优选地，所述去除异常区域单元具体包括：

去除异常面积区域单元，与所述逻辑算术运算单元相连，用于标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的面积大小nArea，判断其面积大小nArea是否在预设的面积阈值范围[nAreaMin，nAreaMax]内，并去除超出预设的面积阈值范围的候选区域；

去除异常宽高和宽高比单元，用于标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的宽度nWidth、高度nHeight、及宽高比fWHRatio，判断其宽度nWidth是否在预设的宽度阈值范围[nWidthMin，nWidthMax]内、高度nHeight是否在预设的高度阈值范围[nHeightMin，nHeightMax]内、宽高比fW  atio是否在预设的宽高比阈值范围[nWHRatioMin，nWHRatioMax]内，并去除超出预设的宽度阈值范围和/或高度阈值范围和/或宽高比阈值范围的候选区域；

去除异常边缘密度区域单元，用于标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域中的每行边缘点总数nEdgeSum大于预设的每行边缘点数阈值nThresholdEdge的行数nLine，并去除其行数nLine不大于预设的行数阈值nThresholdLine的候选区域；

去除异常颜色区域单元，用于将所述各无重叠区域的掩膜图像的所有候选区域的原始RGB彩色图像转化到HSV彩色模式下，去除与车牌区域的颜色饱和度差值超过预设的颜色饱和度比较阈值的候选区域，得到最终的车牌定位图像。

优选地，所述边缘密度检测单元具体包括：

预处理单元，用于将RGB彩色图像转化为灰度图像，并对该灰度图像进行中值滤波后，进行竖直方向的边缘检测，得到二值化的车牌边缘图像；

边缘密度分析单元，与所述预处理单元相连，用于统计该车牌边缘图像中每行的边缘点数，对于其行边缘点数大于行边缘点阈值nThresholdRowEdgePoint的行中的所有边缘点，以各边缘点为窗口中心，判断其窗口范围内的边缘点数目，去除该数目小于密度阈值nThresholdEdgeDensity的边缘点；

数学形态学处理单元，与所述边缘密度分析单元相连，用于利用矩形窗口结构元素对所述边缘图像进行闭操作，将同属一个区域内的所有边缘连接为一个连通域后；利用线状结构元素进行竖直方向膨胀和水平方向腐蚀操作；并填充所述连通域内部的空洞，得到包含车牌目标的一个或多个候选区域二值化掩模。

优选地，所述边缘密度检测单元和摄像装置之间还连接有：

图像尺寸适配单元，分别比较所述原始RGB图像的宽度和高度，若图像宽度大于预设的图像宽度阈值或者图像高度大于预设的图像高度阈值，则将该图像尺寸缩小至预设的定位参数范围。

其中，所述预设的颜色条件包括有蓝、黄、白、黑四种颜色中的至少一种。

实施本发明，具有如下有益效果：

本发明的实施例采用车牌纹理、颜色和尺寸信息等多种特征的车牌定位方法，在充分利用车牌的纹理特征和颜色特征的基础上获得符合条件的各类颜色车牌掩模后，利用面积、宽度、高度以及宽高比等尺寸特征、以及更严格的边缘密度约束条件和颜色特征进行掩模图像候选区域的筛选，从而得到车牌定位精确结果。从而实现了可以处理单独一帧图像，图像中允许包含同类或异类的多个车牌，无需参考图像，具有抗环境干扰、背景依赖性低的特点，可以满足多种复杂应用场景，不同尺寸车牌定位的要求，达到了准确性高、鲁棒性强的效果。

附图说明

图1是本发明提供的基于多特征的车牌定位方法一个实施例的流程图；

图2是本发明提供的基于多特征的车牌定位装置一个实施例的结构示意图。

具体实施方式

下面结合附图详细描述本发明的实施例。

参考图1，该图是本发明提供的基于多特征的车牌定位方法一个实施例的实现流程图，其具体步骤如下：

在图像尺寸适配步骤S1中，分别比较摄像装置拍摄的原始RGB彩色图像的宽度和高度，若图像宽度nWidth’大于预设的图像宽度阈值nTHresholdWidth或者图像高度nHeight’大于预设的图像高度阈值nThresholdHeight，则将该图像的尺寸缩小至预设的图像宽度阈值nTHresholdWidth和图像高度阈值nThresholdHeight范围。

具体实现时，阈值nThresholdWdith和nThresholdHeight的设置与本实施例的具体应用场合有关，如：摄像装置的安装位置的高低、拍摄图像分辨率的大小以及触发抓取图像时车牌与摄像装置的距离等。图像尺寸缩小至阈值nThresholdWdith和nThresholdHeight范围后，得到新的原始RGB彩色图像，可同时记录缩小比率fZoomRadio。

原始RGB彩色图像缩小前后尺寸改变，而纹理特征和色彩信息不变。适当缩小图像后再进行定位是为了提高图像处理的速度和处理参数的鲁棒性，实施该步骤，不仅能够减少后续操作的处理时间，而且通过将图像尺寸转换到预设的阈值nThresholdWdith和nThresholdHeight内，提高了算法的健壮性。

在边缘密度检测步骤S2中，利用该原始RGB彩色图像的竖直方向边缘密度特征检测该图像中的车牌区域，得到符合车牌纹理密度特征区域的二值化图像模板BWMask。

在颜色分割二值化步骤S3中，在RGB彩色空间内对所述原始RGB彩色图像每个像素的R、G、B分量值进行比较，获得符合预设的颜色条件的像素的若干掩模图像。

具体实现时，根据我国大陆车牌目前包括蓝底白字、黄底黑字、白底黑字或红字和黑底白字四种车牌的特征，可将所述预设的颜色条件设置为蓝色、黄色、白色和黑色四种颜色。而实施该步骤S2目的即是得到原始RGB彩色图像中可以近似为是蓝色、黄色、白色和黑色的区域。由于实际图像拍摄的环境可能受到光照、曝光、偏色等噪声的影响，为了避免漏检，进行颜色分割的各颜色条件参数之间互相独立，并尽量设置较为宽松的约束条件，符合蓝、黄、白、黑4中颜色条件的像素分别在其掩模图像的对应坐标点置1，否则置0。本步骤实施后，可得到蓝色候选区域、黄色候选区域、白色候选区域和黑色候选区域四个二值化的掩模图像MaskBlue、MaskYellow、MaskWhite和MaskBlack。

由于为了防止蓝色或黄色车牌的饱和度过低或者亮度不均，各色车牌的判断条件相互独立而且宽松，因而，上述四个掩模图像之间可能存在重叠区域。

在逻辑算术运算步骤S4中，将所述颜色分割二值化步骤得到的各掩膜图像分别和所述边缘密度检测步骤得到的二值化图像模板进行逻辑与运算，并根据预设的颜色优先顺序去除运算后的重叠区域，得到各无重叠区域的掩膜图像。

由于步骤S2实施后得到的掩膜图像之间可能存在部分重叠，设置本步骤S3的主要目地是消除重叠区域，得到相对独立的四类车牌掩膜。本步骤的处理对象是步骤S2和步骤S3得到的结果：将步骤S2得到的四帧二值化图像分别与步骤S1得到的二值化图像进行逻辑“与”运算，并根据车牌在实际生活中数量的多寡，按照优先顺序考虑蓝、黄、白、黑去除重叠区域，即如果重叠，保留优先级别高的区域。按照车牌实际应用中车牌出现概率，蓝色和黄色车牌顺序优先，其次是白色和黑色车牌，进行逻辑算数运算后，剩余的候选区域不仅在数量上减少明显，而且与车牌尺寸特征类似的候选区域也所剩无几。

具体实现时，首先，将步骤S2得到的结果BWMask分别与步骤S3得到的结果MaskBlue和MaskYellow进行逻辑“与”运算，得到两种颜色新的二值化掩模MaskB和MaskY；其次，处理白色掩模候选区域，将MaskWhite与步骤S2得到的结果BWMask进行逻辑“与”运算后，减去与MaskB重叠的区域，得到最终的MaskW；再次，处理黑色掩模候选区域，将MaskBlack与步骤S2得到的结果BWMask进行逻辑“与”运算后，减去与MaskB、MaskY以及MaskW重叠的区域得到最终的MaskK。

在去除异常区域步骤S5中，去除所述各无重叠区域的掩膜图像的异常面积区域、异常宽高和宽高比区域、异常边缘密度区域、以及异常颜色区域，得到最终的车牌定位图像。

具体实现时，所述边缘密度检测步骤S2可具体包括以下步骤：

在预处理步骤S21中，将原始RGB彩色图像转化为灰度图像，并对该灰度图像进行中值滤波后，进行竖直方向的边缘检测，得到二值化的车牌边缘图像。

预处理的目的是得到车牌边缘图像，为边缘密度分析做准备。

具体地，首先，根据下式(1)将RGB彩色图像Im转化为灰度图像Igray：

Igray＝0.229R+0.587G+0.114B                (1)

其次，对灰度图像Igray进行中值滤波，去除噪声干扰，为边缘检测做准备。此处中值滤波选用3×3的矩形结构算子即可，一方面速度较快，另一方面不会损伤车牌字符的纹理信息。

最后，进行边缘检测，得到二值化的边缘图像Iedge。边缘检测的方法有很多种，如梯度算子、方向算子、Laplacian算子和Canny算子等等。几种常用的边缘检测方法有属于梯度算子的Roberts算子、Sobel算子和Prewitt算子、LOG滤波器以及Canny边缘检测器等，只要能够检测灰度图像中的车牌边缘信息都可使用，本实施例可选择Prewitt算子对灰度图像进行边缘检测。由于水平方向跳变剧烈，此处只需检测水平方向发生跳变的竖直边缘即可。

考虑到车牌的纹理对比度较大，合适的阈值选取有利于避免噪声干扰，试验表明，自动选取阈值的方法效果可以满足应用要求。通过中值滤波和边缘检测，图像中一些如车体前盖和挡风玻璃上的树枝倒影形成的对比度较弱的纹理，可在边缘检测时被去除，有效减轻后续边缘密度分析的工作量。

在边缘密度分析步骤S22中，统计该车牌边缘图像中每行的边缘点数，对于其行边缘点数大于行边缘点阈值nThresholdRowEdgePoint的行中的所有边缘点，以各边缘点为窗口中心，判断其窗口范围内的边缘点数目，去除该数目小于密度阈值nThresholdEdgeDensity的边缘点。

边缘密度分析是针对车牌的纹理特征采取的分析方法。首先，检测边缘图像中每个边缘像素点在窗口范围内的密度值，即所有边缘点的个数，找到符合车牌边缘规律边缘点。

边缘密度是在宽度为nWindowWidth窗口范围内存在边缘点的数目总和。窗口为单像素高度的线状窗口。如果对所有边缘点为中心的窗口统计其密度，对背景复杂，边缘信息丰富的图像计算分析，会增加不必要的计算量。因此，具体实现时，首先进行初步的行筛选，即统计每行的边缘点数，对边缘点数不大于行边缘点阈值nThresholdRowEdgePoint的行中的所有边缘点置0；其次，对剩余边缘点分别进行边缘密度分析和处理，以当前边缘点为窗口中心，统计窗口范围内的边缘点数目，当数目小于密度阈值nThresholdEdgeDensity时，当前边缘点置0。将窗口中心移动到下一个边缘点。

使用该算法需要指定三个参数，包括：用于筛选边缘行的行边缘点阈值nThresholdRowEdgePoint、用于边缘密度分析的窗口宽度nWindowWidth、以及边缘密度阈值nThresholdEdgeDensity。

在数学形态学处理步骤S23中，利用矩形窗口结构元素对所述边缘图像进行闭操作，将同属一个区域内的所有边缘连接为一个连通域后；利用线状结构元素进行竖直方向膨胀和水平方向腐蚀操作；并填充所述连通域内部的空洞，从而将离散边缘点或边缘线段链接起来，得到包含车牌目标的一个或多个候选区域二值化掩模BWMask。

使用该算法，需要指定两个形态学结构元素参数：用于闭操作的矩形窗口的大小[nHei，nWid]、以及用于膨胀腐蚀操作的线状结构元素的长度nLen。

为避免漏检，约束条件取值宽松，背景边缘也随之保留下来，因而本步骤S2实施后，会得到较多的候选区域，候选区域可能多达十几个，但是，多数候选区域在尺寸上不符合车牌的特征，如面积、宽度、高度、和宽高比特征，然而若如果直接去除，每一个候选区域都要进行筛选，工作量较大，这时，引入车牌的颜色特征进行辅助定位可以减少候选区域，提高处理效率。

所述去除异常区域步骤S5可具体包括：

在去除异常面积区域步骤S51中，标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的面积大小nArea，判断其面积大小nArea是否在预设的面积阈值范围[nAreaMin，nAreaMax]内，并去除超出预设的面积阈值范围的候选区域；

在去除异常宽高和宽高比步骤S52中，标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的宽度nWidth、高度nHeight、及宽高比fWHRatio，判断其宽度nWidth是否在预设的宽度阈值范围[nWidthMin，nWidthMax]内、高度nHeight是否在预设的高度阈值范围[nHeightMin，nHeightMax]内、宽高比fWHRatio是否在预设的宽高比阈值范围[nWHRatioMin，nWHRatioMax]内，并去除超出预设的宽度阈值范围和/或高度阈值范围和/或宽高比阈值范围的候选区域；

在去除异常边缘密度区域步骤S53中，标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域中的每行边缘点总数nEdgeSum大于预设的每行边缘点数阈值nThresholdEdge的行数nLine，并去除其行数nLine不大于预设的行数阈值nThresholdLine的候选区域。

面积阈值参数nThresholdEdge和nThresholdLine根据处理图像的大小特征获得的经验值。

在去除异常颜色区域步骤S54中，将所述各无重叠区域的掩膜图像的所有候选区域的原始RGB彩色图像转化到HSV彩色模式下，去除与车牌区域的颜色饱和度差值超过预设的颜色饱和度比较阈值的候选区域，得到最终的车牌定位图像。

去除异常颜色区域是针对由于环境光照、设备平偏色等原因造成偏色，在颜色分割时被错误分割，并且具有与车牌相似的纹理、颜色特征，前期的筛选工作不能去除，而被保留的某个伪车牌的候选区域。将所有候选区域的原始彩色图像转化到HSV彩色模式下，进行比较分析，伪车牌在颜色饱和度上与车牌区域差别明显，根据这一特征可将其去除。

本实施例通过上述各步骤，可实现利用多种车牌特征完成车牌区域定位，并去除非车牌区域的候选区域。另外需要说明的是：步骤S2和步骤S3相对独立，其先后顺序可以调换。步骤S4是对步骤S2和步骤S3得到的结果进行处理；由于车牌图像背景影响，各个颜色二值化模板中可能得到1个或多个候选区域，也可能没有候选区域，当没有候选区域的时候，终止该颜色模板的处理，避免不必要操作；如果参数过于严格，导致所有候选区域都被消除，建立条件逐步宽松的参数组，对上组结果进行分析，无候选区域，可适当放宽参数重新处理。定位完成后，为了后续的识别工作，需要把缩小后的图像的车牌区域放大到与原始图像匹配的位置。

参考图2，该图是本发明提供的基于多特征的车牌定位装置一个实施例的结构示意图；如图所示，本实施例主要包括有：

图像尺寸适配单元1，用于分别比较所述原始RGB图像的宽度和高度，若图像宽度大于预设的图像宽度阈值或者图像高度大于预设的图像高度阈值，则将该图像尺寸缩小至预设的图像宽度阈值nTHresholdWidth和图像高度阈值nThresholdHeight范围。

边缘密度检测单元2，用于利用摄像装置拍摄的原始RGB彩色图像的竖直方向边缘密度特征检测该图像中的车牌区域，得到符合车牌纹理密度特征区域的二值化图像模板；

颜色分割二值化单元3，与所述边缘密度检测单元相连，用于在RGB彩色空间内对所述原始RGB彩色图像每个像素的R、G、B分量值进行比较，获得符合预设的颜色条件的像素的若干掩模图像；

逻辑算术运算单元4，与所述边缘密度检测单元和颜色分割二值化单元相连，用于将所述颜色分割二值化单元输出的各掩膜图像分别和所述边缘密度检测单元输出的二值化图像模板进行逻辑与运算，并根据预设的颜色优先顺序去除运算后的重叠区域，得到各无重叠区域的掩膜图像；

去除异常区域单元5，与所述逻辑算术运算单元相连，用于去除所述逻辑算术运算单元输出的掩膜图像的异常面积区域、异常宽高和宽高比区域、异常边缘密度区域、以及异常颜色区域，得到最终的车牌定位图像。

具体实现时，所述边缘密度检测单元2可具体包括：

预处理单元21，用于将RGB彩色图像转化为灰度图像，并对该灰度图像进行中值滤波后，进行竖直方向的边缘检测，得到二值化的车牌边缘图像；

边缘密度分析单元22，与所述预处理单元相连，用于统计该车牌边缘图像中每行的边缘点数，对于其行边缘点数大于行边缘点阈值nThresholdRowEdgePoint的行中的所有边缘点，以各边缘点为窗口中心，判断其窗口范围内的边缘点数目，去除该数目小于密度阈值nThresholdEdgeDensity的边缘点；

数学形态学处理单元23，与所述边缘密度分析单元相连，用于利用矩形窗口结构元素对所述边缘图像进行闭操作，将同属一个区域内的所有边缘连接为一个连通域后；利用线状结构元素进行竖直方向膨胀和水平方向腐蚀操作；并填充所述连通域内部的空洞，得到包含车牌目标的一个或多个候选区域二值化掩模。

所述去除异常区域单元5可具体包括有：

去除异常面积区域单元51，与所述逻辑算术运算单元相连，用于标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的面积大小nArea，判断其面积大小nArea是否在预设的面积阈值范围[nAreaMin，nAreaMax]内，并去除超出预设的面积阈值范围的候选区域；

去除异常宽高和宽高比单元52，用于标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的宽度nWidth、高度nHeight、及宽高比fWHRatio，判断其宽度nWidth是否在预设的宽度阈值范围[nWidthMin，nWidthMax]内、高度nHeight是否在预设的高度阈值范围[nHeightMin，nHeightMax]内、宽高比fWHRatio是否在预设的宽高比阈值范围[nWHRatioMin，nWHRatioMax]内，并去除超出预设的宽度阈值范围和/或高度阈值范围和/或宽高比阈值范围的候选区域；

去除异常边缘密度区域单元53，用于标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域中的每行边缘点总数nEdgeSum大于预设的每行边缘点数阈值nThresholdEdge的行数nLine，并去除其行数nLine不大于预设的行数阈值nThresholdLine的候选区域；

去除异常颜色区域单元54，用于将所述各无重叠区域的掩膜图像的所有候选区域的原始RGB彩色图像转化到HSV彩色模式下，去除与车牌区域的颜色饱和度差值超过预设的颜色饱和度比较阈值的候选区域，得到最终的车牌定位图像。

具体实现时，所述预设的颜色条件包括有蓝、黄、白、黑四种颜色中的至少一种。

前述实施例中描述的实施方式完全适用于本实施例，此处不再赘述。

本发明不但能够定位一幅图像中的单个车牌位置，对于一幅图像中存在多个车牌的情况也能精确地定位图像中的多个车牌，由于对一幅图像中多个车牌进行定位的处理原理和过程与单个车牌定位完全相同，此处不再赘述。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于多特征的车牌定位方法，其特征在于，该方法包括有：

边缘密度检测步骤，利用摄像装置拍摄的原始RGB彩色图像的竖直方向边缘密度特征检测该图像中的车牌区域，得到符合车牌纹理密度特征区域的二值化图像模板；

颜色分割二值化步骤，在RGB彩色空间内对所述原始RGB彩色图像每个像素的R、G、B分量值进行比较，获得符合预设的颜色条件的像素的若干掩模图像；

逻辑算术运算步骤，将所述颜色分割二值化步骤得到的各掩膜图像分别和所述边缘密度检测步骤得到的二值化图像模板进行逻辑与运算，并根据预设的颜色优先顺序去除运算后的重叠区域，得到各无重叠区域的掩膜图像；

去除异常区域步骤，去除所述各无重叠区域的掩膜图像的异常面积区域、异常宽高和宽高比区域、异常边缘密度区域、以及异常颜色区域，得到最终的车牌定位图像。

2.如权利要求1所述的基于多特征的车牌定位方法，其特征在于，所述去除异常区域步骤具体包括：

去除异常面积区域步骤，标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的面积大小nArea，判断其面积大小nArea是否在预设的面积阈值范围[nAreaMin，nAreaMax]内，并去除超出预设的面积阈值范围的候选区域；

去除异常宽高和宽高比步骤，标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的宽度nWidth、高度nHeight、及宽高比fWHRatio，判断其宽度nWidth是否在预设的宽度阈值范围[nWidthMin，nWidthMax]内、高度nHeight是否在预设的高度阈值范围[nHeightMin，nHeightMax]内、宽高比fWHRatio是否在预设的宽高比阈值范围[nWHRatioMin，nWHRatioMax]内，并去除超出预设的宽度阈值范围和/或高度阈值范围和/或宽高比阈值范围的候选区域；

去除异常边缘密度区域步骤，标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域中的每行边缘点总数nEdgeSum大于预设的每行边缘点数阈值nThresholdEdge的行数nLine，并去除其行数nLine不大于预设的行数阈值nThresholdLine的候选区域；

去除异常颜色区域步骤，将所述各无重叠区域的掩膜图像的所有候选区域的原始RGB彩色图像转化到HSV彩色模式下，去除与车牌区域的颜色饱和度差值超过预设的颜色饱和度比较阈值的候选区域，得到最终的车牌定位图像。

3.如权利要求1或2所述的基于多特征的车牌定位方法，其特征在于，所述边缘密度检测步骤具体包括：

预处理步骤，将RGB彩色图像转化为灰度图像，并对该灰度图像进行中值滤波后，进行竖直方向的边缘检测，得到二值化的车牌边缘图像；

边缘密度分析步骤，统计该车牌边缘图像中每行的边缘点数，对于其行边缘点数大于行边缘点阈值nThresholdRowEdgePoint的行中的所有边缘点，以各边缘点为窗口中心，判断其窗口范围内的边缘点数目，去除该数目小于密度阈值nThresholdEdgeDensity的边缘点；

数学形态学处理步骤，利用矩形窗口结构元素对所述边缘图像进行闭操作，将同属一个区域内的所有边缘连接为一个连通域后；利用线状结构元素进行竖直方向膨胀和水平方向腐蚀操作；并填充所述连通域内部的空洞，得到包含车牌目标的一个或多个候选区域二值化掩模。

4.如权利要求3所述的基于多特征的车牌定位方法，其特征在于，所述边缘密度检测步骤之前还包括有：

图像尺寸适配步骤，分别比较所述原始RGB图像的宽度和高度，若图像宽度大于预设的图像宽度阈值或者图像高度大于预设的图像高度阈值，则图像尺寸缩小至预设的图像宽度阈值和图像高度阈值范围。

5.如权利要求4所述的基于多特征的车牌定位方法，其特征在于，所述预设的颜色条件包括有蓝、黄、白、黑四种颜色中的至少一种。

6.一种基于多特征的车牌定位装置，其特征在于，该方法包括有：

边缘密度检测单元，用于利用摄像装置拍摄的原始RGB彩色图像的竖直方向边缘密度特征检测该图像中的车牌区域，得到符合车牌纹理密度特征区域的二值化图像模板；

颜色分割二值化单元，与所述边缘密度检测单元相连，用于在RGB彩色空间内对所述原始RGB彩色图像每个像素的R、G、B分量值进行比较，获得符合预设的颜色条件的像素的若干掩模图像；

逻辑算术运算单元，与所述边缘密度检测单元和颜色分割二值化单元相连，用于将所述颜色分割二值化单元输出的各掩膜图像分别和所述边缘密度检测单元输出的二值化图像模板进行逻辑与运算，并根据预设的颜色优先顺序去除运算后的重叠区域，得到各无重叠区域的掩膜图像；

去除异常区域单元，与所述逻辑算术运算单元相连，用于去除所述逻辑算术运算单元输出的掩膜图像的异常面积区域、异常宽高和宽高比区域、异常边缘密度区域、以及异常颜色区域，得到最终的车牌定位图像。

7.如权利要求6所述的基于多特征的车牌定位装置，其特征在于，所述去除异常区域单元具体包括：

去除异常面积区域单元，与所述逻辑算术运算单元相连，用于标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的面积大小nArea，判断其面积大小nArea是否在预设的面积阈值范围[nAreaMin，nAreaMax]内，并去除超出预设的面积阈值范围的候选区域；

去除异常宽高和宽高比单元，用于标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域的宽度nWidth、高度nHeight、及宽高比fWHRatio，判断其宽度nWidth是否在预设的宽度阈值范围[nWidthMin，nWidthMax]内、高度nHeight是否在预设的高度阈值范围[nHeightMin，nHeightMax]内、宽高比fWHRatio是否在预设的宽高比阈值范围[nWHRatioMin，nWHRatioMax]内，并去除超出预设的宽度阈值范围和/或高度阈值范围和/或宽高比阈值范围的候选区域；

去除异常边缘密度区域单元，用于标记所述各无重叠区域的掩膜图像的所有候选区域，统计每个候选区域中的每行边缘点总数nEdgeSum大于预设的每行边缘点数阈值nThresholdEdge的行数nLine，并去除其行数nLine不大于预设的行数阈值nThresholdLine的候选区域；

去除异常颜色区域单元，用于将所述各无重叠区域的掩膜图像的所有候选区域的原始RGB彩色图像转化到HSV彩色模式下，去除与车牌区域的颜色饱和度差值超过预设的颜色饱和度比较阈值的候选区域，得到最终的车牌定位图像。

8.如权利要求6或7所述的基于多特征的车牌定位装置，其特征在于，所述边缘密度检测单元具体包括：

预处理单元，用于将RGB彩色图像转化为灰度图像，并对该灰度图像进行中值滤波后，进行竖直方向的边缘检测，得到二值化的车牌边缘图像；

边缘密度分析单元，与所述预处理单元相连，用于统计该车牌边缘图像中每行的边缘点数，对于其行边缘点数大于行边缘点阈值nThresholdRowEdgePoint的行中的所有边缘点，以各边缘点为窗口中心，判断其窗口范围内的边缘点数目，去除该数目小于密度阈值nThresholdEdgeDensity的边缘点；

数学形态学处理单元，与所述边缘密度分析单元相连，用于利用矩形窗口结构元素对所述边缘图像进行闭操作，将同属一个区域内的所有边缘连接为一个连通域后；利用线状结构元素进行竖直方向膨胀和水平方向腐蚀操作；并填充所述连通域内部的空洞，得到包含车牌目标的一个或多个候选区域二值化掩模。

9.如权利要求8所述的基于多特征的车牌定位装置，其特征在于，所述边缘密度检测单元和摄像装置之间还连接有：

图像尺寸适配单元，分别比较所述原始RGB图像的宽度和高度，若图像宽度大于预设的图像宽度阈值或者图像高度大于预设的图像高度阈值，则将该图像尺寸缩小至预设的图像宽度阈值和图像高度阈值范围。

10.如权利要求9所述的基于多特征的车牌定位装置，其特征在于，所述预设的颜色条件包括有蓝、黄、白、黑四种颜色中的至少一种。

Images