CN102375982B - 一种融合多字符特征的车牌定位方法 - Google Patents

Abstract

本发明公开了一种基于字符多特征融合的车牌定位方法，包括：(一)对原始车辆图像进行彩色图像灰度化处理，保存为灰度图，然后对灰度图进行二值化处理，得到车辆图像的二值图像；(二)提取车牌候选区域；(三)通过车牌候选区域的颜色特征和纹理特征去除不满足车牌区域条件的候选区域，得到车牌区域；(四)车牌精确定位，利用车牌区域字符的灰度跳变特征得到车牌中字符区域的上下左右边界，完成精确定位。本发明充分利用了车牌区域的字符特征，克服传统车牌定位方法过度依赖于车牌边框的形状特征和边缘特征，在车牌边框模糊的情况下也有很高的定位精度，而且分割结果更符合人眼观测的结果。本发明直观，简单，速度快，具有更好的实时性。

Description

一种融合多字符特征的车牌定位方法

技术领域：

本发明涉及一种车牌定位方法，特别是一种快速的、利用车牌区域字符的视觉显著性特征及纹理特征，由粗定位到精确定位的多车牌定位方法，适用于城市道路智能交通系统中车牌识别的应用。

背景技术：

车牌识别LPR(License Plate Recognition)技术作为智能化交通的重要手段，能经过图像抓拍、车牌定位、图像处理、字符分割、字符识别等一系列算法运算，识别出视野范围内的车辆牌照号码；它运用数字图像处理、模式识别、人工智能技术对采集到的汽车图像进行处理，能够实时准确地自动识别出车牌的数字、字母及汉字字符，并以计算机可直接运行的数据形式给出识别结果，使得车辆的电脑化监控和管理成为现实。车牌识别技术的关键在于车牌定位、字符分割和字符识别三部分，其中车牌定位的准确与否直接决定后面的字符分割和识别效果，是影响整个LPR系统识别率的主要因素，是车牌识别技术中最为关键的一步。

常见的车牌定位方法主要有基于纹理特征分析的方法、基于边缘检测的方法、基于彩色图像定位的方法，这些方法各有所长，也有不足之处：

1.基于纹理特征分析的车牌定位方法

基于纹理特征分析的车牌定位方法，利用了车牌区域的字符由大量水平线段和垂直线段组成的特点，通过对检测图像进行行扫描和列扫描的方式找出这些水平线段和垂直线段，并记录这些线段端点相应的位置信息。分别统计图像在水平方向和垂直方向上的线段的个数，通过设置阈值的方式确定车牌区域，并通过线段端点的位置信息确定车牌区域的高度和宽度。

该方法对于牌照倾斜或变形以及光照不均、偏弱或偏强有很好的效果，但对噪声敏感，对于引入文字背景的图像会出现很多错误，往往得到多个候选区域。

2.基于边缘检测的车牌定位方法

基于边缘检测的车牌定位方法，利用了车牌区域的字符存在大量的边缘信息，分别向水平和垂直方向投影，在投影灰度分布图上满足该边缘特征的区域将有一平坦变化的曲线，由此可粗略地确定满足上述边缘特征的车牌候选区域在汽车图像的上下左右边界。

该方法的定位准确率较高、反应时间短、能有效去掉噪声，适合于包含多个车牌的图像，在多车牌图像的情况下定位速度也很快。但是对车牌严重褪色的情况，由于检测不到字符笔画的边缘会导致定位失败，在有外界干扰时，定位后的区域比车牌稍大。

3.基于彩色分割的车牌定位方法

基于彩色分割的车牌定位方法，利用了车牌区域背景和字符显著的颜色信息。在国内，车牌底色和字符颜色有着明确的规定，有白底黑字、黑底白字、蓝底白字、黄底黑字四种。将待检测图像从RGB彩色空间转换到HSV彩色空间，根据每种颜色在H、S、V分量上的取值范围，提取车牌的特殊颜色特征来区别车牌区域和背景区域，从而提取出候选区域，再结合长宽比等先验知识从候选区域中筛选出车牌区域。

该方法直观，简单且实现快速。但由于该方法的关键在于颜色的正确分割，因此在光照不均匀的环境下，很难获得较高的定位准确率。对于模糊图像以及背景中包含丰富颜色信息的图像，也很难获得好的定位效果。

除了上述方法之外，车牌定位方法还有基于小波变换的方法、基于遗传算法的方法以及基于数学形态学的方法等。这些方法的共同缺点是：一方面，建立过程复杂，计算量大，难以满足实时性的要求；另一方面，容易受天气、背景、光照等因素的限制，鲁棒性不好。

发明内容：

本发明主要是从人眼视觉观察机制出发，提出一种基于字符多特征融合的车牌定位方法：一方面，利用车牌区域字符的均值反差特征、字符的颜色特征以及纹理特征对车牌候选区域进行粗定位；另一方面，利用车牌区域字符的灰度跳变特征对车牌区域进行精确定位，从而克服了传统车牌定位方法对于车牌尺寸、光照、背景等因素的依赖，鲁棒性好，识别准确率高，并且由于此方法直观，简单，因此能够满足车牌定位系统实时性的要求。

本发明提出的技术方案如下：

一种基于字符多特征融合的车牌定位方法，包括如下过程：

步骤一、预处理原始车辆图像

对原始车辆图像进行彩色图像灰度化处理，保存为灰度图。然后对上述灰度图进行二值化处理，得到车辆图像的二值图像。

步骤二、提取车牌候选区域

首先，将二值图像分成若干个n×n的方块，并将所有方块所有像素点标志位的初始值赋为0。

其次，在每个方块内分别计算所有白色像素点和黑色像素点对应灰度的均值，并记录两者的差值。通过设定合适的阈值门限T_md，将均值反差大于或等于阈值门限T_md的方块内所有像素点的标志位置为1。

然后，将二值图像进行水平投影，统计每行标志符为1的像素点的个数，将个数大于阈值门限Ts的行记录下来，并将满足阈值条件的连续行合并成行候选区域。

最后，在行候选区域中，通过统计w×h大小区域内标志符为1的像素点的个数，筛选出车牌的候选区域集合。筛选的条件为：w×h大小区域内标志符为1的像素点的个数大于或等于阈值门限T_ns。

步骤三、筛选车牌候选区域

通过候选区域的颜色特征和纹理特征去除不满足车牌区域条件的候选区域，得到车牌区域，完成车牌的粗定位过程。

步骤四、车牌精确定位

利用车牌区域字符的灰度跳变特征得到车牌中字符区域的上下左右边界，完成车牌的精确定位过程。

本发明能够达到的有益效果如下：

首先，本发明提出了一种新的字符特征：车牌字符与背景之间的均值反差特征，并结合车牌字符区域的颜色特征、纹理特征和灰度跳变特征，而不仅仅依赖于某一种车牌字符特征，因此与传统车牌定位方法相比，具有更好的通用性，且适合于复杂背景条件下的多车牌定位。其次，本发明充分利用了车牌区域的字符特征，从而克服传统车牌定位方法过度依赖于车牌边框的形状特征和边缘特征，因此在车牌边框模糊的情况下也有很高的定位精度，而且分割结果更符合人眼观测的结果。最后，与基于小波变换的方法、基于遗传算法的方法以及基于数学形态学的方法相比，本发明直观，简单，速度快，具有更好的实时性。

附图说明：

图1本发明的车牌定位方法的流程图。

图2车牌区域及背景区域的颜色特征分布图。

图3车牌区域及背景区域的灰度跳变特征曲线。

图4车牌区域及背景区域的均值反差特征曲线。

具体实施方式：

下面结合附图及具体实施例对本发明作进一步说明。本发明的整个方法处理流程如图1所示。具体实现步骤如下：

步骤一、预处理原始车辆图像

1.在我国，蓝底白字的车牌、黄底黑字的车牌最为常见，且在绿色分量上的反差值最大。因此，为了减少不必要的彩色-灰度转化的运算，只通过原始车辆图像f(x，y)提取绿色分量得到灰度图g(x，y)，转化关系为：

g(x，y)＝f_g(x，y)      (1)

其中(x，y)代表图像中像素点的位置，f_g(x，y)代表原始车辆图像f(x，y)中(x，y)处的绿色分量。

2.为了尽量减少因为光照不均和噪声点带来阈值突变，利用Sauvola算法对原始车辆图像的灰度图g(x，y)进行二值化处理，该算法的实现步骤：

(1)以(x，y)为中心，设置一个大小为b×b的窗口，其中b为奇数；

(2)计算该窗口内所有像素点的灰度均值m(x，y)和标准差σ(x，y)；

(3)通过下面的公式设置(x，y)点处的分割阈值T(x，y)：

$T(x,y)=m(x,y)\·[1+k\·(\frac{\mathrm{\σ}(x,y)}{R}-1)]---\left(2\right)$

其中，k和R为经验参数，本实施例中，设置k＝0.5，R＝128；

(4)逐点二值化：

$b(x,y)=\left\{\begin{array}{c}0,g(x,y)<T(x,y)\\ 255,g(x,y)\&GreaterEqual;T(x,y)\end{array}\right.---\left(3\right)$

其中，b(x，y)为灰度图g(x，y)的二值图。

该方法能有效的去掉不均匀光照及噪声带来的阈值突变。

步骤二、提取车牌候选区域

1.将二值图像b(x，y)分成若干个相邻且互不重叠的n×n的方块，并将所有方块内像素点的标志位Tag的初始值赋为0。其中n的大小必须保证大于车牌区域中字符笔画宽度l，本实施例中取为l+1。

2.在每个方块内分别计算所有白色像素点和黑色像素点对应灰度的均值m_w和m_b，并计算两者的差值md：

$m_w=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{g}_w(i,j)}{n\&times;n}---\left(4\right)$

$m_b=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{g}_b(i,j)}{n\&times;n}---\left(5\right)$

md＝|m_w-m_b|      (6)

其中，g_w(i，j)，g_b(i，j)分别代表二值图中每个方块内白色像素点和黑色像素点在灰度图中相应位置的灰度值。md称为图像的均值反差特征，并将其与图像的颜色特征及灰度跳变特征进行比较，如图2、图3、图4所示：

图2是颜色特征的点云图像，横轴表示色调，纵轴表示饱和度；‘+’点云表示背景的彩色特征，‘*’点云表示车牌区域的彩色特征。从图中可以看出，背景区域与车牌区域在色调分布上有比较明显的区别，但对于蓝色或者黄色车辆，两者的重叠区域很大，彩色特征无法体现。

图3是灰度跳变的特征曲线，横轴表示灰度跳变数，纵轴表示具有该灰度跳变数的行数占二值图像总行数的百分比；‘+’点曲线表示背景区域，‘*’点曲线表示车牌区域。从图中可以看出，如果灰度跳变数的阈值门限设小于10，则此灰度跳变特征无法有效的区分背景区域和车牌区域，如果灰度跳变的阈值门限大于等于10，则将会丢失部分车牌字符的边界区域。

图4是均值反差特征的特征曲线，横轴表示方块的个数，纵轴表示具有该方块个数的行数占二值图像总行数的百分比；‘+’点曲线表示背景区域，‘*’点曲线表示车牌区域。从图中可以看出，如果方块个数的阈值门限设小于10，则此均值反差特征无法有效的区分背景区域和车牌区域，如果方块个数的阈值门限大于等于10，背景区域中满足阈值门限的行数急剧下降，减少了车牌候选区域的数量。同时，也没有丢失车牌字符区域。

3.设定合适的阈值门限T_md，本实施例中T_md优选取10(该门限阈值的值不限定在此，本领域技术人员可以根据实际需要进行具体设定)，并根据下面的原则更新每个方块内像素点的标志位：

$\mathrm{Tag}=\left\{\begin{array}{c}1,\mathrm{md}\&GreaterEqual;T_{\mathrm{md}}\\ 0,\mathrm{else}\end{array}\right.---\left(7\right)$

4.然后，将二值图像b(x，y)进行水平投影，统计每行标志符为1的像素点的个数，将个数大于阈值门限T_s的行记录下来，本实施例中T_s取12×(l+1)，该门限阈值的值不限定在此，本领域技术人员可以根据实际需要进行具体设定。若满足阈值条件的连续行的个数大于T_nl，则将其合并成行候选区域larea[i](i＝1，2，…kl)。其中，larea[i](i＝1，2，…kl)记录了k_l个行候选区域的起始行和结束行的位置信息。

5.在每个行候选区域内，逐个统计大小为w×h窗口内标志符为1的像素点的个数num，并设定阈值门限T_np。本实施例中，T_np取w×h窗口内像素点的二分之一(该阈值的值不限定在此，本领域技术人员可以根据实际需要进行具体设定)。筛选出车牌的候选区域集合area[i](i＝1，2，…k₁)。筛选的条件为：

area[i](i＝1，2，…k₁)：num≥T_np      (8)

其中w、h分别代表实际的最大车牌宽度和该行候选区域的高度(单位：像素)，候选区域集合area[i]记录下所有满足(8)式的窗口位置信息及其中标志位为1的像素点的个数，k₁为车牌候选区域的个数。

6.统计候选区域集合area[i](i＝1，2，…k₁)中相邻或者重叠的候选区域，留取其中标志位为1的像素点个数最多的候选区域，去除与其相邻或者重叠的候选区域，直到候选区域集合中两两互不相邻或者重叠，并将车牌候选区域更新为area[i](i＝1，2，…k₂)。

步骤三、筛选车牌候选区域

通过候选区域的颜色特征和纹理特征去除不满足车牌区域条件的候选区域，得到车牌区域，依次按照下面的步骤进行：

1.通过颜色特征筛选车牌候选区域，具体步骤如下：

(1)颜色格式转换：HSV颜色空间是一种面向视觉感知的颜色模型，与原始车辆图像的RGB颜色空间相比，更符合人对颜色的感知心理，而且将彩色信息和灰度信息分离开，使得车牌候选区域筛选过程不易受到光照强度的影响。因此，需先将车牌候选区域area[i](i＝1，2，…k₂)的RGB颜色空间转换到HSV颜色空间，具体转换公式如下：

$V=\frac{1}{\sqrt{3}}(R+G+B)---\left(9\right)$

$S=1-\frac{\sqrt{3}}{V}\min (R,G,B)---\left(10\right)$

$H=\left\{\begin{array}{cc}\mathrm{\&theta;}& G\&GreaterEqual;B\\ 2\mathrm{\&pi;}-\mathrm{\&theta;}& G\&le;B\end{array}\right.---\left(11\right)$

其中， $\mathrm{\&theta;}={\cos }^{-1}\left[\frac{1/2[(R-G)+(R-B)]}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right].$

这里的R、G、B分别代表原始车辆图像中的红色、绿色和蓝色分量，值域为[0，1]。H、S、V分别代表原始车辆图像中的色度、饱和度和亮度分量，色度的值域为[0°，360°)，饱和度和亮度的值域为[0，1]。颜色格式转换后得到色度分量图g_ih(x，y)(i＝1，2，…k₂)。

(2)对于蓝底白字的车牌区域，蓝色背景的色度分量分布为[190°，275°]，而对于黄底黑字的车牌区域，黄色背景的色度分量分布为[25°，80°]。因此，将色度分量进行非均匀量化，量化后的色度分量为：

(3)对于候选车牌区域area[i]，将其对应的色度分量图g_ih(x，y)在H上进行直方图统计，找出直方图统计结果最大的H值赋给H_imax，然后通过如下方式对候选区域进行筛选：

如果H_imax∈[9，11]，则area[i]为可能的车牌候选区域，且背景颜色为蓝色；

如果H_imax∈[2，4]，则area[i]为可能的车牌候选区域，且背景颜色为黄色；

否则，则area[i]为非车牌候选区域。

(4)遍历area[i](i＝1，2，…k₂)中的每个候选车牌区域，将步骤(3)中的非车牌候选区域从area[i](i＝1，2，…k₂)中删除，保留可能的车牌候选区域，得到更新后的车牌候选区域area[i](i＝1，2，…k₃)。

2.通过纹理特征再次筛选车牌候选区域，具体步骤如下：

(1)对于候选车牌区域area[i]，并按列进行垂直投影：统计每一列标志符为1的像素点个数num_j(j＝0，1，…w-1)，并将其记入一维数列md_i[w]：md_i[j]＝num_j。

(2)合并一维数列md_i[w]中相等的相邻元素，直到md_i[w]中两相邻元素互不相等，并将一维数列更新为md_i[n]，其中n为新的一维数列元素的个数。

(3)用大小为r，参数为σ的模板对一维数列md_i[n]进行高斯滤波，以消除干扰的波峰波谷，并更新一维数列md_i[n]。本实施例中，高斯滤波模板大小r取5，参数σ取0.05。

(4)分别统计一维数列md_i[n]中的波峰数目num_p和波谷数目num_b，并通过如下方式对车牌候选区域area[i]进行筛选：

如果num_p≥6且num_b≥5，则area[i]为车牌候选区域；

否则，则area[i]为非车牌候选区域。

(5)遍历area[i](i＝1，2，…k₃)中的每个候选车牌区域，将步骤(4)中的非车牌候选区域从area[i](i＝1，2，…k₃)中删除，保留车牌候选区域，得到最后的车牌区域集合area[i](i＝1，2，…k)。

步骤四、车牌精确定位

传统的利用车牌区域字符的灰度跳变特征得到车牌字符区域的上下左右边界的方法简单易行，但对噪声比较敏感，精确定位的结果很可能比实际的车牌区域要略大，这给后面的字符分割带来了不便，特别是在确定车牌字符区域的左右边界时更为明显。而引入均值反差作为辅助特征可以明显降低算法对于噪声的敏感程度，定位结果更符合实际车牌字符区域的大小，具体步骤如下：

1.对于车牌区域area[i]的二值图b_i(x，y)，由上至下，统计水平方向上跳变点的个数n_jh1和标志符为1的像素点的个数md_jh1，通过设定阈值T_jh和T_mh来判断该行是否为车牌区域的上边界。本实施例中，T_jh取12，T_mh取12×(l+1)：

n_jh1≥T_jh且md_jh1≥T_mh

如果满足上述条件，则将该行判定为车牌字符区域的上边界，否则，转向下一行继续执行，直到找到车牌字符区域的上边界。

2.对于车牌区域area[i]的二值图b_i(x，y)，由下至上，统计水平方向上跳变点的个数n_jh2和标志符为1的像素点的个数md_jh2，通过设定阈值T_jh和T_mh来判断该行是否为车牌区域的下边界：

n_jh2≥T_jh且md_jh2≥T_mh

如果满足上述条件，则将该行判定为车牌字符区域的下边界，否则，转向上一行继续执行，直到找到车牌字符区域的下边界。

3.对于车牌区域area[i]的二值图b_i(x，y)，由左至右，统计垂直方向上跳变点的个数n_jv1和标志符为1的像素点的个数md_jv1，通过设定阈值T_jv和T_mv来判断该行是否为车牌区域的左边界。本实施例中，T_jv取2，T_mv取

n_jv1≥T_jh且md_jv1≥T_mh

如果满足上述条件，则将该行判定为车牌字符区域的左边界，否则，转向下一列继续执行，直到找到车牌字符区域的左边界。

4.对于车牌区域area[i]的二值图b_i(x，y)，由右至左，统计垂直方向上跳变点的个数n_jv2和标志符为1的像素点的个数md_jv2，通过设定阈值T_jv和T_mv来判断该行是否为车牌区域的右边界：

n_jv2≥T_jv且md_jv2≥T_mv

如果满足上述条件，则将该行判定为车牌字符区域的右边界，否则，转向上一列继续执行，直到找到车牌字符区域的右边界。

5.遍历车牌区域集合area[i](i＝1，2，…k)，找出所有车牌字符区域，实现精确定位。本发明平均车牌定位准确率为98.6％，平均车牌定位时间为195ms。

Claims (5)

1.一种基于字符多特征融合的车牌定位方法，包括如下步骤：

（一）预处理原始车辆图像

对原始车辆图像进行彩色图像灰度化处理，保存为灰度图，然后对上述灰度图进行二值化处理，得到车辆图像的二值图像；

（二）提取车牌候选区域

首先，将车辆图像的二值图像分成若干个n×n的方块，并将所有方块所有像素点标志位的初始值赋为0，其中n为正整数；

其次，在每个方块内分别计算所有白色像素点和黑色像素点对应灰度的均值，并记录两者的差值，设定第一阈值门限T_md,将均值反差大于或等于阈值门限T_md的方块内所有像素点的标志位置为1；

然后，将所述二值图像进行水平投影，统计图像每行中标志符为1的像素点的个数，将个数大于第二阈值门限T_s的行记录下来，并将记录下来的连续行合并成行候选区域；

最后，在所述行候选区域中，通过统计w×h大小区域内标志符为1的像素点的个数，筛选出车牌的候选区域，所述筛选的条件为：w×h大小区域内标志符为1的像素点的个数大于或等于阈值门限T_ns即作为候选区域，其中w、h分别为实际的最大车牌宽度和该行候选区域的高度；

（三）筛选车牌候选区域

通过车牌候选区域的颜色特征和纹理特征去除不满足车牌区域条件的候选区域，得到车牌区域，完成车牌的粗定位过程；

（四）车牌精确定位

利用车牌区域字符的灰度跳变特征得到车牌中字符区域的上下左右边界，完成车牌的精确定位，具体步骤如下：

（1）对于所述粗定位后得到的车牌区域的二值图，由上至下，统计水平方向上跳变点的个数n_jh1和标志符为1的像素点的个数md_jh1，通过设定阈值T_jh和T_mh来判断该行是否为车牌区域的上边界，即是否满足：

n_jh1≥T_jh且md_jh1≥T_mh

如果满足上述条件，则将该行判定为车牌字符区域的上边界，否则，转向下一行继续执行，直到找到车牌字符区域的上边界；

（2）对于所述粗定位后得到的车牌区域的二值图，由下至上，统计水平方向上跳变点的个数n_jh2和标志符为1的像素点的个数md_jh2，通过所述阈值T_jh和T_mh来判断该行是否为车牌区域的下边界，即是否满足：

n_jh2≥T_jh且md_jh2≥T_mh

如果满足上述条件，则将该行判定为车牌字符区域的下边界，否则，转向上一行继续执行，直到找到车牌字符区域的下边界；

（3）对于所述粗定位后得到的二值图，由左至右，统计垂直方向上跳变点的个数n_jv1和标志符为1的像素点的个数md_jv1，通过设定阈值T_jv和T_mv来判断该行是否为车牌区域的左边界，即是否满足：

n_jv1≥T_jh且md_jv1≥T_mh

如果满足上述条件，则将该行判定为车牌字符区域的左边界，否则，转向下一列继续执行，直到找到车牌字符区域的左边界；

（4）对于所述粗定位后得到的二值图，由右至左，统计垂直方向上跳变点的个数n_jv2和标志符为1的像素点的个数md_jv2，通过所述阈值T_jv和T_mv来判断该行是否为车牌区域的右边界，即是否满足：

n_jv2≥T_jv且md_jv2≥T_mv

如果满足上述条件，则将该行判定为车牌字符区域的右边界，否则，转向上一列继续执行，直到找到车牌字符区域的右边界；

（5）遍历车牌区域集合，找出所有车牌字符区域，实现精确定位。

2.根据权利要求1所述的车牌定位方法，其特征在于，所述通过颜色特征筛选车牌候选区域的具体步骤如下：

（1）将车牌候选区域由RGB颜色空间转换到HSV颜色空间；

（2）对于蓝底白字的车牌区域，蓝色背景的色度分量分布为[190°,275°]，而对于黄底黑字的车牌区域，黄色背景的色度分量分布为[25°,80°],将色度分量进行非均匀量化，得到量化后的色度分量H；

（3）对于车牌候选区域，将其对应的色度分量图在H上进行直方图统计，找出直方图统计结果最大的H值赋给H_imax，然后通过如下方式对候选区域进行筛选：

如果H_imax∈[9,11]，则该候选车牌区域为可能的车牌候选区域，且背景颜色为蓝色；

如果H_imax∈[2,4]，则该候选车牌区域为可能的车牌候选区域，且背景颜色为黄色；

否则，则该候选车牌区域为非车牌候选区域；

（4）遍历每个候选车牌区域，将步骤（3）中的非车牌候选区域删除，保留可能的车牌候选区域，完成通过颜色特征筛选车牌候选区域。

3.根据权利要求2所述的车牌定位方法，其特征在于，所述将色度分量进行非均匀量化后的色度分量为：

4.根据权利要求1-3之一所述的车牌定位方法，其特征在于，所述通过纹理特征再次筛选车牌候选区域的具体步骤如下：

（1）对于已通过颜色特征筛选后的候选车牌区域，按列进行垂直投影，并统计每一列标志符为1的像素点个数，并将其记入一维数列；

（2）合并一维数列中相等的相邻元素，直到其中两相邻元素互不相等，更新该一维数列；

（3）对该更新的一维数列进行高斯滤波，消除干扰的波峰波谷；

（4）分别统计经步骤（3）处理后的一维数列中的波峰数目num_p和波谷数目num_b，并通过如下方式对车牌候选区域进行筛选：

如果num_p≥6且num_b≥5，则为车牌候选区域；否则，为非车牌候选区域；

（5）遍历每个已通过颜色特征筛选后的候选车牌区域，将步骤（4）中的非车牌候选区域删除，得到最后的车牌区域集合，完成车牌的粗定位过程。

5.根据权利要求1-3之一所述的车牌定位方法，其特征在于，所述步骤（一）中，对原始车辆图像进行彩色图像灰度化处理即指：提取原始车辆图像绿色分量作为灰度图。

Images