CN102693423A - 一种在强光条件下车牌精确定位的方法 - Google Patents

Abstract

本发明公开了一种在强光条件下车牌精确定位的方法，该方法包括如下步骤：（1）利用待处理车牌图片进行自适应中值滤波预处理；（2）利用微分算子来进行车牌边缘检测；（3）将边缘检测后的图像转换为二值边缘图；（4）将二值边缘图进行形态学去噪处理，形成若干连通区域；（5）进行连通域形态处理。（6）根据连通域结果定位车牌区域。本发明能够有效解决强光照射对车牌定位的干扰问题，提高定位精确度，适应于如流动测速点或十字路口等处拍摄到的图像中提取通行车辆车牌。

Description

一种在强光条件下车牌精确定位的方法

技术领域

本发明涉及一种图像处理技术，具体涉及一种车牌自动识别的定位技术。

背景技术

在复杂背景中由于天气、光照、污损等因素的影响，采集到的车牌图像其对比度特征往往不理想；尤其是夜间汽车前灯开放或白天强太阳光照射下引起的车牌反光，车牌信息丢失，车牌定位难度更大。因此对图像预处理的好坏直接影响车牌定位的精确度。

目前人们针对车牌定位的图像预处理已经提出了很多处理方法，虽然各种车牌定位预处理方法都具有一定的实用性和参考价值，特别是当车辆位于强光的背景中，效果就不是很理想。

由此可见，如何提高在强光条下牌照定位的精确度是本领域亟需解决的问题。

发明内容

本发明针对现有车牌定位方法在强光条下无法精确定位的问题，而提供一种在强光条件下车牌精确定位的方法。该方法能够有效解决强光照射对车牌定位的干扰问题，提高定位精确度。

为了达到上述目的，本发明采用如下的技术方案：

一种在强光条件下车牌精确定位的方法，该方法包括如下步骤：

（1）利用待处理车牌图片进行自适应中值滤波预处理；

（2）利用微分算子来进行车牌边缘检测；

（3）将边缘检测后的图像转换为二值边缘图；

（4）将二值边缘图进行形态学去噪处理，形成若干连通区域；

（5）进行连通域形态处理。

（6）根据连通域结果定位车牌区域。

在本发明的优选实例中，所述步骤（1）中若待处理车牌图片为彩色图片，将其转化为灰度图像。

进一步的，所述步骤（1）中采用×字形窗口的自适应中值滤波处理方法进行预处理，具体步骤如下：

（11）首先，采用3×3的×字形窗口进行计算待处理图像的中值滤波值Zmed、最大值滤波值Zmax和最小值滤波值Zmin；

（12）并判断噪声敏感度，即：如果Zmec，不在Zmax和Zmin之间就自动增加×字形窗口的大小，然后重复以上的过程；

（13）对于Zmed在Zmax和Zmin之间的点先用原像素值与最大滤波值和最小滤波值进行判断，如果在其间，原值不做修改，反之就用Zmed取代原值。

进一步的，所述步骤（2）中采用Sobel边缘检测器，进行边缘检测。

进一步的，所述步骤（2）中利用一阶和二阶导数进行亮度值的不连续性检测。

进一步的，所述步骤（3）中二值边缘图的转换过程如下：

（31）统计灰度图像直方图，记录图像最大和最小灰度值；

（32）计算最大和最小灰度值的中值，以此中值作为二值化的初始阈值；

（33）按照以下迭代公式进行迭代计算：

$T_{i+1}=\frac{1}{2}\{\frac{\underset{j=1}{\overset{T_i}{\mathrm{\Σ}}}{h}_j\·j}{\underset{j=0}{\overset{T_i}{\mathrm{\Σ}}}{h}_j}+\frac{\underset{j=T_i+1}{\overset{L-1}{\mathrm{\Σ}}}{h}_j\·j}{\underset{j=T_i+1}{\overset{L-1}{\mathrm{\Σ}}}{h}_j}\}$

设共有L级灰度，h_j是灰度为j值的像素个数，即直方图的高度；

（34）计算至T_i变化不大，即得到最终的二值化阈值Th。

再进一步的，所述二值边缘图的转换过程中，迭代停止的条件为：Th(diff)<=k1或Times>=k2，其中，Th(diff)为相邻两次迭代所得的Ti值的差值，Times为总的迭代次数；k1,k2为经验值，即Ti相邻值的差值小于等于k1或者迭代次数超过了k2次就停止迭代，得到最终的二值化阈值。

进一步的，所述步骤（4）中图进行形态学去噪处理过程如下：

（41）对二值图像进行top-hat变换；

（42）用[11；11]结构元对二值图像进行腐蚀运算，去除图像中的孤立噪声点；

（43）统计二值图像中颗粒个数，若颗粒个数小于M个，其中M为图像总行数，用[11：11]结构元对其进行膨胀运算；膨胀运算后对图像进行开运算，开运算结构元为[11；11；11；11]；

（44）若经过步骤（41）后，图像中颗粒个数大于2M个，对其进行二次腐蚀运算，而后用[11；11；11；11]结构元对其进行膨胀运算。

进一步的，所述步骤（5）中链表搜索标号法进行连通域形态处理，具体过程如下：

（51）初始化邻接表K，该表中每一个子链表Li用来存储同一连通区域的点坐标；在内存中分配一与原图大小相等的堆栈S和辅助区域A；

（52）从左到右，从上到下扫描图像，遇到黑点B则以区域生长方式填充该区域：将点B作为链表压入堆栈S中；从栈顶弹出一个点，将该点在辅助区域A中对应位置的点置为黑色，并将该点加入邻接表K中相应的子链表Li中；然后查看它的八个相邻点，若某一点在辅助区域A中对应位置的点为白，表示该点还未搜索，则将该点压入堆栈，同时在辅助区域A中将该点置为黑色，防止该点重复入栈；重复执行上述入栈、出栈的工作，直到堆栈S为空，表示该连通区域已经搜索完毕。

（53）遍历邻接表K，其每一个子链表Li代表每一个连通区域；遍历Li可求出该区域的面积、中心、外接矩形的角点和体态比；由辅助区域A可求区域边界轮廓点形成的轮廓曲线，计算区域周长、密集度等，便于区域过滤。

根据上述方案形成的本发明能够有效解决强光照射对车牌定位的干扰问题，提高定位精确度，适应于如流动测速点或十字路口等处拍摄到的图像中提取通行车辆车牌，为进一步的字符分割与识别提供基础。

如果对目标区域的特征进行进一步分析，本发明还可应用于其它图像处理领域的定位。

附图说明

以下结合附图和具体实施方式来进一步说明本发明。

图1为×字形窗口实现方法示意图；

图2为数学形态学处理流程图；

图3为本发明的处理流程图；

图4为Sobel算子示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

本发明提出的在强光背景下进行车牌照精确度定位的方法，其综合了边缘检测，形态学运算，连通域分析以及自适应中值滤波分析等多种方法，具体过程如下（参见图3）：

1、自适应中值滤波改进算法进行图像预处理

首先读取待处理车牌图片，如果图片是彩色图片的话将其转化为灰度图像，将彩色图片转为灰度图像的公式为：

Gray＝0.3R+0.59G+0.11B

彩色图像灰度化后，应用自适应中值滤波改进算法对灰度图滤除噪声，×字形窗口的自适应中值滤波算法是对中值滤波的一种改进，×字形窗口的实现方法如图1所示，其为现有技术，此处不加以赘述。

自适应中值滤波算法步骤如下：

（11）首先，采用3×3的×字形窗口进行计算图像的中值滤波值Zmed、最大值滤波值Zmax和最小值滤波值Zmin，

（12）并判断噪声敏感度，即：如果Zmec，不在Zmax和Zmin之间就自动增加×字形窗口的大小，然后重复以上的过程；

（13）对于Zmed在Zmax和Zmin之间的点先用原像素值与最大滤波值和最小滤波值进行判断，如果在其间，原值不做修改，反之就用Zmed取代原值。

2、车牌边缘检测

对灰度图进行中值滤波有效滤除噪声后，再进行图像边缘检测，由于车牌区有文字，边缘较多，采用微分算子来增强边缘，并削弱了灰度变化缓慢的区域。本发明中具体采用的是Sobel边缘检测器，具体的Sobel算子如图4所示。

其中，Sobel算子(a)可突出水平边缘，Sobel算子(b)可突出垂直边缘。从图中可以看出，处理掩模中的系数总和为0，这表明灰度恒定区域的响应为0，这样就达到了提取边缘信息的目的。

3、二值边缘图的转换

将边缘检测后的图像（即为Sobel算子卷积结果）采用迭代二值化方法转换为二值边缘图，以进行下一步的形态学处理。具体步骤如下：

（31）统计灰度图像直方图，记录图像最大和最小灰度值；

（32）计算最大和最小灰度值的中值，以此中值作为二值化的初始阈值；

（33）按照以下迭代公式进行迭代计算：

$T_{i+1}=\frac{1}{2}\{\frac{\underset{j=1}{\overset{T_i}{\mathrm{\&Sigma;}}}{h}_j\&CenterDot;j}{\underset{j=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{h}_j}+\frac{\underset{j=T_i+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{h}_j\&CenterDot;j}{\underset{j=T_i+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{h}_j}\}$

设共有L级灰度,h_j是灰度为j值的像素个数（即直方图的高度）。

（34）计算至T_i变化不大，即得到最终的二值化阈值Th。在本方法中，Th(diff)<=k1或Times>=k2，其中，Th(diff)为相邻两次迭代所得的T_i值的差值，Times为总的迭代次数；k1,k2为经验值，即T_i相邻值的差值小于等于k1或者迭代次数超过了k2次就停止迭代，得到最终的二值化阈值。

4、形态学去噪处理

图像二值化虽然将许多干扰区域归并至背景区，但同时也加强了部分车牌以外的区域，因此，有必要对二值化图像进行进一步的去噪处理，数学形态学运算方法能够很有效的对二值化图像进行去噪，并可以加强车牌字符区域特征。本发明中，数学形态学处理方法具体过程为（如图2所示）：

（41）对二值图像进行top-hat变换

（42）用[11；11]结构元对二值图像进行腐蚀运算，去除图像中的孤立噪声点；

（43）统计二值图像中颗粒个数，若颗粒个数小于M个(M为图像总行数)，用[11：11]结构元对其进行膨胀运算；膨胀运算后对图像进行开运算，开运算结构元为[11；11；11；11]；

（44）若经过步骤（41）后假如图像中颗粒个数大于2M个，对其进行二次腐蚀运算，而后用[11；11；11；11]结构元对其进行膨胀运算。

实验结果表明，数学形态学处理将没有去除的孤立噪声点在二值图像中基本去除，而且令车牌区域的边缘得到有效加强，对后面的定位起到至关重要的作用，形成很多连同区域。

5、连通域形状分析处理

经上述步骤的形态学操作后，图像中所保留的是若干独立的不规则区域，分别对这些不规则区域中的各个独立区域标记出来，作为车牌的候选区域。本发明采用一种链表搜索标号法，实现了快速的连通域标号和各个连通域的几何形状参数的测量工作，具体过程如下：

（51）初始化邻接表K，该表中每一个子链表Li用来存储同一连通区域的点坐标。在内存中分配一与原图大小相等的堆栈S和辅助区域A。

（52）从左到右，从上到下扫描图像，遇到黑点B则以区域生长方式填充该区域：将点B作为链表压入堆栈S中。从栈顶弹出一个点，将该点在辅助区域A中对应位置的点置为黑色，并将该点加入邻接表K中相应的子链表Li中。然后查看它的八个相邻点，若某一点在辅助区域A中对应位置的点为白，表示该点还未搜索，则将该点压入堆栈，同时在辅助区域A中将该点置为黑色，防止该点重复入栈。重复执行上述入栈、出栈的工作，直到堆栈S为空，表示该连通区域已经搜索完毕。

（53）遍历邻接表K，其每一个子链表Li代表每一个连通区域。遍历Li可求出该区域的面积、中心、外接矩形的角点和体态比。由辅助区域A可求区域边界轮廓点形成的轮廓曲线，计算区域周长、密集度等，便于区域过滤。

6、根据区域过滤后的联通域结果定位车牌区域

经上述步骤的联通域操作后，图像中所保留的是若干独立的具有几何形状参数的车牌候选区域，再分别对这些区域中几何参数与车牌的经验几何参数进行比较判定，在这些候选区域中定位车牌。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种在强光条件下车牌精确定位的方法，其特征在于，所述方法包括如下步骤：

（1）利用待处理车牌图片进行自适应中值滤波预处理；

（2）利用微分算子来进行车牌边缘检测；

（3）将边缘检测后的图像转换为二值边缘图；

（4）将二值边缘图进行形态学去噪处理，形成若干连通区域；

（5）进行连通域形态处理。

（6）根据连通域结果定位车牌区域。

2.根据权利要求1所述的一种在强光条件下车牌精确定位的方法，其特征在于，所述步骤（1）中若待处理车牌图片为彩色图片，将其转化为灰度图像。

3.根据权利要求1所述的一种在强光条件下车牌精确定位的方法，其特征在于，所述步骤（1）中采用×字形窗口的自适应中值滤波处理方法进行预处理，具体步骤如下：

（11）首先，采用3×3的×字形窗口进行计算待处理图像的中值滤波值Zmed、最大值滤波值Zmax和最小值滤波值Zmin；

（12）并判断噪声敏感度，即：如果Zmec，不在Zmax和Zmin之间就自动增加×字形窗口的大小，然后重复以上的过程；

（13）对于Zmed在Zmax和Zmin之间的点先用原像素值与最大滤波值和最小滤波值进行判断，如果在其间，原值不做修改，反之就用Zmed取代原值。

4.根据权利要求1所述的一种在强光条件下车牌精确定位的方法，其特征在于，所述步骤（2）中采用Sobel边缘检测器，进行边缘检测。

5.根据权利要求1所述的一种在强光条件下车牌精确定位的方法，其特征在于，所述步骤（2）中利用一阶和二阶导数进行亮度值的不连续性检测。

6.根据权利要求1所述的一种在强光条件下车牌精确定位的方法，其特征在于，所述步骤（3）中二值边缘图的转换过程如下：

（31）统计灰度图像直方图，记录图像最大和最小灰度值；

（32）计算最大和最小灰度值的中值，以此中值作为二值化的初始阈值；

（33）按照以下迭代公式进行迭代计算：

$T_{i+1}=\frac{1}{2}\{\frac{\underset{j=1}{\overset{T_i}{\mathrm{\&Sigma;}}}{h}_j\&CenterDot;j}{\underset{j=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{h}_j}+\frac{\underset{j=T_i+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{h}_j\&CenterDot;j}{\underset{j=T_i+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{h}_j}\}$

设共有L级灰度，h_j是灰度为j值的像素个数，即直方图的高度；

（34）计算至T_i变化不大，即得到最终的二值化阈值Th。

7.根据权利要求6所述的一种在强光条件下车牌精确定位的方法，其特征在于，所述二值边缘图的转换过程中，迭代停止的条件为：Th(diff)<=k1或Times>=k2，其中，Th(diff)为相邻两次迭代所得的T_i值的差值，Times为总的迭代次数；k1,k2为经验值，即T_i相邻值的差值小于等于k1或者迭代次数超过了k2次就停止迭代，得到最终的二值化阈值。

8.根据权利要求1所述的一种在强光条件下车牌精确定位的方法，其特征在于，所述步骤（4）中图进行形态学去噪处理过程如下：

（41）对二值图像进行top-hat变换；

（42）用[11；11]结构元对二值图像进行腐蚀运算，去除图像中的孤立噪声点；

（43）统计二值图像中颗粒个数，若颗粒个数小于M个，其中M为图像总行数，用[11：11]结构元对其进行膨胀运算；膨胀运算后对图像进行开运算，开运算结构元为[11；11；11；11]；

（44）若经过步骤（41）后，图像中颗粒个数大于2M个，对其进行二次腐蚀运算，而后用[11；11；11；11]结构元对其进行膨胀运算。

9.根据权利要求1所述的一种在强光条件下车牌精确定位的方法，其特征在于，所述步骤（5）中链表搜索标号法进行连通域形态处理，具体过程如下：

（51）初始化邻接表K，该表中每一个子链表Li用来存储同一连通区域的点坐标；在内存中分配一与原图大小相等的堆栈S和辅助区域A；

（52）从左到右，从上到下扫描图像，遇到黑点B则以区域生长方式填充该区域：将点B作为链表压入堆栈S中；从栈顶弹出一个点，将该点在辅助区域A中对应位置的点置为黑色，并将该点加入邻接表K中相应的子链表Li中；然后查看它的八个相邻点，若某一点在辅助区域A中对应位置的点为白，表示该点还未搜索，则将该点压入堆栈，同时在辅助区域A中将该点置为黑色，防止该点重复入栈；重复执行上述入栈、出栈的工作，直到堆栈S为空，表示该连通区域已经搜索完毕。

（53）遍历邻接表K，其每一个子链表Li代表每一个连通区域；遍历Li可求出该区域的面积、中心、外接矩形的角点和体态比；由辅助区域A可求区域边界轮廓点形成的轮廓曲线，计算区域周长、密集度等，便于区域过滤。

10.根据权利要求1所述的一种在强光条件下车牌精确定位的方法，其特征在于，根据区域过滤后的联通域结果定位车牌区域。

Images