CN102831429A - 车牌定位方法 - Google Patents

Abstract

本发明实施例涉及图像识别技术领域，公开了一种车牌定位方法。其中，该方法包括：S1、对所拍摄的视频流的第二帧图像进行检测，生成检测到的车牌区域列表；S2、验证所述车牌区域列表中的各个车牌区域，在所述车牌区域列表中删除不满足车牌特征的车牌区域以得到已验证车牌区域列表；S3、在所述第一帧图像的跟踪列表中删除不能跟踪到的车牌区域以得到第二跟踪列表；S4、将所述第二跟踪列表与所述已验证车牌区域列表进行融合，以得到所述第二帧图像的跟踪列表；S5、将所述第二帧图像的跟踪列表作为定位结果输出。实施本发明实施例，可以在不降低车牌定位精确度的情况下，提高定位速度，降低漏检率和误检率。

Description

车牌定位方法

技术领域

本发明涉及图像识别技术领域，具体涉及一种车牌定位方法。

背景技术

随着高速公路、城市道路和现代化小区的不断增多，对车辆进行智能化和自动化管理的要求也越来越高，其中车牌的自动识别是其中一项重要的基本功能。现有技术中采用的一种车牌自动识别技术是对拍摄到的视频流图像运用车牌检测、定位技术，判断其中是否存在车牌，在检测、定位到车牌之后再识别所定位的车牌，在其中车牌的检测、定位的效果是整个车牌识别技术的关键。

现有技术中的车牌定位技术主要有两类：边缘统计方法和机器学习方法。其中边缘统计方法是先假设图像中存在车牌，通过统计边缘找出车牌所在区域，从而定位车牌，该方法的优点在于定位速度较快，但易受背景环境的影响，误检率较高，且给出的车牌区域不够精确，只是一个大概的区域；机器学习方法是首先用车牌样本训练车牌分类器，然后用车牌分类器对视频流图像进行全图像、多尺度的搜索来定位车牌，该方法的优点在于定位较为准确、误检率低，但其定位速度较慢，实时性较低，且易出现漏检现象。

综上所述，现有技术中的车牌定位技术不能同时解决定位精确度低、定位速度慢、漏检率高及误检率高等问题。

发明内容

本发明实施例所要解决的技术问题是提供一种车牌定位方法，用于在不降低车牌定位精确度的情况下，提高定位速度，降低漏检率和误检率。

本发明实施例提供一种车牌方法，包括：

S1、对所拍摄的视频流的第二帧图像进行检测，生成检测到的车牌区域列表；所述第二帧图像为所述视频流中的任意一帧图像；

S2、验证所述车牌区域列表中的各个车牌区域是否满足车牌特征，在所述车牌区域列表中删除不满足车牌特征的车牌区域以得到已验证车牌区域列表；

S3、跟踪第一帧图像的跟踪列表中的车牌区域，在所述第一帧图像的跟踪列表中删除不能跟踪到的车牌区域以得到第二跟踪列表；所述第一帧图像为所述第二帧图像的前一帧图像；

S4、将所述第二跟踪列表与所述已验证车牌区域列表进行融合，以得到所述第二帧图像的跟踪列表；

S5、将所述第二帧图像的跟踪列表作为定位结果输出。

本发明实施例中提供的车牌定位方法，首先对视频流的一帧图像进行快速检测，给出初步的车牌区域列表，然后对车牌区域列表中的车牌区域进行验证，可提高车牌定位速度和降低误检率，接下来对前一帧图像的跟踪列表进行跟踪，可降低车牌定位的漏检率，最后将跟踪列表和已验证车牌区域列表进行融合，可提高车牌定位的精确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中车牌定位方法的流程图；

图2是本发明实施例中车牌定位方法中步骤S1的流程图；

图3是本发明实施例中车牌定位方法中步骤S1的详细流程图；

图4是本发明实施例中车牌定位方法中步骤S2的流程图；

图5是本发明实施例中车牌定位方法中步骤S21的流程图；

图6是本发明实施例中车牌定位方法中步骤S4的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例中提供了一种车牌定位方法，包括车牌检测、车牌验证、车牌跟踪等步骤，其中通过车牌检测可快速准确的定位车牌，通过车牌验证对检测到的车牌进行车验证，可减少误检，通过跟踪车牌达到在视频流中连续定位车牌的目的，从而提供快速、稳定的定位结果。以下进行详细说明。

如图1所示，本发明提供一种车牌定位方法，可包括下列步骤：

S1、对所拍摄的视频流的第二帧图像进行检测，生成检测到的车牌区域列表；上述第二帧图像为上述视频流中的任意一帧图像；

S2、验证上述车牌区域列表中的各个车牌区域是否满足车牌特征，在上述车牌区域列表中删除不满足车牌特征的车牌区域以得到已验证车牌区域列表；

S3、跟踪第一帧图像的跟踪列表中的车牌区域，在上述第一帧图像的跟踪列表中删除不能跟踪到的车牌区域以得到第二跟踪列表；上述第一帧图像为上述第二帧图像的前一帧图像；

需要说明的是，当第一帧图像的跟踪列表为空时，则无需进行对车牌区域的跟踪，此种情况下，第二跟踪列表与第一帧图像的跟踪列表相同；

需要说明的是，当上述第二帧图像为视频流的首帧图像时（前面不存在其它帧的图像），则不存在上述第一帧图像，第一帧图像的跟踪列表也视为空；

S4、将上述第二跟踪列表与上述已验证车牌区域列表进行融合，以得到上述第二帧图像的跟踪列表；

S5、将上述第二帧图像的跟踪列表作为定位结果输出。

具体地，如图2所示，上述步骤S1可具体包括下列步骤：

S11、根据预设定的搜索尺度遍历搜索上述视频流的第二帧图像；

S12、根据步骤S11的搜索结果生成车牌区域列表；

进一步地，上述步骤S11可具体包括下列步骤：

S111、预设定M种不同的搜索尺度，并按照预定的顺序对上述M种搜索尺度进行排序，且M大于或等于2；

由于实际应用中，车牌的大小是在一个范围之内的，因此可以设定一个车牌区域的最大尺度和最小尺度，分别作为最大搜索尺度和最小搜索尺度，再在最大搜索尺度和最小搜索尺度之间设置一些合适的搜索尺度；如本实施例中可将最小搜索尺度设定为70*30（长70像素，宽30像素），将最小搜索尺度设为第1种（M=1）搜索尺度，第2种搜索尺度为第1种搜索尺度的1.2倍（84*36），第3种搜索尺度为第2种搜索尺度的1.2倍，依次类推，直至最大搜索尺度；当然以上只是本实施例中的选择，在实际应用中，本领域普通技术人员还可根据实际情况选择其它合适的搜索尺度和排序方式，在此不做具体的限制；

S112、设定N=1；

即初始从第1种搜索尺度开始；

S113、从预设定的初始位置按第N种搜索尺度以4为步长开始搜索上述第二帧图像；

需要说明的是，以4为步长指的是每次搜索间隔四个像素点；

本实施例中，预设定的初始位置可以选择图像的原点位置（0，0），当然也可以选择其它合适的初始位置；

S114、利用第一判断方法判断搜索到的一个区域是否是车牌区域，如果是，则执行步骤S115，否则执行步骤S118；

具体地，上述的第一判断方法可为：

第一步：计算该区域的灰度方差值，判断该区域的灰度方差值是否大于预定的阈值，如果小于则该区域不是车牌区域，如果大于则进入第二步；

第二步：利用预先训练得到的所述第一车牌分类器来判断该区域是否是车牌区域；

需要说明的是，对于一个区域，只有其灰度方差值大于预定的阈值且被第一车牌分类器判断为车牌区域才被判断为车牌区域，否则不是车牌区域；

本实施例中，可采用基于MB_LBP(Multi-Block Local-Binary-Patterns)特征的Adboost方法,预先利用车牌样本、通过Adboost方法挑选最优的MB_LBP特征构建级联分类器（第一车牌分类器），MB_LBP特征的优点一方面在于MB_LBP的块状特征和车牌的灰度分布规律较为相似，构建的级联分类器特征数量比较少、分类能力强；另一方面MB_LBP特征计算复杂度也比较低；级联分类器的优点在于它的排除法，在图像中占绝大部分的非车牌区域经过部分层分类器后就被排除掉了，总体上缩短了定位的时间；

本实施例中，如果某一区域的灰度方差不大于预定的阈值，则该区域被判断为不是车牌区域，就无需进入第二步，因此采用灰度方差值进行预判断的方法可以减少第一车牌分类器的分类频率，提高检测速度；

一般的，为了方便辨认，车牌背景的颜色和字符的颜色正好是反色，而且所占的比例相当，因此车牌区域的灰度方差比较大，用计算灰度方差的方式对搜索到的区域进行区分可排除掉大量的平坦区域，如地面、车身等；

具体地，灰度方差计算的方法可以为：

${\mathrm{std}}_{\mathrm{ABCD}}=\frac{I2\left(C\right)-I2\left(B\right)-I2\left(D\right)+I2\left(A\right)}{n}-{\left(\frac{I1\left(C\right)-I1\left(B\right)-I1\left(D\right)+I1\left(A\right)}{n}\right)}^2$

如上面的公式所示，本实施例中应用积分图计算一个区域的灰度方差，

其中，std_ABCD表示以A、B、C、D为四个顶点的矩形区域的灰度方差，其中A为矩形的起点（坐标值最小的顶点），B、C、D是以A为起点的矩形逆时针方向的其它三个顶点坐标，n是该区域像素点数量，I1为像素点灰度值的积分图，I2为像素点灰度值平方的积分图；需要说明的是，上述预定的阈值可根据实际情况进行设置，此处不做具体的限制；

S115、以2为步长搜索上述区域的8个第二近邻区域，利用上述第一判断方法判断上述8个第二近邻区域是否存在车牌区域，如果是，执行步骤S116，否则执行步骤S118；

本步骤中搜索到的该区域的8个第二近邻区域与该区域在X方向和/或Y方向上的坐标相差两个像素点；特别的，当该区域处于图像的边界处，可能其邻区域的数量不够8个，此时，可认为缺失的第二近邻区域不是车牌区域；

S116、以1为步长搜索上述区域的8个第一近邻区域，利用上述第一判断方法判断上述8个第一近邻区域是否存在车牌区域，如果是，执行步骤S117，否则执行步骤S118；

本步骤中搜索到的该区域的8个第一近邻区域与该区域在X方向和/或Y方向上的坐标相差一个像素点；特别的，当该区域处于图像的边界处，可能其邻区域的数量不够8个，此时，可认为缺失的第一近邻区域不是车牌区域；

S117、将上述区域添加进车牌区域列表；

需要说明的是，车牌区域列表初始为空；

即如果某区域及其第一近邻区域和第二近邻区域都存在车牌区域，则该区域才被判断为车牌区域，加入车牌区域列表；

S118、判断是否搜索完上述第二帧图像，如果是，执行步骤S1110，否则执行步骤S119；

S119、以4为步长沿预定的方向搜索上述第二帧图像的下一个区域；执行步骤S114；

即如果没有搜索完，则沿预定的方向继续进行搜索；

S1110、判断N是否大于或等于M，如果否，执行步骤S1111，如果是，执行步骤S12；

S1111、N=N+1；执行步骤S113；

即接下来用下一个搜索尺度对图像进行搜索。

本实施例中描述的是对视频流的其中一帧图像的检测过程，在该检测过程中：由于预先定义了车牌区域的搜索尺度的范围，可减少在尺度方向上的搜索的次数，同时采用变步长的方式（4：2：1）来搜索可减少在X、Y方向上的搜索次数，采用计算灰度方差的方式来检测车牌区域，可提高车牌的检出率和检测的速度。

具体地，如图4所示，上述步骤S2可包括下列步骤：

S21、提取上述车牌区域列表中的各车牌区域的特征向量；

S22、利用预先训练得到的第二车牌分类器对上述各车牌区域的特征向量进行验证，以判断上述各车牌区域是否满足车牌特征，在上述车牌区域列表中删除不满足车牌特征的车牌区域以得到已验证车牌区域列表。

第二车牌分类器可通过SVM（Support-Vector-Machine，支持向量机）的方法进行训练得到，即是先按照提取特征向量的流程提取正样本（车牌样本）和负样本（非车牌样本）的特征向量，然后用SVM训练分类器。

进一步地，如图5所示，上述步骤S21可包括下列步骤：

S211、将上述车牌区域列表中的各车牌区域均缩放到预设定的尺寸；

S212、检测上述各车牌区域的颜色，判断是否需要进行反色，对需要反色的上述车牌区域进行反色；

各种车辆悬挂的车牌有所不同，例如在我国，大型民用汽车的车牌为黄底黑字，小型民用汽车的车牌为蓝底白字，在步骤S212中需要判断车牌区域是否需要反色，以使各车牌区域均为“字符为亮色，背景为暗色”，相应的黄底黑字的车牌需要反色，而蓝底白字的车牌则无需反色；

S213、计算出上述各车牌区域的笔画二值图；

可采用下面的四个方向上的笔画算子对该车牌区域进行卷积，卷积值大于0的像素点为笔画，将四个方向上的笔画合并，形成笔画二值图；

$\left[\begin{array}{ccccc}-1& 0& 2& 0& -1\\ -2& 0& 4& 0& -2\\ -4& 0& 8& 0& -4\\ -2& 0& 4& 0& -2\\ -1& 0& 2& 0& -1\end{array}\right],$ $\left[\begin{array}{ccccc}2& 0& -2& -1& 0\\ 0& 4& 0& -4& -1\\ -2& 0& 8& 0& -2\\ -1& -4& 0& 4& 0\\ 0& -1& -2& 0& 2\end{array}\right],$

$\left[\begin{array}{ccccc}-1& -2& -4& -2& -1\\ 0& 0& 0& 0& 0\\ 2& 4& 8& 4& 2\\ 0& 0& 0& 0& 0\\ -1& -2& -4& -2& -1\end{array}\right],$ $\left[\begin{array}{ccccc}0& -1& -2& 0& 2\\ -1& -4& 0& 4& 0\\ -2& 0& 8& 0& -2\\ 0& 4& 0& -4& -1\\ 2& 0& -2& -1& 0\end{array}\right]$

S214、对上述各车牌区域的笔画二值图进行修复、去伪笔画处理；

由于噪声的影响，笔画二值图中可能存在着断裂、缺损的笔画，因此可采用形态学上的闭运算来修复断裂、缺损的笔画，并通过连通域分析去掉孤立伪笔画区域；

S215、将步骤S214处理后的各车牌区域的笔画二值图投影到水平方向，并进行归一化处理；

将笔画二值图投影到水平方向并进行归一化处理，可形成各车牌区域的特征向量。

具体地，上述步骤S3可包括：

跟踪上述第一帧图像的跟踪列表中包含的各个车牌区域，在上述第一帧图像的跟踪列表中删除不能跟踪到的车牌区域以得到第二跟踪列表。

本实施例中，当第一帧图像的跟踪列表中存在至少一个车牌区域时，可采用LK（Lucas-Kanade）稀疏光流跟踪方法，通过跟踪车牌区域内的特征点，实现对车牌区域的跟踪。该跟踪方法利用高斯金字塔来放大最大跟踪距离，通过跟踪特征点来实现稀疏跟踪，减少跟踪复杂度，使得整个跟踪方法在跟踪效果和速度上达到较好的平衡。

当第一帧图像的跟踪列表中的某一个车牌区域在第二帧图像中没有跟踪到，即在第二帧图像找不到该车牌区域，则在跟踪列表中删除该车牌区域。

具体地，如图6所示，上述步骤S4包括：

S41、将上述已验证车牌区域列表中与上述第二跟踪列表中不重叠的车牌区域加入上述第二跟踪列表以得到上述第三跟踪列表；

需要说明的是，不重叠的车牌区域可以认为是第二帧图像中新出现的车牌区域；

S42、将上述已验证车牌区域列表中与上述第三跟踪列表中重叠的车牌区域进行加权叠加，以得到上述第二帧图像的跟踪列表。

重叠的车牌一般的是在第一帧图像和第二帧图像中均出现了的车牌区域，因此需要进行加权叠权，具体的，可采用下面的加权叠权方法：

根据预设定的加权系数μ进行加权叠加：

T0.x=μ*T1.x+（1-μ）*（k1*C1.x+k2*C2.x+……+kn*Cn.x）/（k1+k2……+kn）；

T0.y=μ*T1.y+（1-μ）*（k1*C1.y+k2*C2.y+……+kn*Cn.y）/（k1+k2……+kn）；

T0.width=μ*T1.width+（1-μ）*（k1*C1.width+k2*C2.width+……+kn*Cn.width）/（k1+k2……+kn）；

T0.height=μ*T1.height+（1-μ）*（k1*C1.height+k2*C2.height+……+kn*Cn.height）/（k1+k2……+kn）；

其中T1为所述第三跟踪列表中的一个车牌区域，T1.x为T1的x坐标值，T1.y为T1的y坐标值，T1.width为T1的宽度值，T1.height为T1的高度值；C1，C2……Cn为所述已验证车牌区域列表中的与T1相重叠的n个车牌区域，K1，K2……Kn为所述n个车牌区域与T1相应的重叠率，Cn.x为Cn的x坐标值，Cn.y为Cn的y坐标值，Cn.width为Cn的宽度值，Cn.height为Cn的高度值。

需要说明的是，加权系数μ可根据实际情况进行设置，如可将加权系数μ设为0.9，当然也可以将加权系数μ设为其它合适的数值。

需要说明的是，本实施例中所指的车牌区域均为矩形（边分别平行于X轴和Y轴），采用该矩形坐标值最小的顶点的X、Y坐标及宽度值和高度值来表示一个车牌区域的位置。

本发明实施例提供的车牌定位方法，首先对视频流的一帧图像进行快速检测，给出初步的车牌区域列表，然后对车牌区域列表中的车牌区域进行验证，可提高车牌定位速度和降低误检率，接下来对前一帧图像的跟踪列表进行跟踪，可降低车牌定位的漏检率，最后将跟踪列表和已验证车牌区域列表进行融合，可提高车牌定位的精确度。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机或者嵌入式设备(例如ARM和DSP)的可读存储介质中，存储介质可以包括：闪存盘(FLASH)、只读存储器（Read-Only Memory，ROM）、随机存取器（RandomAccess Memory，RAM）、磁盘或光盘等。

以上对本发明实施例所提供的车牌定位方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种车牌定位方法，其特征在于，包括：

S1、对所拍摄的视频流的第二帧图像进行检测，生成检测到的车牌区域列表；所述第二帧图像为所述视频流中的任意一帧图像；

S2、验证所述车牌区域列表中的各个车牌区域是否满足车牌特征，在所述车牌区域列表中删除不满足车牌特征的车牌区域以得到已验证车牌区域列表；

S3、跟踪第一帧图像的跟踪列表中的车牌区域，在所述第一帧图像的跟踪列表中删除不能跟踪到的车牌区域以得到第二跟踪列表；所述第一帧图像为所述第二帧图像的前一帧图像；

S4、将所述第二跟踪列表与所述已验证车牌区域列表进行融合，以得到所述第二帧图像的跟踪列表；

S5、将所述第二帧图像的跟踪列表作为定位结果输出。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：

S11、按照预设定的搜索尺度遍历搜索所述第二帧图像；

S12、根据所述步骤S11的搜索结果生成车牌区域列表。

3.根据权利要求2所述的方法，其特征在于，所述步骤S11包括：

S111、预设定M种不同的搜索尺度，并按照预定的顺序对所述M种搜索尺度进行排序，且M大于或等于2；

S112、设定N=1；

S113、从预设定的初始位置按第N种搜索尺度以4为步长开始搜索所述第二帧图像；

S114、利用第一判断方法判断搜索的区域是否是车牌区域，如果是，则执行步骤S115，否则执行步骤S118；

S115、以2为步长搜索所述区域的8个第二近邻区域，利用所述第一判断方法判断所述8个第二近邻区域是否存在车牌区域，如果是，执行步骤S116，否则执行步骤S118；

S116、以1为步长搜索所述区域的8个第一近邻区域，利用所述第一判断方法判断所述8个第一近邻区域是否存在车牌区域，如果是，执行步骤S117，否则执行步骤S118；

S117、将所述区域添加进车牌区域列表；

S118、判断是否搜索完所述第二帧图像，如果是，执行步骤S1110，否则执行步骤S119；

S119、以4为步长沿预定的方向搜索所述第二帧图像的下一个区域；执行步骤S114；

S1110、判断N是否大于或等于M，如果否，执行步骤S1111，如果是，执行步骤S12；

S1111、N=N+1；执行步骤S113。

4.根据权利要求3所述的方法，其特征在于，所述第一判断方法包括：

计算所述区域的灰度方差值，判断所述区域的灰度方差值是否大于预定的阈值，如果否，则所述区域不是车牌区域；

利用预先训练得到的第一车牌分类器判断灰度方差值大于预定的阈值的区域是否是车牌区域。

5.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：

S21、提取所述车牌区域列表中的各车牌区域的特征向量；

S22、利用预先训练得到的第二车牌分类器对所述述各车牌区域的特征向量进行验证，以判断所述各车牌区域是否满足车牌特征，在所述车牌区域列表中删除不满足车牌特征的车牌区域以得到已验证车牌区域列表。

6.根据权利要求5所述的方法，其特征在于，所述步骤S21包括：

S211、将所述车牌区域列表中的各车牌区域均缩放到预设定的尺寸；

S212、检测所述各车牌区域的颜色，判断是否需要进行反色，对需要反色的所述车牌区域进行反色；

S213、计算出所述各车牌区域的笔画二值图；

S214、对所述各车牌区域的笔画二值图进行修复、去伪笔画处理；

S215、将步骤S214处理后的各车牌区域的笔画二值图投影到水平方向，并进行归一化处理。

7.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：

在所述已验证车牌列表中跟踪所述第一帧图像的跟踪列表中包含的各个车牌区域，删除其中的与所述已验证车牌列表中的任何一个车牌区域均不存在重叠的车牌区域，以得到所述第二跟踪列表。

8.根据权利要求7所述的方法，其特征在于，所述步骤S4包括：

S41、将所述已验证车牌区域列表中与所述第二跟踪列表中不重叠的车牌区域加入所述第二跟踪列表以得到所述第三跟踪列表；

S42、将所述已验证车牌区域列表中与所述第三跟踪列表中重叠的车牌区域进行加权叠加，以得到所述第二帧图像的跟踪列表。

9.根据权利要求8所述的方法，其特征在于，所述步骤S42包括：

根据预设定的加权系数μ进行加权叠加：

T0.x=μ*T1.x+（1-μ）*（k1*C1.x+k2*C2.x+……+kn*Cn.x）/（k1+k2……+kn）；

T0.y=μ*T1.y+（1-μ）*（k1*C1.y+k2*C2.y+……+kn*Cn.y）/（k1+k2……+kn）；

T0.width=μ*T1.width+（1-μ）*（k1*C1.width+k2*C2.width+……+kn*Cn.width）/（k1+k2……+kn）；

T0.height=μ*T1.height+（1-μ）*（k1*C1.height+k2*C2.height+……+kn*Cn.height）/（k1+k2……+kn）；

其中T1为所述第三跟踪列表中的一个车牌区域，T1.x为T1起始点的x坐标值，T1.y为T1起始点的y坐标值，T1.width为T1的宽度值，T1.height为T1的高度值；C1，C2……Cn为所述已验证车牌区域列表中的与T1相重叠的n个车牌区域，K1，K2……Kn为所述n个车牌区域与T1相应的重叠率，Cn.x为Cn的起始点的x坐标值，Cn.y为Cn的起始点的y坐标值，Cn.width为Cn的宽度值，Cn.height为Cn的高度值。

Images