CN103049909B - 一种以车牌为焦点的曝光方法 - Google Patents

Abstract

本发明公开了一种车牌追踪以及以车牌为焦点进行曝光的方法及其系统，其中车牌追踪方法包括：S1、检测到车辆；S2、定位到车牌；S3、获取下一帧车辆灰度图像，设置一个大小等于车牌的窗口；S4、判断窗口内的子图与所述车牌的相关度是否大于预设相关度阈值，若是，执行步骤S6,否则执行步骤S5；S5、移动窗口，返回步骤S4；S6、进行序贯相似运算，记录序贯相似度值和窗口位置；S7、移动窗口，判断窗口位置是否满足预设取值条件，若是，返回步骤S6,否则执行步骤S8；S8、获取序贯相似度值最小时的窗口位置，将该车辆的灰度图像内所述窗口内的灰度图作为该车辆的车牌图像。本发明能提高车牌的识别率。

Description

一种以车牌为焦点的曝光方法

技术领域

本发明涉及智能交通技术领域，尤其涉及一种以车牌为焦点的曝光方法。

背景技术

车牌识别技术通常指通过图像识别的方法，对传统车牌进行识别，自动识别车牌号码及相关信息。车牌识别技术是现代智能交通系统中重要组成部分，其应用非常广泛。评价车牌识别技术是否实用，最重要的指标是识别率，在各种影响车牌识别率的因素中，拍摄图像车牌区域的亮度、清晰度直接决定车牌识别率，从而影响车牌识别系统的使用。

目前的车牌识别系统，为了使车牌成像最佳，会配合补光灯、闪光灯等外设，利用车牌的反光特性使得图片中的车牌比较清晰。但从本质上，现有技术中，摄像机没有对车牌区域进行测光，没有对车牌区域进行反馈，现有技术中的曝光算法，都是以整幅图片或者中心区域加权法进行测光，侧重于整幅图片的平均效果，而整幅图片的效果好不等于车牌区域的效果好，考虑到车牌反光、车牌污损、天气恶劣等特殊性，有时还会出现图片质量不错但是车牌区域人眼也无法辨识的图片，从根本上限制了车牌识别率。

总之，传统的车牌图片曝光算法，具有如下问题：

1）强光环境、车牌迎光情况下，车牌区域过曝；

2）强光环境、车牌逆光情况下，车牌区域欠曝；

3）特殊天气（如雨雾），车牌区域欠曝；

4）补光灯的亮度随寿命衰减，造成夜间图片欠曝；

5）镜头上的灰尘积累，造成夜间图片欠曝；

6）车牌污损，车牌污损部分拍摄不清。

发明内容

本发明的目的在于提出一种以车牌为焦点的曝光方法及其系统，能够使得车牌区域更清晰从而提高车牌识别率。

为达此目的，本发明采用以下技术方案：

一种车牌追踪方法，包括：

S1、检测到车辆，获取所述车辆的灰度图像；

S2、从所述车辆的灰度图像中定位到所述车辆的车牌，获取所述车牌的灰度图像；

S3、获取所述车辆的下一帧车辆灰度图像，在所述车辆灰度图像上设置一个大小等于所述车牌的灰度图像大小的窗口；

S4、判断该车辆灰度图像中所述窗口内的子图与所述车牌的灰度图的相关度是否大于预设相关度阈值，若是，执行步骤S6,否则执行步骤S5；

S5、在所述车辆灰度图像内移动所述窗口，返回步骤S4；

S6、将该车辆的灰度图像内所述窗口内的子图与所述车牌的灰度图进行序贯相似运算，记录序贯相似度值和所述窗口位置；

S7、按照预设步长移动所述窗口，判断所述窗口位置是否满足预设取值条件，若是，返回步骤S6,否则执行步骤S8；

S8、获取序贯相似度值最小时的窗口位置，将该车辆的灰度图像内所述窗口内的灰度图作为该车辆的车牌图像。

进一步地，所述相关度阈值为大于0.8。

进一步地，所述步骤S1的方法为帧间差分法。

进一步地，所述步骤S2的方法为能量滤波算法。

本发明还提出了一种以车牌为焦点的曝光方法，包括，使用上述车牌追踪方法获取当前的车牌图像，依据所述车牌图像的亮度调整摄像机的参数。

若当前时间为白天时，所述依据所述车牌图像的亮度调整摄像机的参数具体包括：

S1、计算所述当前的车牌图像中各像素的平均灰度值；

S2、判断所述平均灰度值是否在预设灰度下限与预设灰度上限范围之内，若是，则维持当前曝光校正因子不变，否则将当前曝光校正因子设置为预设曝光校正因子；

S3、判断当前曝光时间乘以当前曝光校正因子是否小于预设乘积阈值，若是，则执行步骤S4,否则执行步骤S7；

S4、将当前曝光校正因子乘以一个序数，所述序数等于第一预设乘积阈值除以当前曝光时间；将当前曝光时间设置为预设曝光时间；

S5、将当前传感器增益乘以一个序数，所述序数等于当前曝光校正因子；

S6、判断当前传感器增益是否小于预设增益下限时，若是，将传感器增益设为等于预设增益下限，否则判断当前传感器增益是否大于预设增益上限，若是则将传感器增益设为等于预设增益上限；

S7、将当前曝光时间乘以一个序数，所述序数等于当前曝光校正因子。

进一步地，所述预设灰度下限为40、所述预设灰度上限为150、所述预设曝光校正因子为100、所述第一预设乘积阈值为110、所述预设增益下限为1000和/或所述预设增益上限为8000。

若当前时间为晚上时，所述依据所述车牌图像的亮度调整摄像机的参数具体包括：

S1、将补光灯电流设置为60mA,计算所述当前的车牌图像中各像素的平均灰度值；

S2、判断所述平均灰度值是否在预设灰度下限与预设灰度上限范围之内，若是，则维持当前曝光校正因子不变，否则将当前曝光校正因子设置为预设曝光校正因子；

S3、判断当前补光灯电流乘以当前曝光校正因子是否大于第二预设乘积阈值，若是，则执行步骤S5,否则执行步骤S4；

S4、将当前补光灯电流设置为等于预设初始电流乘以曝光校正因子，结束；

S5、进行报警，并将将当前补光灯电流设置为等于第二预设乘积阈值，结束。

进一步地，所述预设灰度下限为40、所述预设灰度上限为150、所述预设曝光校正因子为100、所述预设初始电流为60mA和/或所述第二预设乘积阈值为120。

若当前车牌有污损时，所述依据所述车牌图像的亮度调整摄像机的参数具体包括：

S1、计算所述当前的车牌图像中各像素的平均灰度值；

S2、判断所述平均灰度值是否在预设灰度下限与预设灰度上限范围之内，若是，则维持当前曝光校正因子不变，否则将当前曝光校正因子设置为预设曝光校正因子；

S3、判断当前闪光灯档位乘以当前曝光校正因子是否大于第三预设乘积阈值，若是，则执行步骤S4,否则执行步骤S5；

S4、进行报警，并将将当前闪光灯档位设置为等于第三预设乘积阈值，结束；

S5、将当前闪光灯档位设置为等于预设初始档位乘以当前曝光校正因子，结束。

进一步地，所述预设灰度下限为40，所述预设灰度上限为150，所述预设曝光校正因子为100、所述预设初始档位为5和/或所述第三预设乘积阈值为8。

本发明能以较小的计算量和较快的速度定位到车牌并进行车牌追踪，并以车牌为焦点控制摄像机实时调整参数，以提高车牌区域的图片的亮度、清晰度，使车牌区域更清晰从而提高车牌识别率。

附图说明

图1是本发明具体实施例一所述的车牌追踪方法流程图；

图2是本发明具体实施例二所述的以车牌为焦点进行曝光的方法流程图；

图3是本发明具体实施例三所述的白天校正曝光时间和传感器增益的方法流程图；

图4是本发明具体实施例四所述的晚上校正补光灯亮度的方法流程图；

图5是本发明具体实施例五所述的车牌污损时进行闪光灯补光的方法流程图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

实施例一

图1是本发明具体实施例一所述的车牌追踪方法流程图，如图2所示，本实施例所述的车牌追踪方法包括：

S101、检测到车辆，获取所述车辆的灰度图像；

通过摄像机从拍摄的图像中检测出车辆的图像，目前有多种方式实现，可通过运动物体图像检测方法来获得。本实施例利用环境的静止特性和车辆的运动特性，采用帧间差分法检测运动中的车辆。所述帧间差分法包括：将前后两帧图像对应像素点的灰度值相减，在环境亮度变化不大的情况下，如果对应像素灰度相差很小，可以认为此处景物是静止的；如果图像区域某处的灰度变化很大，可以认为这是由于图像中运动物体引起的，将这些区域标记下来，利用这些标记的像素区域，就可以求出运动目标在图像中的位置。

取相邻两帧图像I_t、I_t+1，并假设两帧之间配准得很好。图像上某个象素点(i,j)在t时刻的灰度值为f(i,j,t)，在t+1时刻的灰度值为f(i,j,t+1)，B(i,j)为差分图像，则有：

差分结果B(i,j)是一个二值图像，值255表示该象素在不同时刻的灰度梯度发生了很大的变化，值0表示该象素的灰度没有发生变化或者变化很小。E是阈值，该值的选取非常重要，决定了选取的目标区域的准确度和灵敏度。

由差分结果B(i,j)得到一个两帧相减之后的二值图像，其中灰度为255的区域就是车辆在图像中的区域。本方法有一个使用前提，就是获取图像的摄像机必须是静止的，在目前的停车场卡口应用环境中，摄像机都是安装在固定位置的，抓拍的时候摄像机是不动的，所以此方法在停车场环境及其类似的环境中是可行的。

检测到车辆在图像中的区域，是为下一步定位车牌做准备，由于现在摄像机抓拍的图片像素分辨率都很高，一般都在百万像素左右，要对整幅图像做运算搜索车牌，计算量会非常大。通过帧间差分法得到车辆在图像中的区域，然后针对此区域搜索定位车牌，则会大大减小运算量。

S102、获取所述车牌的灰度图像；

从车辆图像检测出车牌，类似于像机的人脸识别，目前有多种方式实现，本实施例采用能量滤波算法定位车牌

在数字图像处理中，能量是一种描述纹理特征的统计参数，一般表达式为：

$E=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}P{(x,y)}^2$

式中P(x,y)为坐标(x,y)的亮度值，考虑到实际抓拍的图片中，车牌往往是水平方向

上亮度值跳变剧烈且集中的区域，选取P(x,y)为水平方向上的亮度差分值,即：

P(x,y)=|2I(x,y)-I(x-1,y)-I(x+1,y)|

式中I(x,y)为坐标(x,y)的亮度值。按照此种计算方式，则图像中车牌区域表现为水平方向上能量高且集中的区域。所以，基于能量滤波的车牌定位的主要思想是先通过一种高通能量滤波，快速地将图片中绝大部分平滑区域（即低能量的区域）滤除掉，再在剩余区域根据车牌形状的先验知识粗分割出车牌的候选区域，最后对候选区域进行校验和修正。

在进行能量滤波之前，可将帧间差分法获得的车辆在图像中的区域（MxN），划分为

nxn（n一般取4）的小方块，分别计算各个小方块内的能量，即

$E(i,j)=\underset{x=1*n}{\overset{x=i*n+n-1}{\mathrm{\Σ}}}\underset{y=j*n}{\overset{y=j*n+n-1}{\mathrm{\Σ}}}P{(x,y)}^2$

0≤i≤M'，0≤j≤N'

M'=M/n，N'=N/n

这样做的好处是：（1）提高车牌定位的速度；（2）可以去掉水平方向上亮度值跳变剧烈但分布稀疏的区域，从而减少干扰源的影响。选取合适的阈值，将能量值量化，就可以快速分割出车牌候选区域。

$B^{\′}(i,j)=\left\{\begin{array}{cc}1& E(x,y)>T_2\\ 0& E(x,y)\≤T_2\end{array}\right.$

0≤i≤M，0≤j≤N

上述公式中T₂为选取的阈值，B'(i,j)=1表示(i,j)在车辆区域中对应nxn的区域，为车牌候选区域，反之，则被滤除掉。然后根据车牌在水平方向上能量集中的特点和车牌形状的先验知识，在能量数组E(i,j)中找出K个满足B′(i,j)=1的连通体C(k)（k=1，…，K），并得到包含C(k)的的最小矩形框R(k)。再由R(k)的水平宽度可以进一步去掉非车牌区域，即若

W[R(k)]＜l

则R(k)为非车牌区域被滤除掉，上述公式中W表示水平宽度，l为宽度阈值且与图像中实际宽度成正比。剩余的候选区域留作下一步进行检验。

T₂的取值至关重要，若T₂过大，真正的车牌可能部分或者全部被滤除掉，从而出现漏定位，若T₂过小，则会出现大量的干扰区域，不仅会大幅增加定位时间，还会导致错定位。采取自适应的选取T₂的方法：

①选取初始T₂，且T_2min≤T₂≤t_2max；

②由（5）式得到B'(i,j)，并检测有无满足（6）式的R(k)。若有，则执行④；若无，则执行③。

③若T₂-w≥T_2min（w为步长），则T₂=T₂-w，重新执行②，若T₂-w≤T_2min，则判断无车牌退出。其中，所述步长w优选为宽度阈值l的1/6或1/4。

④检验R(k)是否为真车牌区域：若有真车牌区域，则进一步修正；若无，则执行③。

上面方法中，上限T_2max是为了防止T₂过大而过多的重复执行第②步；下限T_2min是为了避免初始的T₂过小而引入过多的干扰区域。为了进一步增加算法的鲁棒性，T_2min和T_2max也需要通过输入图像即车辆在图像中的区域的能量数组，自适应的调节，即

$\stackrel{-}{E}=\frac{1}{M^{\′}*N^{\′}}\underset{i=0}{\overset{M^{\′}-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N^{\′}-1}{\mathrm{\Σ}}}E(i,j)$

$T_{2\max }=\mathrm{\α}\stackrel{-}{E},$ $T_{2\max }=\mathrm{\β}\stackrel{-}{E},$ α＞β

上式中，为能量数组的平均能量；α和β为常系数。

通过上面自适应的能量滤波，包含车牌的少量候选区便会快捷、稳定的分割出来。经过进一步的检验和修正，便可以精确的对车牌定位。

车牌的检验则是利用车牌较为细致的纹理特征进一步去掉干扰区域并将真正的车牌区域分割出来。根据我国车牌的特点，一般有7-10个字符。将车牌区域二值化并进行水平扫描之后，一般可以得到18至30次的跳变次数，且在垂直方向上各行的跳变次数相差较小。因此，选取候选区域在水平方向的跳变次数均值和各行跳变次数方差作为校验车牌的特征，具体方法为：

①二值化候选区域，提取中间行上下各m行（包括中间行）共2m+1行（2m+1小于候选区域的垂直高度）作为检验行。

②水平扫描各校验行，计算各行的跳变次数s(i)（i＝1，…，2m+1）。

③计算跳变次数均值M和各行跳变次数方差D，即

$M=\frac{1}{2m+1}\underset{i=1}{\overset{2m+1}{\mathrm{\Σ}}}s\left(i\right)$

$D=\frac{1}{2m+1}\underset{i=1}{\overset{2m+1}{\mathrm{\Σ}}}{[s\left(i\right)-M]}^2$

④由M和D判断，即若

$\left\{\begin{array}{c}18\≤M\≤30\\ D\≤D_{\max }\end{array}\right.$

式中D_max优选为40，则该候选区域是车牌区域，否则为非车牌区域。①中取候选区域中间行作为检验行，是为了避免车牌因上下边定位不准和车牌歪斜带来的负面影响。

经过车牌检验，干扰区域基本上被滤除掉，剩下的车牌区域因式（5）带来的方块效应可能存在左右和上下边的错位。所以，还需要进一步的修正。车牌修正也是根据车牌在水平方向上亮度值跳变剧烈且集中的点，先用水平Sober算子提取灰度图中车牌字符的水平边缘并二值化；再用形态学的膨胀算子处理，使车牌上所有字符连在一起；最后由水平和垂直投影

可在图像的像素级别上确定车牌的上下和左右边，从而实现车牌的精确定位。

S103、获取下一帧图像中的车辆灰度图像，设置一个大小等于车牌的窗口；

本步骤具体方法与步骤S101相同，在此不作赘述。

S104、判断窗口内的子图与车牌灰度图的相关度是否大于预设相关度阈值，若是，则执行步骤S106,否则执行步骤S105；

由于所述窗口大小待于所述车牌大小，所以所述车辆灰度图像中位于窗口内的像素组成的灰度图像大小与所述车牌的灰度图像大小相等，将两者进行相关运算，将运算得到的相关度与预设相关度阈值进行比较，当所述相关度大于预设相关度阈值，则执行步骤S106,否则执行步骤S105；

相关运算算式如下：

$R(i,j)=\frac{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{l=1}{\overset{n}{\mathrm{\Σ}}}[S^{i,j}(m,n)*T(m,n)]}{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{\left[S^{i,j}(m,n)\right]}^2}$

其中T为（mxn像素）模板图像各像素点的灰度值，S^i，j为车辆运动区域目标图像（MxN像素）的子图中各像素点的灰度值，即与模板图像T进行相关运算的部分。采用全搜索匹配的模式（i＝1，…，M；j=1，…，N），当搜索到相关运算的结果大于某个阈值时，即如

R(i,j)＞T₃

其中，T₃为预设相关度阈值。

S105、移动窗口，返回步骤S104；

若窗口当前位置所覆盖到车辆灰度图像与车牌图像相关度不高，即小于预设相关度阈值，则移动窗口，返回步骤S104进一步判断,直到找到与车牌图像相关度比较大的区域为止。

移动步长需要根据具体情况设定，例如，如果图片像素比较高，而通过步骤S102定位到的车牌边缘比较宽，则可将移动步长设定这比较大的值，如果要求定位比较精确，而且像机本身的计算功能比较强大，则可将移动步长设为较小的值，例如，设置移动步长为1，当步骤S104判断失败时,将窗口在车辆灰度图像中向右或向下移到一个像素。

S106、进行序贯相似运算；

序贯相似运算的公式如下：

$D_{(i,j)}=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{l=1}{\overset{n}{\mathrm{\Σ}}}|S^{i,j}(m*n)-T(m*n)|$

与相关运算比较起来，由于没有乘法运算，运算量不是很大，其中T为（mxn像素）模板图像中像素的灰度值，S^i，j为车辆运动区域目标图像（MxN像素）经模板比对相关运算之后的子图中像素的灰度值。

由于能量滤波算法运算量比较大，故在使用能量滤波算法定位出车牌之后，把定位出来的车牌作为模板。在车辆运动区域，搜索与模板车牌最相类似的区域，即认为是车牌区域，来进行测光，从而调整补光灯、闪光灯及曝光参数，来达到最佳的图片效果。

本发明中的模板匹配把传统的相关运算比较与序贯相似比较结合起来，在保证精度的情况下，同时也使运算速度有很大提升。

S107、移动窗口，判断窗口位置是否满足预设取值条件，若是，则返回步骤S106,否则执行步骤S108；

断窗口位置预设取值条件根据具体情况设定，例如，如果S101中获取所述车辆的灰度图像精度比较高，可依据车牌位于车的位置特征来预先设定窗口的取值条件：如，断窗口右下角位置不超过车辆的灰度图像的右边1/4和下边六分之一。或者，窗口位置预设右移不超过5W像素，下移不超过15W像素。

其中，移动步长需要根据具体情况设定，可以与步骤S105相同，也可不同。若不同，则通常会比步骤S105更小。例如，如果图片像素比较高，则可将移动步长设定这比较大的值，如果要求定位比较精确，而且像机本身的计算功能比较强大，则可将移动步长设为较小的值，例如，设置移动步长为1，将窗口在车辆灰度图像中向右或向下移到一个像素。

其中序贯相识比较运算采用条件搜索匹配的模式，找出D(i,j)最小的值对应的区域，就认为是追踪到的车牌区域。

例如，通过常规统计，车牌不可能在车辆图像的左侧1/4,右侧1/4或上下1/5的区域内，则移动窗口后，首选判断是否超出了该范围。

S108、获取序贯相似度值最小时的窗口位置，将该位置的图像作为该车辆的车牌。

实施例二

通过实施例所述的车牌追踪方法来追踪定位到车牌，本实施例进一步提出了一种以车牌为焦点进行曝光的方法。

图2是本实施例所述的以车牌为焦点的曝光方法流程图，如图2所示，本实施例所述的以车牌为焦点的曝光方法包括：

S201、初始化曝光校正因子，读出补光灯闪光灯历史参数；

S202、车辆移动侦测或地感触发；

S203、算出车牌区域亮度,计算当前环境亮度,计算当前环境下车牌区域理想曝光参数；

S204、判断当前环境是否开补光灯，若是，则执行步骤S205,否则执行步骤S206；

S205、结合补光灯历史参数，调整补光灯参数及曝光校正因子；

S206、判断当前环境是否开闪光灯，若是则执行步骤S207,否则执行步骤S208；

S207、结合闪光灯历史参数，调整闪光灯参数及曝光校正因子；

S208、截取车牌图像；

S209、使用识别算法输出车牌信息；

S210、判断识别结果置信度是否在设定范围之内，若是则执行步骤S211,否则返回步骤S203；

S211、识别结束，输出结果。

实施例三

若当前时间为白天时，所述依据所述车牌图像的亮度调整摄像机的参数具体包括：

S1、计算所述当前的车牌图像中各像素的平均灰度值；

S2、判断所述平均灰度值是否在预设灰度下限与预设灰度上限范围之内，若是，则维持当前曝光校正因子不变，否则将当前曝光校正因子设置为预设曝光校正因子；

S3、判断当前曝光时间乘以当前曝光校正因子是否小于预设乘积阈值，若是，则执行步骤S4,否则执行步骤S7；

S4、将当前曝光校正因子乘以一个序数，所述序数等于第一预设乘积阈值除以当前曝光时间；将当前曝光时间设置为预设曝光时间；

S5、将当前传感器增益乘以一个序数，所述序数等于当前曝光校正因子；

S6、判断当前传感器增益是否小于预设增益下限时，若是，将传感器增益设为等于预设增益下限，否则判断当前传感器增益是否大于预设增益上限，若是则将传感器增益设为等于预设增益上限；

S7、将当前曝光时间乘以一个序数，所述序数等于当前曝光校正因子。

该方法需要提前设置以下预设值：预设灰度下限值、预设灰度上限、预设曝光校正因子、第一预设乘积阈值、预设增益下限、预设增益上限。

设置预设灰度下限值为37到43之间、设置预设灰度上限为145到155之间、设置预设曝光校正因子为95到105之间、设置第一预设乘积阈值为100到120之间、设置预设增益下限为900到1100之间、设置预设增益上限为7000到9000之间。进一步地，所述预设灰度下限优选为40、所述预设灰度上限优选为150、所述预设曝光校正因子优选为100、所述第一预设乘积阈值优选为110、所述预设增益下限优选为1000和/或所述预设增益上限优选为8000。

本实施例以上述优选值为例，图3是本实施例所述的白天校正曝光时间和传感器增益的方法流程图，如图3所示，白天校正曝光时间和传感器增益的方法包括：

S301、计算车牌区域各像素的平均灰度值；

S302、判断平均灰度值是否在40到150之间，若是则执行步骤S304，否则执行步骤S303；

S303、将曝光校正因子C设置为等于100/B；

S304、维持当前校正因子；

S305、判断曝光时间T乘以C是否小于110，若是则执行步骤S307,否则执行步骤S306；

S306、曝光时间T乘以曝光校正因子C，结束；

S307、将曝光校正因子C设置为等于(110/T*C)，将曝光时间T设置为等于110；

S308、将传感器增益*C；

S309、判断传感器增益是否小于1000，若是则执行步骤S310,否则执行步骤S311；

S310、将传感器增益设置为等于1000，结束；

S311、判断传感器增益是否大于8000，若是则执行步骤S312；

S312、将传感器增益设置为等于8000，结束。

实施例四

若当前时间为晚上时，所述依据所述车牌图像的亮度调整摄像机的参数具体包括：

S1、将补光灯电流设置为60mA,计算所述当前的车牌图像中各像素的平均灰度值；

S2、判断所述平均灰度值是否在预设灰度下限与预设灰度上限范围之内，若是，则维持当前曝光校正因子不变，否则将当前曝光校正因子设置为预设曝光校正因子；

S3、判断当前补光灯电流乘以当前曝光校正因子是否大于第二预设乘积阈值，若是，则执行步骤S5,否则执行步骤S4；

S4、将当前补光灯电流设置为等于预设初始电流乘以曝光校正因子，结束；

S5、进行报警，并将将当前补光灯电流设置为等于第二预设乘积阈值，结束。

该方法需要提前设置以下预设值：预设灰度下限、预设灰度上限、预设曝光校正因子、预设初始电流和预设第二预设乘积阈值。

设置预设灰度下限值为37到43之间、设置预设灰度上限为145到155之间、设置预设曝光校正因子为95到105之间、设置预设初始电流为57mA到63mA之间，设置第二预设乘积阈值为110到130之间。

进一步地，所述灰度下限优选为40、所述预设灰度上限优选为150、所述预设曝光校正因子优选为100、所述预设初始电流优选为60mA和/或所述第二预设乘积阈值优选为120。

本实施例以上述优选值为例，图4是本发明具体实施例四所述的晚上校正补光灯亮度的方法流程图，如图4所示，本实施例所述的晚上校正补光灯亮度的方法包括：

S401、将补光灯电流设置为60mA，计算车牌区域各像素的平均灰度值；

S402、判断平均灰度值是否在40到150之间，若是则执行步骤S404,否则执行步骤S403；

S403、将曝光校正因子C设置为等于100/B；

S404、维持当前校正因子；

S405、判断补光电流乘以C是否大于120mA，若是则执行步骤S407,否则执行步骤S406；

S406、将补光灯电流设置为等于120mA；

S407、报警；

S408、补光灯电流=60mA*C。

实施例五

若当前车牌有污损时，所述依据所述车牌图像的亮度调整摄像机的参数具体包括：

S1、计算所述当前的车牌图像中各像素的平均灰度值；

S2、判断所述平均灰度值是否在预设灰度下限与预设灰度上限范围之内，若是，则维持当前曝光校正因子不变，否则将当前曝光校正因子设置为预设曝光校正因子；

S3、判断当前闪光灯档位乘以当前曝光校正因子是否大于第三预设乘积阈值，若是，则执行步骤S4,否则执行步骤S5；

S4、进行报警，并将将当前闪光灯档位设置为等于第三预设乘积阈值，结束；

S5、将当前闪光灯档位设置为等于预设初始档位乘以当前曝光校正因子，结束。

该方法需要提前设置以下预设值：预设灰度下限、预设灰度上限、预设曝光校正因子、预设初始档位和预设第三预设乘积阈值。

设置预设灰度下限值为37到43之间、设置预设灰度上限为145到155之间、设置预设曝光校正因子为95到105之间、设置预设初始档位为4、5或6，设置第二预设乘积阈值为7到9之间。

进一步地，所述预设灰度下限优选为40，所述预设灰度上限优选为150，所述预设曝光校正因子优选为100、所述预设初始档位为优选5和/或所述第三预设乘积阈值优选为8。

本实施例以上述优选值为例，图5是本发明具体实施例五所述的车牌污损时进行闪光灯补光的方法流程图，如图5所述，本实施例所述的车牌污损时进行闪光灯补光的方法包括：

S501、将闪光灯档位设置为5，计算车牌区域各像素的平均灰度值；

S502、判断平均灰度值是否在40到150之间，若是则执行步骤S504,否则执行步骤S503；

S503、曝光校正因子C=100/B；

S504、维持当前校正因子；

S505、判断闪光灯档位乘以C是否大于8，若是则执行步骤S507，否则执行步骤S506；

S506、将闪光灯档位设置为等于5*C；

S507、报警；

S508、将闪光灯档位设置为等于8。

本发明能以较小的计算量和较快的速度定位到车牌并进行车牌追踪，并以车牌为焦点控制摄像机实时调整参数，以提高车牌区域的图片的亮度、清晰度，使车牌区域更清晰从而提高车牌识别率。

以上实施例提供的技术方案中的全部或部分内容可以通过软件编程实现，其软件程序存储在可读取的存储介质中，存储介质例如：计算机中的硬盘、光盘或软盘。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种以车牌为焦点的曝光方法，其特征在于，使用车牌追踪方法获取当前的车牌图像，依据所述车牌图像的亮度调整摄像机的参数，所述车牌追踪方法包括：

S1、检测到车辆，获取所述车辆的灰度图像；

S2、从所述车辆的灰度图像中定位到所述车辆的车牌，获取所述车牌的灰度图像；

S3、获取所述车辆的下一帧车辆灰度图像，在所述车辆灰度图像上设置一个大小等于所述车牌的灰度图像大小的窗口；

S4、判断该车辆灰度图像中所述窗口内的子图与所述车牌的灰度图的相关度是否大于预设相关度阈值，若是，执行步骤S6,否则执行步骤S5；

S5、在所述车辆灰度图像内移动所述窗口，返回步骤S4；

S6、将该车辆的灰度图像内所述窗口内的子图与所述车牌的灰度图进行序贯相似运算，记录序贯相似度值和所述窗口位置；

S7、按照预设步长移动所述窗口，判断所述窗口位置是否满足预设取值条件，若是，返回步骤S6,否则执行步骤S8；

S8、获取序贯相似度值最小时的窗口位置，将该车辆的灰度图像内所述窗口内的灰度图作为该车辆的车牌图像；

其中，若当前时间为白天时，所述依据所述车牌图像的亮度调整摄像机的参数具体包括：

S1、计算所述当前的车牌图像中各像素的平均灰度值；

S2、判断所述平均灰度值是否在预设灰度下限与预设灰度上限范围之内，若是，则维持当前曝光校正因子不变，否则将当前曝光校正因子设置为预设曝光校正因子；

S3、判断当前曝光时间乘以当前曝光校正因子是否小于预设乘积阈值，若是，则执行步骤S4,否则执行步骤S7；

S4、将当前曝光校正因子乘以一个序数，所述序数等于第一预设乘积阈值除以当前曝光时间；将当前曝光时间设置为预设曝光时间；

S5、将当前传感器增益乘以一个序数，所述序数等于当前曝光校正因子；

S6、判断当前传感器增益是否小于预设增益下限时，若是，将传感器增益设为等于预设增益下限，否则判断当前传感器增益是否大于预设增益上限，若是则将传感器增益设为等于预设增益上限；

S7、将当前曝光时间乘以一个序数，所述序数等于当前曝光校正因子。

2.如权利要求1所述的以车牌为焦点的曝光方法，其特征在于，所述预设灰度下限为40、所述预设灰度上限为150、所述预设曝光校正因子为100、所述第一预设乘积阈值为110、所述预设增益下限为1000和/或所述预设增益上限为8000。

3.如权利要求1所述的以车牌为焦点的曝光方法，其特征在于，若当前时间为晚上时，所述依据所述车牌图像的亮度调整摄像机的参数具体包括：

S1、将补光灯电流设置为60mA,计算所述当前的车牌图像中各像素的平均灰度值；

S2、判断所述平均灰度值是否在预设灰度下限与预设灰度上限范围之内，若是，则维持当前曝光校正因子不变，否则将当前曝光校正因子设置为预设曝光校正因子；

S3、判断当前补光灯电流乘以当前曝光校正因子是否大于第二预设乘积阈值，若是，则执行步骤S5,否则执行步骤S4；

S4、将当前补光灯电流设置为等于预设初始电流乘以曝光校正因子，结束；

S5、进行报警，并将将当前补光灯电流设置为等于第二预设乘积阈值，结束。

4.如权利要求3所述的以车牌为焦点的曝光方法，其特征在于，所述预设灰度下限为40、所述预设灰度上限为150、所述预设曝光校正因子为100、所述预设初始电流为60mA和/或所述第二预设乘积阈值为120。

5.如权利要求1所述的以车牌为焦点的曝光方法，其特征在于，若当前车牌有污损时，所述依据所述车牌图像的亮度调整摄像机的参数具体包括：

S1、计算所述当前的车牌图像中各像素的平均灰度值；

S2、判断所述平均灰度值是否在预设灰度下限与预设灰度上限范围之内，若是，则维持当前曝光校正因子不变，否则将当前曝光校正因子设置为预设曝光校正因子；

S3、判断当前闪光灯档位乘以当前曝光校正因子是否大于第三预设乘积阈值，若是，则执行步骤S4,否则执行步骤S5；

S4、进行报警，并将将当前闪光灯档位设置为等于第三预设乘积阈值，结束；

S5、将当前闪光灯档位设置为等于预设初始档位乘以当前曝光校正因子，结束。

6.如权利要求5所述的以车牌为焦点的曝光方法，其特征在于，所述预设灰度下限为40，所述预设灰度上限为150，所述预设曝光校正因子为100、所述预设初始档位为5和/或所述第三预设乘积阈值为8。