CN103065141A - 基于色彩聚类的车牌定位方法 - Google Patents

Abstract

本发明涉及图像处理领域，公开了一种基于色彩聚类的车牌定位方法：1）将包含车牌影像的彩色源图像转换为灰度图；2）将所述车牌影像所在区域均匀划分为方格；3）分别计算方格内部所有像素点的垂直边缘响应之和，将垂直边缘响应之和超过阈值的方格选定为待选方格；4）将所述彩色源图像转换为HSV色彩空间，分别计算所述候选集中方格的色彩模式列表；5）对所述候选集中的方格进行聚类，得到车牌候选区域列表；6）选择一个区域为车牌区域；7）应用Canny算法对所述车牌区域进行边缘检测，应用霍夫变换获得所述边缘的精确位置。本发明的优点在于，具有较强的图像识别能力，能够在道路光照条件复杂的情况下，对图像中的车牌区域进行快速准确的定位。

Description

基于色彩聚类的车牌定位方法

技术领域

本发明涉及图像处理领域，特别涉及一种基于色彩聚类的车牌定位方法。

背景技术

智能交通管理是世界交通管理领域最前沿的研究课题。近年来，其成果逐渐深入社会生活各个领域，为提高工作效率、便利生活和维护安全发挥着积极作用。智能交通管理普遍使用机器视觉与人工智能技术对交通领域的图像与视频进行目标采集、对象识别和行为理解。其中车辆牌照的识别是机器视觉在实际应用中的关键环节，其技术相对成熟，已经广泛在交通流量监测、违章监控、停车场收费、假牌套牌车辆识别等具体应用中发挥作用，取得了良好的社会经济效益。

车牌定位是车牌识别的关键第一步，对于后续车牌识别的效率和准确率有至关重要的影响。现有技术中，在良好的光照条件和拍摄环境下，车牌定位与识别具有较高的准确率。但是在恶劣天气背景下，受天气变化、灰尘污渍、环境背景等干扰因素的影响，现有的识别算法的识别率仍然较低，无法适应对复杂环境条件下对车牌定位的准确率的要求。

发明内容

本发明针对现有技术受外界干扰因素的影响较大，在不同的光照和环境背景下车牌识别率不稳定的缺点，提供了一种能够适应各种复杂条件、具有较高识别率的新型基于色彩聚类的车牌定位方法。

为实现上述目的，本发明可采取下述技术方案：

基于色彩聚类的车牌定位方法，包括以下具体步骤：

1）将包含车牌影像的彩色源图像转换为灰度图，分别计算所述灰度图上各像素的垂直边缘响应Response；

2）将所述车牌影像所在区域均匀划分为长、宽分别为n个像素的方格集{R_(r，c),r=1,2，...,[height/10],c=1,2，...,[width/n]}，其中height和width分别为所述车牌影像的高和宽；

3）分别计算R_(r，c)内部所有像素点的垂直边缘响应之和Response[R_(r，c)]，将所述Response[R_(r，c)]超过阈值Th的R_(r，c)选定为待选方格，所述待选方格的集合组成候选集；

4）将所述彩色源图像转换为HSV色彩空间，分别计算所述候选集中R_(r,c)的色彩模式列表ModelList[R_(r，c)]={Model_i}，其中，色彩模式Model_i=N(μ_i,σ_t ²,weight_i),i=0,1，...,nModesUsed，N表示色彩模式符合高斯分布特征，μ_i=(h_i,s_i,v_i)表示高斯分布的均值，σ_t ²表示方差，weight_i表示色彩模式的权重，i表示色彩模式在色彩模式队列中的顺序，nModesUsed表示色彩模式的数目；

5）根据Model_i对所述候选集中的方格进行聚类，得到车牌候选区域Rect_i的列表RectList[Rect_i]；

6）从所述步骤5所生成的列表RectList[Rect_i]中选择一个区域Rect_i为车牌区域；

7）应用Canny算法对所述车牌区域进行边缘检测，应用霍夫变换获得所述边缘的精确位置。

作为优选，所述计算所述灰度图上各像素的垂直边缘响应的步骤包括：计算像素的垂直边缘响应 $\mathrm{Response}=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]*\mathrm{Gray},$ 其中Gray为像素的灰度，将所述Response归一化到[0,255]的范围。

作为优选，所述步骤3中阈值Th为R_(r，c)的阈值Th_(r，c),所述Th_(r,c)的计算步骤如下：

3-1）令TI_R=0，TN_R=0；

3-2）计算R_(r,c)中所有像素的Response的平均值

Response(x,y)＞TI_R，其中，N为满足条件x,y∈R_(i，j)、Response(x,y)＞TI_R的像素个数；

3-3）令TI_R=Avg[R_(i,j)]，重复步骤3-2，再次令TI_R=Avg[R_(i，j)]，TN_R=N；

3-4）取以R_(r,c)为中心的矩形的方格集合

Neighbour={R_(i,j)|r-a<=i<=r+a,c-b<=j<=c+b}，所述方格集合的长、宽分别为2a+1、2b+1个方格， ${\mathrm{Th}}_{(r,c)}=0.5*\stackrel{\&OverBar;}{{\mathrm{TI}}_R*{\mathrm{TN}}_R}|R\&Element;\mathrm{Neighbour}.$

作为优选，所述步骤4中计算所述候选集中R_(r,c)的ModelList[R_(r，c)]的步骤为：

4-1）设定参数初始方差VarInit，最小方差VarMin，最大方差VarMax，带宽系数Tb，并生成一个包含0个色彩模式的色彩模式队列；

4-2）读取所述方格中一个像素的(h,s,v)值，将所述(h,s,v)值与色彩模式队列中已有的色彩模式进行逐个比较：计算所述(h,s,v)值与所述已有的色彩模式的距离dist_i=(h-h_i)²+(s-s_i)²+(v-v_i)²，如果dist_i<Tb*σ_t ²，则所述(h,s,v)值属于上述色彩模式，执行步骤4-4；否则执行步骤4-3；

4-3）为所述(h,s,v)值生成新的色彩模式Model_new=N(μ_new,σ_new ²,weight_new)，μ_new=(h,s,v)，σ_new ²为初始方差VarInit，weight_new为1，置于所述色彩模式队列的尾端，nModesUsed加1，执行步骤4-5；

4-4）用所述(h,s,v)值更新所属的色彩模式为N(μ_i’,σ_t ²’,weight_i’)，其中，k=1/weight_i，μ_i’=(h_i+k*(h-h_i),s_i+k*(s-s_i),v_i+k*(v-v_i))，σ_t ²’=σ_t ²+k*(dist_i-σ_t ²)，σ_t ²’=MIN(VarMax,MAX(σ_t ²’,VarMin))，weight_i’=weight_i+1，更新后，按照权重weight_i从大到小的顺序对所述色彩模式队列中已有的色彩模式进行排序；

4-5）重复执行步骤4-2至步骤4-4直至R_(r,c)的像素全部读取完毕，所得色彩模式队列即为ModelList[R_(r，c)]。

作为优选，所述步骤5中对所述候选集中的方格进行聚类的步骤为：

5-1）生成一个包含0个类的类列表ClusterList，并设定一个带宽系数Tb；

5-2）计算所述候选集中相邻两个方格R_(i，j)与R_(k，l)的距离Dist<R_(i，j),R_(k,l)>=1-Weight/TotalPixel,k=i+1,l=j+1；其中，令Model_m∈ModelList[R_(i,j)]，Model_n∈ModelList[R_(k,l)]，所述Model_m与Model_n的色彩模式距离Dist_mn=(h_m-h_n)²+(s_m-s_n)²+(v_m-v_n)²，令阈值Th=Tb*MIN(σ_m ²,σ_n ²)，所述TotalPixel为R_(i，j)与R_(k，l)中所有像素的个数，所述

所述TotalModel为R_(i，j)与R_(k,l)中所有满足Dist_mn<Th的Model_i的集合；

5-3）将所述候选集中的相邻方格R_(i，j)与R_(k，l)按照距离Dist<R_(i，j),R_(k,l)>从小到大的顺序进行排列得到队列，将队列中的方格记为R_k，其中k为所述方格在队列中的顺序编号；

5-4）从步骤5-3所得队列中取出相邻方格R₀、R₁，生成新类cluster₀={R₀,R₁}，将类cluster₀插入类列表ClusterList；

5-5）依次将位于队首的方格R_i和R_j取出，如果R_i∈cluster_k且则将R_j归入cluster_k，如果R_j∈cluster_k且

则将R_i归入cluster_k，如果

且

则生成一个新类Cluster_new={R_i,R_j}，并将cluster_new插入类列表ClusterList，如果R_i∈cluster_k且R_j∈cluster_l，则将cluster_k与cluster_l合并；反复提取R_i和R_j并重复本步骤直至所述步骤5-3所得队列中的方格全部被取出；

5-6）依据所述步骤4为类列表ClusterList中的类Cluster_i生成ModelList[Cluster_i]；

5-7）生成RectList[Rect_i]={Rect_i}，其中Rect_i为Cluster_i中方格的集合。

作为优选，所述步骤5-3中，所述相邻方格为距离Dist<R_(i，j),R_(k,l)>小于0.2的相邻方格。

作为优选，所述步骤6选择车牌区域的步骤为：对于RectList[Rect_i]中的所有区域Rect_i，计算色彩权值p1、比例权值p2、相对位置权值p3，其中，p1为Rect_i中Model_i的均值与车牌底色的相似程度，p2为Rect_i的外包围框的宽高比与车牌的宽高比的相似程度，p3为Rect_i中心坐标与车牌中心坐标的相似程度；所述Rect_i的权值p为p1、p2、p3的加权和，所述权值p最大的区域即为车牌区域。

本发明由于采用了以上技术方案，具有显著的技术效果：

车牌识别率高，且受外界干扰因素的影响小，在各种复杂条件下能够保持较为稳定的车牌识别率。

采用使用垂直边缘响应筛选出候选方格，然后基于色彩聚类确定待选区域，最后使用色彩和几何特征等多证据信息确认车牌位置，与现有技术相比，减少了计算量，提高了运算效率。同时采用多证据的信息定位车牌位置，提高了定位的准确率。

采用自适应的阈值Th对候选方格进行筛选，最大地排除了图像质量对确定候选方格的影响，进一步提高了定位的准确率。

本发明能够区分不同类型的具有不同底色和字体颜色的车牌，利用混合高斯模型在HSV空间上描述车牌颜色，采用基于色彩模型的聚类方法确定车牌候选区域，使车牌位置的颜色描述不局限于特定颜色值，提高了本方法对复杂光照条件的适应性；在识别车牌所在区域后，精确地得到车牌所在区域的边缘轮廓，实现车牌的精确定位。

具体实施方式

下面结合实施例对本发明作进一步的详细描述。

实施例1

基于色彩聚类的车牌定位方法，包括以下具体步骤：

1）将包含车牌影像的彩色源图像转换为八位的灰度图，转换公式为Gray=(R*38+G*75+B*15)>>7，这里的>>为移位操作符，分别计算所述灰度图上各像素的垂直边缘响应Response；

2）将所述车牌影像所在区域均匀划分为长、宽分别为10个像素的方格集{R_(r,c),r=1,2，...,[height/10],c=1,2，...,[width/10]}，其中height和width分别为所述车牌影像的高和宽；目前常见交通卡口监控图像的分辨率在1024×768～1360×1096像素之间，车牌高度约从30像素到60像素左右，10×10像素的划分方式能将车牌区域划分为50～100个左右的方格。

3）分别计算R(_r,c)内部所有像素点的垂直边缘响应之和Response[R_(r，c)]，垂直边缘响应采用如下卷积公式得到： $\mathrm{Response}=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]*\mathrm{Gray},$ 其中Gray为像素的灰度，并将所述Response归一化到[0,255]的范围，垂直边缘响应之和 $\mathrm{Response}\left[R_{(i,j)}\right]=\underset{\mathrm{xy}}{\mathrm{\&Sigma;}}\mathrm{Re\; sponse}(x,y)|x,y\&Element;R_{(i,j)},$ 将所述Response[R_(r，c)]超过阈值Th的R_(r，c)选定为待选方格，所述待选方格的集合组成候选集Candidate={R(r,c)|Response[R(r,c)]<Th(r，c)}。

这里的阈值Th为R_(r，c)的阈值Th_(r,c)，采用自适应模式确定，所述Th_(r,c)的计算步骤如下：

3-1）令TI_R=0，TN_R=0。

3-2）计算R_(rc)中所有像素的Response的平均值 $\mathrm{Avg}\left[R_{(i,j)}\right]=$ $\frac{1}{N}\mathrm{\&Sigma;Response}(x,y)|x,y\&Element;R_{(i,j)},\mathrm{Response}(x,y)>{\mathrm{TI}}_R,$ 其中，N为满足条件x,y∈R_(i，j)、Re sponse(x,y)＞TI_R的像素个数；

3-3）令TI_R=Avg[R_(i,j)]，重复步骤3-2，再次令TI_R=Avg[R_(i，j)]，TN_R=N；

3-4）取以R_(r,c)为中心的矩形的方格集合Neighbour={R_(i,j)|r-a<=i<=r+a,c-b<=j<=c+b}，所述方格集合的长、宽分别为2a+1、2b+1个方格， ${\mathrm{Th}}_{(r,c)}=0.5*\stackrel{\&OverBar;}{{\mathrm{TI}}_R*{\mathrm{TN}}_R}|R\&Element;\mathrm{Neighbour}.$

4）将所述彩色源图像转换为HSV色彩空间，首先进行色彩转换：

引入max表示RGB色彩分量中最大的值，max=MAX(r,g，b);

min表示RGB色彩分量中最小的值，min=MIN(r,g,b);

RGB转HSV采取如下公式进行：

$s=\left\{\begin{array}{cc}0,& \mathrm{if}\max =0\\ \frac{\max -\min }{\max }=1-\frac{\min }{\max },& \mathrm{otherwise}\end{array}\right.,$

v＝max，

转换完毕后，引入并改进混合高斯模型以便统计每个方格内所包含一百个像素点的主要HSV色彩模式。混合高斯模型使用多个高斯分布来描述样本数据集中隐含的多个模式，本发明引用来描述方格内的主要色彩分布状态。假定方格内有主要有n种色彩，则该方格存在n个色彩模式：

所述候选集中R_(r,c)的色彩模式列表ModelList[R_(r，c)]＝{Model_i}，其中，色彩模式Model_i=N(μ_i,σ_t ²,weight_i),i=0,1，...,nModesUsed，N表示色彩模式符合高斯分布特征，μ_i=(h_i,s_i,v_i)表示高斯分布的均值，σ_t ²表示方差，weight_i表示色彩模式的权重，i表示色彩模式在色彩模式队列中的顺序，nModesUsed表示色彩模式的数目。

则方格内像素的hsv色彩必然符合其中某种模式，且该模式色彩分布的概率密度函数可表示如下：

$N(x,{\mathrm{\&mu;}}_i,{\mathrm{\&sigma;}}_i)=\frac{1}{\sqrt{2\mathrm{\&pi;}{{\mathrm{\&sigma;}}_i}^2}}{e}^{-\frac{{(x-{\mathrm{\&mu;}}_i)}^2}{2{{\mathrm{\&sigma;}}_i}^2}}$

其中x=(h,s,v)表示像素的hsv色彩。

统计HSV色彩模式Model_i的任务是根据方格内一百个像素点的hsv色彩值求出模式的个数和权重，以及每个模式高斯分布的均值μ_i和方差σ_i ²。

计算所述候选集中R_(r,c)的ModelList[R_(r,c)]的步骤为：

4-1）设定参数初始方差VarInit=150，最小方差VarMin=2.0，最大方差VarMax=300.0，已使用的色彩模式数目nModesUsed=0，带宽系数Tb=9，并生成一个包含0个色彩模式的色彩模式队列或者将已有的色彩模式队列清空；

4-2）读取所述方格中一个像素的(h,s,v)值，将所述(h,s,v)值与色彩模式队列中已有的色彩模式进行逐个比较：计算所述(h,s,v)值与所述已有的色彩模式的距离：

dist_i=(h-h_i)²+(s-s_i)²+(v-v_i)²，

如果dist_i<Tb*σ_t ²，则所述(h,s,v)值属于上述色彩模式，执行步骤4-4；否则该像素不属于色彩模式队列中任何现有的色彩模式，执行步骤4-3；

4-3）为所述(h,s,v)值生成新的色彩模式Model_new=N(μ_new,σ_new ²,weight_new)，μ_new=(h,s,v)，σ_new ²为初始方差VarInit，weight_new为1，置于所述色彩模式队列的尾端，nModesUsed加1，执行步骤4-5；

4-4）用所述(h,s,v)值更新所属的色彩模式为N(μ_i’,σ_t ²’,weight_i’)，其中，k=1/weight_i，μ_i’=(h_i+k*(h-h_i),s_i+k*(s-s_i),v_i+k*(v-v_i))，σ_t ²’=σ_t ²+k*(dist_i-σ_t ²)，σ_t ²’=MIN(VarMax,MAX(σ_t ²’,VarMin))，weight_i’=weight_i+1。

更新后，按照色彩模式权重weight_i从大到小的顺序对所述色彩模式队列中已有的色彩模式进行排序；

4-5）重复执行步骤4-2至步骤4-4直至R_(r，c)的像素全部读取完毕，所得色彩模式队列即为ModelList[R_(r，c)]。

5）根据Model_i对所述候选集中的方格进行聚类，得到车牌候选区域Rect_i的列表RectList[Rect_i]，其中，对所述候选集中的方格进行聚类的步骤为：

5-1）生成一个包含0个类的类列表ClusterList，并设定一个带宽系数Tb=4；

5-2）计算所述候选集Candidate中相邻两个方格R_(i,j)与R_(k,l)的距离Dist<R_(i，j),R_(k,l)>=1-Weight/TotalPixel,k=i+1,l=j+1；其中，令Model_m∈ModelList[R_(i，j)]，Model_n∈ModelList[R_(k,l)]，所述Model_m与Model_n的色彩模式距离Dist_mn=(h_m-h_n)²+(s_m-s_n)²+(v_m-v_n)²，令阈值Th=Tb*MIN(σ_m ²,σ_n ²)，所述TotalPixel为R_(i，j)与R_(k,l)中所有像素的个数，所述

所述TotalModel为R_(i,j)与R_(k,l)中所有满足Dist_mn<Th的Model_i的集合；

5-3）将所述候选集中所有距离Dist<R_(i,j),R_(k,l)>小于0.2的相邻方格R_(i，j)与R_(k,l)按照距离Dist<R_(i，j),R_(k,l)>从小到大的顺序进行排列得到队列，将队列中的方格记为R_k，其中k为所述方格在队列中的顺序编号；

5-4）从步骤5-3所得队列中取出相邻方格R₀、R₁，生成新类cluster₀={R₀,R₁}，将类cluster₀插入类列表ClusterList，得到ClusterList={cluster₀}；

5-5）依次将位于队首的方格R_i和R_j取出，区分以下4种情况：

如果R_i∈cluster_k且

则将F_j归入clusterk，

如果R_j∈cluster_k且则将R_i归入cluster_k，

如果

且

则生成一个新类Cluster_new={R_i,R_j}，并将cluster_new插入类列表ClusterList，

如果R_i∈cluster_k且R_j∈cluster_l，则将cluster_k与cluster_l合并；反复提取R_i和R_j并重复本步骤直至所述步骤5-3所得队列中的方格全部被取出。

这里cluster_k、cluster_l为ClusterList中任意的类cluster，

5-6）依据所述步骤4为类列表ClusterList中的类Cluster_i生成该类的色彩模式ModelList[Cluster_i]；

5-7）生成RectList[Rect_i]={Rect_i}，其中Rect_i为车牌待选矩形区域，该区域与Cluster_i所有方格的外包围框BBox的大小相一致。因此，Rect_i中包含色彩模式ModelList，外包围框BBox，中心位置Center等信息

6）从所述步骤5所生成的列表RectList中选择一个区域Rect_i为车牌区域，具体步骤为：

对于RectList中的所有区域Rect_i，计算色彩权值p1、比例权值p2、相对位置权值p3，其中：

p1为Rect_i中Model_i的均值与车牌底色的相似程度，例如，目前较为常见的车牌有蓝底白字和黄底黑字两种类型，计算区域Rect_i中色彩模式的均值与蓝底白字和黄底黑字两种类型车牌色彩的相似程度Similar_blue和Similar_yellow：

Similar_blue=1/(1+0.7*(h-h_blue)²+0.1*(s-s_blue)²+0.2*(v-v_blue)²)，

Similar_yellow=1/(1+0.7*(h-h_yellow)²+0.1*(s-s_yellow)²+0.2*(v-v_yellow)²)，

p1=MAX(Similar_blue,Similar_yellow)，其中(h_blue,s_blue,v_blue)和(h_yellow,s_yellow,v_yellow)分别为车牌蓝底和黄底的HSV值。

p2为Rect_i的外包围框的宽高比与车牌的宽高比的相似程度，普通车牌宽高比为440:140，其中w,h为区域Rect_i外包围框BBox的宽和高。

p3为Rect_i中心坐标与车牌中心坐标先验知识的相似程度，

其中，Center₀为先验车牌中心，一般取（width/2,height/5），width和height为车牌影像的宽和高。

Rect_i的权值p为p1、p2、p3的加权和：p=0.6*P1+0.3*P2+0.1*P3。

确定权值p最大的区域Rect_i即为车牌区域。

7）应用Canny算法对所述车牌区域进行边缘检测，应用霍夫变换获得所述边缘的精确位置。

实验例1

实验人员在不同条件下的道路路口采集到约10000张包含车牌的图像，不同条件包括白天、夜晚、晴天、下雨、雾，轻微的车牌污损、车牌摆置位置倾斜等，应用实施例1的方法对这些图像进行检测识别，检测结果如下表所示：

其中○表示条件成立，×表示条件不成立。

由上表可知，应用本发明所述方法，在夜晚车灯光照强烈、雨雾天气等恶劣条件下的定位准确率可达92.6%，而综合条件下定位准确率达到98.2%，从上述实验数据可知，相对现有技术，本发明的技术方案能够极大地克服由于恶劣天气所带来的图像模糊等技术难题，检测所得到的结果基本不受各种恶劣天气的影响。

总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。

Claims (6)

1.一种基于色彩聚类的车牌定位方法，其特征在于，包括以下具体步骤：

1）将包含车牌影像的彩色源图像转换为灰度图，分别计算所述灰度图上各像素的垂直边缘响应Response；

2）将所述车牌影像所在区域均匀划分为长、宽分别为n个像素的方格集{R_(r，c),r＝1,2，...,[height/10],c=1,2，...,[width/n]}，其中height和width分别为所述车牌影像的高和宽；

3）分别计算R_(r,c)内部所有像素点的垂直边缘响应之和Response[R_(r，c)]，将所述Response[R_(r，c)]超过阈值Th的R_(r，c)选定为待选方格，所述待选方格的集合组成候选集；

4）将所述彩色源图像转换为HSV色彩空间，分别计算所述候选集中R_(r,c)的色彩模式列表ModelList[R_(r，c)]={Model_i}，其中，色彩模式Model_i=N(μ_i,σ_t ²,weight_i),i=0,1，...,nModesUsed，N表示色彩模式符合高斯分布特征，μ_i=(h_i,s_i,v_i)表示高斯分布的均值，σ_t ²表示方差，weight_i表示色彩模式的权重，i表示色彩模式在色彩模式队列中的顺序，nModesUsed表示色彩模式的数目；

5）根据Model_i对所述候选集中的方格进行聚类，得到车牌候选区域Rect_i的列表RectList[Rect_i]；

6）从所述步骤5所生成的列表RectList[Rect_i]中选择一个区域Rect_i为车牌区域；

7）应用Canny算法对所述车牌区域进行边缘检测，应用霍夫变换获得所述边缘的精确位置。

2.根据权利要求1所述的基于色彩聚类的车牌定位方法，其特征在于，所述计

算所述灰度图上各像素的垂直边缘响应的步骤包括：计算像素的垂直边缘响应 $\mathrm{Response}=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]*\mathrm{Gray},$ 其中Gray为像素的灰度，将所述Response归一化到[0,255]的范围。

3.根据权利要求1所述的基于色彩聚类的车牌定位方法，其特征在于，所述步骤3中阈值Th为R_(r，c)的阈值Th_(r，c),所述Th_(r,c)的计算步骤如下：

3-1）令TI_R=0，TN_R=0；

3-2）计算R_(r，c)中所有像素的Response的平均值 $\mathrm{Avg}\left[R_{(i,j)}\right]=$ $\frac{1}{N}\mathrm{\&Sigma;Response}(x,y)|x,y\&Element;R_{(i,j)},\mathrm{Response}(x,y)>{\mathrm{TI}}_R,$ 其中，N为满足条件x,y∈R_(i，j)、Re sponse(x,y)＞TI_R的像素个数；

3-3）令TI_R=Avg[R_(i，j)]，重复步骤3-2，再次令TI_R=Avg[R_(i，j)]，TN_R=N；

3-4）取以R_(r,c)为中心的矩形的方格集合Neighbour={R_(i,j)|r-a<=i<=r+a,c-b<=j<=c+b}，所述方格集合的长、宽分别为2a+1、2b+1个方格， ${\mathrm{Th}}_{(r,c)}=0.5*\stackrel{\&OverBar;}{{\mathrm{TI}}_R*{\mathrm{TN}}_R}|R\&Element;\mathrm{Neighbour}.$

4.根据权利要求1所述的基于色彩聚类的车牌定位方法，其特征在于，所述步骤4中计算所述候选集中R_(r，c)的ModelList[R_(r，c)]的步骤为：

4-1）设定参数初始方差VarInit，最小方差VarMin，最大方差VarMax，带宽系数Tb，并生成一个包含0个色彩模式的色彩模式队列；

4-2）读取所述方格中一个像素的(h,s,v)值，将所述(h,s,v)值与色彩模式队列中已有的色彩模式进行逐个比较：计算所述(h,s,v)值与所述已有的色彩模式的距离dist_i=(h-h_i)²+(s-s_i)²+(v-v_i)²，如果dist_i<Tb*σ_t ²，则所述(h,s,v)值属于上述色彩模式，执行步骤4-4；否则执行步骤4-3；

4-3）为所述(h,s,v)值生成新的色彩模式Model_new=N(μ_new,σ_new ²,weight_new)，μ_new=(h,s,v)，σ_new ²为初始方差VarInit，weight_new为1，置于所述色彩模式队列的尾端，nModesUsed加1，执行步骤4-5；

4-4）用所述(h,s,v)值更新所属的色彩模式为N(μ_i’,σ_t ²’,weight_i’)，其中，k=1/weight_i，μ_i’=(h_i+k*(h-h_i),s_i+k*(s-s_i),v_i+k*(v-v_i))，σ_t ²’=σ_t ²+k*(dist_i-σ_t ²)，σ_t ²’=MIN(VarMax,MAX(σ_t ²’,VarMin))，weight_i’=weight_i+1，更新后，按照权重weight_i从大到小的顺序对所述色彩模式队列中已有的色彩模式进行排序；

4-5）重复执行步骤4-2至步骤4-4直至R_(r，c)的像素全部读取完毕，所得色彩模式队列即为ModelList[R_(r，c)]。

5.根据权利要求1所述的基于色彩聚类的车牌定位方法，其特征在于，所述步骤5中对所述候选集中的方格进行聚类的步骤为：

5-1）生成一个包含0个类的类列表ClusterList，并设定一个带宽系数Tb；

5-2）计算所述候选集中相邻两个方格R_(i,j)与R_(k,l)的距离Dist<R_(i，j),R_(k,l)>=1-Weight/TotalPixel,k=i+1,l=j+1；其中，令Model_m∈ModelList[R_(i，j)]，Model_n∈ModelList[R_(k，l)]，所述Model_m与Model_n的色彩模式距离Dist_mn=(h_m-h_n)²+(s_m-s_n)²+(v_m-v_n)²，令阈值Th=Tb*MIN(σ_m ²,σ_n ²)，所述TotalPixel为R_(i，j)与R_(k,l)中所有像素的个数，所述

所述TotalModel为R_(i,j)与R_(k,l)中所有满足Dist_mn<Th的Model_i的集合；

5-3）将所述候选集中的相邻方格R_(i，j)与R_(k,l)按照距离Dist<R_(i，j),R_(k,l)>从小到大的顺序进行排列得到队列，将队列中的方格记为R_k，其中k为所述方格在队列中的顺序编号；

5-4）从步骤5-3所得队列中取出相邻方格R₀、R₁，生成新类cluster₀={R₀,R₁}，将类cluster₀插入类列表ClusterList；

5-5）依次将位于队首的方格R_i和R_j取出，如果R_i∈cluster_k且

则将R_j归入cluster_k，如果R_j∈cluster_k且则将R_i归入cluster_k，如果

且

则生成一个新类Cluster_new={R_i,R_j}，并将cluster_new插入类列表ClusterList，如果R_i∈cluster_k且R_j∈cluster_l，则将cluster_k与cluster_l合并；反复提取R_i和R_j并重复本步骤直至所述步骤5-3所得队列中的方格全部被取出；

5-6）依据所述步骤4为类列表ClusterList中的类Cluster_i生成ModelList[Cluster_i]；

5-7）生成RectList[Rect_i]={Rect_i}，其中Rect_i为Cluster_i中方格的集合。

6.根据权利要求5所述的基于色彩聚类的车牌定位方法，其特征在于，所述步骤5-3中，所述相邻方格为距离Dist<R_(i，j),R_(k,l)>小于0.2的相邻方格。

根据权利要求1所述的基于色彩聚类的车牌定位方法，其特征在于，所述步骤6选择车牌区域的步骤为：对于RectList[Rect_i]中的所有区域Rect_i，计算色彩权值p1、比例权值p2、相对位置权值p3，其中，p1为Rect_i中Model_i的均值与车牌底色的相似程度，p2为Rect_i的外包围框的宽高比与车牌的宽高比的相似程度，p3为Rect_i中心坐标与车牌中心坐标的相似程度；所述Rect_i的权值p为p1、p2、p3的加权和，所述权值p最大的区域即为车牌区域。