CN103093200A - 快速精准定位图像中车牌的算法 - Google Patents

Abstract

本发明提供了一种快速精准定位图像中车牌的算法，其通过基于车牌颜色特征对点的分析提取提高车牌定位的准确度，而主成分分析法的车牌倾斜校正，解决了车牌边框断裂、字符粘连时造成车牌倾斜校正不准确的问题，进一步提高了车牌定位精确度。经实际道路验证，新的方法能将车牌定位准确率提高1%左右，特别对有污垢的车牌，定位更加精确。

Description

快速精准定位图像中车牌的算法

技术领域

本发明涉及图像处理方法，尤其是指一种快速精准定位图像中车牌的算法。

背景技术

车辆自动识别是智能交通系统中的一项基础技术。车辆牌照识别是车辆自动识别技术的重要组成部分，而从图像中定位到车牌则是车辆牌照识别的关键步骤。

以往的车牌定位技术基于灰度图像分析，利用Hough变换等处理方法。不但没有充分利用图像中车牌的特征信息，后续处理算法在某些情况下也有硬伤。而车牌图像的颜色特征具有规律性，如果找到合适的算法定位将更加精确。

发明内容

本发明的目的在于克服了上述缺陷，提供一种利用颜色特征并综合使用数学形态法、主成分分析法等算法进行快速精准定位图像中车牌的算法。

本发明的目的是这样实现的：一种快速精准定位图像中车牌的算法，它包括步骤：

A）、色彩空间转换，将图像由RGB颜色空间转换到HSI颜色空间；

较佳的，本步骤中颜色空间转换具体采用步骤，首先将RGB的各分量值归一化为r，g，b，即0≤r,g,b≤1，对应HIS颜色空间的强度i、饱和度s、色调h由下述公式得，

$i=\frac{r+g+b}{3};$

$s=1-\frac{3}{r+g+b}\min (r,g,b);$

如果b>g，则令h=2π-h。当r=g=b时，h没有定义；i=0时，s没有定义；

B）、提取车牌颜色特征对点，根据车牌的颜色类型判断图像中像素点为底色或字符色点或无效点，若像素点为底色点/字符色点，则检测该像素点的右边和上边两个像素点，如果其中有一个像素点为字符色点/底色点，将该像素点标记为车牌颜色特征对点，否则对图像中下一个像素点执行本步骤直至图像中所有像素点遍历判断结束；若像素点为无效点，遍历的对图像中下一个像素点执行本步骤直至图像中所有像素点遍历判断结束；

较佳的，本步骤中的颜色类型包括5种，分别为底色为蓝色、字符色为白色；底色为黄色，字符为黑色；底色为白色，字符为红色或黑色；底色为黑色，字符为白色；对应的，所述本步骤中通过下述方式对像素点的强度i、饱和度s、色调h进行判断，从而识别其颜色类型，

如果s<0.1且i>0.5，则该像素点为白色；

如果i<0.35，则该像素点为黑色；

如果220<h<250，s>0.1和i>0.1同时成立，则该像素点为蓝色；

如果20<h<50，s>0.1和i>0.35同时成立，则该像素点为黄色；

如果350<h<360，s>0.1和i>0.35同时成立，则该像素点为红色。

C）、车牌初定位，根据图像的拍摄距离和车牌部分占图像的比例设定结构元素，借由数学形态学运算对图像进行处理，首先对图像进行横向膨胀使车牌颜色特征对点相互连通，然后根据设定的结构元素对膨胀后的图像进行腐蚀，去除孤立的干扰点完成闭运算，最终得到由车牌颜色特征对点连通组成的车牌区域；

D）、车牌区域扩张，

对车牌区域进行水平方向的扩展，从车牌区域中左边界、右边界开始分别向左、右移h个像素点，得到一个扩展出来的区域，如果这个区域里的车牌颜色特征对点的数量h+1，则将此区域归入车牌区域中，否则不归入车牌区域中；

对车牌区域进行垂直方向的扩展，从车牌区域中上边界、下边界开始向上、下移v个像素点，得到一个扩展出来的区域，如果这个区域里的车牌颜色特征对点的数量v+1，则将此区域归入车牌区域中，否则不归入车牌区域中；

较佳的，本步骤D中水平扩展的像素点h符合，h＝(m/M)×(1/10)×m，垂直扩展的像素点v符合，h＝(n/N)×(1/2)×n，上式中原车牌图像长N个像素点，宽M个像素点；图像中车牌区域的长n个像素点，宽m个像素点；

E）、车牌倾斜校正，通过基于车牌颜色特征对点对的主成分分析法求取图像的车牌区域对应倾斜角度后对图像进行旋转；

较佳的，本步骤中的，基于车牌颜色特征对点对的主成分分析法为，将所有车牌颜色特征对点的坐标（（x1,y1）、（x2,y2）、…（xn,yn））构成n个二维的样本，看作

带入公式

进一步通过公式

得到散布矩阵

从该矩阵中选取最大特征值对应的特征向量作为这n个二维样本的主成分方向

方向即是车牌区域的倾斜角度；

F）、车牌精准定位，

确定车牌上下边界，从上至下对车牌区域进行逐行扫描，并记录每一行的车牌颜色特征对点的数量，若数量不足阈值则将该行从车牌区域中去除；

确定车牌左右边界，采用垂直投影法，得到若干车牌颜色特征对点数量少的分割区域；

由上下边界和左右边界得到车牌长宽比，与车牌标准长宽比进行比较，滤除伪车牌区域；

较佳的，本步骤中确定车牌上下边界中的阈值为12；确定车牌左右边界的车牌特征点数量少的分割区域为6个。

本发明方法通过对图像中车牌颜色特征对点的提取使车身颜色和车牌底色相近时的定位准确度提高；使用数学形态学的闭操作使得在背景干扰很大的情况下仍能准确定位车牌区域；车牌区域扩展使车牌区域尽可能包含整个车牌，并避免后续车牌旋转时超出边界，车牌区域扩展的步进幅度考虑了车牌区域大小及车牌区域和整个车牌图像的比例，并加以合适的系数，使得扩展具有一定的自适应性；使用主成分分析法一次性即可得到车牌倾斜角度，避免了Hough变换和旋转投影随量化精细而带来的大运算量，还提高了倾斜校正的准确率，有效避免了丢失真实车牌区域。

附图说明

下面结合附图详述本发明的具体结构

图1（a）为图像经本发明的提取车牌颜色特征对点处理前原始的彩色车牌图像；

图1（b）为图像经本发明的提取车牌颜色特征对点处理蓝白特征点空间对应的车牌图像的效果示意图；

图1（c）为图像经本发明的提取车牌颜色特征对点处理黄黑特征点空间对应的车牌图像的效果示意图；

图1（d）为图像经本发明的提取车牌颜色特征对点处理黑白特征点空间对应的车牌图像的效果示意图；

图2（a）为图像经本发明的车牌初定位的蓝白特征点空间效果示意图；

图2（b）为图像经本发明的车牌初定位的黄黑特征点空间效果示意图；

图2（c）为图像经本发明的车牌初定位的黑白特征点空间效果示意图；

图3（a）为车牌区域经本发明的车牌区域扩张的原车牌区域示意图；

图3（b）为车牌区域经本发明的车牌区域扩张处理后的车牌区域特征点效果示意图；

图4（a）为车牌区域经本发明的车牌倾斜校正的校正后的车牌区域处理效果示意图；

图4（b）为车牌区域经本发明的车牌倾斜校正的校正后的车牌区域特征点效果示意图；

图5为路口图像示意图。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

为了制定一个符合需求的车牌识别算法，从而需要实现对图像所需要涉及精确定位的车牌图像特征进行分析。

具体的，对应中国国内现有车牌分析如下：

目前我国国内使用的车牌主要是1992式民用号牌及2004式军用号牌。GA36-1992规格的车牌的特征可以概括为以下几点：

（1）位置。车牌的安装位置一般位于车辆的保险杠上方，散热器下方，两个车灯的中间。

（2）形状。不同类型的车辆的1992式车牌尺寸基本是一样的，都为440mm（宽）×140mm（高），只有大型车辆的后车牌为440mm（宽）×220mm（高）。

（3）纹理。牌上有规律地分布着7个字符，因此车牌区域图像会呈现一系列连续的颜色交替，且交替变化比较集中。

（4）颜色。我国小型车辆的车牌底色为蓝色，字符为白色；大型车辆底色为黄色，字符为黑色；军用和警用车辆牌照的底色为白色，字符为红色或黑色；国外驻华机构的车牌的底色为黑色，字符为白色。

在采用灰度图像处理方法处理车牌图像的过程中，主要从车牌的位置、形状和纹理特征入手，并没有充分利用车牌颜色特征；而彩色图像处理方法利用车牌特有的颜色对对车牌图像进行特征提取，充分利用了车牌图像的四大特征。

因此，本发明基于上述分析，提供了一种快速精准定位图像中车牌的算法，它包括步骤：

A）、色彩空间转换，将图像由RGB颜色空间转换到HSI颜色空间。

以往对图像用RGB颜色空间来描述色彩虽然方便，但不符合人眼的视觉原理。而且图像亮度的不均衡会引起RGB值的剧烈变化，为了准确迅速的检测颜色，因此本步骤需要现将图像由RGB颜色空间转换到HSI颜色空间。作为转换方法可采用：

首先将RGB的各分量值归一化为r，g，b，即0≤r,g,b≤1，于是HIS颜色空间对应的强度i、饱和度s、色调h由下述公式得，

$i=\frac{r+g+b}{3};$

$s=1-\frac{3}{r+g+b}\min (r,g,b);$

如果b>g，则令h=2π-h。当r=g=b时，h没有定义；i=0时，s没有定义；

借由此步骤将颜色空间转换到HIS后，可利用直方图均衡化方法对强度i进行亮度均衡化，以更利于之后的颜色判别。

B）、提取车牌颜色特征对点，包括步骤，

B1）、根据车牌的颜色类型判断图像中像素点为底色或字符色点或无效点，若像素点为无效点，遍历地对图像中下一个像素点执行本步骤直至图像中所有像素点遍历完成；

B2）、若像素点为底色点/字符色点，则检测并判断该像素点的右边和上边两个像素点为底色或字符色点或无效点；

B3）、如果右边和上边两个像素点其中有一个像素点为字符色点/底色点，将该像素点标记为车牌颜色特征对点，否则返回步骤B1对遍历图像中下一个像素点直至图像中所有像素点遍历完成。

由于HSI颜色空间模型中的i分量与图像的彩色信息无关，h分量抽出了色调而忽略了亮度信息，可以减少光照影响。对于具有某种目标色的像素点，可以直接通过对h、s和i三个分量设定一个阈值范围来把它们提取出来，无需进行比较复杂的色彩距离计算，这样可以在色彩分割的时候节省大量的时间，这种方法对蓝色和黄色尤其有效。但是，白色的色调没有意义，黑色的色调和饱和度也没有意义，也就是说这些分量取值小规律。所以白色像素点只能利用饱和度和亮度两个分量来提取，黑色像素点只能根据亮度分量来提取。

通过样本车牌的颜色值统计得到各种车牌颜色的阈值范围。为了适应车牌褪色、光线、灰尘等的影响，再对各种颜色的阈值范围进行适当放宽，综合以后，得到彩色判断条件如下：

如果s<0.1且i>0.5，则该像素点为白色；

如果i<0.35，则该像素点为黑色；

如果220<h<250，s>0.1和i>0.1同时成立，则该像素点为蓝色；

如果20<h<50，s>0.1和i>0.35同时成立，则该像素点为黄色；

如果350<h<360，s>0.1和i>0.35同时成立，则该像素点为红色；

不符合以上条件的像素点视为无效点。

在以上的判断条件里面，蓝色和黑色的取值范围有重合的部分，这是因为在光线较暗的条件下，蓝色和黑色的亮度分量比较接近；考虑到四种底色的车牌颜色搭配中，没有蓝色和黑色的搭配，所以这两种颜色取值范围可以有重合的部分。

在这里对红色点也进行判断，是因为在白底黑字的车牌中，前两个字符是红色的，不能忽略。

本步骤中对应握过车牌而言的实施例，颜色类型包括5种，分别为底色为蓝色、字符色为白色；底色为黄色，字符为黑色；底色为白色，字符为红色或黑色；底色为黑色，字符为白色。

实施例：

对应我国车牌而言，常见车牌颜色特征对点有三对：蓝白特征点、黄黑特征点和黑白特征点（而上述的白底红字车牌情况为军区车牌，由于其特殊性本文不做分析。）。由于白底黑字和黑底白字这两种颜色的车牌可以同时对应黑白特征点，所以，四种车牌底色对应到车牌颜色特征对点上就是三对。

参见图1（a）（b）（c）（d），为一个蓝底白字的车牌为例图1（a），遍历图像的每一像素点，按如下规则确定颜色特征点：

如果像素点（i,j）为蓝色边缘点，则检测像素点（i,j）的右边和上边两个像素点（i+1,j）和（i,j+1），如果其中有一个像素点为白色边缘点，将像素点（i,j）标记为蓝白特征点。

如果像素点（i,j）为白色边缘点，再检测像素点（i,j）的右边和上边两个像素点（i+1,j）和（i,j+1），如果其中有一个像素点为蓝色边缘点，将像素点（i,j）标记为蓝白特征点。

同理，还可以推出黄黑特征点图1（c）和黑白特征点图1（d）。

得到的三种车牌颜色特征对点分别保存在三个不同的空间中，以待下一步车牌定位。

C）、车牌初定位，包括步骤，

C1）、根据图像的拍摄距离和车牌部分占图像的比例设定结构元素；

C2）、借由数学形态学运算对图像进行横向膨胀使车牌颜色特征对点相互连通；

C3）、根据设定的结构元素对膨胀后的图像进行腐蚀，去除孤立的干扰点完成闭运算，最终得到由车牌颜色特征对点连通组成的车牌区域。

本步骤中用到的数学形态学是分析几何形状和结构的数学方法，其是用集合论方法定量描述几何结构的科学。它的基本思想是用具有一定形态的结构元素和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学的应用可以简化图像数据，保持它们的基本形状特征，并去除不相干的结构。

数学形态学由一组形态学的代数运算子组成，基本算子有：腐蚀（Erosion）、膨胀（Delation）、开（Opening）和闭（Closing）。基于这些基本运算还可以得出各种形态学算法。四种基本运算中，最基本的是腐蚀和膨胀。

腐蚀实际上是一种消除目标图像所有边界点以及边界上突出部分的过程，它可以从图像上去除一些小且无意义的目标；膨胀可以连接图像中的断续点和填补图像中的空洞；开运算可以消除边缘突起而使图像边界平滑；闭运算可以添充图像内部空隙并连接邻近物体。在图像处理中可以通过开运算和闭运算消除噪声，恢复图像。而有效运用数学形态法的关键在于根据应用特点选取合适的结构元素对图像进行操作。

因此，对于车牌图像的处理，首先要对拍摄距离和车牌图像占总图片的比例作出一定的限制，然后根据经验值设置结构元素的大小。针对图2（a）（b）（c）（d）的实施例中，就是选取11×3的长方形的结构元素对图2a的车牌图片进行闭运算，处理效果如图2（b）所示。

D）、车牌区域扩张，

对车牌区域进行水平方向的扩展，从车牌区域中左边界、右边界开始分别向左、右移h个像素点，得到一个扩展出来的区域，如果这个区域里的车牌颜色特征对点的数量h+1，则将此区域归入车牌区域中，否则不归入车牌区域中；

对车牌区域进行垂直方向的扩展，从车牌区域中上边界、下边界开始向上、下移v个像素点，得到一个扩展出来的区域，如果这个区域里的车牌颜色特征对点的数量v+1，则将此区域归入车牌区域中，否则不归入车牌区域中。

较佳的，本步骤D中水平扩展的像素点h符合，h＝(m/M)×(1/10)×m，垂直扩展的像素点v符合，h＝(n/N)×(1/2)×n，上式中原车牌图像长N个像素点，宽M个像素点；图像中车牌区域的长n个像素点，宽m个像素点。

最佳的，由于在字符分割中，图片被二值化，需要将车牌底色和字符颜色统一以便处理，因此，本步骤得到车牌区域后，接下来需要确定车牌的颜色。从得到车牌区域的空间中可以知道车牌底色和字符颜色。对于黑白颜色对空间，可以通过统计并比较黑色像素数目和白色像素数目，数目较多的为底色，另一个为字符颜色。

至此，车牌粗定位完成，实施例中，得到一幅如图3（a）的彩色车牌图像，图3（b）为该图像中车牌区域特征点，如此可以进行下面步骤以供进一步地处理。

E）、车牌倾斜校正，通过基于车牌颜色特征对点对的主成分分析法求取图像的车牌区域对应倾斜角度后对图像进行旋转。

由于拍摄角度的不同会使拍摄的车牌有一定的倾斜，因此要对得到的车牌图像进行倾斜校正。此处着重说明水平倾斜的校正。

传统的车牌水平校正方法中，最常见的主要是Hough变换法和旋转投影法。当车牌边框不明显或者字符出现粘连和断裂时，会使得Hough变换后参数空间的峰值过于分散时，从而导致Hough变换不能正确的检测到直线；旋转投影法对车牌边框的依赖比Hough变换小，但还会有影响，而且其求取最佳倾斜角度的过程是一个寻优过程，需要多次投影才能逼进最佳倾斜角度。

因此，这里使用基于车牌颜色特征对点的主成分分析法来求取最佳倾斜角度，较佳的，基于车牌颜色特征对点对的主成分分析法为，将所有车牌颜色特征对点的坐标（（x1,y1）、（x2,y2）、…（xn,yn））构成n个二维的样本，看作

带入公式

进一步通过公式

得到散布矩阵

从该矩阵中选取最大特征值对应的特征向量作为这n个二维样本的主成分方向

方向即是车牌区域的倾斜角度。

实施例：

如图3中倾斜的车牌，根据公式求出样本均值为mx=104，my=50。然后得到散布矩阵为 $\stackrel{\&RightArrow;}{S}=\left[\begin{array}{cc}3146204& -639772\\ -639772& 334774\end{array}\right],$ 从而求出的特征值分别约为3284944.5，196033.46875；对应特征向量分别为（0.97728,-0.21193），（0.21193,0.97728）。选取最大特征值3284944.5对应的特征向量（0.97728,-0.21193）作为这n个二维样本的主成分方向。方向即可看作是车牌倾斜的方向θ，即cosθ=0.97728,sinθ=-0.21193。将图3中车牌图像旋转-θ，即可得到水平校正后的车牌图像，如图4（a）所示，其中图4（a）为校正后的车牌区域，图4（b）为校正后的车牌区域特征点所示。此处求得θ为-0.213549，转换为度数车牌大概倾斜了-12.2度。

在实际旋转中，有一部分图像会被截去（例如图4（b）中），特别是当倾斜角度越大时图像的截去越多，所以，为保证车牌定位的效果，在实际应用中对所拍摄图像的倾斜角度尽量不要太大。

这里得到的车牌区域还有一些多余的背景，再往下进行前可使用灰度车牌图像处理方法进一步进行车牌精确定位。

F）、车牌精准定位，

确定车牌上下边界，从上至下对车牌区域进行逐行扫描，并记录每一行的车牌颜色特征对点的数量，若数量不足阈值则将该行从车牌区域中去除；

确定车牌左右边界，采用垂直投影法，得到若干车牌颜色特征对点数量少的分割区域；

由上下边界和左右边界得到车牌长宽比，与车牌标准长宽比进行比较，比较方法例如对中国国内车牌而言，在GA36-1992中规定了车牌的固定尺寸，因此车牌的长宽比例是固定的，与此比例相差过大即为伪车牌区域，对大的区域滤除。注意在黑白车牌颜色特征对点空间中，车牌的前2个字符是红色，所以确定其左右边界及比较长宽比时要特殊对待。

根据实验，车牌位置一般在车牌图像的中下方，应此在扫描图像时应从下往上，从左往右。车牌具有固定的长宽比，车牌字符的长宽比也在一定范围内。在统计中国现有车牌的车牌颜色特征对点时可根据此特征先从边缘检测去除车牌边框；车牌共有7个字符，其中第一个是汉字，其余六个是字母和数字，由于字母和数字都是连通的，所以每行的车牌颜色特征对点数最少12个；字符与字符之间有一定的距离，而且前两个字符与后五个字符间的距离较大。

较佳的，本步骤中确定车牌上下边界中，一般国内现有车牌中包含7个字符，每个字符至少会出现2个特征对点，考虑到汉字的结构，可以假设特征对点数最小个数的阈值为12，即特征对点数小于12的行不属于车牌区域，由此可以确定车牌的上下边界。

而本步骤中国内现有车牌的7个字符中间共有6个分割区域，其间的特征对点数很少，其中第二个和第三个字符之间的间隙比其余5个要大一些，因此确定车牌左右边界的车牌特征点数量少的分割区域为6个。

至此，车牌定位完成，得到的是一个只包含车牌字符的车牌区域。

综上所述，本发明方法通过对图像中车牌颜色特征对点的提取使车身颜色和车牌底色相近时的定位准确度提高；使用数学形态学的闭操作使得在背景干扰很大的情况下仍能准确定位车牌区域；车牌区域扩展使车牌区域尽可能包含整个车牌，并避免后续车牌旋转时超出边界，车牌区域扩展的步进幅度考虑了车牌区域大小及车牌区域和整个车牌图像的比例，并加以合适的系数，使得扩展具有一定的自适应性；使用主成分分析法一次性即可得到车牌倾斜角度，避免了Hough变换和旋转投影随量化精细而带来的大运算量。

参见图5，在路口，应用本文的算法与原有算法对比，车牌定位准确率可提高1%。原有算法会导致图中红绿灯框架被误判为车牌，而本发明方法的车牌颜色对能有效过滤掉红绿灯框架；原有算法在车牌有污垢时，旋转会失去方向，导致误判为非车牌，使用主成分分析法提高了倾斜校正的准确率，有效避免了丢失真实车牌区域。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种快速精准定位图像中车牌的算法，其特征在于：它包括步骤，

A）、色彩空间转换，将图像由RGB颜色空间转换到HSI颜色空间；

B）、提取车牌颜色特征对点，包括步骤，

B1）、根据车牌的颜色类型判断图像中像素点为底色或字符色点或无效点，若像素点为无效点，遍历地对图像中下一个像素点执行本步骤直至图像中所有像素点遍历完成；

B2）、若像素点为底色点/字符色点，则检测并判断该像素点的右边和上边两个像素点为底色或字符色点或无效点；

B3）、如果右边和上边两个像素点其中有一个像素点为字符色点/底色点，将该像素点标记为车牌颜色特征对点，否则返回步骤B1对遍历图像中下一个像素点直至图像中所有像素点遍历完成；

C）、车牌初定位，包括步骤，

C1）、根据图像的拍摄距离和车牌部分占图像的比例设定结构元素；

C2）、借由数学形态学运算对图像进行横向膨胀使车牌颜色特征对点相互连通；

C3）、根据设定的结构元素对膨胀后的图像进行腐蚀，去除孤立的干扰点完成闭运算，最终得到由车牌颜色特征对点连通组成的车牌区域；

D）、车牌区域扩张，包括步骤：

对车牌区域进行水平方向的扩展：从车牌区域中左边界、右边界开始分别向左、右移h个像素点，得到一个扩展出来的区域，如果这个区域里的车牌颜色特征对点的数量h+1，则将此区域归入车牌区域中，否则不归入车牌区域中；

对车牌区域进行垂直方向的扩展：从车牌区域中上边界、下边界开始向上、下移v个像素点，得到一个扩展出来的区域，如果这个区域里的车牌颜色特征对点的数量v+1，则将此区域归入车牌区域中，否则不归入车牌区域中；

E）、车牌倾斜校正，通过基于车牌颜色特征对点对的主成分分析法求取图像的车牌区域对应倾斜角度后对图像进行旋转；

F）、车牌精准定位，

确定车牌上下边界：从上至下对车牌区域进行逐行扫描，并记录每一行的车牌颜色特征对点的数量，若数量不足阈值则将该行从车牌区域中去除；

确定车牌左右边界：采用垂直投影法，得到若干车牌颜色特征对点数量少的分割区域；

由上下边界和左右边界得到车牌长宽比，与车牌标准长宽比进行比较，滤除车牌长宽比中不属于标准长宽比的伪车牌区域。

2.如权利要求1所述的快速精准定位图像中车牌的算法，其特征在于：所述步骤A的颜色空间转换具体采用步骤，首先将RGB的各分量值归一化为r，g，b，即0≤r,g,b≤1，对应HIS颜色空间的强度i、饱和度s、色调h由下述公式得，

$i=\frac{r+g+b}{3};$

$s=1-\frac{3}{r+g+b}\min (r,g,b);$

如果b>g，则令h=2π-h。当r=g=b时，h没有定义；i=0时，s没有定义。

3.如权利要求1所述的快速精准定位图像中车牌的算法，其特征在于：所述步骤B中的颜色类型包括5种，分别为

底色为蓝色、字符色为白色；

底色为黄色，字符为黑色；

底色为白色，字符为红色或黑色；

底色为黑色，字符为白色；

对应的，所述步骤B中通过下述方式对像素点的强度i、饱和度s、色调h进行判断，从而识别其颜色类型，

如果s<0.1且i>0.5，则该像素点为白色；

如果i<0.35，则该像素点为黑色；

如果220<h<250，s>0.1和i>0.1同时成立，则该像素点为蓝色；

如果20<h<50，s>0.1和i>0.35同时成立，则该像素点为黄色；

如果350<h<360，s>0.1和i>0.35同时成立，则该像素点为红色。

4.如权利要求1所述的快速精准定位图像中车牌的算法，其特征在于：所述步骤D中水平扩展的像素点h符合，h＝(m/M)×(1/10)×m，垂直扩展的像素点v符合，h＝(n/N)×(1/2)×n，上式中原车牌图像长N个像素点，宽M个像素点；图像中车牌区域的长n个像素点，宽m个像素点。

5.如权利要求1所述的快速精准定位图像中车牌的算法，其特征在于：所述步骤E中的，基于车牌颜色特征对点对的主成分分析法为，将所有车牌颜色特征对点的坐标（（x1,y1）、（x2,y2）、…（xn,yn））构成n个二维的样本，看作

带入公式

进一步通过公式

得到散布矩阵

从该矩阵中选取最大特征值对应的特征向量作为这n个二维样本的主成分方向

方向即是车牌区域的倾斜角度。

6.如权利要求1所述的快速精准定位图像中车牌的算法，其特征在于：

所述步骤F中确定车牌上下边界中的阈值为12；确定车牌左右边界的车牌特征点数量少的分割区域为6个。

Images