CN103279755A - 基于汽车底部阴影特征的快速车牌定位方法 - Google Patents

Abstract

本发明公开了一种视频图像中快速定位车牌的方法，基于汽车底部阴影特征，利用梯度的阴影检测方法和一维滤波技术快速分割出车牌候选区域再精确定位，包括：(1)提取视频中的一帧图像分割出处理区域；(2)处理区图像灰度化，再进行灰度拉伸；(3)根据车辆底部阴影特征进行初步粗定位；(4)一维滤波方法去噪，确定候选区域；(5)对候选区域使用形态学精确定位。本发明具有易于实现、鲁棒性强、精确度高、实时性强等优点，可以为车牌识别中的车牌定位提供一种新的实时可靠的快速定位方法。

Description

基于汽车底部阴影特征的快速车牌定位方法

技术领域

本发明属于车牌识别技术领域，是一种基于汽车底部阴影特征的快速车牌定位方法，该方法结合汽车底部阴影特征，使用梯度阴影检测方法和一维滤波技术对车牌可能存在的区域进行粗定位，再结合数学形态学进行车牌精确定位。

背景技术

车牌识别(License Plate Recognition，LPR)技术是智能交通系统(Intelligent Transportation Systems，ITS)中的关键技术之一，可应用于高清卡口安全系统，交叉口交通参数采集系统，高速公路管理系统等。车牌定位的准确与否直接决定了后续的字符分割和识别效果。车牌定位目的就是通过车牌区域的特征准确地分割出车牌所在的区域。目前车牌定位的方法多种多样，归纳起来主要有基于纹理特征分析的方法、基于边缘检测的方法、基于数学形态学定位、基于小波分析定位以及基于彩色图像定位的方法等，这些方法各有所长，但是每种方法对图像的连续处理步骤中每次都是以整幅图像为处理目标，这样计算复杂，目标多，噪声大，车牌很难定位。本发明提出的方法是先根据车辆阴影特征粗定位出车牌区域，捕获到只占整幅图像的一小部分的含有车牌区域，这样后续计算步骤的运算量大大减少，整体提高了车牌的定位速度，再结合数学形态学进行车牌的精确定位。

现有技术中车牌的定位方法主要分为以下几类：①从车牌区域的颜色特征入手，考虑车牌的定位问题；②根据车牌灰度图像垂直边缘密集跳变的特点，考虑车牌的定位问题；③采用垂直边缘锐化方法，强调车牌区域的边缘特征，并将其水平、垂直投影，从而获取车牌位置；④利用数学形态学所具有的结构运算特点来定位车牌。在基于车牌区域颜色特征的方法中，张引，潘云鹤于2001年发表在《中国图像图形学报》上的论文“彩色汽车图像拍照定位新方法”，根据车牌具有不同的色彩，且多与车牌号、车身、车辆背景不同等这些特点，基于颜色特征来研究车牌的定位。但是颜色本身含有复杂信息，计算量大，而且当车牌清晰度不高的时候必然会影响定位效果。基于车牌灰度图像垂直边缘密集跳变的方法中，HamidMahini等人于2006年发表在《International Conference on PatternRecongnition(国际模式识别会议)》上的论文“An efficient features-basedlicense plate localization method(一种高效的基于多特征的车牌定位方法)”根据车牌字符间产生的垂直边缘密集跳变特征对车牌进行定位，但是当车牌附近含有较丰富纹理特征或者车牌模糊的时候定位精确度不高。基于水平垂直投影特征而获取车牌位置的方法中，W.B.Horng于1999年在《12thIPPR Conference on Computer Vision Graphics and Image Processing(第12界计算机视觉与图像处理研讨会)》发表的“Efficiently locating vehiclelicense plates based on vertical line detection(基于垂直线检测的高效车牌定位)”根据车牌的水平与垂直方向纹理密集而丰富，而车身图像却恰恰相反的特点，采用水平与垂直投影方法捕获车牌位置，当时使用此方法，当车头或者车尾含有较多其他纹理丰富的部分时候就很难定位了。在基于数学形态学的方法中，Rezaie等人于2007年在《IEEE InternationalConference on Image Processing(国际电子电气工程师协会图像处理国际会议)》发表的论文“A Morphological-Based License Plate Location”充分利用车牌的形状特点(车牌字符群区域经过形态学处理后呈矩形)来定位车牌，该方法中结构元素的选择应根据车牌中字符笔划的大小和字符的间隔来确定，所以算法的使用范围有限，精确度不高。

发明内容

为了克服上述现有技术存在的缺陷，本发明为车牌的定位提供一种快速提取的方法，主要应用在摄像机相对固定的地方，能在复杂环境的背景下根据车辆的车头或者车尾底部呈现的阴影特征快速分割出含有车牌的区域，再利用数学形态学方法精确定位出车牌区域。

本发明提供的一种基于汽车底部阴影特征的车牌定位方法，包括以下步骤：

步骤1，分割得到待处理图像中的处理区域；

步骤2，对所述处理区域进行预处理；

步骤3，基于预处理后的所述处理区域，根据汽车底部阴影特征粗定位车牌区域；

步骤4，基于形态学对车牌区域进行精确定位。

本发明与现有技术相比的显著效果在于：可以快速的抽取车牌的候选区域，在相继的处理步骤中不需要再对整个图像进行处理，而且当对摄像机固定好采集角度后，在实际监控视频中所出现的光照变化、摄像机抖动、检测噪声等干扰同时具有较高的鲁棒性。由于采用本算法不需要对复杂背景进行分析，提高了定位算法的快速性。

本发明针对车牌识别中的车牌定位问题，利用梯度阴影检测方法和一维脉冲滤波技术首先分割出小区域的车牌侯选区，然后利用形态学技术精确定位车牌区域，并且实时快速地提取车牌区域，具有算法简单、精确度高、鲁棒性强等优点。特别是从开始到定位结束不需要对原始图像进行整幅运算，而且处理的范围也在不断减小，提高了运算速度，也消除了实现真正工程应用的主要障碍。

附图说明

图1是本发明车牌定位方法的流程图；

图2是根据本发明一实施例的灰度图像底部阴影特征；

图3是横穿底部阴影区像素变化情况示意图；

图4是车牌粗定位结果图；

图5是基于形态学对车牌区域进行精确定位的处理示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

为了更好地理解本发明所提出的方法，接下来选取一段监控摄像机拍摄的视频片断中的一帧图像为处理对象对本发明的检测方法进行示例性的说明，在该图像中，光照角度任意。

图1是本发明车牌定位方法的流程图，如图1所示，所述车牌定位方法包括以下步骤：

步骤1，分割得到待处理图像中的处理区域；

该步骤中，将所述待处理图像分为两部分：处理区域和非处理区域，其中假定处理区域中含有汽车的车头或者车尾，即车牌所在的区域。在本发明一实施例中，以待处理图像的底边为底边，以所述待处理图像高度的1/3为高，在所述待处理图像中分割得到所述处理区域。

步骤2，对所述处理区域进行预处理；

所述预处理包括灰度化和灰度拉伸，其中灰度化处理具体为：按照下式将RGB的处理区域图像转成灰度图像：

F(x，y)＝0.299*R(x，y)+0.587*G(x，y)+0.114*B(x，y)

其中，R(x，y)、G(x，y)、B(x，y)分别表示原图像的红、绿、蓝三个分量，F(x，y)表示灰度图像。

气候变化或者自然光照度的昼夜变化等会使得车牌图像的对比度严重不足，使得图像中的车牌字符分辨不清楚，灰度变化不明显，无法定位和分割。采用图像灰度拉伸的方法可以有效地增强图像的对比度，使得增强后的图像车牌区域明显、底部阴影更加明显、车牌文字区域更加清晰，从而便于图像二值化以及车牌定位算法的快速实现。本发明的一实施例按照下式对所述灰度图像进行灰度拉伸：

$(x,y)=\left\{\begin{array}{ccc}{g}_{\min }& ,& 0\≤f(x,y)\≤f_{\min }\\ (g_{\max }-g_{\min })/(f_{\max }-f_{\min })f(x,y)+g_{\min }& ,& f_{\min }\≤f(x,y)\≤f_{\max }\\ g_{\max }& ,& g_{\min }\≤f(x,y)\≤M\end{array}\right.$

其中，f(x，y)为原图像像素值，f_min、f_max分别为灰度图像像素值拉伸目标范围的最小值、最大值，g_ming_max为拉伸后像素值范围的最小值、最大值，M为原图像的最大像素值，g(x，y)为拉伸后的图像像素值。

步骤3，基于预处理后的所述处理区域，根据汽车底部阴影特征粗定位车牌区域；

因为摄像机是定点采集图像的，所以采集的图像中路面像素值的分布和变化都是连续且有规律的，由于光照以及车辆自身的掩盖，车辆底部区域的灰度值要明显要低于其周围像素的灰度值，这样车辆底部区域就形成一个矩形或者一个不规则的四边形，从图像底部到上部，用一条直线水平穿过整个图像，当直线穿过车辆底部阴影区域时(如图2中的直线所示)，就可以得到直线列上像素的梯度分布(如图3所示)，进而得到汽车底部阴影处的特征：

1)在横向上，阴影处与背景区域间产生两个明显跳变，产生两个跳变之间的距离一般是固定的，与车身长度大体相同；

2)在竖向上，阴影处与背景区域产生多组对应跳变，每组跳变上下对应；

3)在横向上产生的两个跳变之间的区域中的像素值相差不大，考虑到不同季节，不同纬度车身形成的阴影不同，因此，区域的尺寸可以根据环境特征固定；

4)阴影处的灰度值小于阴影处两侧的灰度值或者大部分小于两侧的像素值(考虑到汽车压线，或者在阴影处有其他物体颜色大于路面像素值的情况)。

由上可见，车辆阴影处特征简单、突出。

综合阴影处的灰度及梯度分布特征就可完成对于车牌区域的初步定位。

在本发明的一实施例中，汽车底部阴影特征的计算包括以下步骤：

步骤31，从预处理后的所述处理区域底部开始，从左到右对每行像素进行扫描计算，得到梯度图像Grad(rows，cols)：

Grad(rows，cols)＝Gray(rows，cols-1)-Gray(rows，cols+1)

其中，Gray(rows，cols)、Grad(rows，cols)分别为图像第rows行，第cols列的梯度值与灰度值。

步骤32，初始化一个标志(flag)矩阵，flag矩阵的大小与预处理后的所述处理区域大小相同，对所述梯度图像自左到右扫描每行的梯度数据，记录每行梯度数据中紧邻的极大、极小值点Grad_max(x，y_max)、Grad_min(x，y_min)，则符合下述约束条件的极值点置于flag矩阵中的相应位置处：

a)|Grad(x，y)|＞θ(其中，θ为阈值，即车辆底部阴影区像素值与车身左右两侧非阴影区像素值的差值)；

b)极大值与极小值之间的像素值要同时满足小于从左面第一起始像素点到可能极大值点之间所有的像素值和小于极小值点到结束位置之间所有的像素值，用公式表示为：Grad(x，(y_max：y_min))＜Grad(x，1：y_max)&&Grad(x，(y_max：y_min))＜Grad(x，y_min：cols)；

c)每行梯度数据紧邻的极大、极小值点Grad_max(x，y_max)与Grad_min(x，y_min)之间像素的个数大于σ(σ是阴影区长度的经验值)；

步骤33，从下到上竖直扫描所述flag矩阵，统计每列极值点的个数，对于连续出现N个极值点并满足以下条件的两列作同类阴影标记：在水平方向上两个极值点同时存在；

步骤34，将这两列极值点的最下面位置作为粗定位矩形的左下角与右下角，左下角与右下角分别加上一个δ值为左上角与右上角，以这四个点为顶点在flag矩阵中建立阴影区，最后对应flag矩阵阴影区的位置，在灰度图像中裁剪出车牌所在区域，即粗定位出车牌所在区域，如图4所示。

进一步地，在计算汽车底部阴影特征的过程中，由于受到噪声或者特殊情况的干扰等，初步得到的可能阴影区域往往不只一个，这就需要使用一维滤波技术进行判断到底哪个是真正的车牌区域的阴影区域：

1)判断所有可能阴影区域的尺寸，比如可能阴影区域的长度或者宽度，是否超出限定范围(长度取120～150像素，宽度取70～85像素)，若超出则直接去除该区域；

2)判断所有可能阴影区域的宽高比例是否超出限定范围，此范围可取[3.0，3.8]，若超出则直接去除该区域；

3)判断所有可能阴影区域的区域面积是否小于限定面积，若是，则直接去除该区域。

步骤4，基于形态学对车牌区域进行精确定位。

该步骤中，在利用形态学对车牌区域进行精确定位之前，首先对粗定位的车牌区域进行二值化处理和边缘检测，在本发明一实施例中，采用Soble垂直边缘检测方法来进行边缘检测，以很好的突出车牌区域。

所述步骤4进一步包括以下步骤：

步骤41，输入所述粗定位的车牌区域；

步骤42，对于粗定位的车牌区域进行二值化操作，并利用Sobel算子对其进行边缘检测；

步骤43，对于经过所述步骤42处理的二值图像进行闭运算，以连接车牌区域中的断裂区域，消除字符间出现的小的空洞；

步骤44，对经过所述步骤43处理的图像进行开操作，以平滑车牌区域，断开车牌区域与车灯之间的间断区域，消除细的突出物；

所述步骤43和步骤44中，使用5×20的矩形结构元素对所述二值图像进行闭运算和开运算，闭运算的结果如图5(a)所示，开运算的结果如图5(b)所示；

步骤45，经过所述步骤44后，车牌区域基本明显，但是车牌区域的形状还不是较为规则的矩形，该步骤采用更小矩形结构元素对经过所述步骤44处理的图像进行开操作；

该步骤中，使用20×2的矩形结构元素对经过所述步骤44处理的图像进行开运算，再次开运算的结果如图5(c)所示；

经过所述步骤3的车牌粗定位之后捕获了可能存在车牌的区域，再使用上述数学形态学处理后，已经得到了可行车牌区域的连通域，接下来需要进行连通域分析，并精确定位出真正的车牌。为了精确定位到车牌区域以及减少计算的复杂度，本发明采用投影法求得各连通域的最小外接矩形。

步骤46，采用投影法排除干扰区域，得到最终的车牌定位区域。

考虑到我国汽车车牌具有比较明显的特点，比如：汽车牌照上的字符均为规则的印刷体字，其字符串的长宽比，字符间隙及笔划宽度都是按照严格的标准制造的，字符串参数之间的相互关系不会发生很大的变化。因此，可参考标准车牌得到所述车牌的先验几何知识，对于标准车牌而言，车牌长度均为440mm，宽度为140mm，区域宽高比为440/140＝3.14。对于本发明所使用的车牌的先验几何知识，取3.14±0.5为字符区域的宽高比范围。

利用投影法排除干扰区域的步骤具体为：

对于经过所述步骤45处理的图像，在垂直和水平两个方向上分别进行投影，即逐行和逐列统计其亮点数(若用0表示白，则亮点数为0的个数)，得到一投影曲线，根据所述投影曲线得到的最小外接矩形的长、宽比为r，与标准车牌的先验长、宽比进行对比即可排除干扰区域，将得到的车牌区域对应到原始灰度图像上，得到最终的车牌区域定位结果，如图5(d)所示。

在粗定位的车牌区域中可能存在类似车牌但不是车牌的区域，这不免为定位过程带入一些干扰，但是由于本发明以所述处理区域为基础进行考虑，因此得到的粗定位车牌区域相对于以整幅图像为基础明显减少了这些干扰区域。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于汽车底部阴影特征的车牌定位方法，其特征在于，该方法包括以下步骤：

步骤1，分割得到待处理图像中的处理区域；

步骤2，对所述处理区域进行预处理；

步骤3，基于预处理后的所述处理区域，根据汽车底部阴影特征粗定位车牌区域；

步骤4，基于形态学对车牌区域进行精确定位。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中，以待处理图像的底边为底边，以所述待处理图像高度的1/3为高，在所述待处理图像中分割得到所述处理区域。

3.根据权利要求1所述的方法，其特征在于，所述预处理包括灰度化和灰度拉伸。

4.根据权利要求3所述的方法，其特征在于，利用下式进行灰度化处理：

F(x，y)＝0.299*R(x，y)+0.587*G(x，y)+0.114*B(x，y)其中，R(x，y)、G(x，y)、B(x，y)分别表示原图像的红、绿、蓝三个分量，F(x，y)表示灰度图像。

5.根据权利要求3所述的方法，其特征在于，利用下式进行拉伸处理：

$(x,y)=\left\{\begin{array}{ccc}{g}_{\min }& ,& 0\≤f(x,y)\≤f_{\min }\\ (g_{\max }-g_{\min })/(f_{\max }-f_{\min })f(x,y)+g_{\min }& ,& f_{\min }\≤f(x,y)\≤f_{\max }\\ g_{\max }& ,& g_{\min }\≤f(x,y)\≤M\end{array}\right.$

其中，f(x，y)为原图像像素值，f_min、f_max分别为灰度图像像素值拉伸目标范围的最小值、最大值，g_ming_max为拉伸后像素值范围的最小值、最大值，M为原图像的最大像素值，g(x，y)为拉伸后的图像像素值。

6.根据权利要求1所述的方法，其特征在于，所述汽车底部阴影特征的计算包括以下步骤：

步骤31，从预处理后的所述处理区域底部开始，从左到右对每行像素进行扫描计算，得到梯度图像Grad(rows，cols)：

Grad(rows，cols)＝Gray(rows，cols-1)-Gray(rows，cols+1)

其中，Gray(rows，cols)、Grad(rows，cols)分别为图像第rows行，第cols列的梯度值与灰度值；

步骤32，初始化一个标志矩阵，所述标志矩阵的大小与预处理后的处理区域大小相同，对所述梯度图像自左到右扫描每行的梯度数据，记录每行梯度数据中紧邻的极大、极小值点Grad_max(x，y_max)、Grad_min(x，y_min)，则符合下述约束条件的极值点置于所述标志矩阵中的相应位置处：

a)|Grad(x，y)＞θ|，其中，θ为阈值，即车辆底部阴影区像素值与车身左右两侧非阴影区像素值的差值；

b)极大值与极小值之间的像素值要同时满足小于从左面第一起始像素点到可能极大值点之间所有的像素值和小于极小值点到结束位置之间所有的像素值；

c)每行梯度数据紧邻的极大、极小值点的像素值的个数大于σ，其中，σ是阴影区长度的经验值；

步骤33，从下到上竖直扫描所述flag矩阵，统计每列极值点的个数，对于连续出现N个极值点并满足以下条件的两列作同类阴影标记：在水平方向上两个极值点同时存在；

步骤34，将这两列极值点的最下面位置作为粗定位矩形的左下角与右下角，左下角与右下角分别加上一个δ值为左上角与右上角，以这四个点为顶点在flag矩阵中建立阴影区，最后对应flag矩阵阴影区的位置，在灰度图像中裁剪出车牌所在区域，即粗定位出车牌所在区域。

7.根据权利要求1所述的方法，其特征在于，在计算汽车底部阴影特征时，若得到的阴影区域不只一个，则使用一维滤波技术进行判断：

1)判断所有可能阴影区域的尺寸是否超出限定范围，若超出则直接去除该区域；

2)判断所有可能阴影区域的宽高比例是否超出限定范围，若超出则直接去除该区域；

3)判断所有可能阴影区域的区域面积是否小于限定面积，若是则直接去除该区域。

8.根据权利要求1所述的方法，其特征在于，所述步骤4进一步包括以下步骤：

步骤41，输入所述粗定位的车牌区域；

步骤42，对于粗定位的车牌区域进行二值化操作，并利用Sobe1算子对其进行边缘检测；

步骤43，对于经过所述步骤42处理的二值图像进行闭运算，以连接车牌区域中的断裂区域，消除字符间出现的小的空洞；

步骤44，对经过所述步骤43处理的图像进行开操作，以平滑车牌区域，断开车牌区域与车灯之间的间断区域，消除细的突出物；

步骤45，采用更小矩形结构元素对经过所述步骤44处理的图像进行开操作；

步骤46，采用投影法排除干扰区域，得到最终的车牌定位区域。

9.根据权利要求8所述的方法，其特征在于，所述步骤43和步骤44中，使用5×20的矩形结构元素对所述二值图像进行闭运算和开运算，所述步骤45中，使用20×2的矩形结构元素对经过所述步骤44处理的图像进行开运算。

10.根据权利要求8所述的方法，其特征在于，利用投影法排除干扰区域的步骤具体为：

对于经过所述步骤45处理的图像，在垂直和水平两个方向上分别进行投影，即逐行和逐列统计其亮点数，得到一投影曲线，根据所述投影曲线得到的最小外接矩形的长、宽比为r，与标准车牌的先验长、宽比进行对比即可排除干扰区域，将得到的车牌区域对应到原始灰度图像上，得到最终的车牌区域定位结果。

Images