CN103870827A - 一种结合颜色与纹理的车牌检测方法 - Google Patents
一种结合颜色与纹理的车牌检测方法 Download PDFInfo
- Publication number
- CN103870827A CN103870827A CN201410060546.6A CN201410060546A CN103870827A CN 103870827 A CN103870827 A CN 103870827A CN 201410060546 A CN201410060546 A CN 201410060546A CN 103870827 A CN103870827 A CN 103870827A
- Authority
- CN
- China
- Prior art keywords
- car plate
- area
- point
- interest
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims description 57
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 5
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 210000003127 knee Anatomy 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000004040 coloring Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及车脚检测定位技术，旨在提供一种结合颜色与纹理的车牌检测方法。该种结合颜色与纹理的车牌检测方法包括步骤：选取样本组，人工标定车牌中心点；对样本组进行预处理；统计颜色信息；统计纹理信息；统计蓝色区域边界像素点个数；车牌图片预处理；颜色判断候选区域；纹理判断候选区域；蓝色区域判断候选区域；提取车牌。本发明以颜色信息为主要信息，纹理信息为辅助信息，结合人眼主要挖掘车牌的颜色信息，从而达到检测车牌的目的，可大致地定位出蓝底白字车牌的区域，从而为车牌的精确定位以及识别，或者为其他检测部件，比如前车窗、雨刮器、驾驶员、安全带等，提供位置参考，具有广阔的应用前景。
Description
技术领域
本发明是关于车牌检测定位技术，特别涉及一种结合颜色与纹理的车牌检测方法。
背景技术
随着经济社会的迅猛发展，生活水平的提高，机动车辆的数量也越来越多。为了提高车辆的管理效率，缓解交通压力，智能交通应运而生。而作为汽车“身份证”的汽车车牌，是在公众场合能够唯一确认汽车身份的凭证。因此，车辆牌照自动识别成为智能交通系统中的一项重要技术，而车辆牌照的定位是车牌识别的关键技术之一。
针对我国汽车车牌的特殊性，采用任何一种单一识别技术均难以奏效。目前正在研究的无源型汽车牌照智能识别系统综合利用了车牌检测技术、计算机视觉技术、图像处理技术、人工智能技术和人工神经网络技术等，是一个比较有发展前途的车牌识别系统。
现有的车牌定位技术主要利用车牌字符相对背景有稳定的纹理跳变作为首选特征，而颜色由于受光照，摄像机等因素影响较大，被作为辅助信息。但是，在检测执行效率无法满足需求。
发明内容
本发明的主要目的在于克服现有技术中的不足，提供一种将颜色信息作为首选特征，纹理信息作为辅助特征来对蓝底白字车牌进行定位的方法。为解决上述技术问题，本发明的解决方案是：
提供一种结合颜色与纹理的车牌检测方法，包括前期确定各项阈值、将阈值应用于车牌检测，所述前期确定各项阈值，包括以下步骤：
(1)：选取样本组.人工标定车牌中心点；
(2)：对样本组进行预处理；
(3)：统计颜色信息；
(4)：统计纹理信息；
(5)：统计蓝色区域边非像素点个数；
所述将阈值应用于车牌检测，包括以下步骤：
(6)：车牌图片预处理；
(7)：颜色判断候选区域；
(8)：纹理判断候选区域；
(9)：蓝色区域判断候选区域；
(10)：提取车牌；
所述步骤(1)的具体过程：通过卡口系统拍摄汽车在行驶中的车牌图片，然后在拍摄的车牌图片中，选取样本组，样本组包含拍摄正常的蓝牌车牌图片、曝光过度的蓝牌车牌图片和带泥蓝牌车牌图片，样本组的样本量为500张，人工标定样本组中车牌图片的车牌中心点；
所述步骤(2)的具体过程，按如下步骤处理：
步骤A：以样本组车牌图片中的车牌大小为参考，定义能包含车牌的滑动窗口的尺寸；
步骤B：对样本组中的车牌图片，以步骤(1)中标定的车牌中心点为中心，分别截取步骤A中确定的滑动窗口大小的感兴趣区域；
步骤C：对感兴趣区域作高斯平滑；
所述步骤(3)的具体过程，按如下步骤处理；
步骤D：对步骤(2)中截取的样本组中每个车牌图片的感兴趣区域，由RGB图转化为GRAY图，计算GRAY图的均值；
步骤E：对感兴趣区域中大于均值的像素点，舍弃，对感兴趣区域中小于均值的像素点，继续步骤F处理；
步骤F：对步骤E中舍弃部分像素点后的感兴趣区域，由RGB颜色空间转化为HSL颜色空间，分别记HSL空间中各通道的像素点值为l、s、h；
步骤G：对步骤F中得到的每个感兴趣区域的l、s、h，分别取均值，依次记为lm、sm、hm；
步骤H：对步骤(I)中选定的样本组，计算出每个感兴趣区域中的lm、sm、hm值，记为p(lm，hm，sm)，以lm为x轴，hm为y轴作点，记为p(lm，hm)，取p(lm，hm)的包络线，记为p(lm，hm)∈Sl-h：以lm为x轴，sm为y轴作点，记为p(lm，sm)，取p(lm，sm)的包络线，记为p(lm，sm)∈Sl-s；其中Sl-h表示山lm和hm组成的点空间范围，Sl-t表示由lm和sm组成的点空问范围，∈为属于符号；若p(lm，sm)∈Sl-t且p(lm，hm)∈Sl-h，则将p(lm，hm，sm)点判定为蓝色；
步骤I：对p(lm，hm，sm)，按以下公式取灰色点和白色点：
灰色点满足公式：p(lm，sm，hm)∈Sg if (lm＜Tl)and(sm＜T2or p(lm，hm)∈Sl-h)；
白色点满足公式：p(lm，sm，hm)∈Sw if lm＞T3；
其中，p(lm，sm，hm)表示以lm为x轴，sm为y轴。hm为z轴的点，Sg表示灰色点空间范围，Sw表示白色点空问范围，T1，T2，T3为自定义的阈值，阀值是范围在0～255之间的自然数；
步骤J：统计步骤(2)中每一感兴趣区域的蓝色点个数Nb，白色点个数Nw灰色点个数Ng：
步骤K：计算样本组中Nb，(Nb+Nw)和(Nb+Ng)的最小值，分别记为Nmb，Nbw，Nbg：
所述步骤(4)的具体过程，按如下步骤处理：
少骤L：将sobel算予作用于步骤B中感兴趣区域的R通道，取dx方向的梯度值；
步骤M：对步骤L中感兴趣区域R通道的梯度值，按下式计算梯度极大值点个数：if V(x，y)＞Ts且V(x，y)＞V-且V(x，y)＞V+：其中，V(x，y)表示点在像素坐标(x，y)处的梯度，
表示在sobel的x方向上满足条件的点空间，V-表示V(x，y)的左相邻点，V+表示V(x，y)的右相邻点，Ts为自定义的阈值，且Ts的取值足V(x，y)的最大值与最小值之间的数；
步骤N：对步骤B中的每个感兴趣区域，统计不同阈值下，每行的极大值个数的最大值，公式表示为：
其中，
表示在sobel的x方向上满足的点空间中的每行极大值个数，max表示取最大值符号，Cmax表示行个数最大值；
步骤O：对步骤B中的每个感兴趣区域，统计不同阈值下，极大值个数总数，公式表示为：
其中，
表示在sobel的x方向上满足
的点空间中的极大值总数，∑表示求和符号，Call表示总个数最大值；
步骤P：统计样本组中，不同阈值下，Cmax与Call的最小值点，最小值点表示为：
其中，Ts表示阈值，表示0，100,200,...，3000之间能被100整除的自然数，i表示大于0的自然数，Cmax i表示步骤(2)中每个感兴趣区域的行个数最大值，Call i表示步骤(2)中每个感兴趣区域的总个数最大值，表示在样本集中取最小值；
步骤Q：取
曲线拐点，对应曲线中的值，作为统计极大值个数的阈值Nt，记为(Ts，Ns)；其中，表示以Ts为横坐标，为纵坐标的曲线，表示以Ts为横坐标，
为纵坐标的曲线；
所述步骤(5)的具体过程，按如下步骤处理：
步骤R：对步骤(2)中每个感兴趣区域，按步骤(3)提取蓝色点：
步骤S：对步骤(2)中每个感兴趣区域，将蓝色点置为l，非蕴色点置为0，计算二值图的边界像素点个数；
步骤T：统计样本组中边界像素点个数的最小值，记为Nedge；
所述步骤(6)的具体过程，按如下步骤处理：
步骤a：通过卡口系统拍摄汽车在行驶中的车牌图片，然后在拍摄的车牌图片中，根掘车牌出现位置，截取车牌出现区域作为检测区域；
步骤b：对步骤a中选取的检测区域作高斯平滑；
所述步骤(7)的具体过程：在步骤(6)处理后的检测区域内，用步骤(2)中定义的滑动窗口逐像素点滑动，每取一个滑动窗门图片，作以下处理：
步骤c：统计每一滑动窗口中的蓝色点个数Nb，白色点个数N′w，灰色点个数N′g；
步骤d：提取满足N′b＞Nmb or N′b+N′w＞Nbw or N′b+N′g＞Nbg的区域作为候选区域，继续步骤(8)处理：否则，舍弃：其中，Nmb，Nbw，Nbg对应步骤(3)中确定的Nmb，Nbw，Nbg；
所述步骤(8)的具体过程，按如下步骤处理：
步骤e：将sobel算子作删于步骤d中的候选区域的R通道，取dx方向的梯度信息；
步骤f：按步骤(4)中的公式ifV(x，，)＞Ts且V(x，y)＞V-且V(x，y)＞V+，提取步骤e的候选区域中梯度大于Ts的极大值点个数N′s；
步骤g：提取步骤e中，N′s＞Ns的候选区域，继续步骤(9)处理：否则，舍弃候选区域：其中，Ns对应步骤(4)中的Ns；
所述步骤(9)的具体过程，按如下步骤处理；
步骤h：在步骤g的候选区域中，按步骤H中的公式提取蓝色点，组成蓝色区域；
步骤i：判断步骤h中的蓝色区域是否集中分布于一个连通区域中(即是否集中分布于一块)，若是，则舍弃步骤g中的候选区域：否则，继续步骤c处理；
步骤j：若步骥h中的蓝色区域的边界像素点个数大于Nedge，继续步骤(10)处理：否则，舍弃经步骤i处理后的候选区域；其中Nadge为步骤(5)中对应的Nedge；
所述步骤(10)的具体过程：选取经步骤j处理后的候选区域中N′s最大的区域，作为车牌区域。
本发明的原理：通过逐一添加判定条件逐一剔除候选区域的方法，综合利用颜色、纹理信息，达到检测车牌的目的。
与现有技术相比，本发明的有益效果是：
本发明以颜色信息为主要信息，纹理信息为辅助信息，结合人眼主要挖掘车牌的颜色信息，从而达到检测车牌的目的，可大致地定位出蓝底白字车牌的区域，从而为车牌的精确定位以及识别，或者为其他检测部件，比如前车窗、雨刮器、驾驶员、安全带等，提供位置参考，具有广阔的应用前景。
附图说明
图1为本发明前期准备工作中，各项阈值的确定流程图。
图2为一种结合颜色与纹理的车牌检测的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
一种结合颜色与纹理的车牌检测方法，包括前期确定各项阈值、将阈值应用于车牌检测，所述前期确定各项阀值，如图1所示，包括以下步骤：
(1)：选取样本组，人工标定车牌中心点；
(2)：对样本组进行预处理；
(3)：统计颜色信息；
(4)：统计纹理信息；
(5)：统计蓝色区域边界像素点个数；
所述将阈值应用于车牌检测，如题2所示，包括以下步骤：
(6)：车牌图片预处理；
(7)：颜色判断候选区域；
(8)：纹理判断候选区域：
(9)：蓝色区域判断候选区域；
(10)：提取车牌。
所述步骤(1)的具体过程：通过卡口系统拍摄汽车在行驶中的车牌图片。然后在拍摄的车牌图片中，选取样本组，样本组包含正常蓝牌，曝光过度的蓝牌以及带泥蓝牌，人工标定样本组中的车牌图片的车牌中心点。
所述步骤(2)的具体过程，按如下步骤处理：
少骤A：以图片中车牌大小为参考，定义能包含车牌的滑动窗口的尺寸；
步骤B：对样本组中的车牌图片，以步骤(1)中标定的车牌中心点为中心，分别截取步骤A中确定的滑动窗口大小的感兴趣区域；
步骤C：对感兴趣区域作高斯平滑。即截取车牌区域图片，以下确定各项阈值均对这些车牌图片作处理。
所述步骤(3)的具体过程，按如下步骤处理：
步骤D：对步骤(2)中截取的样本组中每个车牌图片的感兴趣区域，由RGB图转化为GRAY图，计算GRAY图的均值；
步骤E：对感兴趣区域中大于均值的像素点，舍弃，对感兴趣区域中小于均值的像素点，继续步骤F处理；
步骤F：对步骤E中舍弃部分像素点后的感兴趣区域，由RGB颜色空间转化为HSL颜色空间，分别记HSL空间中各通道的像索点值为l、s、h；
步骤G：取步骤F中转化为HSL空间后的每个感兴趣区域的l、s、h的均值，依次记为lm、sm、hm；
步骤H：对步骤I中选定的样本组.以lm为x轴，hm为y轴作点，记为p(lm，hm)，取p(lm，hm)的包络线，记为p(lm，hm)∈Sl-h；以lm为x轴，sm为y轴作点，记为p(lm，sm)，取p(lm，sm)的包络线，记为p(lm，sm)∈Sl-s；其中Sl-h表示由lm和hm组成的点空间范围，Sl-s表示山lm和sm组成的点空间范围，∈为属于符号：若p(lm，sm)∈Sl-s且p(lm，hm)∈Sl-h，则将p(lm，hm，sm)点判定为蓝色，即为HSL颜色空间中蓝色所占的部分；
步骤1：对p(lm，hm，sm)，按以下公式取灰色点和白色点；
灰色点满足公式：p(lm，sm，hm)∈sg if (lm＜T1)and(sm＜T2or p(lm，hm)∈Sl-h)：
白色点满足公式：p(lm，sm，hm)∈Sw if lm＞T3：
其中，p(lm，sm，hm)表示以lm为x轴，sm为y轴，hm为z轴的点，Sg表示灰色点空间范围，Sw表示白色点空间范围，T1，T2，T3为自定义的闽值，范围在0-255之间的自然数；考虑蓝色车牌中的白色点信息，以及一些带泥的车牌情况，将白色点和灰色点也一起考虑；
步骤J：统计步骤(2)中每一感兴趣区域的蓝色点个数Nb，白色点个数Nw，灰色点个数Ng：
步骤K：计算样本组中Nb，(Nb+Nw)和(Nb+Ng)的最小值，分别记为Nmb，Nbw，Nbg。
所述步骤(4)的具体过程，按如下步骤处理：
步骤L：将sobel算子作用于步骤B中感兴趣区域的R通道，取dx方向的梯度值；
步骤M：对步骤L中感兴趣区域R通道的梯度值，按下式计算梯度极大值点个数：
if V(x，y)＞Ts且V(x，y)＞V-且V(x，y)＞V+：其中，V(x，y)表示点在像素坐标(x，y)处的梯度，
表示在sobel的x方向上满足条件的点空间，V+表示V(x，y)的左相邻点，V+表示V(x，y)的右相邻点，Ts为自定义的阈值，取V(x，y)的最大值与最小值之间的数；
步骤N：对步骤B中的每个感兴趣区域，统计不同阈值下，每行的极大值个数的最大值，公式表示为：其中，
表示在sobel的x方向上满足
的点空间中的每行极大值个数，max表示取最大值符号，Cmax表示行个数最大值；
步骤O：对步骤B中的每个感兴趣区域，统计不同阈值下，极大值个数总数，公式表示为：其中，表示在sobel的x方向上满足
的点空间中的极大值总数，∑表示求和符号，Call表示总个数最大值；
步骤P：统计样本组中，不同阈值下，Cmax与Call的最小值点，最小值点表示为：
其中，TsTs表示阈值，表示0，100,200,...，3000之间能被100整除的自然数，i表示大于0的自然数，Cmax i表示步骤(2)中每个感兴趣区域的行个数最大值，Call i表示步骤(2)中每个感兴趣区域的总个数最大值，
表示在样本集中取最小值；
步骤Q：取
曲线拐点，对应
曲线中的值，作为统计极大值个数的阐值Nj，记为(Ts，Ns)；其中，
表示以Ts为横坐标，
为纵坐标的曲线，
表示以Ts为横坐标，为纵坐标的曲线。即利用曲线
中的拐点值确定曲线f(Ts，Ns)中的点。
所述步骤(5)的具体过程，按如下步骤处理：
步骤R：对步骤(2)中每个感兴趣区域，按步骤(3)提取蓝色点；
步骤S：对步骤(2)中每个感兴趣区域，将蓝色点置为1，非蓝色点置为0，计算二值图的边界像素点个数；
步骤T：统计样本组中边界像素点个数的最小值，记为Nedge。
至此，所需的阈值确定完毕，可以用这些阈值作车牌判定。
所述步骤(6)的具体过程，按如下步骤处理：
步骤a：通过卡口系统拍摄汽车在行驶中的车牌图片，然后在拍摄的车牌图片中，根据车牌在图片中出现的位置，为缩小检测范围，提高检测效率，截取车牌图片中车身部分区域作检测区域；
步骤b：对步骤a中选取的检测区域作高斯平滑。
所述步骤(7)的具体过程：在步骤(6)处理后的检测区域内，用步骤(2)中定义的滑动窗口逐像素点滑动，每取一个滑动窗口图片，作以下处理：
步骤c：统计每一滑动窗口中的蓝色点个数N′b，白色点个数N′w，灰色点个数N′g；
步骤d：提取满足N′b＞Nmb or N′b+}N′w＞Nbw or N′b+N′g＞Nbg的区域作为候选区域，继续步骤(8)处理：否则，舍弃：其中，Nmb，Nbw，Bbg对应步骤(3)中确定的Nmb，Nbw，Nbg；
所述步骤(8)的具体过程，按如下步骤处理：
步骤e：将sobel算子作用于步骤d中的候选区域的R通道，取dx方向的梯度信息；
步骤f：按步骤(4)中的公式，
if V(x，y)＞Ts且V(x，y)＞V-且／(x，y)＞V+，提取步骤e的候选区域中梯度大于Ts的极大值点个数N′s；
步骤g：提取步骤e中，N′g＞Ns的候选区域，继续步骤(9)处理：否则，含弃候选区域；其中，Ns对应步骤（4)中的Ng；
所述步骤(9)的具体过程，按如下步骤处理：
步骤h：在步骤g的候选区域中，按步骤H中的公式提取蓝色点，组成监色区域；
步骤i：判断步骤h中的蓝色区域是否集中分布于一个连通区域中，即是否集中分布于一块，若是，则舍弃步骤g中的候选区域；否则，继续步骤c处理；
步骤j：若步骤h中的蓝色区域的边界像素点个数大于Nedge，继续步骤(10)处理；否则，舍弃经步骤i处理后的候选区域；其中Nedge为步骤(5)中对应的Nedge：
所述步骤(10)的具体过程：选取经步骤i处理后的候选区域巾N′g最大的区域，作为车牌区域。
大量实验结果表明，结合颜色与纹理信息的车牌检测方法，在多数情况下能实现车牌的大致定位，能够为后续车牌识别等提供有效的位置参考信息，同时能大大降低捡测时间，从而提高检测效率。若要检测白牌车，黑牌车或黄牌车，均可用类似方法获得。
最后，需要注意的是，以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形，均应认为是本发明的保护范围。
Claims (1)
1.一种结合颜色与纹理的车睥检测方法，包括前期确定各项阈值、将阈值应用于车牌检测，其特征在于，所述前期确定各项阈值，包括以下步骤：
(1)：选取样本组，人工标定车牌中心点：
(2)：对样本组进行预处理；
(3)：统计颜色信息；
(4)：统计纹理信息；
(5)：统计蓝色区域边界像素点个数：
所述将阈值应用于车牌检测，包括以下步骤：
(6)：车牌图片预处理；
(7)：颜色判断候选区域；
(8)：纹理判断候选区域；
(9)：蓝色区域判断候选区域：
(10)：提取车牌；
所述步骤(1)的具体过程：通过卡口系统拍摄汽车在行驶中的车牌图片，然后在拍摄的车牌图片中，选取样本组，样本组包含拍摄正常的蓝牌车牌图片、曝光过度的蓝牌车牌图片和带泥蓝牌车牌图片，样本组的样本量为500张，人工标定样本组中车牌图片的车牌中心点；
所述步骤(2)的具体过程，按如下步骤处理：
步骤A：以样本组车牌图片中的车牌大小为参考，定义能包含车牌的滑动窗口的尺寸；
步骤B：对样本组中的车牌图片，以步骤(1)中标定的车牌中心点为中心，分别截取步骤A中确定的滑动窗口大小的感兴趣区域；
步骤C：对感兴趣区域作高斯平滑；
所述步骤(3)的具体过程，按如下步骤处理：
步骤D：对步骤(2)中截取的样本组中每个车牌图片的感兴趣区域，由RGB图转化为GRAY图，计算GRAY图的均值；
步骤E：对感兴趣区域中大于均值的像素点，舍弃，对感兴趣区域中小于均值的像素点，继续步骤F处理；
步骤F：对步骤E中舍弃部分像素点后的感兴趣区域，由RGB颜色空问转化为HSL颜色空间，分别记HSL空间中各通道的像素点值为l、s、h；
步骤G：对步骤F中得到的每个感兴趣区域的l、s、h，分别取均值，依次记为lm、sm、hm；
步骤H：对步骤(1)中选定的样本组，计算出每个感兴趣区域中的lm、sm、hm值，记为P(lm，hm，sm)，以lm为x轴，hm为y轴作点，记为p(lm，hm)，取p(lm，hm)的包络线，记为p(lm，hm)∈Sl-h；以lm为x轴，sm为y轴作点，记为p(lm，sm)，取p(lm，sm)的包络线，记为p(lm，sm)∈Sl-s；其中Sl-h表示由lm和hm组成的点空间范围，Sl-s表示由lm和sm组成的点空间范围。∈为属于符号：若p(lm，sm)∈Sl-s且p(lm，hm)∈Si-h，则将p(lm，hm，sm)点判定为蓝色；
步骤I：对p(lm，hm，sm)，按以下公式取灰色点和白色点：
灰色点满足公式：p(lm，sm，hm)∈Sg if(lm＜T1)and(sm＜T2 or p(lm，hm)∈Sl-h)；
白色点满足公式：p(lm，sm，hm)∈Sw if lm＞T3；
其中，p(lm，sm，hm)表示以lm为x轴，sm为y轴，hm为z轴的点，Sg表示灰色点空间范围，Sw表示白色点空间范围，T1，T2，T3为自定义的阈值，阀值是范围在0-255之间的自然数；
步骤J：统计步骤(2)中每一感兴趣区域的蓝色点个数Nb，白色点个数Nw，灰色点个数Ng；
步骤K：计算样本组中Nb，(Nb+Nw)和(Nb+Ng)的最小值，分别记为Nmb，Nbw，Nbg；
所述步骤(4)的具体过程，按如下步骤处理：
步骤L：将sobel算子作删于步骤B中感兴趣区域的R通道，取dx方向的梯度值；
步骤M：对步骤L中感兴趣区域R通道的梯度值，按下式计算梯度极大值点个数：
if V(x，y)＞Ts且V(x，y)＞V-且V(x，y)＞V+；其中，V(x,y)表示点在像素坐标(x，y)处的梯度，
表示在sobel的x方向上满足条件的点空间，V-表示V(x，y)的左相邻点，V+表示V(x,y)的右相邻点，Ts为自定义的阈值，且Ts的取值是V(x，y)的最大值与最小值之间的数；
步骤N：对步骤B中的每个感兴趣区域，统计不同阈值下，每行的极大值个数的最大值，公式表示为：其中，表示在sobel的x方向上满足
的点空间中的每行极大值个数，max表示取最大值符号，Cmax表示行个数最大值；
步骤O：对步骤B中的每个感兴趣区域，统计不同阈值下，极大值个数总数，公式表示为：
其中，
表示在sobel的x方向上满足
的点空间中的极大值总数，∑表示求和符号，Call表示总个数最大值；
步骤P：统计样本组中，不同阈值下，Cmax与Call的最小值点，最小值点表示为：
其中，Ts表示阈值，表示0,100,200,...，3000之间能被100整除的自然数，i表示大于0的自然数，Cmax i表示步骤(2)中每个感兴趣区域的行个数最大值，Call i表示步骤(2)中每个感兴趣区域的总个数最大值，
表示在样本集中取最小值；
步骤Q：取曲线拐点，对应
曲线中的笸，作为统计极大值个数的阈值Nt，记为(Ts，Ns)；其中，
表示以Ts为横坐标，
为纵坐标的曲线，
表示以Ts为横坐标，
为纵坐标的曲线；
所述步骤(5)的具体过程，按如下步骤处理：
步骤R：对步骤(2)中每个感兴趣区域，按步骤(3)提取蓝色点；
步骤S：对步骤(2)中每个感兴趣区域，将蓝色点置为1，非蓝色点置为0，计算二值图的边界像素点个数；
步骤T：统计样本组中边界像素点个数的最小值，记为Nedge；
所述步骤(6)的具体过程，按如下步骤处理：
步骤a：通过卡口系统拍摄汽车在行驶中的车牌图片，然后在拍摄的车牌图片中，根据车牌出现位置，截取车牌出现区域作为检测区域；
步骤b：对步骤a中选取的检测区域作高斯平滑；
所述步骤(7)的具体过程：在步骤(6)处理后的捡测区域内，用步骤(2)中定义的滑动窗口逐像素点滑动，每取一个滑动窗口图片，作以下处理：
步骤c：统计每一滑动窗口中的蓝色点个数N′b，白色点个数N′w灰色点个数N′g：
步骤d：提取满足N′b＞Nmb or N′b+N′w＞Nbw or N′b+N′g＞Nbg的区域作为候选区域，继续步骤(8)处理：否则，舍弃：其中，Nmb，Nbw，Nbg对应步骤(3)中确定的Nmb，Nbw，Nbg：
所述步骤(8)的具体过程，按如下步骤处理：
步骤e：将sobel算子作用于步骤d中的候选区域的R通道，取dx方向的梯度信息；
步骤f：按步骤(4)中的公式
if V(x，y)＞Ts且V(x，y)＞V-且V(x，y)＞V+，提取步骤e的候选区域中梯度大于Ts的极大值点个数N′s；
步骤g：提取步骤e中，N′s＞Ns的候选区域，继续步骤(9)处理；否则，舍弃候选区域；其中.Ns对应步骤(4)中的Ns：
所述步骤(9)的具体过程，按如下步骤处理：
步骤h：在步骤g的候选区域中，按步骤H中的公式提取蓝色点，组成蓝色区域；
步骤i：判断步骤h中的蓝色区域是否集中分布于一个连通区域中(即是否集中分布于一块)，若是，则舍弃步骤g中的候选区域：否则，继续步骤c处理；
步骤j：若步骤h中的蓝色区域的边界像索点个数大于Nedge，继续步骤(10)处理：否则，舍弃经步骤i处理后的候选区域；其中Nedge为步骤(5)中对应的Nedge；
所述步骤(10)的具体过程：选取经步骤j处理后的候选区域巾N′s最大的区域，作为车牌区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410060546.6A CN103870827B (zh) | 2014-02-21 | 2014-02-21 | 一种结合颜色与纹理的车牌检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410060546.6A CN103870827B (zh) | 2014-02-21 | 2014-02-21 | 一种结合颜色与纹理的车牌检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103870827A true CN103870827A (zh) | 2014-06-18 |
| CN103870827B CN103870827B (zh) | 2017-08-25 |
Family
ID=50909343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410060546.6A Expired - Fee Related CN103870827B (zh) | 2014-02-21 | 2014-02-21 | 一种结合颜色与纹理的车牌检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103870827B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104079934A (zh) * | 2014-07-14 | 2014-10-01 | 武汉大学 | 一种实时视频通信中的感兴趣区域提取方法 |
| CN105404874A (zh) * | 2015-11-27 | 2016-03-16 | 成都神州数码索贝科技有限公司 | 一种基于投影和hough直线检测的车窗识别系统 |
| CN105469057A (zh) * | 2015-11-27 | 2016-04-06 | 成都神州数码索贝科技有限公司 | 一种基于hough直线检测和投影的车窗检测方法 |
| CN105684058A (zh) * | 2016-01-19 | 2016-06-15 | 冯旋宇 | 智能交通的号牌识别方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102226907A (zh) * | 2011-05-24 | 2011-10-26 | 武汉嘉业恒科技有限公司 | 基于多特征的车牌定位方法及装置 |
| KR20130110821A (ko) * | 2012-03-30 | 2013-10-10 | 엘지이노텍 주식회사 | 번호판 인식을 통한 차량 인식 방법 및 장치 |
| CN103473567A (zh) * | 2013-08-27 | 2013-12-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于部分模型的车辆检测方法 |
-
2014
- 2014-02-21 CN CN201410060546.6A patent/CN103870827B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102226907A (zh) * | 2011-05-24 | 2011-10-26 | 武汉嘉业恒科技有限公司 | 基于多特征的车牌定位方法及装置 |
| KR20130110821A (ko) * | 2012-03-30 | 2013-10-10 | 엘지이노텍 주식회사 | 번호판 인식을 통한 차량 인식 방법 및 장치 |
| CN103473567A (zh) * | 2013-08-27 | 2013-12-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于部分模型的车辆检测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104079934A (zh) * | 2014-07-14 | 2014-10-01 | 武汉大学 | 一种实时视频通信中的感兴趣区域提取方法 |
| CN104079934B (zh) * | 2014-07-14 | 2017-02-15 | 武汉大学 | 一种实时视频通信中的感兴趣区域提取方法 |
| CN105404874A (zh) * | 2015-11-27 | 2016-03-16 | 成都神州数码索贝科技有限公司 | 一种基于投影和hough直线检测的车窗识别系统 |
| CN105469057A (zh) * | 2015-11-27 | 2016-04-06 | 成都神州数码索贝科技有限公司 | 一种基于hough直线检测和投影的车窗检测方法 |
| CN105404874B (zh) * | 2015-11-27 | 2018-07-03 | 成都神州数码索贝科技有限公司 | 一种基于投影和hough直线检测的车窗识别系统 |
| CN105469057B (zh) * | 2015-11-27 | 2019-04-12 | 成都神州数码索贝科技有限公司 | 一种基于hough直线检测和投影的车窗检测方法 |
| CN105684058A (zh) * | 2016-01-19 | 2016-06-15 | 冯旋宇 | 智能交通的号牌识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103870827B (zh) | 2017-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Multi-angle head pose classification when wearing the mask for face recognition under the COVID-19 coronavirus epidemic | |
| CN110084135B (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
| Alvarez et al. | Road detection based on illuminant invariance | |
| CN103824091B (zh) | 一种用于智能交通系统的车牌识别方法 | |
| CN108268867B (zh) | 一种车牌定位方法及装置 | |
| CN103413147A (zh) | 一种车牌识别方法和系统 | |
| CN104361336A (zh) | 一种水下视频图像的文字识别方法 | |
| CN107292933B (zh) | 一种基于bp神经网络的车辆颜色识别方法 | |
| CN102147867B (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
| CN108154160A (zh) | 车牌颜色识别方法及系统 | |
| CN105447503A (zh) | 基于稀疏表示lbp和hog融合的行人检测方法 | |
| CN104143091B (zh) | 基于改进mLBP的单样本人脸识别方法 | |
| CN103870827A (zh) | 一种结合颜色与纹理的车牌检测方法 | |
| CN104408780A (zh) | 一种人脸识别考勤系统 | |
| CN104484652A (zh) | 一种指纹识别方法 | |
| CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
| CN107247934A (zh) | 一种基于快速特征点定位的全天候哈欠检测方法及系统 | |
| CN106650370A (zh) | 一种非接触式计算机保密方法及保密系统 | |
| CN103699880A (zh) | 基于物联网的交通违法车辆牌照检测与识别方法 | |
| CN112101260B (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
| Ingole et al. | Characters feature based Indian vehicle license plate detection and recognition | |
| CN107766802A (zh) | 一种机动车前排驾乘人员未扣安全带的自适应检测方法 | |
| CN107633251A (zh) | 一种基于图像增强的车辆识别系统 | |
| CN105654140B (zh) | 面向复杂工业环境的铁路油罐车车号定位与识别方法 | |
| Jia et al. | Design of Traffic Sign Detection and Recognition Algorithm Based on Template Matching |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170825 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |