CN103971086A - 一种车头定位方法及装置 - Google Patents

Abstract

本发明公开了一种车头定位方法及装置。方法为：对车辆图片进行扫描，记录该车辆图片中车牌图案的中心点位置坐标；根据上述车辆图片中所有像素点的像素值，确定该车辆图片横轴方向的梯度，以及根据该梯度，获取横轴方向的梯度直方图；根据上述梯度直方图，确定上述车辆的车头左右边界，并获取该车辆的车头左右边界横坐标；根据上述所有像素点的像素值，上述车牌图案的中心点位置坐标，以及上述车辆的车头左右边界横坐标，获取车顶纵坐标和车底纵坐标，确定车头所在坐标区域。采用本发明技术方案，通过预设的算法能够达到快速定位车头的目的，并且定位结果精度高。

Description

一种车头定位方法及装置

技术领域

本发明涉及图像处理领域，尤其涉及一种车头定位方法及装置。

背景技术

现代城市建设中，智能交通系统已成为城市交通管理的重要组成部分。通过智能交通系统，可以实时监测道路交通的状态、车辆的行驶状态和驾驶员的状态，实现对城市交通的疏导以及突发事件的检测管理。

在现有的智能交通系统中，通常会设定若干个卡口，当车辆经过卡口位置的时候，该卡口上的摄像设备即可拍摄到上述车辆的图片并进行存储。随着智能交通系统的快速发展，对智能交通系统中的卡口提出了越来越高的要求。卡口已经由原来仅仅抓拍车辆图片并实现车牌识别功能，到现在需要实现车身颜色识别，车标识别，安全带检测等功能。因此，如何通过卡口实现准确快速的车头定位成为智能交通系统中急需解决的技术问题。

目前，通常采用的车头定位技术为静态图片车头定位技术，参阅图1所示，静态图片车头定位方式具体步骤如下：

步骤100：建立一个样本库，并根据该样本库建立车头模型。

现有技术中，采用离线学习方式建立正负样本库，正样本库中均为归一化后的车头图片序列，负样本库中均为其他随机的非车头图片序列。然后根据该样本库，通过adaboost，svm等学习算法建立车头模型。

步骤110：通过多尺度窗口扫描待检测车辆图片，获取各个尺度窗口区域的特征集。

现有技术中，多尺度窗口是指对待检测车辆图片的同一个位置采用不同尺度的窗口进行扫描。例如，多尺度窗口1为以坐标<x,y>为中心点，以宽为10高为10的矩形框获取图像特征；多尺度窗口2为以坐标<x,y>为中心点，以宽为15高为15的矩形框获取图像特征。

上述技术方案中，多尺度窗口对待检测车辆扫描时采用逐行扫描方式，扫描速度慢，耗费时间较长。

步骤120：当某个尺度窗口提取的特征集符合车头模型，确定该窗口即为车头所在位置。

将上述各个尺度窗口扫描车辆图片后提取的特征集，分别与上述车头模型进行对比，当某个尺度窗口中提取的特征集符合车头模型，则确定该窗口即为车头所在位置。

采用上述技术方案时，由于需要根据样本库建立车头模型，因此车头模型的性能优劣严重的依赖于样本库的优劣，较佳的样本库能使车头定位结果准确率高、虚报率少、鲁棒性强，而差的样本库则相反。并且，上述技术方案需要通过多尺度窗口逐行扫描图片，因此速度较慢，一般一张图片需要超过30ms的处理时间才能完成对车头的定位。综上，现有的车头定位方法，存在车头定位过程慢，定位结果精度低的问题。

发明内容

本发明实施例提供一种车头定位方法及装置，用以解决现有技术中存在的车头定位过程复杂，耗费时间长，定位结果精度低的问题。

本发明实施例提供的具体技术方案如下：

一种车头定位方法，包括：

对车辆图片进行扫描，记录所述车辆图片中车牌图案的中心点位置坐标；其中，坐标系以所述车辆图片中的指定点为零点，以所述车辆图片的水平方向为横轴，以与所述水平方向垂直的方向为纵轴进行绘制；

根据所述车辆图片中所有像素点的像素值，计算所述车辆图片横轴方向的梯度，以及根据所述梯度，获取横轴方向的梯度直方图；

根据所述梯度直方图，采用分水岭算法确定所述车辆的车头左右边界，并获取所述车辆的车头左右边界横坐标；

根据所述所有像素点的像素值，所述车牌图案的中心点位置坐标，以及所述车辆的车头左右边界横坐标，获取车顶纵坐标和车底纵坐标，确定车头所在坐标区域。

一种车头定位装置，包括：

记录单元，用于对车辆图片进行扫描，记录所述车辆图片中车牌图案的中心点位置坐标；其中，坐标系以所述车辆图片中的指定点为零点，以所述车辆图片的水平方向为横轴，以与所述水平方向垂直的方向为纵轴进行绘制；

梯度获取单元，用于根据所述车辆图片中所有像素点的像素值，计算所述车辆图片横轴方向的梯度，以及根据所述梯度，获取横轴方向的梯度直方图；

坐标获取单元，用于根据所述梯度直方图，采用分水岭算法确定所述车辆的车头左右边界，并获取所述车辆的车头左右边界横坐标；

位置确定单元，用于根据所述所有像素点的像素值，所述车牌图案的中心点位置坐标，以及所述车辆的车头左右边界横坐标，获取车顶纵坐标和车底纵坐标，确定车头所在坐标区域。

本发明实施例中，对车辆图片进行扫描，记录该车辆图片中车牌图案的中心点位置坐标；其中，坐标系以上述车辆图片中的指定点为零点，以该车辆图片的水平方向为横轴，与该水平方向垂直的方向为纵轴进行绘制；根据上述车辆图片中所有像素点的像素值，计算该车辆图片横轴方向的梯度，以及根据该梯度，获取横轴方向的梯度直方图；根据上述梯度直方图，采用分水岭算法确定上述车辆的车头左右边界，并获取该车辆的车头左右边界横坐标；根据上述所有像素点的像素值，上述车牌图案的中心点位置坐标，以及上述车辆的车头左右边界横坐标，获取车顶纵坐标和车底纵坐标，确定车头所在坐标区域。采用本发明技术方案，通过预设的算法能够达到快速定位车头的目的，并且定位结果精度高。

附图说明

图1为现有技术中车头定位详细流程图；

图2为本发明实施例中车头定位详细流程图；

图3为本发明实施例中车辆图片示意图；

图4为本发明实施例中车辆梯度示意图；

图5为本发明实施例中车辆梯度直方图；

图6为本发明实施例中对车辆图片进行处理后获取的车底位置示意图；

图7为本发明实施例中最终检测结果示意图；

图8为本发明实施例中车头定位装置结构示意图。

具体实施方式

为了解决现有技术中存在的车头定位过程复杂，定位结果精度低的问题。本发明实施例中，对车辆图片进行扫描，记录该车辆图片中车牌图案的中心点位置坐标；其中，坐标系以上述车辆图片中的指定点为零点，以该车辆图片的水平方向为横轴，与该水平方向垂直的方向为纵轴进行绘制；根据上述车辆图片中所有像素点的像素值，确定该车辆图片横轴方向的梯度，以及根据该梯度，获取横轴方向的梯度直方图；根据上述梯度直方图，确定上述车辆的车头左右边界，并获取该车辆的车头左右边界横坐标；根据上述所有像素点的像素值，上述车牌图案的中心点位置坐标，以及上述车辆的车头左右边界横坐标，获取车顶纵坐标和车底纵坐标，确定车头所在坐标区域。采用本发明技术方案，通过预设的算法能够达到快速定位车头的目的，并且定位结果精度高。

下面结合附图对本发明优选的实施方式进行详细说明。

参阅图2所示，本发明实施例中，车头定位的详细流程为：

步骤200：对车辆图片进行扫描，记录该车辆图片中车牌图案的中心点位置坐标。

本发明实施例中，在上述车辆图片中建立坐标系，该坐标系以上述车辆图片中的指定点为零点，以该车辆图片的水平方向为横轴，与该水平方向垂直的方向为纵轴进行绘制。通常，由于在智能交通系统中，卡口处的摄像设备获取的车辆图片为标准图片，即当该车辆图片处于竖直状态时，车辆图片中的车辆与地面垂直，因此，上述坐标系以上述车辆图片的左上角顶点为零点，以该车辆图片的水平向右方向为横轴正方向，与该水平方向垂直且向下的方向为纵轴正方向。

在车辆图片中建立坐标系后，参阅图3所示为本发明实施例中拍摄获取的的车辆图片，对该车辆图片进行扫描，并获取该车辆图片中车牌图案的中心点位置坐标。

本发明实施例中，当车辆图片中仅包含一辆车时，对车辆图片进行扫描获取车牌图案的中心点位置坐标的具体过程为：采用预设尺寸的扫描窗口对车辆图片进行扫描，将该扫描窗口中呈现的车牌图案与预设的各个车牌模型进行匹配；判断是否存在与上述车牌图案匹配成功的车牌模型，若存在，则停止扫描，将扫描窗口中心点位置坐标作为车牌图案的中心点位置坐标；当判定不存在与上述车牌图案匹配成功的车牌模型时，以预设步长移动上述扫描窗口后，采用该扫描窗口对上述车辆图片进行扫描，将该扫描窗口中呈现的车牌图案与预设的各个车牌模型进行匹配，直至匹配成功。

特殊的，当一张车辆图片中包含多个车辆时，则采用上述方式扫描上述车辆图片，此时，需要采用预设尺寸的扫描窗口对车辆图片进行扫描，将该扫描窗口中呈现的车牌图案与预设的各个车牌模型进行匹配；判断是否存在与上述车牌图案匹配成功的车牌模型，若存在，则将扫描窗口中心点位置坐标作为第一车牌图案中心点位置坐标，并继续以预设步长移动上述扫描窗口，直至该对整张车辆图片扫描完毕，以获取该车辆图片中所有车牌图案的中心点位置坐标；若不存在，则以预设步长移动上述扫描窗口，直至该对整张车辆图片扫描完毕，以获取该车辆图片中所有车牌图案的中心点位置坐标。上述所有车牌图案的中心点位置坐标可以记为{<x₁,y₁>,<x₂,y₂>，......<x_n,y_n>}。

步骤210：根据上述车辆图片中所有像素点的像素值，确定该车辆图片横轴方向的梯度，以及根据该梯度，获取横轴方向的梯度直方图。

本发明实施例中，获取上述车辆图片中所有像素点的像素值，并根据该所有像素点的像素值进行后续处理。较佳的，将上述车辆图片进行降采样处理，即将上述车辆图片转换为QCIF（Quarter Common Intermediate Format，标准化图像格式）灰度图片后，获取该QCIF灰度图片中所有像素点的像素值。由于QICF灰度图片的像素为176*144，因此，采用较佳的技术方案，可以达到在不影响车头定位的同时，有效提高处理图片的速度。

根据上述过程中获取的车辆图片中所有像素点的像素值，可以用gray(x,y)表示下标为（x,y）的像素点像素值，x=0，1，…，w；y=0，1，…，h，其中，w，h表示车辆图片的宽度和高度。

进一步的，获取车辆图片中所有像素点的像素值后，通过将索贝尔sobel算子与上述车辆图片中的gray(x,y)进行卷积运算，获取车辆图片横轴方向的梯度gradsx(x,y)，其中，sobel算子如下所示：

$\mathrm{sobelx}=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]$

参阅图4所示为本发明实施例中将所有像素点的像素值经过上述运算过程后获取的车辆图片的梯度示意图。

根据以下公式，将上述车辆图片中所有像素点的梯度在每一个单位横坐标上的所有像素值进行累加；并根据该梯度累加值，形成横轴方向的梯度直方图，参阅图5所示：

${\mathrm{Hist}}_x\left[i\right]=\underset{y=0}{\overset{h}{\mathrm{\&Sigma;}}}{\mathrm{grad}s}_x(x,y),x=\mathrm{0,1},...,w$

其中，w为QCIF灰度图片的宽度，h为QCIF灰度图片的高度，grads_x(x,y)为下标为（x，y）的横轴方向梯度图像像素值。

步骤220：根据上述梯度直方图，确定上述车辆的车头左右边界，并获取该车辆的车头左右边界横坐标。

本发明实施例中，通过分水岭法查找梯度直方图中所有波峰的位置，从小到大记录所有波峰下标序列S＝{S₀,S₁,…,S_i|0＜S_i-1＜S_i＜w-1}；以车牌图案的中心点位置坐标为中心，获取横坐标相互对称的至少一组波峰，并记录上述相互对称的波峰的位置坐标S_l（x₁，y₁），S_r（x₂，y₂），形成对称波峰集合；当判定该对称波峰集合中存在一组波峰的纵坐标的差值的绝对值小于第一预设阈值时，即|y₂-y₁|<T_hist，其中T_hist＞0，获取满足上述条件的N（N≥1）组波峰，判断该组波峰的横坐标的差值的绝对值是否大于第二预设阈值，即|x₂-x₁|＞T_dis，其中T_dis＞0，若是，则获取该组波峰的横坐标作为所述车辆的车头左右边界横坐标，剩余的波峰将作为虚假目标被删除。

本发明实施例中，上述通过分水岭法查找梯度直方图中所有波峰的位置，具体为：在图5所示的直方图中，当相邻两个单位横坐标对应的纵坐标值的差值的绝对值大于预设门限值时，则表明上述两个纵坐标中，较大的纵坐标以及该纵坐标对应的横坐标即为波峰对应的坐标位置，记录该坐标位置。

步骤230：根据上述所有像素点的像素值，上述车牌图案的中心点位置坐标，以及上述车辆的车头左右边界横坐标，获取车顶纵坐标和车底纵坐标，确定车头所在坐标区域。

在智能交通系统中，由于车头底部区域的像素值低于其他区域的像素值，因此，可以通过车辆图片中所有点的像素值获取车头底部坐标。具体为：

根据车辆图片中所有像素点的像素值，获取该车辆图片的平均像素值；例如，统计矩形区域{left,top,right,buttom}的像素值均值，其中left为上述步骤中确定的车头左边界S_l横坐标，right为上述步骤中确定的车头右边界S_r的横坐标，top为车牌中心点纵坐标Y_k，buttom为Y_k+V_b，V_b为人工选取的值，一般可以选取为4-6倍车牌高度。则上述矩形区域的平均像素值为：

$\mathrm{avg}=\frac{1}{(\mathrm{buttom}-\mathrm{top}+1)(\mathrm{right}-\mathrm{left}+1)}\underset{x=\mathrm{top}}{\overset{\mathrm{buttom}}{\mathrm{\&Sigma;}}}\underset{y=\mathrm{left}}{\overset{\mathrm{right}}{\mathrm{\&Sigma;}}}\mathrm{gray}(x,y)$

对车辆图片的指定区域中像素值低于所述平均像素值的像素点进行标识，通过区域生长法，形成车底区域。例如，可以将检测得到的区域显示为阴影区域，参阅图6所示，即采用如下公式将对应阴影区域的掩码置为255，其他的置为0：

$\mathrm{mask}(x,y)=\left\{\begin{array}{cc}255& \mathrm{gray}(x,y)<\mathrm{avg}\\ 0& \mathrm{else}\end{array}\right.$

获取上述车底区域中的横轴方向中心点位置的纵坐标作为车底S_b纵坐标。

本发明实施例中，可以根据经验值可知，车辆的车顶到车底的高度一般与车辆宽度近似，因此，根据车辆的车头左右边界横坐标，获取该车头左右边界横坐标差值的绝对值；根据该绝对值，以及车底纵坐标，获取车顶纵坐标。即车顶纵坐标为S_ty＝S_by+S_rx-S_lx。

由此可见，本发明实施例中，根据上述车牌图案的中心点位置坐标，获取车牌所在位置区域；根据上述车辆的车头左右边界横坐标，车顶纵坐标，以及车底纵坐标，确定车头所在坐标区域，采用本发明技术方案定位的车头区域参阅图7所示。

本发明实施例提供的车头定位方式，通过简单快速的梯度计算和阴影区域即可获取定位车头左右边界和车头底部位置，经过测试，对于分辨率为1920x1080的图片，计算机性能为Pentium Dual-Core CPU E58003.20GHz2Gb内存，当不对车辆图片中的车牌进行定位时，对车头区域的定位需要1ms；若对车辆图片中的车牌进行定位，则对车头区域的定位需要14ms。并且，采用本发明技术方案后，对车头定位的准确率达到90%以上。

基于上述技术方案，参阅图8所示，可以构建一种车头定位装置，包括记录单元80，梯度获取单元81，坐标获取单元82，以及区域确定单元83，其中：

记录单元80，用于对车辆图片进行扫描，记录该车牌图案的中心点位置坐标；其中，坐标系以上述车辆图片中的指定点为零点，以该车辆图片的水平方向为横轴，与该水平方向垂直的方向为纵轴进行绘制；

梯度获取单元81，用于根据上述车辆图片中所有像素点的像素值，计算上述车辆图片横轴方向的梯度，以及根据上述梯度，获取横轴方向的梯度直方图；

坐标获取单元82，用于根据上述梯度直方图，采用分水岭算法确定上述车辆的车头左右边界，并获取上述车辆的车头左右边界横坐标；

区域确定单元83，用于根据上述所有像素点的像素值，上述车牌图案的中心点位置坐标，以及上述车辆的车头左右边界横坐标，获取车顶纵坐标和车底纵坐标，确定车头所在坐标区域。

综上所述，本发明实施例中，对车辆图片进行扫描，记录该车牌图案的中心点位置坐标；其中，坐标系以上述车辆图片中的指定点为零点，以该车辆图片的水平方向为横轴，与该水平方向垂直的方向为纵轴进行绘制；根据上述车辆图片中所有像素点的像素值，计算该车辆图片横轴方向的梯度，以及根据该梯度，获取横轴方向的梯度直方图；根据上述梯度直方图，采用分水岭算法确定上述车辆的车头左右边界，并获取该车辆的车头左右边界横坐标；根据上述所有像素点的像素值，上述车牌图案的中心点位置坐标，以及上述车辆的车头左右边界横坐标，获取车顶纵坐标和车底纵坐标，确定车头所在坐标区域。采用本发明技术方案，通过预设的算法能够达到快速定位车头的目的，并且定位结果精度高，有效提高了智能交通系统的性能。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (22)

1.一种车头定位方法，其特征在于，包括：

对车辆图片进行扫描，记录所述车辆图片中车牌图案的中心点位置坐标；其中，坐标系以所述车辆图片中的指定点为零点，以所述车辆图片的水平方向为横轴，以与所述水平方向垂直的方向为纵轴进行绘制；

根据所述车辆图片中所有像素点的像素值，确定所述车辆图片横轴方向的梯度，以及根据所述梯度，获取横轴方向的梯度直方图；

根据所述梯度直方图，确定所述车辆的车头左右边界，并获取所述车辆的车头左右边界横坐标；

根据所述所有像素点的像素值，所述车牌图案的中心点位置坐标，以及所述车辆的车头左右边界横坐标，获取车顶纵坐标和车底纵坐标，确定车头所在坐标区域。

2.如权利要求1所述的方法，其特征在于，所述车辆图片中包含一个或多个车牌图案。

3.如权利要求2所述的方法，其特征在于，对车辆图片进行扫描，记录所述车辆图片中车牌图案的中心点位置坐标，具体包括：

采用预设尺寸的扫描窗口对车辆图片进行扫描，将所述扫描窗口中呈现的车牌图案与预设的各个车牌模型进行匹配；

判定存在与所述车牌图案匹配成功的车牌模型时，将所述扫描窗口中心点位置坐标作为所述车牌图案的中心点位置坐标。

4.如权利要求3所述的方法，其特征在于，对车辆图片进行扫描，记录所述车辆图片中车牌图案的中心点位置坐标，还包括：

当判定不存在与所述车牌图案匹配成功的车牌模型时，以预设步长移动所述扫描窗口后，采用所述扫描窗口对所述车辆图片进行扫描，将所述扫描窗口中呈现的车牌图案与预设的各个车牌模型进行匹配，直至对所述车辆图片扫描完毕。

5.如权利要求1所述的方法，其特征在于，获取所述车辆图片中所有像素点的像素值，具体包括：

将所述车辆图片转换为标准化像素格式QCIF灰度图片后，获取所述QCIF灰度图片中所有像素点的像素值。

6.如权利要求1-5任一项所述的方法，其特征在于，根据所述车辆图片中所有像素点的像素值，确定所述车辆图片横轴方向的梯度，具体包括：

将所述车辆图片中所有像素点的像素值与索贝尔sobel算子执行卷积运算，获取所述车辆图片横轴方向的梯度。

7.如权利要求6所述的方法，其特征在于，根据所述梯度，获取横轴方向的梯度直方图，具体包括：

对所述梯度在每一个单位横坐标上对应的像素值进行累加，获取横轴方向的梯度累加值；

根据所述梯度累加值，形成横轴方向的梯度直方图。

8.如权利要求7所述的方法，其特征在于，根据所述梯度直方图，确定所述车辆的车头左右边界，并获取所述车辆的车头左右边界横坐标，具体包括：

采用分水岭算法确定所述梯度直方图中所有波峰的位置，并对所述波峰位置坐标进行记录；

以所述车牌图案的中心点位置坐标为中心，获取横坐标相互对称的至少一组波峰，并记录所述相互对称的波峰的位置坐标，形成对称波峰集合；

当判定所述对称波峰集合中存在一组波峰的纵坐标的差值的绝对值小于第一预设阈值，且该组波峰的横坐标的差值的绝对值大于第二预设阈值时，获取该组波峰的横坐标作为所述车辆的车头左右边界横坐标。

9.如权利要求1所述的方法，其特征在于，根据所述所有像素点的像素值，获取车底纵坐标，具体包括：

根据所述所有像素点的像素值，所述车牌中心点位置坐标，获取所述车辆图片中指定区域的平均像素值；

通过区域生长法，对所述指定区域中像素值低于所述平均像素值的像素点进行标识，形成车底区域；

获取所述车底区域中的横轴方向中心点位置的纵坐标作为车底纵坐标。

10.如权利要求5或9所述的方法，其特征在于，根据所述车辆的车头左右边界横坐标，获取车顶纵坐标，具体包括：

根据所述车辆的车头左右边界横坐标，获取所述车头左右边界横坐标差值的绝对值；

根据所述差值的绝对值，以及所述车底纵坐标，获取车顶纵坐标。

11.如权利要求10所述的方法，其特征在于，根据所述所有像素点的像素值，所述车牌图案的中心点位置坐标，以及所述车辆的车头左右边界横坐标，获取车顶纵坐标和车底纵坐标，确定车头所在坐标区域，具体包括：

根据所述车牌图案的中心点位置坐标，获取车牌所在位置区域；

根据所述车辆的车头左右边界横坐标，车顶纵坐标，以及车底纵坐标，确定车头所在坐标区域。

12.一种车头定位装置，其特征在于，包括：

记录单元，用于对车辆图片进行扫描，记录所述车辆图片中车牌图案的中心点位置坐标；其中，坐标系以所述车辆图片中的指定点为零点，以所述车辆图片的水平方向为横轴，以与所述水平方向垂直的方向为纵轴进行绘制；

梯度获取单元，用于根据所述车辆图片中所有像素点的像素值，确定所述车辆图片横轴方向的梯度，以及根据所述梯度，获取横轴方向的梯度直方图；

坐标获取单元，用于根据所述梯度直方图，确定所述车辆的车头左右边界，并获取所述车辆的车头左右边界横坐标；

位置确定单元，用于根据所述所有像素点的像素值，所述车牌图案的中心点位置坐标，以及所述车辆的车头左右边界横坐标，获取车顶纵坐标和车底纵坐标，确定车头所在坐标区域。

13.如权利要求12所述的装置，其特征在于，所述记录单元扫描的车辆图片中包含一个或多个车牌图案。

14.如权利要求13所述的装置，其特征在于，所述记录单元，具体用于：

采用预设尺寸的扫描窗口对车辆图片进行扫描，将所述扫描窗口中呈现的车牌图案与预设的各个车牌模型进行匹配；判定存在与所述车牌图案匹配成功的车牌模型时，将所述扫描窗口中心点位置坐标作为所述车牌图案的中心点位置坐标。

15.如权利要求14所述的装置，其特征在于，所述记录单元，具体用于：

当判定不存在与所述车牌图案匹配成功的车牌模型时，以预设步长移动所述扫描窗口后，采用所述扫描窗口对所述车辆图片进行扫描，将所述扫描窗口中呈现的车牌图案与预设的各个车牌模型进行匹配，直至对所述车辆图片扫描完毕。

16.如权利要求12所述的装置，其特征在于，所述梯度获取单元，具体用于：

将所述车辆图片转换为标准化像素格式QCIF灰度图片后，获取所述QCIF灰度图片中所有像素点的像素值。

17.如权利要求12-16任一项所述的装置，其特征在于，所述梯度获取单元，具体用于：

将所述车辆图片中所有像素点的像素值与索贝尔sobel算子执行卷积运算，获取所述车辆图片横轴方向的梯度。

18.如权利要求17所述的装置，其特征在于，所述梯度获取单元，具体用于：

对所述梯度在每一个单位横坐标上对应的像素值进行累加，获取横轴方向的梯度累加值；根据所述梯度累加值，形成横轴方向的梯度直方图。

19.如权利要求18所述的装置，其特征在于，所述坐标获取单元，具体用于：

采用分水岭算法确定所述梯度直方图中所有波峰的位置，并对所述波峰位置坐标进行记录；以所述车牌图案的中心点位置坐标为中心，获取横坐标相互对称的至少一组波峰，并记录所述相互对称的波峰的位置坐标，形成对称波峰集合；当判定所述对称波峰集合中存在一组波峰的纵坐标的差值的绝对值小于第一预设阈值，且该组波峰的横坐标的差值的绝对值大于第二预设阈值时，获取该组波峰的横坐标作为所述车辆的车头左右边界横坐标。

20.如权利要求12所述的装置，其特征在于，所述位置确定单元，具体用于：

根据所述所有像素点的像素值，所述车牌中心点位置坐标，获取所述车辆图片中指定区域的平均像素值；

通过区域生长法，对所述指定区域中像素值低于所述平均像素值的像素点进行标识，形成车底区域；

获取所述车底区域中的横轴方向中心点位置的纵坐标作为车底纵坐标。

21.如权利要求16或20所述的装置，其特征在于，所述位置确定单元，具体用于：

根据所述车辆的车头左右边界横坐标，获取所述车头左右边界横坐标差值的绝对值；

根据所述绝对值，以及所述车底纵坐标，获取车顶纵坐标。

22.如权利要求21所述的装置，其特征在于，所述位置确定单元，具体用于：

根据所述车牌图案的中心点位置坐标，获取车牌所在位置区域；

根据所述车辆的车头左右边界横坐标，车顶纵坐标，以及车底纵坐标，确定车头所在坐标区域。