CN103985135A - 一种基于差分边缘图像的车牌定位方法 - Google Patents
一种基于差分边缘图像的车牌定位方法 Download PDFInfo
- Publication number
- CN103985135A CN103985135A CN201410248899.9A CN201410248899A CN103985135A CN 103985135 A CN103985135 A CN 103985135A CN 201410248899 A CN201410248899 A CN 201410248899A CN 103985135 A CN103985135 A CN 103985135A
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- edge
- row
- choose
- 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
Abstract
本发明涉及一种车牌定位方法，具体涉及一种基于差分边缘图像的车牌定位方法，所要解决的技术问题是提供了基于差分边缘图像的车牌定位方法，其主要利用差分边缘图像进行车牌定位，有效降低车牌定位的虚警率，且对于水平倾斜角度较小的车牌图像能够有效去除上下边框，所采用的技术方案为按照以下步骤进行，采集若干含有车牌的车辆图像，选取一张车辆图像，对车辆图像进行灰度计算，再利用sobel算子提取灰度图像边缘，并对灰度值进行水平方向累加和中值滤波，分析滤波图像划分连通区域，并对连通区域的高度、宽度、面积进行验证去除伪车牌区域，从而得到准确车牌，本发明简单、方便，广泛用于车牌的定位。
Description
技术领域
本发明涉及一种车牌定位方法，具体涉及一种基于差分边缘图像的车牌定位方法。
背景技术
在智能交通领域，车牌识别是一项十分重要的技术。目前，基于数字图像处理技术的车牌识别系统是智能交通系统的重要组成部分。车牌定位作为车牌自动识别的先验步骤，其定位的准确度直接影响到后续处理的准确度。另外，车牌定位在整个车牌识别中所占的时间比重较大，其算法的复杂度直接影响到整个系统的实时性。因而车牌定位在智能交通系统中具有重要地位。
目前的车牌定位方法主要分为基于颜色的车牌定位和基于灰度图像边缘的车牌定位。基于灰度图像边缘的车牌定位方法由于运算量小、处理速度快、所需存储空间较小等优点被普遍应用于实时车牌自动识别系统中。基于灰度图像边缘的车牌定位方法利用边缘图像的投影累加值或灰度跳变点累加值进行定位，虚警率较高，且定位后的车牌图像往往包含上下边框，需进一步精确定位。
发明内容
本发明克服现有技术存在的不足，所要解决的技术问题是提供了基于差分边缘图像的车牌定位方法，其主要利用差分边缘图像进行车牌定位，有效降低车牌定位的虚警率，且对于水平倾斜角度较小的车牌图像能够有效去除上下边框。
为解决上述技术问题，本发明所采用的技术方案为：一种基于差分边缘图像的车牌定位方法，按照以下步骤进行：
第一步、采集若干含有车牌的车辆图像，选取一张车辆图像，得到车辆图像的宽度W和高度H;
第二步、利用公式对车辆图像进行灰度计算，得到灰度图像，计算公式为 ，
其中为像素点处的灰度，、、分别为RGB图像中像素点处的三个颜色分量；
第三步、利用sobel算子提取灰度图像边缘，得到边缘图像，sobel算子垂直边缘和水平边缘算子分别为
第四步、对边缘图像进行水平方向差分，得到差分边缘图像，对应的计算公式为；
第五步、将差分边缘图像的灰度值进行水平方向累加，将累加值小于28的行的像素值置0；
第六步、对差分边缘图像进行中值滤波，去除孤立的边缘点，得到滤波图像；
第七步：分析滤波图像中的每一行，选取水平距离小于0.7H的两个相邻边缘点，将两个边缘点连接起来，并将两个边缘点之间的像素点置为1，遍历图像所有行；
第八步：分析滤波图像中的每一行，选取水平长度大于1.2W且小于0.6H的线段，并将该线段内包含的所有像素点置为0，遍历图像所有行；
第九步：分析滤波图像中的每一列，选取竖直高度小于0.1H的两个相邻边缘点，将两个边缘点连接起来，并将两个边缘点之间的像素点置为1，遍历图像所有行；
第十步：分析滤波图像中的每一列，选取长度大于1.5H且小于0.2H的线段，并将该线段内包含的所有像素点置为0，遍历图像所有行，从而得到连通区域；
第十一步：利用连通区域的宽度、高度和面积数值信息去除伪车牌区域，连通区域的宽度位于[0.8W, 1.2W]范围内、高度位于[0.7H, 1.5H]范围内、面积位于[0.7W*H, 1.4W*H]范围内，则将该连通区域作为车牌候选区域；
第十二步：将车牌候选区域扩展为矩形，且分别向上和向下扩展5个像素点，即可得到准确的车牌图像。
优选地，所述第六步中选取3×3的窗口对图像进行中值滤波。
本发明采用sobel算子提取车辆图像边缘，对包含有噪声较多的图像仍能提取出边缘信息。通过边缘图像水平方向差分的方法，能够有效去除车窗、车身边缘、散热栅栏、车牌上下边框等水平线条对车牌造成的干扰，同时对差分边缘图像进行中值滤波，能够在保留车牌信息的前提下有效去除孤立的边缘点，能够有效减少伪车牌区域，降低虚警率。
并且，本发明大部分的处理是对二值化图像进行的处理，相对于灰度图像和RGB图像，能够减小运算量，提高了实时性。
此外，本发明利用了图像中车牌宽度和高度进行先验信息，特别适合基于地感线圈触发的视频流的车牌识别系统。
附图说明
图1为本发明一种基于差分边缘图像的车牌定位方法的流程图。
图2为本发明中采集的含有车牌的车辆图像。
图3为本发明中对车辆图像进行灰度计算后得到的灰度图像。
图4为本发明中利用sobel算子提取灰度图像边缘得到的边缘图像。
图5为本发明中对边缘图像进行水平方向差分后得到的差分边缘图像。
图6为本发明中对差分边缘图像的水平累加值小于28的行的像素值置0后得到的图像。
图7为本发明中对差分边缘图像进行中值滤波后得到的滤波图像。
图8为本发明中滤波图像中水平距离小于0.7H的两个相邻边缘点连接起来后得到的图像。
图9为本发明中滤波图像中删除水平长度大于1.2W且小于0.6H的线段内所有像素点后得到的图像。
图10为本发明滤波图像中竖直距离小于0.1H的两个相邻边缘点连接起来后得到的图像。
图11为本发明滤波图像中删除竖直长度大于1.5H且小于0.2H的线段内所有像素点后得到的图像。
图12为本发明连通区域候选区分别向上和向下扩展5个像素点得到的准确车牌图像。
具体实施方式
下面结合附图对本发明作的具体实施例作进一步说明。
如图1所示，一种基于差分边缘图像的车牌定位方法，按照以下步骤进行：
第一步、采集若干含有车牌的车辆图像，其中图像可以是通过由基于地感线圈触发的摄像头获得的图像，在采集的车辆图像中选取一张图像，得到车辆图像的宽度W和高度H，单位为像素点，假定W=150像素点，H=40像素点，如图2所示的图像；
第二步、利用公式对车辆图像进行灰度计算，得到灰度图像，如图3所示的图像，计算公式采用，
其中为像素点处的灰度，、、分别为RGB图像中像素点处的三个颜色分量；
第三步、利用sobel算子提取灰度图像边缘，得到边缘图像，如图4所示的图像，sobel算子垂直边缘和水平边缘算子分别为
第四步、对边缘图像进行水平方向差分，得到差分边缘图像，如图5所示的图像，计算公式采用；
第五步、将差分边缘图像的灰度值进行水平方向累加，将累加值小于28的行的像素值置0，如图6所示的图像；
第六步、选取3×3的窗口，对差分边缘图像进行中值滤波，去除孤立的边缘点，得到滤波图像，如图7所示的图像；
第七步：分析滤波图像中的每一行，选取水平距离小于28的两个相邻边缘点，将两个边缘点连接起来，并将两个边缘点之间的像素点置为1，遍历图像所有行，如图8所示的图像；
第八步：分析滤波图像中的每一行，选取水平长度大于180且小于24的线段，并将该线段内包含的所有像素点置为0，遍历图像所有行，如图9所示的图像；
第九步：分析滤波图像中的每一列，选取竖直高度小于4的两个相邻边缘点，将两个边缘点连接起来，并将两个边缘点之间的像素点置为1，遍历图像所有行，如图10所示的图像；
第十步：分析滤波图像中的每一列，选取长度大于60且小于8的线段，并将该线段内包含的所有像素点置为0，遍历图像所有行，从而得到连通区域，如图11所示的图像；
其中对于图11中的所有连通区域，统计其宽度、高度和面积。从上到下，从左到右，依次有七个连通区域，将其编号为1~7，其宽度、高度和面积统计入下表：
| 连通区域编号 | 宽度 | 高度 | 面积 |
| 1 | 23 | 11 | 220 |
| 2 | 31 | 9 | 279 |
| 3 | 67 | 14 | 858 |
| 4 | 102 | 33 | 1999 |
| 5 | 88 | 12 | 1022 |
| 6 | 56 | 24 | 1046 |
| 7 | 150 | 31 | 4501 |
第十一步：利用连通区域的宽度、高度和面积数值信息去除伪车牌区域，其中七个连通区域的宽度位于[120, 180]范围内、高度位于[28, 60]范围内、面积位于[4200，8400]范围内的只有连通区域编号为7的连通区域，将连通区域编号为7的连通区域作为车牌候选区域；
第十二步：将车牌候选区域扩展为矩形，且分别向上和向下扩展5个像素点，即可得到准确的车牌图像，如图12所示的图像。
上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出的各种变化，也应视为本发明的保护范围。
Claims (2)
1.一种基于差分边缘图像的车牌定位方法，其特征在于，按照以下步骤进行：
第一步、采集若干含有车牌的车辆图像，选取一张车辆图像，得到车辆图像的宽度W和高度H;
第二步、选取一张车辆图像，利用公式对车辆图像进行灰度计算，得到灰度图像，计算公式为 ，
其中为像素点处的灰度，、、分别为RGB图像中像素点处的三个颜色分量；
第三步、利用sobel算子提取灰度图像边缘，得到边缘图像，sobel算子垂直边缘和水平边缘算子分别为
第四步、对边缘图像进行水平方向差分，得到差分边缘图像，对应的计算公式为；
第五步、将差分边缘图像的灰度值进行水平方向累加，将累加值小于28的行的像素值置0；
第六步、对差分边缘图像进行中值滤波，去除孤立的边缘点，得到滤波图像；
第七步：分析滤波图像中的每一行，选取水平距离小于0.7H的两个相邻边缘点，将两个边缘点连接起来，并将两个边缘点之间的像素点置为1，遍历图像所有行；
第八步：分析滤波图像中的每一行，选取水平长度大于1.2W且小于0.6H的线段，并将该线段内包含的所有像素点置为0，遍历图像所有行；
第九步：分析滤波图像中的每一列，选取竖直高度小于0.1H的两个相邻边缘点，将两个边缘点连接起来，并将两个边缘点之间的像素点置为1，遍历图像所有行；
第十步：分析滤波图像中的每一列，选取长度大于1.5H且小于0.2H的线段，并将该线段内包含的所有像素点置为0，遍历图像所有行，从而得到连通区域；
第十一步：利用连通区域的宽度、高度和面积数值信息去除伪车牌区域，连通区域的宽度位于[0.8W, 1.2W]范围内、高度位于[0.7H, 1.5H]范围内、面积位于[0.7W*H, 1.4W*H]范围内，则将该连通区域作为车牌候选区域；
第十二步：将车牌候选区域扩展为矩形，且分别向上和向下扩展5个像素点，即可得到准确的车牌图像。
2.根据权利要求1所述的一种基于差分边缘图像的车牌定位方法，其特征在于：所述第六步中选取3×3的窗口对图像进行中值滤波。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410248899.9A CN103985135B (zh) | 2014-06-07 | 2014-06-07 | 一种基于差分边缘图像的车牌定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410248899.9A CN103985135B (zh) | 2014-06-07 | 2014-06-07 | 一种基于差分边缘图像的车牌定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103985135A true CN103985135A (zh) | 2014-08-13 |
| CN103985135B CN103985135B (zh) | 2017-03-15 |
Family
ID=51277093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410248899.9A Active CN103985135B (zh) | 2014-06-07 | 2014-06-07 | 一种基于差分边缘图像的车牌定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103985135B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537350A (zh) * | 2014-12-30 | 2015-04-22 | 国家电网公司 | 一种基于多维边缘特征的车牌定位方法 |
| CN107977973A (zh) * | 2016-10-25 | 2018-05-01 | 北京东软医疗设备有限公司 | 一种获取医疗诊断图像中限束器照射野边界的方法及装置 |
| CN110689016A (zh) * | 2018-07-05 | 2020-01-14 | 山东华软金盾软件股份有限公司 | 一种车牌图像粗定位方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11339017A (ja) * | 1998-05-29 | 1999-12-10 | Mitsubishi Heavy Ind Ltd | ナンバープレート認識装置 |
| CN101064011A (zh) * | 2006-04-26 | 2007-10-31 | 电子科技大学 | 基于小波变换的复杂背景中的车牌提取方法 |
| CN102411710A (zh) * | 2011-12-09 | 2012-04-11 | 东南大学 | 一种基于车脸特征的车辆类型识别方法 |
| US20130272579A1 (en) * | 2012-04-17 | 2013-10-17 | Xerox Corporation | Robust cropping of license plate images |
-
2014
- 2014-06-07 CN CN201410248899.9A patent/CN103985135B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11339017A (ja) * | 1998-05-29 | 1999-12-10 | Mitsubishi Heavy Ind Ltd | ナンバープレート認識装置 |
| CN101064011A (zh) * | 2006-04-26 | 2007-10-31 | 电子科技大学 | 基于小波变换的复杂背景中的车牌提取方法 |
| CN102411710A (zh) * | 2011-12-09 | 2012-04-11 | 东南大学 | 一种基于车脸特征的车辆类型识别方法 |
| US20130272579A1 (en) * | 2012-04-17 | 2013-10-17 | Xerox Corporation | Robust cropping of license plate images |
Non-Patent Citations (3)
| Title |
|---|
| CHRISTOS NIKOLAOS E. ANAGNOSTOPOULOS, ET AL.: "A License Plate-Recognition Algorithm for Intelligent Transportation System Applications", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
| MEI YU, ET AL.: "An Approach to Korean License Plate Recognition Based on Vertical Edge Matching", 《2000 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS》 * |
| 刘雄飞 等: "基于行扫描和小波变换的车牌定位算法", 《计算机应用与软件》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537350A (zh) * | 2014-12-30 | 2015-04-22 | 国家电网公司 | 一种基于多维边缘特征的车牌定位方法 |
| CN107977973A (zh) * | 2016-10-25 | 2018-05-01 | 北京东软医疗设备有限公司 | 一种获取医疗诊断图像中限束器照射野边界的方法及装置 |
| CN107977973B (zh) * | 2016-10-25 | 2020-08-11 | 北京东软医疗设备有限公司 | 一种获取医疗诊断图像中限束器照射野边界的方法及装置 |
| CN110689016A (zh) * | 2018-07-05 | 2020-01-14 | 山东华软金盾软件股份有限公司 | 一种车牌图像粗定位方法 |
| CN110689016B (zh) * | 2018-07-05 | 2023-04-18 | 山东华软金盾软件股份有限公司 | 一种车牌图像粗定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103985135B (zh) | 2017-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103235938B (zh) | 车牌检测与识别的方法及系统 | |
| CN105260713B (zh) | 一种车道线检测方法和装置 | |
| CN102663354B (zh) | 人脸标定方法和系统 | |
| CN101739561B (zh) | 一种电视台标训练方法和识别方法 | |
| CN102132323B (zh) | 用于自动图像矫直的系统和方法 | |
| CN101739548B (zh) | 人眼检测方法及系统 | |
| EP2919189A2 (en) | Pedestrian tracking and counting method and device for near-front top-view monitoring video | |
| CN102208023A (zh) | 基于边缘信息和分布熵的视频字幕识别设计方法 | |
| CN103077384A (zh) | 一种车标定位识别的方法与系统 | |
| CN107784652B (zh) | 一种基于无人机影像的杆塔快速检测方法 | |
| CN105404874B (zh) | 一种基于投影和hough直线检测的车窗识别系统 | |
| CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
| CN102609702B (zh) | 一种道路指路标志的快速定位方法以及系统 | |
| CN102867177A (zh) | 一种基于图像灰度匹配的人数统计方法 | |
| CN103955949A (zh) | 基于Mean-shift算法的运动目标检测方法 | |
| CN104657726A (zh) | 一种铁路油罐车车辆编号的识别方法 | |
| CN103021179B (zh) | 基于实时监控视频中的安全带检测方法 | |
| CN103793923A (zh) | 一种图像中运动目标的获取方法及设备 | |
| CN112084822A (zh) | 车道检测装置及方法、电子设备 | |
| CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
| CN103985135A (zh) | 一种基于差分边缘图像的车牌定位方法 | |
| CN108694387A (zh) | 一种虚假车牌过滤方法及装置 | |
| CN103824078A (zh) | 复杂场景多车牌定位方法 | |
| CN110443142B (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
| CN112115778B (zh) | 一种在环仿真条件下车道线智能识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xue Ruifeng Inventor before: Liu Zhe Inventor before: Xue Ruifeng |
|
| CB03 | Change of inventor or designer information |