CN104156703B - 基于色彩纹理的车牌定位方法及系统 - Google Patents
基于色彩纹理的车牌定位方法及系统 Download PDFInfo
- Publication number
- CN104156703B CN104156703B CN201410376593.1A CN201410376593A CN104156703B CN 104156703 B CN104156703 B CN 104156703B CN 201410376593 A CN201410376593 A CN 201410376593A CN 104156703 B CN104156703 B CN 104156703B
- Authority
- CN
- China
- Prior art keywords
- color
- car plate
- pixel
- array
- value
- 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.)
- Expired - Fee Related
Links
Landscapes
- Color Image Communication Systems (AREA)
- Image Processing (AREA)
- Character Input (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于色彩纹理的车牌定位方法及系统,方法包括以下步骤:将经调整和滤波后的图片的色彩空间由RGB转换到HSV;对车牌背景颜色和车牌字符颜色的二值化处理,生成两幅灰度图片;对两幅灰度图片的像素点进行分析找出符合车牌色彩纹理的像素;计算并找到车牌区域;输出车牌区域图片。本发明通过对车牌背景颜色和车牌字符颜色的二值化处理,排除了大部分会造成干扰的颜色。通过对车牌背景颜色的特征点和车牌字符颜色的特征点进行分析,即使车体颜色和车牌颜色一样,也能很好的区分车体和车牌。再利用车牌背景和字符之间色彩纹理的变化特点确定车牌区域,使车牌定位更加精确。
Description
技术领域
本发明涉及车牌定位,尤其涉及一种基于色彩纹理的车牌定位方法及系统。
背景技术
交通与社会经济的迅速发展促进了机动车辆的大幅增加,在方便人们出行的同时也带来了机动车辆的监管问题。机动车车牌号是机动车的重要标志,在停车场、收费站等场所可利用车牌自动识别技术,实现对机动车辆的自动化监控和管理。然而,车牌定位技术是车牌自动识别技术中最基本也是最重要的环节,必须要准确的定位出车牌的位置,才能准确的识别出车牌号。
现有的车牌定位主要是基于颜色或者基于车牌字符纹理的方法。其中基于颜色的车牌定位方法关键在于图片颜色的二值化,尽量多的去掉与车牌颜色不同的部分。再利用车牌的几何形状以及长宽比等特征找到车牌所在区域。但在车体颜色与车牌颜色相近时,很难将车体与车牌通过颜色分离开,也就无法通过这种办法定位到车牌。
基于车牌字符纹理的方法是利用车牌区域含有丰富的边缘信息,特别是垂直边缘的信息。通过边缘检测来寻找边缘信息较多的区域达到定位车牌的目的。但该方法对其他的边缘也很敏感,例如车体的散热出口区域,会对定位效果造成很大的干扰。
因此,以上的现有车牌定位方案,不适用于复杂的背景,具有很大的局限性。
发明内容
本发明要解决的技术问题在于针对现有技术中无法适用复杂背景,且具有很大的局限性的缺陷,提供一种能够适用于更广泛的环境,并能快速准确的从图片中定位到车牌区域的基于色彩纹理的车牌定位方法。
本发明解决其技术问题所采用的技术方案是:
提供一种基于色彩纹理的车牌定位方法,包括以下步骤:
调整输入的包含车牌的彩色图片的分辨率,并进行滤波,将滤波后的图片的色彩空间由RGB转换到HSV;
对转换到HSV的图片进行二值化处理,生成两幅灰度图片,其中一幅图片中符合车牌背景颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色;另一幅图片中符合车牌字符颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色;
对两幅灰度图片的像素点进行分析找出符合车牌色彩纹理的像素,并将所得像素个数存入数组h(y)中,求出数组h(y)中的最大值,y为图像的行数,数组h(y)中保存的是每行符合车牌色彩纹理像素的个数;
通过对数组h(y)最大值的判断,确定是否包含车牌信息,如果不包含车牌信息,则更换车牌背景和字符颜色的设置,重新进行二值化处理;
对数组h(y)以及数组h(y)中的最大值进行分析,如果数组h(y)中的最大值小于车牌色彩纹理的最小阀值,则数组h(y)中所储存的数据不包含车牌的信息,变换车牌背景颜色阀值或者车牌字符颜色阀值的设置,再次进行检测;否则,数组h(y)中所储存的数据包含车牌的信息,找出数组h(y)中的值连续不为0,数值变化比较平稳,且峰值等于数组h(y)中最大值的区域,该区域为车牌区域;
输出车牌区域图片。
本发明所述的方法中,调整分辨率时具体将包含车牌的彩色图片的分辨率调整为800*600。
本发明所述的方法中,二值化处理时,具体将车牌背景颜色默认设置为蓝色,车牌字符颜色默认设置为白色。
本发明所述的方法中,步骤S3具体为:
分别逐行扫描两幅灰度图片中的各个像素点,并得出当前像素点的灰度值,对灰度值进行判断,当前像素为车牌背景颜色时,检测两幅灰度图片当前像素点右边的一定数量的像素点内,是否包含车牌字符颜色的像素点;当前像素点为车牌字符颜色时,检测两幅灰度图片当前像素点右边的一定数量的像素点内,是否包含车牌背景颜色的像素点,如果包含则将该点记录为符合车牌色彩纹理的点,并将该行相对应的h(y)+1,所有像素点扫描完毕后计算h(y)中的最大值。
本发明还提供了一种基于色彩纹理的车牌定位系统,包括:
图片预处理模块,用于调整输入的包含车牌的彩色图片的分辨率,并进行滤波,将滤波后的图片的色彩空间由RGB转换到HSV;
二值化处理模块,用于对转换到HSV的图片进行二值化处理,生成两幅灰度图片,其中一幅图片中符合车牌背景颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色;另一幅图片中符合车牌字符颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色;
车牌色彩纹理的像素计算模块,用于对两幅灰度图片的像素点进行分析找出符合车牌色彩纹理的像素,并将所得像素个数存入数组h(y)中,求出数组h(y)中的最大值,y为图像的行数,数组h(y)中保存的是每行符合车牌色彩纹理像素的个数;
判断模块,用于通过对数组h(y)最大值的判断,确定是否包含车牌信息,如果不包含车牌信息则更换车牌背景和字符颜色的设置,重新进行二值化处理;
车牌区域确定模块,用于对数组h(y)以及数组h(y)的最大值进行分析,如果数组h(y)中的最大值小于车牌色彩纹理的最小阀值,则数组h(y)中所储存的数据不包含车牌的信息,变换车牌背景颜色阀值或者车牌字符颜色阀值的设置,再次进行检测;否则,数组h(y)中所储存的数据包含车牌的信息,找出数组h(y)中的值连续不为0,数值变化比较平稳,且峰值等于数组h(y)中最大值的区域,该区域为车牌区域,并输出该车牌区域。
本发明所述的系统中,所述图片预处理模块具体将包含车牌的彩色图片的分辨率调整为800*600。
本发明所述的系统中,所述二值化处理模块具体将车牌背景颜色默认设置为蓝色,车牌字符颜色默认设置为白色。
本发明所述的系统中,所述车牌色彩纹理的像素计算模块具体用于分别逐行扫描两幅灰度图片中的各个像素点,并得出当前像素点的灰度值,对灰度值进行判断,当前像素为车牌背景颜色时,检测两幅灰度图片当前像素点右边的一定数量的像素点内,是否包含车牌字符颜色的像素点;当前像素点为车牌字符颜色时,检测两幅灰度图片当前像素点右边的一定数量的像素点内,是否包含车牌背景颜色的像素点,如果包含则将该点记录为符合车牌色彩纹理的点,并将该行相对应的h(y)+1,所有像素点扫描完毕后计算h(y)中的最大值。
本发明产生的有益效果是:本发明通过对车牌背景颜色和车牌字符颜色的二值化处理,排除了大部分会造成干扰的颜色。通过对车牌背景颜色的特征点和车牌字符颜色的特征点进行分析,即使车体颜色和车牌颜色一样,也能很好的区分车体和车牌。再利用车牌背景和字符之间色彩纹理的变化特点确定车牌区域,使车牌定位更加精确。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例基于色彩纹理的车牌定位方法的流程图;
图2是步骤S6的具体流程示意图;
图3是步骤S8的具体流程示意图;
图4是本发明实施例基于色彩纹理的车牌定位系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例基于色彩纹理的车牌定位方法包括以下步骤:
步骤S1:输入包含车牌的RGB彩色图片;
步骤S2:调整输入的包含车牌的图片的分辨率,本发明实施例将分辨率调整为800*600,对分辨率过大的图片进行处理会大大增加图像处理所用的时间,800*600的图片已经包含足够多的信息,完全能满足车牌定位以及识别的需要。不仅能加快识别的时间,还能减少图片储存所需的空间。
调整分辨率必须按图像原比例调整,防止图像内容被拉伸或压缩,不利于后面步骤的分析。具体的可以先将图片裁剪成长宽比为4:3的图片,再调整分辨率。一般车牌区域不会在整张图片的边缘,所以裁剪不会影响到车牌区域。
步骤S3:对图片进行滤波,目的是在处理图像之前尽量抑制图像中的噪声,以提高后续图像处理的有效性和可靠性。
具体的本发明实施例使用的是中值滤波,中值滤波的特点是:能有效地去除孤立的噪点,并且可以很好的保持图像的边缘信息。
步骤S4:将图片由R、G、B三基色图片,转换成HSV色彩空间。其中H(Hue)代表色度、S(Saturation)代表饱和度、V(Value)代表明度。三基色格式图像与HSV空间图像可利用下述公式转换:
V=max
其中max=max(R,G,B)min=min(R,G,B)
步骤S5:对步骤S4所得到的HSV空间的图片进行处理,设置合适的阀值将图片二值化得到两幅灰度图像。
具体的,我国车牌背景和字符颜色具有固定搭配,即蓝底白字、黄底黑字、白底黑字和黑底白字。然而最常见的是蓝底白字的车牌,所以车牌背景颜色默认为蓝色,车牌字符颜色默认为白色。所生成的图像A是将步骤S4所得到的HSV空间图像中,符合车牌背景颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色。所生成的图像B是将步骤S4所得到的HSV空间图像中,符合车牌字符颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色。
所述的设为白色,即在灰度图像中将该像素数值设为255;设为黑色,在灰度图像中将该像素数值设为0。
步骤S6:对步骤S5所生成的两幅灰度图片进行分析,并将分析结果存储到数组h(y)中。
具体的如附图2所示流程图,分别逐行扫描图像A和图像B的各个像素点,并得出当前像素点的灰度值。通过灰度值判断,当前像素为车牌背景颜色时,检测图像A和B当前像素点右边的一定数量的像素点内,是否包含车牌字符颜色的像素点;当前像素点为车牌字符颜色时,检测图像A和B当前像素点右边的一定数量的像素点内,是否包含车牌背景颜色的像素点。如果包含则将该点记录为符合车牌色彩纹理的点并将该行相对应的h(y)+1。所有像素点扫描完毕后计算h(y)中的最大值。
所述h(y):y代表的是图片的纵坐标也就是图像的行数,h(y)中保存的就是每行符合车牌色彩纹理像素的个数。
所述一定数量的像素点的个数是由于:步骤S2将图片的分辨率设置为800*600,所以图片的宽为800个像素。一幅需要检测的图片,车牌所占的宽度一定不会超过整张图片的1/2,也就是400个像素。一般车牌包含7个字符,所以每个字符最多占57个像素左右。上述一定数量在57到0之间选一个合适的数字。本发明较佳实施例中选择50。
具体如图1所示,若图像A当前像素值为255,则扫描图像A和图像B的下50个像素,判断是否存在图像A中像素值不为255,但是图像B中的像素值为255的点,若存在,则相应的h(y)+1。若图像A当前像素值不为255,二图像B当前像素值为255,则扫描图像A和图像B的下50个像素,判断是否存在图像B中像素值不为255,但是图像A中的像素值为255的点,若存在,则相应的h(y)+1。通过步骤S6可以输出数组h(y)以及该数组h(y)的最大值。
步骤S7:车牌一般包含7个字符,所以车牌区域颜色的跳变最少应该有14次,即符合车牌色彩纹理的像素最少应该有14个,所以如果S6步骤中h(y)的最大值小于14,就说明步骤S4二值化所用的车牌背景和字符色彩不适合当前图片,需要将默认设置的蓝底白字,改为其他(黄底黑字、白底黑字、黑底白字)色彩。
步骤S8:通过分析S6得到的h(y)数组,得出车牌区域的纵坐标。
步骤S8的具体流程如图3所示,流程图中的变量begin中存储的是当前分析区域纵坐标的起点;变量before中存储的是当前h(y)之前的一个数值,也就是h(y-1)的数值;变量count中存储的是当前区域的宽度;变量peak中存储的是当前区域中h(y)的最大值;变量count_max中存储的是当前最大的区域宽度;变量begin_max中存储的是当前最大宽度区域的纵坐标起点。
具体的,通过比较数组h(y)和变量before的大小判断h(y)数值的变化趋势,可以找出h(y)的值连续不为0,数值大小变化平稳区域。计算出该区域的峰值peak,通过比较peak和步骤S5计算出的h(y)的最大值,对所得到的区域进行筛选,只记录下区域的峰值peak等于h(y)最大值的区域,该区域即车牌区域。
若当前h(y)的之大于当前before的三分之一,则将当前h(y)的值赋给before。三分之一是根据车牌变化最多的情况和变化最少的情况统计并修正的值,能更加精确的计算出特征值比较集中的范围,可以滤除孤立的峰值(背景情况特别复杂,而且色彩和车牌相似,但是宽度比车牌窄的情况下或者背景有很多树叶间隙时也可能容易出现孤立的峰值),又能保证取得车牌的区域。
本发明基于色彩纹理的车牌定位系统,建立在上述实施例的方法之上,可实现上述方法,如图4所示,具体包括:
图片预处理模块,用于调整输入的包含车牌的彩色图片的分辨率,并进行滤波,将滤波后的图片的色彩空间由RGB转换到HSV;本发明的一个实施例中图片预处理模块具体将包含车牌的彩色图片的分辨率调整为800*600。
二值化处理模块,用于对转换到HSV的图片进行二值化处理,生成两幅灰度图片,其中一幅图片中符合车牌背景颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色;另一幅图片中符合车牌字符颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色;本发明实施例中,具体将车牌背景颜色默认设置为蓝色,车牌字符颜色默认设置为白色。
车牌色彩纹理的像素计算模块,用于对两幅灰度图片的像素点进行分析找出符合车牌色彩纹理的像素,并将所得像素个数存入数组h(y)中,求出数组h(y)中的最大值,y为图像的行数,数组h(y)中保存的是每行符合车牌色彩纹理像素的个数;
判断模块,用于通过对数组h(y)最大值的判断,确定是否包含车牌信息,如果不包含车牌信息则更换车牌背景和字符颜色的设置,重新进行二值化处理;
车牌区域确定模块,用于对数组h(y)以及数组h(y)的最大值进行分析,如果数组h(y)中的最大值小于车牌色彩纹理的最小阀值,则数组h(y)中所储存的数据不包含车牌的信息,变换车牌背景颜色阀值或者车牌字符颜色阀值的设置,再次进行检测;否则,数组h(y)中所储存的数据包含车牌的信息,找出数组h(y)中的值连续不为0,数值变化比较平稳,且峰值等于数组h(y)中最大值的区域,该区域为车牌区域,并输出该车牌区域。
本发明的一个实施例中,车牌色彩纹理的像素计算模块具体用于分别逐行扫描两幅灰度图片中的各个像素点,并得出当前像素点的灰度值,对灰度值进行判断,当前像素为车牌背景颜色时,检测两幅灰度图片当前像素点右边的一定数量的像素点内,是否包含车牌字符颜色的像素点;当前像素点为车牌字符颜色时,检测两幅灰度图片当前像素点右边的一定数量的像素点内,是否包含车牌背景颜色的像素点,如果包含则将该点记录为符合车牌色彩纹理的点,并将该行相对应的h(y)+1,所有像素点扫描完毕后计算h(y)中的最大值。
本发明通过对车牌背景颜色和车牌字符颜色的二值化处理,排除了大部分会造成干扰的颜色。通过对车牌背景颜色的特征点和车牌字符颜色的特征点进行分析,即使车体颜色和车牌颜色一样,也能很好的区分车体和车牌。再利用车牌背景和字符之间色彩纹理的变化特点确定车牌区域,使车牌定位更加精确。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于色彩纹理的车牌定位方法,其特征在于,包括以下步骤:
调整输入的包含车牌的彩色图片的分辨率,并进行滤波,将滤波后的图片的色彩空间由RGB转换到HSV;
对转换到HSV的图片进行二值化处理,生成两幅灰度图片,其中一幅图片中符合车牌背景颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色;另一幅图片中符合车牌字符颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色;
对两幅灰度图片的像素点进行分析找出符合车牌色彩纹理的像素,并将所得像素个数存入数组h(y)中,求出数组h(y)中的最大值,y为图像的行数,数组h(y)中保存的是每行符合车牌色彩纹理像素的个数;
通过对数组h(y)最大值的判断,确定是否包含车牌信息,如果不包含车牌信息,则更换车牌背景和字符颜色的设置,重新进行二值化处理;
对数组h(y)以及数组h(y)中的最大值进行分析,如果数组h(y)中的最大值小于车牌色彩纹理的最小阀值,则数组h(y)中所储存的数据不包含车牌的信息,变换车牌背景颜色阀值或者车牌字符颜色阀值的设置,再次进行检测;否则,数组h(y)中所储存的数据包含车牌的信息,找出数组h(y)中的值连续不为0,数值变化比较平稳,且峰值等于数组h(y)中最大值的区域,该区域为车牌区域;具体地:第一变量begin中存储当前分析区域纵坐标的起点;第二变量before中存储当前h(y)之前的一个数值,也就是h(y-1)的数值;第三变量count中存储的是当前区域的宽度;第四变量peak中存储当前区域中h(y)的最大值;第五变量count_max中存储当前最大的区域宽度;第六变量begin_max中存储当前最大宽度区域的纵坐标起点;若当前h(y)的值大于当前第二变量before值的三分之一,则将当前h(y)的值赋给第二变量before;通过比较数组h(y)和第二变量before的大小判断h(y)数值的变化趋势,找出h(y)的值连续不为0,数值大小变化平稳区域,计算出该区域的峰值,即第四变量peak的值,通过比较第四变量peak的值和计算出的h(y)的最大值,对所得到的区域进行筛选,只记录下区域的第四变量peak的值等于h(y)最大值的区域,该区域即车牌区域;
输出车牌区域图片。
2.根据权利要求1所述的方法,其特征在于,调整分辨率时具体将包含车牌的彩色图片的分辨率调整为800*600。
3.根据权利要求1所述的方法,其特征在于,二值化处理时,具体将车牌背景颜色默认设置为蓝色,车牌字符颜色默认设置为白色。
4.根据权利要求1所述的方法,其特征在于,步骤S3具体为:
分别逐行扫描两幅灰度图片中的各个像素点,并得出当前像素点的灰度值,对灰度值进行判断,当前像素为车牌背景颜色时,检测两幅灰度图片当前像素点右边的一定数量的像素点内,是否包含车牌字符颜色的像素点;当前像素点为车牌字符颜色时,检测两幅灰度图片当前像素点右边的一定数量的像素点内,是否包含车牌背景颜色的像素点,如果包含则将该点记录为符合车牌色彩纹理的点,并将该行相对应的h(y)+1,所有像素点扫描完毕后计算h(y)中的最大值。
5.一种基于色彩纹理的车牌定位系统,其特征在于,包括:
图片预处理模块,用于调整输入的包含车牌的彩色图片的分辨率,并进行滤波,将滤波后的图片的色彩空间由RGB转换到HSV;
二值化处理模块,用于对转换到HSV的图片进行二值化处理,生成两幅灰度图片,其中一幅图片中符合车牌背景颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色;另一幅图片中符合车牌字符颜色阀值的像素设为白色,其他不符合阀值的像素设为黑色;
车牌色彩纹理的像素计算模块,用于对两幅灰度图片的像素点进行分析找出符合车牌色彩纹理的像素,并将所得像素个数存入数组h(y)中,求出数组h(y)中的最大值,y为图像的行数,数组h(y)中保存的是每行符合车牌色彩纹理像素的个数;
判断模块,用于通过对数组h(y)最大值的判断,确定是否包含车牌信息,如果不包含车牌信息则更换车牌背景和字符颜色的设置,重新进行二值化处理;
车牌区域确定模块,用于对数组h(y)以及数组h(y)的最大值进行分析,如果数组h(y)中的最大值小于车牌色彩纹理的最小阀值,则数组h(y)中所储存的数据不包含车牌的信息,变换车牌背景颜色阀值或者车牌字符颜色阀值的设置,再次进行检测;否则,数组h(y)中所储存的数据包含车牌的信息,找出数组h(y)中的值连续不为0,数值变化比较平稳,且峰值等于数组h(y)中最大值的区域,该区域为车牌区域,并输出该车牌区域;具体地:第一变量begin中存储当前分析区域纵坐标的起点;第二变量before中存储当前h(y)之前的一个数值,也就是h(y-1)的数值;第三变量count中存储的是当前区域的宽度;第四变量peak中存储当前区域中h(y)的最大值;第五变量count_max中存储当前最大的区域宽度;第六变量begin_max中存储当前最大宽度区域的纵坐标起点;若当前h(y)的值大于当前第二变量before值的三分之一,则将当前h(y)的值赋给第二变量before;通过比较数组h(y)和第二变量before的大小判断h(y)数值的变化趋势,找出h(y)的值连续不为0,数值大小变化平稳区域,计算出该区域的峰值,即第四变量peak的值,通过比较第四变量peak的值和计算出的h(y)的最大值,对所得到的区域进行筛选,只记录下区域的第四变量peak的值等于h(y)最大值的区域,该区域即车牌区域。
6.根据权利要求5所述的系统,其特征在于,所述图片预处理模块具体将包含车牌的彩色图片的分辨率调整为800*600。
7.根据权利要求5所述的系统,其特征在于,所述二值化处理模块具体将车牌背景颜色默认设置为蓝色,车牌字符颜色默认设置为白色。
8.根据权利要求5所述的系统,其特征在于,所述车牌色彩纹理的像素计算模块具体用于分别逐行扫描两幅灰度图片中的各个像素点,并得出当前像素点的灰度值,对灰度值进行判断,当前像素为车牌背景颜色时,检测两幅灰度图片当前像素点右边的一定数量的像素点内,是否包含车牌字符颜色的像素点;当前像素点为车牌字符颜色时,检测两幅灰度图片当前像素点右边的一定数量的像素点内,是否包含车牌背景颜色的像素点,如果包含则将该点记录为符合车牌色彩纹理的点,并将该行相对应的h(y)+1,所有像素点扫描完毕后计算h(y)中的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410376593.1A CN104156703B (zh) | 2014-08-01 | 2014-08-01 | 基于色彩纹理的车牌定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410376593.1A CN104156703B (zh) | 2014-08-01 | 2014-08-01 | 基于色彩纹理的车牌定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104156703A CN104156703A (zh) | 2014-11-19 |
CN104156703B true CN104156703B (zh) | 2017-07-11 |
Family
ID=51882200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410376593.1A Expired - Fee Related CN104156703B (zh) | 2014-08-01 | 2014-08-01 | 基于色彩纹理的车牌定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104156703B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295528A (zh) * | 2016-08-01 | 2017-01-04 | 长安大学 | 一种基于多部件空间位置关系gmm建模的车辆检测方法 |
CN111666788B (zh) * | 2019-03-07 | 2024-01-26 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及设备、存储介质 |
CN111753591A (zh) * | 2019-03-29 | 2020-10-09 | 顺丰科技有限公司 | 一种车牌识别方法、系统、设备和存储介质 |
CN110188751B (zh) * | 2019-05-20 | 2023-01-03 | 福建福清核电有限公司 | 一种m310核电机组设备标牌位号图像识别方法 |
CN111125413B (zh) * | 2019-12-26 | 2023-10-13 | 南京中孚信息技术有限公司 | 文本图片的过滤方法、装置及电子设备 |
CN111931817A (zh) * | 2020-07-10 | 2020-11-13 | 首钢集团有限公司 | 一种球团矿矿相识别方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
CN103488978A (zh) * | 2013-09-26 | 2014-01-01 | 浙江工业大学 | 一种基于灰度跳变和字符投影间隔模式的车牌定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8792682B2 (en) * | 2011-04-21 | 2014-07-29 | Xerox Corporation | Method and system for identifying a license plate |
-
2014
- 2014-08-01 CN CN201410376593.1A patent/CN104156703B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
CN103488978A (zh) * | 2013-09-26 | 2014-01-01 | 浙江工业大学 | 一种基于灰度跳变和字符投影间隔模式的车牌定位方法 |
Non-Patent Citations (2)
Title |
---|
A Yellow License Plate Location Method Based on RGB Model of Color Image and Texture of Plate;Gang Li 等;《Digital Media and its Application in Museum & Heritage, Second Workshop on》;20071212;42-46 * |
基于彩色和黑白纹理分析的车牌定位方法;陈昌涛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090615;I140-409 第26页第1-5段,第30-31页第4.2.1节,第35页-第45页第4.2.4节,图4.10、4.11 * |
Also Published As
Publication number | Publication date |
---|---|
CN104156703A (zh) | 2014-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104156703B (zh) | 基于色彩纹理的车牌定位方法及系统 | |
CN105354599B (zh) | 一种基于改进的slic超像素分割算法的颜色识别方法 | |
CN104915972B (zh) | 图像处理装置、图像处理方法以及程序 | |
CN106096610B (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN104899586B (zh) | 对图像中包含的文字内容进行识别方法及装置 | |
CN105844621A (zh) | 一种印刷品质量检测方法 | |
CN108154149B (zh) | 基于深度学习网络共享的车牌识别方法 | |
CN105005766A (zh) | 一种车身颜色识别方法 | |
CN110555464A (zh) | 一种基于深度学习模型的车辆颜色识别方法 | |
CN106815587B (zh) | 图像处理方法及装置 | |
CN108154160A (zh) | 车牌颜色识别方法及系统 | |
CN102737221B (zh) | 车辆颜色的识别方法及装置 | |
CN113537211B (zh) | 一种基于非对称iou的深度学习车牌框定位方法 | |
CN103914849A (zh) | 一种红枣图像的检测方法 | |
Milić et al. | A content-dependent naturalness-preserving daltonization method for dichromatic and anomalous trichromatic color vision deficiencies | |
CN106650611B (zh) | 一种识别车身颜色的方法及装置 | |
KR100903816B1 (ko) | 정지영상에서의 얼굴추출시스템과 그 방법 | |
CN104573656B (zh) | 一种基于连通区域信息的车牌颜色判断方法 | |
Jia et al. | Design of Traffic Sign Detection and Recognition Algorithm Based on Template Matching | |
CN109558872B (zh) | 一种车辆颜色识别方法 | |
CN106384103A (zh) | 一种车脸识别方法及装置 | |
CN114612333B (zh) | 一种基于显微镜图像的微囊藻类细胞统计方法 | |
JP5510468B2 (ja) | ナンバープレート色判定装置、コンピュータプログラム及びナンバープレート色判定方法 | |
CN112070771B (zh) | 基于hs通道的自适应阈值分割方法、装置和存储介质 |
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: 20170711 Termination date: 20200801 |
|
CF01 | Termination of patent right due to non-payment of annual fee |