CN104331887B - 一种基于区域边缘信息的车牌粗定位方法 - Google Patents

Abstract

本发明提供一种基于区域边缘信息的车牌粗定位方法，包括以下步骤：利用边缘检测算子提取图像的垂直边缘图；求取垂直边缘图的积分图；将十字型模板以一定步长在垂直边缘图内滑动，并利用积分图求取相应区域的垂直边缘指数和的比值，并将比值大于一定门限的区域像素的击中次数加1；对击中次数大于一定门限的像素进行二值化、膨胀运算、连通区域分析，筛选得到车牌粗定位结果；对图像进行尺度变换后重复上述步骤，直至尺度变换后的图像尺寸小于一定门限，输出车牌粗定位结果，处理过程结束。本发明具有定位速度较快、对光照变化不敏感、对车牌尺寸变化不敏感等优点。

Description

一种基于区域边缘信息的车牌粗定位方法

技术领域

本发明涉及车牌粗定位技术领域，具体是一种基于区域边缘信息的车牌粗定位方法。

背景技术

近年来，汽车在我国日益普及，人们在享受快捷方便的生活方式的同时也引发了一系列问题，如交通拥堵、交通事故、车辆失窃等。因此，对车辆进行高效、智能化的管理成为越来越迫切的社会需求。车牌的自动识别技术作为实现各种智能化管理应用的核心技术，众多高校、研究机构和企业进行了广泛的研究。

车牌识别技术较为复杂，可以大致分为车牌粗定位、旋转校正、车牌细定位、字符分割、字符识别等几个部分。其中车牌粗定位是其中较为困难的一个步骤，该步骤需要粗定位出车牌的大致区域，要求既不能遗漏车牌区域，也不能保留太多非车牌区域。

目前车牌粗定位的方法大致分为三类：

(1)根据颜色信息定位。这类方法充分利用了车牌的底色信息，一般来说方法比较简单，速度快；缺点是对光照条件要求高，对于光线较弱的环境，方法有可能失效。

(2)通过机器学习方法定位。这类方法步骤基本相同，区别仅仅在于特征的选择。一般来说粗定位速度慢、误检率比较高，需要采用其它方法进一步筛选。

(3)根据边缘信息定位。这类方法利用了车牌区域垂直边缘较为丰富的特点。一般来说方法速度较快，而定位准确度则根据方法的不同、应用场景的不同有较大的差异。

发明内容

本发明要解决的技术问题是提供一种基于区域边缘信息的车牌粗定位方法，在包含有车牌的图像中快速准确地定位到车牌的大致区域，为后续的进一步处理和识别创造有利条件。

本发明的技术方案为：

一种基于区域边缘信息的车牌粗定位方法，包括以下顺序的步骤：

(1)将包含车牌的待处理图像作为当前图像；

(2)利用边缘检测算子提取当前图像的垂直边缘图；

(3)求取所述垂直边缘图的积分图；

(4)将十字型模板以一定步长在所述垂直边缘图内滑动，并利用所述积分图求取当前位置十字型模板中心区域内所有像素的垂直边缘指数和与十字型模板其它区域内所有像素的垂直边缘指数和的比值；

(5)判断步骤(4)得到的比值是否大于预设门限值，若是，则执行步骤(6)，若否，则返回步骤(4)；

(6)将十字型模板中心区域所覆盖的所有像素的击中次数加1；

(7)判断十字型模板在所述垂直边缘图内是否滑动完毕，若是，则执行步骤(8)，若否，则返回步骤(4)；

(8)对所述垂直边缘图的所有像素的击中次数进行统计，将击中次数大于预设门限值的像素二值化为前景像素；

(9)对前景像素进行膨胀运算；

(10)对膨胀运算后的前景像素进行连通区域分析；

(11)根据长宽比和尺寸对连通区域进行筛选，将筛选结果记入候选区域列表；

(12)对当前图像进行尺度变换，判断尺度变换后的图像尺寸是否小于预设门限值，若是，则执行步骤(13)，若否，则将尺度变换后的图像作为当前图像，返回步骤(2)，继续处理过程；

(13)输出候选区域列表，处理过程结束。

所述的基于区域边缘信息的车牌粗定位方法，步骤(2)中，所述边缘检测算子采用Sobel算子或Prewitts算子。

相比其它车牌粗定位方法，本发明具有定位速度较快、对光照变化不敏感、对车牌尺寸变化不敏感等优点，能够在包含有车牌的图像中快速准确地定位到车牌的大致区域，为后续的进一步处理和识别创造有利条件。

附图说明

图1是本发明的方法流程图；

图2是十字型模板示意图；

图3是十字型模板在垂直边缘图内滑动的示意图；

图4是包含车牌的待处理图像；

图5是十字型模板击中区域的示例；

图6是十字型模板击中次数以灰度方式显示的示例；

图7是十字型模板击中次数大于一定门限值的像素二值化的示例；

图8是最终的车牌粗定位结果。

具体实施方式

下面结合附图进一步说明本发明。

如图1所示，一种基于区域边缘信息的车牌粗定位方法，包括以下顺序的步骤：

S1、采集若干含有车牌的车辆图像，选取一张图像作为当前图像进行车牌粗定位处理。

S2、利用边缘检测算子提取当前图像的垂直边缘图：

垂直边缘图的求取方法是：将图像中的某个像素(x,y)作为当前像素，x是该像素的横坐标，y是该像素的纵坐标，该像素的值记为I(x,y)，求该像素的垂直边缘指数时，要用到周围8个像素的值，这9个像素构成一个3×3的矩阵，如式(1)所示：

边缘检测算子也是一个3×3的矩阵，如式(2)所示：

该像素的垂直边缘指数记为E(x,y)，计算方法如式(3)所示：

逐个像素求取垂直边缘指数，即构成垂直边缘图。当像素处于图像边缘时，式(3)会出现越界的情况，简单起见，越界的值直接取0。

边缘检测算子可以有多种选择，一般可以选Sobel算子，如式(4)所示：

也可以选择Prewitts算子，如式(5)所示：

S3、对垂直边缘图求积分图：

积分图的求取方法参见文献：Robust Real-time Object Detection,PaulViola,Michael Jones,Second International Workshop on Statistical andComputational Theories of Vision-Modeling,Learning,Computing。

S4、将十字型模板以一定步长在垂直边缘图内滑动，求取模板中心区域和模板其它区域内垂直边缘指数和的比值，记为R。

十字型模板的示意图如图2所示，中间部分是宽度为M、高度为N的矩形，一般来说和车牌在当前尺度下的尺寸相当，上下部分各扩展一个大小相同的区域，左右部分各扩展一个高度为N、宽度为M/2的矩形区域。

该十字型模板如图3所示，在垂直边缘图内以一定的步长滑动，图中箭头所指的点坐标记为(x₀,y₀)，则比值R的计算公式如式(6)～式(11)：

式(7)～式(11)在运算时涉及两重循环求和，运算量比较大，可以使用步骤S3得到的边缘积分图加速运算。将该积分图中像素(x,y)的值记为G(x,y)，则可以导出式(12)～式(16)：

S₀(x₀,y₀)＝G(x₀+M,y₀+N)+G(x₀,y₀)-G(x₀+M,y₀)-G(x₀,y₀+N) (12)

S₁(x₀,y₀)＝G(x₀+M,y₀)+G(x₀,y₀-N)-G(x₀+M,y₀-N)-G(x₀,y₀) (13)

S₂(x₀,y₀)＝G(x₀+M,y₀+2N)+G(x₀,y₀+N)-G(x₀+M,y₀+N)-G(x₀,y₀+2N)

(14)

S₃(x₀,y₀)＝G(x₀,y₀+N)+G(x₀-M/2,y₀)-G(x₀,y₀)-G(x₀-M/2,y₀+N) (15)

S₄(x₀,y₀)＝G(x₀+3M/2,y₀+N)+G(x₀+M,y₀)-G(x₀+3M/2,y₀)-G(x₀+M,y₀+N)

(16)

式(12)～式(16)由于避免了两重循环求和，明显提高了运算速度。

S5、判断步骤S4得到的比值R是否大于一定门限，如果大于门限，则说明模板中心部分所处的当前位置是疑似车牌区域，继续执行后续步骤；如果小于门限，则说明是非车牌区域，跳转至步骤S4继续使十字型模板在垂直边缘图内滑动。

S6、将十字型模板中心部分包含的所有像素的击中次数加1：

图4是一个包含车牌的待处理图像；图5中，将每个疑似车牌区域都用白框画出，可以看出真实车牌区域的白框密度明显高于其它区域；图6是十字型模板击中次数以灰度方式显示的结果，为了对比效果明显，对亮度进行了非线性拉伸。

S7、判断十字型模板在垂直边缘图内是否滑动完毕，如果是，则继续执行后续步骤，如果否，则跳转至步骤S4继续使十字型模板在垂直边缘图内滑动。

S8、将十字型模板击中次数大于一定门限的像素二值化为前景像素，如图7所示。

S9、对前景像素进行膨胀运算，该步骤可以防止车牌疑似区域偶尔出现的断裂情况。

S10、对前景像素进行连通区域分析。

S11、根据长宽比和尺寸对连通区域进行筛选，将尺寸过小或者长宽比与车牌长宽比差异较大的结果去除掉，将剩余区域和当前尺度作为结果记入候选区域列表。

S12、对当前图像进行尺度变换，若当前图像宽度为W、高度为H，则尺度变换后的图像尺寸变为σW、σH，其中0<σ<1。

S13、判断尺度变换后的图像尺寸是否小于一定门限，如果小于门限，则说明尺度变换后的图像过小，已经不可能再放下一个车牌，因此，处理过程结束，输出候选区域列表后退出，如果大于门限，则说明尺度变换后的图像仍有可能存在车牌，因此，将尺度变换后的图像作为当前图像，跳转至步骤S2继续处理过程。

图8是最终的车牌粗定位结果，可以看出，定位的车牌大致区域比较理想，为后续的处理过程创造了有利条件。

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (2)

1.一种基于区域边缘信息的车牌粗定位方法，包括步骤：

(1)将包含车牌的待处理图像作为当前图像；

(2)利用边缘检测算子提取当前图像的垂直边缘图；

(3)求取所述垂直边缘图的积分图；

其特征在于，还包括以下顺序的步骤：

(4)将十字型模板以一定步长在所述垂直边缘图内滑动，并利用所述积分图求取当前位置十字型模板中心区域内所有像素的垂直边缘指数和与十字型模板其它区域内所有像素的垂直边缘指数和的比值；

所述垂直边缘指数采用以下公式获得：

$E(x,y)=\underset{-2<j<2}{\&Sigma;}\underset{-2<i<2}{\&Sigma;}\left|\right|I(x+i,y+j)a(i,j)\left|\right|$

其中，E(x,y)表示像素(x,y)的垂直边缘指数，I(x+i,y+j)表示由像素(x,y)及其周围8个像素的值构成的一个3×3的矩阵，具体为：

$\left[\begin{array}{ccc}I\left(x-1,y-1\right)& I\left(x,y-1\right)& I\left(x+1,y-1\right)\\ I\left(x-1,y\right)& I\left(x,y\right)& I\left(x+1,y\right)\\ I\left(x-1,y+1\right)& I\left(x,y+1\right)& I\left(x+1,y+1\right)\end{array}\right],$

a(i,j)表示边缘检测算子，也是一个3×3的矩阵，具体为：

$\left[\begin{array}{ccc}a(-1,-1)& a(0,-1)& a(1,-1)\\ a(-1,0)& a(0,0)& a(1,0)\\ a(-1,1)& a(0,1)& a(1,1)\end{array}\right],$

i、j均表示大于-2且小于2的整数；

(5)判断步骤(4)得到的比值是否大于预设门限值，若是，则执行步骤(6)，若否，则返回步骤(4)；

(6)将十字型模板中心区域所覆盖的所有像素的击中次数加1；

(7)判断十字型模板在所述垂直边缘图内是否滑动完毕，若是，则执行步骤(8)，若否，则返回步骤(4)；

(8)对所述垂直边缘图的所有像素的击中次数进行统计，将击中次数大于预设门限值的像素二值化为前景像素；

(9)对前景像素进行膨胀运算；

(10)对膨胀运算后的前景像素进行连通区域分析；

(11)根据长宽比和尺寸对连通区域进行筛选，将筛选结果记入候选区域列表；

(12)对当前图像进行尺度变换，判断尺度变换后的图像尺寸是否小于预设门限值，若是，则执行步骤(13)，若否，则将尺度变换后的图像作为当前图像，返回步骤(2)，继续处理过程；

(13)输出候选区域列表，处理过程结束。

2.根据权利要求1所述的基于区域边缘信息的车牌粗定位方法，其特征在于，步骤(2)中，所述边缘检测算子采用Sobel算子或Prewitts算子。