CN104463094A - 一种基于自适应边缘特征的车牌粗定位方法 - Google Patents

Abstract

本发明提供一种基于自适应边缘特征的车牌粗定位方法，包括以下步骤：灰度图像模糊处理；基于垂直边缘的密度信息，使用自适应边缘特征，动态获取行相邻点之间的距离阈值，把小于该阈值的相邻点连起来，形成连通区域；基于连通区域的基本特征信息，包括高度、宽度、宽高比、面积，去除非车牌连通区域；依据候选连通区域周围的边缘信息，进行相应扩展，形成车牌候选矩形区域。本发明能够获得更加精准的连通区域，排除更多非车牌区域，同时对于含有不同尺寸车牌的图像，整个处理过程不需要进行尺度变换，就能完成相应的定位检测，算法更加高效。

Description

一种基于自适应边缘特征的车牌粗定位方法

技术领域

本发明涉及车牌识别技术领域，具体是一种基于自适应边缘特征的车牌粗定位方法。

背景技术

车牌识别是智能交通的核心技术，包含了三个部分：车牌定位、字符分割、字符识别。其中，车牌定位是整个技术最重要的一部分，车牌定位的好坏，直接影响后续的步骤，进而影响整体的识别速度和准确率。

车牌定位是指在一幅图像中，快速找出车牌所在的大致区域。一般通过粗定位和精定位相结合的方法来实现。具体方法是：粗定位在整幅图中快速排除大部分非车牌区域，留下候选车牌区域。然后精定位在候选车牌区域内进行第二次判断，找出真正的车牌区域。因此，车牌粗定位保留下来的候选区域的数量和质量，是衡量车牌定位算法优劣的最重要依据。

目前，车牌粗定位主要有以下几类技术：

(1)基于颜色检测的方法，如中国专利申请CN103400121A公开了一种基于彩色二值化图像的车牌定位方法。该类技术在理想光线和图像清晰的情况下，可以达到不错的效果。但是现实环境和光线的复杂多变，不同设备获取图像的清晰度也不一样，因此，该类技术在很多情况下存在误检和漏检的问题。

(2)基于机器学习的方法，如中国专利申请CN103870803A公开了一种基于粗定位与精定位融合的车牌识别方法和系统。该类技术对于复杂的光线和环境具有一定的鲁棒性，但是算法的检测速度很慢，而且会存在较多的误检和部分漏检。

(3)基于边缘特征的方法，如中国专利申请CN103985135A公开了一种基于差分边缘图像的车牌定位方法，中国专利申请CN102693423A公开了一种在强光条件下车牌精确定位的方法。该类技术先获取图像的垂直边缘特征，然后通过形态学运算或者行扫描连线获得连通区域，最后通过连通区域分析获取最终的候选区域。该类技术的优点是算法简单，速度很快，漏检少，对复杂环境抵抗能力强。但同样存在一系列缺点：由于形态学结构元素和行相邻点连接的距离阈值多采用固定值，对于不同尺寸的车牌适应能力较差，进而导致较多误检。有些算法采用尺度变换后多次检测的方法，虽然达到了适应不同尺寸车牌图像的效果，但循环重复的运行过程大大降低了算法速度，严重影响最终性能。

发明内容

本发明的目的在于提供一种基于自适应边缘特征的车牌粗定位方法，采用自适应边缘特征获取垂直边缘连通区域，使获得的连通区域更加精准，排除更多非车牌区域，同时在一幅图上即可完成不同尺寸车牌的粗定位。

本发明的技术方案为：

一种基于自适应边缘特征的车牌粗定位方法，包括以下顺序的步骤：

(1)将包含车牌的待处理彩色图像变换成灰度图像；

(2)利用均值滤波器对得到的灰度图像进行模糊处理；

(3)利用垂直边缘检测算子，获取经过模糊处理的灰度图像的二值垂直边缘图；

(4)基于垂直边缘的密度信息，利用自适应边缘特征，动态获取二值垂直边缘图每行相邻前景目标点之间的距离阈值，将每行彼此之间距离小于该阈值的两个相邻前景目标点连起来，形成连通区域；

(5)将形成的各个连通区域进行形态学运算处理；

(6)对经过形态学运算处理后的各个连通区域进行分析，利用各个连通区域的特征信息，包括高度、宽度、宽高比和面积，去除非车牌连通区域，得到车牌候选连通区域；

(7)对车牌候选连通区域依据其周围边缘信息进行相应扩展，形成车牌候选矩形区域，得到车牌粗定位结果。

所述的基于自适应边缘特征的车牌粗定位方法，步骤(1)中，所述将包含车牌的待处理彩色图像变换成灰度图像，具体采用以下公式实现：

f＝0.299R+0.587G+0.114B

其中，f表示灰度图像值，R、G、B分别表示对应像素的红、绿、蓝三通道的值。

所述的基于自适应边缘特征的车牌粗定位方法，步骤(2)中，所述均值滤波器采用的矩形卷积核为：

$K=\frac{1}{w*h}\left[\begin{array}{cccccc}1& 1& 1& ...& 1& 1\\ 1& 1& 1& ...& 1& 1\\ 1& 1& 1& ...& 1& 1\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ 1& 1& 1& ...& 1& 1\\ 1& 1& 1& ...& 1& 1\end{array}\right]$

其中，K表示矩形卷积核，w表示矩形卷积核的宽度，h表示矩形卷积核的高度，w＝3*h。

所述的基于自适应边缘特征的车牌粗定位方法，步骤(3)中，所述利用垂直边缘检测算子，获取经过模糊处理的灰度图像的二值垂直边缘图，具体包括以下顺序的步骤：

(31)利用sobel边缘检测算子，获取经过模糊处理的灰度图像的垂直边缘特征图，所述sobel边缘检测算子采用以下公式：

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

其中，Kernel表示sobel边缘检测算子；

(32)利用局部二值化算法，获取二值垂直边缘图，所述局部二值化算法采用经典niblack算法。

所述的基于自适应边缘特征的车牌粗定位方法，步骤(4)中，所述基于垂直边缘的密度信息，利用自适应边缘特征，动态获取二值垂直边缘图每行相邻前景目标点之间的距离阈值，将每行彼此之间距离小于该阈值的两个相邻前景目标点连起来，形成连通区域，具体包括以下顺序的步骤：

(41)进入二值垂直边缘图的待处理当前行；

(42)自左向右寻找连续跳变点；

(43)对找到的连续跳变点的数目进行统计，判断连续跳变点的数目是否小于预设阈值，若是，则返回步骤(42)，继续寻找连续跳变点，若否，则执行步骤(44)；

(44)采用以下公式获取连续跳变点区域内的加权平均边缘高度：

$T=\frac{1}{N}\underset{x}{\mathrm{\Σ}}f\left(h_x\right)$

$f\left(h_x\right)=\left\{\begin{array}{cc}{h}_x(1-e^{-\frac{1}{h_x-\stackrel{\&OverBar;}{H}}})& h_x>\stackrel{\&OverBar;}{H}\\ h_x& h_x=\stackrel{\&OverBar;}{H}\\ h_x(1+e^{\frac{1}{h_x-\stackrel{\&OverBar;}{H}}})& h_x<\stackrel{\&OverBar;}{H}\end{array}\right.$

其中，T表示连续跳变点区域内的加权平均边缘高度，x表示连续跳变点区域内的前景目标点坐标，N表示连续跳变点的数目，f(h_x)表示每个坐标位置的加权边缘高度，h_x表示每个坐标位置的原始边缘高度，H表示连续跳变点区域内的平均高度；

(45)若当前行的相邻前景目标点之间的距离小于T，则将这两个相邻前景目标点用直线连起来；

(46)判断当前跳变点是否处于当前行的行尾，若是，则执行步骤(47)，若否，则以当前跳变点作为起点，返回步骤(42)；

(47)判断当前行是否为二值垂直边缘图的最后一行，若是，输出连通区域图像，若否，执行步骤(48)；

(48)将当前行的下一行作为待处理当前行，返回步骤(41)。

所述的基于自适应边缘特征的车牌粗定位方法，步骤(5)中，所述将形成的各个连通区域进行形态学运算处理，具体包括以下步骤：

(51)基于形态学腐蚀运算，对各个连通区域进行修剪；

(52)基于形态学膨胀运算，对各个连通区域进行孔洞填充。

本发明采用自适应边缘特征，根据图像每一行相邻点之间的关系，动态调整行相邻点之间的连线距离阈值，相比其它粗定位方法，本发明能够获得更加精准的连通区域，排除更多的非车牌区域，同时对于含有不同尺寸车牌的图像，整个处理过程不需要进行尺度变换，就能完成相应的定位检测，算法更加高效，对于复杂环境的多车牌图像，也能有很好的表现。

附图说明

图1是本发明的方法流程图；

图2是本发明的基于自适应边缘特征获取连通区域的流程图；

图3是灰度变换后的待处理车牌图像；

图4是经模糊滤波后的车牌图像；

图5是车牌粗定位的中间过程图像，其中，(a)是垂直边缘特征图，(b)是基于自适应边缘特征的连通区域图，(c)是修剪和填充孔洞后的连通区域图，(d)是经连通区域分析和扩展后的车牌候选矩形区域图；

图6是车牌粗定位的结果显示图。

具体实施方式

下面结合附图和具体实施例进一步说明本发明。

如图1所示，一种基于自适应边缘特征的车牌粗定位方法，包括以下顺序的步骤：

S1、按照公式(1)，将彩色图像变换为灰度图像，效果如图3所示：

f＝0.299R+0.587G+0.114B   (1)

其中，f表示灰度图像值，R、G、B分别表示对应像素的红、绿、蓝三通道的值。

S2、使用均值滤波器对灰度图像进行模糊处理，去除部分干扰细节。

因为车牌区域具有特定的尺寸特征，本发明使用矩形卷积核如公式(2)所示，完成图像的均值滤波。虽然模糊处理会破坏图像的细节，但是车牌的字符具有较高强度的边缘特征，因此，适当的模糊处理对于去除干扰区域是很有必要的，同时也不会过多破坏车牌区域，效果如图4所示。

$K=\frac{1}{w*h}\left[\begin{array}{cccccc}1& 1& 1& ...& 1& 1\\ 1& 1& 1& ...& 1& 1\\ 1& 1& 1& ...& 1& 1\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ 1& 1& 1& ...& 1& 1\\ 1& 1& 1& ...& 1& 1\end{array}\right]---\left(2\right)$

其中，w表示矩形卷积核的宽度，h表示矩形卷积核的高度，w＝3*h。

S3、使用垂直边缘检测算子，获取灰度图像的二值垂直边缘图，如图5(a)所示，具体步骤如下：

S31、基于sobel边缘检测算子，如公式(3)所示，获取垂直边缘特征图：

$\mathrm{Kernel}=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]---\left(3\right)$

S32、基于局部二值化算法，获取二值垂直边缘图。因为图像不同区域的边缘强度不一样，使用全局二值化算法会造成车牌边缘的缺失，本发明使用的是经典的niblack算法。

S4、如图2所示，基于垂直边缘的密度信息，使用自适应边缘特征，动态获取行相邻点之间的距离阈值，把小于该阈值的相邻点连起来，形成连通区域，如图5(b)所示，具体步骤如下：

S41、进入当前待处理行。

S42、自左向右寻找连续跳变点；

S43、如果连续跳变点的数目小于规定的阈值，继续寻找跳变点，否则进入下一步。

S44、基于公式(4)和公式(5)，获取连续跳变点区域内的加权平均边缘高度。

$T=\frac{1}{N}\underset{x}{\mathrm{\&Sigma;}}f\left(h_x\right)---\left(4\right)$

$f\left(h_x\right)=\left\{\begin{array}{cc}{h}_x(1-e^{-\frac{1}{h_x-\stackrel{\&OverBar;}{H}}})& h_x>\stackrel{\&OverBar;}{H}\\ h_x& h_x=\stackrel{\&OverBar;}{H}\\ h_x(1+e^{\frac{1}{h_x-\stackrel{\&OverBar;}{H}}})& h_x<\stackrel{\&OverBar;}{H}\end{array}\right.---\left(5\right)$

其中，T表示连续跳变点区域内的加权平均边缘高度，x表示连续跳变点区域内的前景目标点坐标，N表示连续跳变点的数目，f(h_x)表示每个坐标位置的加权边缘高度，h_x表示每个坐标位置的原始边缘高度，H表示连续跳变点区域内的平均高度。

S45、如果行相邻前景目标点之间的距离小于T，则把这两个目标点用直线连起来。

S46、如果当前的跳变点位置到达行尾，进入下一步，否则以当前的跳变点作为起点，继续执行步骤S42。

S47、如果当前行是图像最后一行，输出连通区域图像，否则进入下一步。

S48、进入下一行，重新回到步骤S41，分析下一行。

S5、基于形态学腐蚀运算，修剪连通区域，基于形态学膨胀运算，填充孔洞，如图5(c)所示。

S6、基于连通区域的高度、宽度、宽高比、面积等特征，对当前的连通区域进行分析。

S7、如果是车牌候选连通区域，进入步骤S8，否则是非车牌连通区域，直接进入步骤S9。

S8、依据留下的连通区域的周围边缘信息，进行相应扩展，形成车牌候选矩形区域，如图5(d)所示，并保存在相应列表中。

S9、如果存在连通区域未被分析，则返回步骤S6，继续分析下一个连通区域；如果所有连通区域均已处理，则输出粗定位结果，如图6所示，处理过程结束。

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 (6)

1.一种基于自适应边缘特征的车牌粗定位方法，其特征在于，包括以下顺序的步骤：

(1)将包含车牌的待处理彩色图像变换成灰度图像；

(2)利用均值滤波器对得到的灰度图像进行模糊处理；

(3)利用垂直边缘检测算子，获取经过模糊处理的灰度图像的二值垂直边缘图；

(4)基于垂直边缘的密度信息，利用自适应边缘特征，动态获取二值垂直边缘图每行相邻前景目标点之间的距离阈值，将每行彼此之间距离小于该阈值的两个相邻前景目标点连起来，形成连通区域；

(5)将形成的各个连通区域进行形态学运算处理；

(6)对经过形态学运算处理后的各个连通区域进行分析，利用各个连通区域的特征信息，包括高度、宽度、宽高比和面积，去除非车牌连通区域，得到车牌候选连通区域；

(7)对车牌候选连通区域依据其周围边缘信息进行相应扩展，形成车牌候选矩形区域，得到车牌粗定位结果。

2.根据权利要求1所述的基于自适应边缘特征的车牌粗定位方法，其特征在于，步骤(1)中，所述将包含车牌的待处理彩色图像变换成灰度图像，具体采用以下公式实现：

f＝0.299R+0.587G+0.114B

其中，f表示灰度图像值，R、G、B分别表示对应像素的红、绿、蓝三通道的值。

3.根据权利要求1所述的基于自适应边缘特征的车牌粗定位方法，其特征在于，步骤(2)中，所述均值滤波器采用的矩形卷积核为：

$K=\frac{1}{w*h}\left[\begin{array}{cccccc}1& 1& 1& ...& 1& 1\\ 1& 1& 1& ...& 1& 1\\ 1& 1& 1& ...& 1& 1\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ 1& 1& 1& ...& 1& 1\\ 1& 1& 1& ...& 1& 1\end{array}\right]$

其中，K表示矩形卷积核，w表示矩形卷积核的宽度，h表示矩形卷积核的高度，w＝3*h。

4.根据权利要求1所述的基于自适应边缘特征的车牌粗定位方法，其特征在于，步骤(3)中，所述利用垂直边缘检测算子，获取经过模糊处理的灰度图像的二值垂直边缘图，具体包括以下顺序的步骤：

(31)利用sobel边缘检测算子，获取经过模糊处理的灰度图像的垂直边缘特征图，所述sobel边缘检测算子采用以下公式：

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

其中，Kernel表示sobel边缘检测算子；

(32)利用局部二值化算法，获取二值垂直边缘图，所述局部二值化算法采用经典niblack算法。

5.根据权利要求1所述的基于自适应边缘特征的车牌粗定位方法，其特征在于，步骤(4)中，所述基于垂直边缘的密度信息，利用自适应边缘特征，动态获取二值垂直边缘图每行相邻前景目标点之间的距离阈值，将每行彼此之间距离小于该阈值的两个相邻前景目标点连起来，形成连通区域，具体包括以下顺序的步骤：

(41)进入二值垂直边缘图的待处理当前行；

(42)自左向右寻找连续跳变点；

(43)对找到的连续跳变点的数目进行统计，判断连续跳变点的数目是否小于预设阈值，若是，则返回步骤(42)，继续寻找连续跳变点，若否，则执行步骤(44)；

(44)采用以下公式获取连续跳变点区域内的加权平均边缘高度：

$T=\frac{1}{N}\underset{x}{\mathrm{\&Sigma;}}f\left(h_x\right)$

$f\left(h_x\right)=\left\{\begin{array}{cc}{h}_x(1-e^{-\frac{1}{h_x-\stackrel{\&OverBar;}{H}}})& h_x>\stackrel{\&OverBar;}{H}\\ h_x& h_x=\stackrel{\&OverBar;}{H}\\ h_x(1+e^{\frac{1}{h_x-\stackrel{\&OverBar;}{H}}})& h_x<\stackrel{\&OverBar;}{H}\end{array}\right.$

其中，T表示连续跳变点区域内的加权平均边缘高度，x表示连续跳变点区域内的前景目标点坐标，N表示连续跳变点的数目，f(h_x)表示每个坐标位置的加权边缘高度，h_x表示每个坐标位置的原始边缘高度，表示连续跳变点区域内的平均高度；

(45)若当前行的相邻前景目标点之间的距离小于T，则将这两个相邻前景目标点用直线连起来；

(46)判断当前跳变点是否处于当前行的行尾，若是，则执行步骤(47)，若否，则以当前跳变点作为起点，返回步骤(42)；

(47)判断当前行是否为二值垂直边缘图的最后一行，若是，输出连通区域图像，若否，执行步骤(48)；

(48)将当前行的下一行作为待处理当前行，返回步骤(41)。

6.根据权利要求1所述的基于自适应边缘特征的车牌粗定位方法，其特征在于，步骤(5)中，所述将形成的各个连通区域进行形态学运算处理，具体包括以下步骤：

(51)基于形态学腐蚀运算，对各个连通区域进行修剪；

(52)基于形态学膨胀运算，对各个连通区域进行孔洞填充。