CN104834937A - 一种基于Bayes的车牌颜色判断方法 - Google Patents

Abstract

本发明提供一种基于Bayes的车牌颜色判断方法，包括：对待测车牌图像进行尺寸归一化；选取归一化后的待测车牌图像的有效字符区域；对待测车牌图像的有效字符区域进行对比度增强；获取待测车牌图像的全局统计特征；获取待测车牌图像的局部分布特征；获取待测车牌图像的综合特征向量；基于Bayes分类器，判断车牌颜色类型。本发明综合采用了车牌的全局统计特征和局部分布特征，特征更加强健，对于车牌偏色和污迹等干扰，具有更强的鲁棒性；基于Bayes分类器进行车牌颜色类型判断，判断结果更加准确。

Description

一种基于Bayes的车牌颜色判断方法

技术领域

本发明涉及车牌识别技术领域，具体是一种基于Bayes的车牌颜色判断方法。

背景技术

车牌颜色是车牌的一项重要特征，在我们国家，车牌的颜色类型并不唯一，主要包含了四种类型：蓝底白字、黄底黑字、黑底白字、白底黑字或红字。如果对车牌颜色判断错误，会直接影响后续字符分割的正确性，进而影响最终的车牌识别率。因此，车牌颜色类型判断是车牌字符分割必不可少的一部分，对整个识别结果的准确率有着重要的影响。

目前，常用的车牌颜色判断方法主要有以下几类：

(1)基于彩色图像的车牌颜色判断方法，该类方法首先通过统计车牌区域内所有像素的R、G、B颜色分量信息，根据各分量信息之间的差异程度，进而判断出车牌的颜色类型。该类方法对于颜色清晰的车牌具有很好的判断效果，但当车牌出现污迹、褪色或者由于不同光线造成的偏色，该类方法会出现严重的误判，而当出现灰度车牌时，该类方法则直接失效。

(2)基于灰度图像的车牌颜色判断方法，该类方法把车牌颜色类型简化为两类：暗底亮字和亮底暗字；首先获取车牌的二值化图像，然后统计前景目标点所占比例，结合垂直投影等特征，综合判断车牌颜色。该类方法的优点是适用范围广，对于灰度均匀的车牌，判断效果很好，但是对于包含污迹和褪色的车牌，由于受二值化图像质量的影响，该类方法会出现误判。

Bayes分类器是通过某个对象的先验概率，利用Bayes公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。在没有很多样本数据的情况下，Bayes分类器往往会获得更好的识别效果，因为它使用了很少的模型假设，不会出现过拟合现象。

发明内容

本发明的目的在于提供一种鲁棒性更强、判断结果更加准确的基于Bayes的车牌颜色判断方法。

本发明的技术方案为：

一种基于Bayes的车牌颜色判断方法，该方法包括以下步骤：

(1)对待测车牌图像进行尺寸归一化；

(2)选取归一化后的待测车牌图像的有效字符区域；

(3)对待测车牌图像的有效字符区域进行对比度增强；

(4)获取待测车牌图像的全局统计特征，包括：

(41)获取有效字符区域在对比度增强后的灰度直方图；

(42)采用以下公式，获取待测车牌图像的灰度直方图统计特征；

$F\left[j\right]=\min \left\{i\right|\underset{i=0}{\mathrm{\Σ}}h\left[i\right]\≥N*\mathrm{\α}\left[j\right]\}$

其中，F[j]表示待测车牌图像的灰度直方图统计特征，j表示序号，α[j]表示比例因子，N表示待测车牌图像有效字符区域的像素总数，h[i]表示有效字符区域在对比度增强后的灰度直方图，i表示灰度级，min函数的功能是选择满足条件∑_i＝0h[i]≥N*α[j]的最小的i；

(43)获取有效字符区域在对比度增强后的二值图像；

(44)采用以下公式，获取待测车牌二值图像的垂直投影特征：

$\mathrm{hv}\left[x\right]=\left\{\begin{array}{cc}\mathrm{hv}\left[x\right]+1& \mathrm{bin}(x,y)=255\\ \mathrm{hv}\left[x\right]& \mathrm{bin}(x,y)=0\end{array}\right.$

其中，hv[x]表示待测车牌二值图像的垂直投影特征，即有效字符区域在对比度增强后的二值图像中第x列所有前景目标个数，bin(x，y)表示有效字符区域在对比度增强后的二值图像中像素(x，y)处的灰度值；

(45)串联待测车牌图像的灰度直方图统计特征和垂直投影特征，得到待测车牌图像的全局统计特征；

(5)获取待测车牌图像的局部分布特征，包括：

(51)采用以下公式，将有效字符区域在对比度增强后划分成n_h*n_m个局部子区域：

$\left\{\begin{array}{c}{n}_h=\frac{\mathrm{Ih}}{{\mathrm{small}}_h}\\ n_m=\frac{\mathrm{Iw}}{{\mathrm{small}}_w}\end{array}\right.$

其中，small_w、small_h分别表示局部子区域的宽度和高度，Iw、Ih分别表示有效字符区域的宽度和高度；

(52)将每个局部子区域作为一个像素，该像素的灰度值为整个局部子区域的灰度均值，得到广义有效字符区域；

(53)采用以下公式，获取广义有效字符区域的LBP变换特征值：

L(x_c，y_c)＝∑s(g(x_n，y_n)-g(x_c，y_c))*2ⁿ

$s(g(x_n,y_n)-g(x_c,y_c))=\left\{\begin{array}{cc}1& g(x_n,y_n)\&GreaterEqual;g(x_c,y_c)\\ 0& g(x_n,y_n)<g(x_c,y_c)\end{array}\right.$

其中，L(x_c，y_c)表示广义有效字符区域像素(x_c，y_c)的LBP变换特征值，g(x_c，y_c)表示广义有效字符区域像素(x_c，y_c)处的灰度值，g(x_n，y_n)表示像素(x_c，y_c)的邻域内像素(x_n，y_n)处的灰度值；

(54)将广义有效字符区域所有像素的LBP变换特征值串联起来，得到待测车牌图像的局部分布特征；

(6)顺序串联待测车牌图像的全局统计特征和局部分布特征，得到待测车牌图像的综合特征向量；

(7)将待测车牌图像的综合特征向量输入Bayes分类器，计算待测车牌图像的综合特征向量属于某一类的概率，选择最大概率值对应的类别作为待测车牌图像中的车牌颜色类型。

所述的基于Bayes的车牌颜色判断方法，所述步骤(3)中，采用以下公式，对待测车牌图像的有效字符区域进行对比度增强：

$g(x,y)=\left\{\begin{array}{cc}0& f(x,y)\&le;t_{\min }\\ \frac{f(x,y)-t_{\min }}{t_{\max }-t_{\min }}& t_{\min }<f(x,y)<t_{\max }\\ 255& f(x,y)\&GreaterEqual;t_{\max }\end{array}\right.$

其中，g(x，y)表示有效字符区域在对比度增强后像素(x，y)处的灰度值，f(x，y)表示有效字符区域在对比度增强前像素(x，y)处的灰度值，t_min表示有效字符区域在对比度增强前像素灰度最小值加上10，t_max表示有效字符区域在对比度增强前像素灰度最大值减去10。

所述的基于Bayes的车牌颜色判断方法，所述步骤(7)中，采用以下公式，计算待测车牌图像的综合特征向量属于某一类的概率：

$\mathrm{pi}\left(X\right)=\mathrm{Pi}*\frac{1}{2\mathrm{\&pi;}{\left|C\right|}^{0.5}}{e}^{[-0.5*(X-u)C^{-1}{(X-u)}^T]}$

其中，pi(X)表示待测车牌图像的综合特征向量属于某一类的概率，X表示待测车牌图像的综合特征向量，Pi表示某一类目标的训练样本个数占总训练样本个数的比例，u表示某一类目标的特征向量的各维元素的对应均值，C表示某一类目标的特征向量的各维元素的协方差矩阵。

由上述技术方案可知，本发明综合采用了车牌的全局统计特征和局部分布特征，特征更加强健，对于车牌偏色和污迹等干扰，具有更强的鲁棒性；基于Bayes分类器进行车牌颜色类型判断，判断结果更加准确。

附图说明

图1是本发明的方法流程图；

图2是本发明例图的尺寸归一化图像；

图3是本发明例图的有效字符区域；

图4是有效字符区域的对比度增强图；

图5是有效字符区域的灰度直方图；

图6是有效字符区域的垂直投影图；

图7是有效字符区域的局部子区域划分图。

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Bayes的车牌颜色判断方法，包括以下步骤：

S1、对待测车牌图像进行尺寸归一化，消除不同尺寸造成的影响，效果如图2所示。

S2、选取待测车牌图像的有效字符区域，具体做法是选择归一化后的待测车牌图像中心的0.8Image_width*0.6Image_height区域，以消除车牌边框等区域的干扰，效果如图3所示。

S3、采用公式(1)，对待测车牌图像的有效字符区域进行对比度增强，效果如图4所示：

$g(x,y)=\left\{\begin{array}{cc}0& f(x,y)\&le;t_{\min }\\ \frac{f(x,y)-t_{\min }}{t_{\max }-t_{\min }}& t_{\min }<f(x,y)<t_{\max }\\ 255& f(x,y)\&GreaterEqual;t_{\max }\end{array}\right.---\left(1\right)$

其中，g(x，y)表示有效字符区域在对比度增强后像素(x，y)处的灰度值，f(x，y)表示有效字符区域在对比度增强前像素(x，y)处的灰度值，t_min表示有效字符区域在对比度增强前像素灰度最小值加上10，t_max表示有效字符区域在对比度增强前像素灰度最大值减去10。

S4、获取待测车牌图像的全局统计特征。对于不同颜色类型的车牌，字符区域和背景区域的像素比例明显不同，因此，采用基于统计的全局颜色特征，可以很好地区分车牌颜色类型。具体步骤如下：

S41、获取待测车牌图像的灰度直方图统计特征，具体步骤如下：

S411、按照公式(2)，获取有效字符区域在对比度增强后的灰度直方图h[i]，效果如图5所示：

$h\left[i\right]=\left\{\begin{array}{cc}h\left[i\right]+1& g(x,y)=i\\ h\left[i\right]& g(x,y)!=i\end{array}\right.---\left(2\right)$

其中，g(x，y)表示有效字符区域在对比度增强后像素(x，y)处的灰度值，i表示灰度级，取值是0～255，h[i]表示有效字符区域在对比度增强后具有灰度级i的像素的个数。

S412、按照公式(3)，获取待测车牌图像的灰度直方图统计特征F[j]：

$F\left[j\right]=\min \left\{i\right|\underset{i=0}{\mathrm{\&Sigma;}}h\left[i\right]\&GreaterEqual;N*\mathrm{\&alpha;}\left[j\right]\}---\left(3\right)$

其中，j表示序号，对应取值范围是0～8，min函数的功能是选择最小的元素，从i＝0开始，对h[i]进行累加计算，找出满足∑_i＝0h[i]≥N*α[j]的最小的i，作为F[j]的取值，N表示待测车牌图像有效字符区域的像素总数，α[j]表示比例因子，对应取值范围是{0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9}，即α[0]＝0.1，α[1]＝0.2，…，依次类推。

S42、获取待测车牌二值图像的垂直投影特征，具体步骤如下：

S421、基于公式(4)，获取有效字符区域在对比度增强后的二值图像bin(x，y)：

$\mathrm{bin}(x,y)=\left\{\begin{array}{cc}255& g(x,y)-\frac{1}{n}\mathrm{\&Sigma;g}(x_i,y_i)\&GreaterEqual;0\\ 0& g(x,y)-\frac{1}{n}\mathrm{\&Sigma;g}(x_i,y_i)<0\end{array}\right.---\left(4\right)$

其中，bin(x，y)表示二值图像中像素(x，y)处的灰度值，g(x，y)表示有效字符区域在对比度增强后像素(x，y)处的灰度值，g(x_i，y_i)表示以(x，y)为中心的15邻域内像素(x_i，y_i)处的灰度值，n表示以(x，y)为中心的15邻域内的像素个数。

S422、形态学闭运算，连接较小的缝隙；

S423、去除面积较小的前景区域块；

S424、基于公式(5)，获取待测车牌二值图像的垂直投影特征hv[x]，效果如图6所示：

$\mathrm{hv}\left[x\right]=\left\{\begin{array}{cc}\mathrm{hv}\left[x\right]+1& \mathrm{bin}(x,y)=255\\ \mathrm{hv}\left[x\right]& \mathrm{bin}(x,y)=0\end{array}\right.---\left(5\right)$

其中，hv[x]表示待测车牌图像的二值图像中第x列所有前景目标个数，bin(x，y)表示二值图像中像素(x，y)处的灰度值。

S43、获取待测车牌图像的全局统计特征，主要是通过串联待测车牌图像的灰度直方图统计特征和二值垂直投影特征得到。

S5、获取待测车牌图像的局部分布特征。对于不同颜色类型的车牌，由于字符区域和字符之间的背景区域的灰度分布存在明显不同，因此，局部分布特征可以很好地区分车牌颜色类型。具体步骤如下：

S51、按照公式(6)，将有效字符区域在对比度增强后划分成n_h*n_m个局部子区域，效果如图7所示：

$\left\{\begin{array}{c}{n}_h=\frac{\mathrm{Ih}}{{\mathrm{small}}_h}\\ n_m=\frac{\mathrm{Iw}}{{\mathrm{small}}_w}\end{array}\right.---\left(6\right)$

其中，small_w、small_h分别表示局部子区域的宽度和高度，Iw、Ih分别表示有效字符区域的宽度和高度。

S52、获取广义有效字符区域，具体做法是将每个局部子区域作为一个像素，该像素的灰度值是整个局部子区域的灰度均值；

S53、按照公式(7)和公式(8)，获取广义有效字符区域的LBP变换特征值L(x_c，y_c)：

$L(x_c,y_c)=\underset{n=0}{\overset{7}{\mathrm{\&Sigma;}}}s(g(x_n,y_n)-g(x_c,y_c))*2^n---\left(7\right)$

$s(g(x_n,y_n)-g(x_c,y_c))=\left\{\begin{array}{cc}1& g(x_n,y_n)\&GreaterEqual;g(x_c,y_c)\\ 0& g(x_n,y_n)<g(x_c,y_c)\end{array}\right.---\left(8\right)$

其中，L(x_c，y_c)表示广义有效字符区域像素(x_c，y_c)的LBP变换特征值，g(x_c，y_c)表示广义有效字符区域像素(x_c，y_c)处的灰度值，g(x_n，y_n)表示像素(x_c，y_c)的8邻域内像素(x_n，y_n)处的灰度值。

S54、按照行优先顺序将广义有效字符区域所有像素的LBP变换特征值串联起来，作为待测车牌图像的局部分布特征。

S6、获取待测车牌图像的综合特征向量，具体做法是顺序串联待测车牌图像的全局统计特征和局部分布特征。

S7、判断待测车牌图像中的车牌颜色类型，具体步骤如下：

S71、将待测车牌图像的综合特征向量输入Bayes分类器，按照公式(9)，计算待测车牌图像的综合特征向量属于某一类的概率pi(X)：

$\mathrm{pi}\left(X\right)=\mathrm{Pi}*\frac{1}{2\mathrm{\&pi;}{\left|C\right|}^{0.5}}{e}^{[-0.5*(X-u)C^{-1}{(X-u)}^T]}---\left(9\right)$

其中，X表示待测车牌图像的综合特征向量，Pi、u、C是经过Bayes分类器训练得到的，Pi表示某一类目标的训练样本个数占总训练样本个数的比例，u表示某一类目标的特征向量的各维元素的对应均值，C表示某一类目标的特征向量的各维元素的协方差矩阵，训练Bayes分类器是在整个识别过程之前进行的。

S72、选择最大概率值对应的类别作为待测车牌图像中的车牌颜色类型。

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 (3)

1.一种基于Bayes的车牌颜色判断方法，其特征在于，该方法包括以下步骤：

(1)对待测车牌图像进行尺寸归一化；

(2)选取归一化后的待测车牌图像的有效字符区域；

(3)对待测车牌图像的有效字符区域进行对比度增强；

(4)获取待测车牌图像的全局统计特征，包括：

(41)获取有效字符区域在对比度增强后的灰度直方图；

(42)采用以下公式，获取待测车牌图像的灰度直方图统计特征；

$F\left[j\right]=\min \left\{i\right|\underset{i=0}{\mathrm{\&Sigma;}}h\left[i\right]\&GreaterEqual;N*\mathrm{\&alpha;}\left[i\right]\}$

其中，F[j]表示待测车牌图像的灰度直方图统计特征，j表示序号，α[j]表示比例因子，N表示待测车牌图像有效字符区域的像素总数，h[i]表示有效字符区域在对比度增强后的灰度直方图，i表示灰度级，min函数的功能是选择满足条件Σ_i=0h[i]≥N*α[j]的最小的i；

(43)获取有效字符区域在对比度增强后的二值图像；

(44)采用以下公式，获取待测车牌二值图像的垂直投影特征：

$\mathrm{hv}\left[x\right]=\left\{\begin{array}{cc}\mathrm{hv}\left[x\right]+1& \mathrm{bin}(x,y)=255\\ \mathrm{hv}\left[x\right]& \mathrm{bin}(x,y)=0\end{array}\right.$

其中，hv[x]表示待测车牌二值图像的垂直投影特征，即有效字符区域在对比度增强后的二值图像中第x列所有前景目标个数，bin(x，j)表示有效字符区域在对比度增强后的二值图像中像素(x，y)处的灰度值；

(45)串联待测车牌图像的灰度直方图统计特征和垂直投影特征，得到待测车牌图像的全局统计特征；

(5)获取待测车牌图像的局部分布特征，包括：

(51)采用以下公式，将有效字符区域在对比度增强后划分成n_h*n_m个局部子区域：

$\left\{\begin{array}{c}{n}_h=\frac{\mathrm{Ih}}{{\mathrm{small}}_h}\\ n_m=\frac{\mathrm{Iw}}{{\mathrm{small}}_w}\end{array}\right.$

其中，small_w、small_h分别表示局部子区域的宽度和高度，Iw、Ih分别表示有效字符区域的宽度和高度；

(52)将每个局部子区域作为一个像素，该像素的灰度值为整个局部子区域的灰度均值，得到广义有效字符区域；

(53)采用以下公式，获取广义有效字符区域的LBP变换特征值：

$L(x_c,y_c)=\mathrm{\&Sigma;s}(g(x_n,y_n)-g(x_c,y_c))*2^n$

$s(g(x_n,y_n)-g(x_c,y_c))=\left\{\begin{array}{cc}1& g(x_n,y_n)\&GreaterEqual;g(x_c,y_c)\\ 0& g(x_n,y_n)<g(x_c,y_c)\end{array}\right.$

其中，L(x_c，y_c)表示广义有效字符区域像素(x_c，y_c)的LBP变换特征值，g(x_c，y_c)表示广义有效字符区域像素(x_c，y_c)处的灰度值，g(x_n，y_n)表示像素(xc，yc)的领域内像素(xn，yn)处的灰度值；

(54)将广义有效字符区域所有像素的LBP变换特征值串联起来，得到待测车牌图像的局部分布特征；

(6)顺序串联待测车牌图像的全局统计特征和局部分布特征，得到待测车牌图像的综合特征向量；

(7)将待测车牌图像的综合特征向量输入Bayes分类器，计算待测车牌图像的综合特征向量属于某一类的概率，选择最大概率值对应的类别作为待测车牌图像中的车牌颜色类型。

2.根据权利要求1所述的基于Bayes的车牌颜色判断方法，其特征在于，所述步骤(3)中，采用以下公式，对待测车牌图像的有效字符区域进行对比度增强：

$g(x,y)=\left\{\begin{array}{cc}0& f(x,y)\&le;t_{\min }\\ \frac{f(x,y)-t_{\min }}{t_{\max }-t_{\min }}& t_{\min }<f(x,y)<t_{\max }\\ 255& f(x,y)\&GreaterEqual;t_{\max }\end{array}\right.$

其中，g(x，y)表示有效字符区域在对比度增强后像素(x，y)处的灰度值，f(x，y)表示有效字符区域在对比度增强前像素(x，y)处的灰度值，t_min表示有效字符区域在对比度增强前像素灰度最小值加上10，t_max示有效字符区域在对比度增强前像素灰度最大值减去10。

3.根据权利要求1所述的基于Bayes的车牌颜色判断方法，其特征在于，所述步骤(7)中，采用以下公式，计算待测车牌图像的综合特征向量属于某一类的概率：

$\mathrm{pi}\left(X\right)=\mathrm{Pi}*\frac{1}{2\mathrm{\&pi;}|{C|}^{0.5}}{e}^{[-0.5*(X-u)C^{-1}{(X-u)}^T]}$

其中，pi(X)表示待测车牌图像的综合特征向量属于某一类的概率，X表示待测车牌图像的综合特征向量，Pi表示某一类目标的训练样本个数占总训练样本个数的比例，u表示某一类目标的特征向量的各维元素的对应均值，C表示某一类目标的特征向量的各维元素的协方差矩阵。