CN105469384A - 车牌图像质量的综合评价方法 - Google Patents

Abstract

本发明提供了一种广泛适用于不同场景中的车牌图像质量的综合评价方法，从实际车牌图像的空间分辨率、频率特征、灰度垂直投影产生的峰谷交替特征、色彩与标准颜色的偏差特征四个方面综合分析车牌图像的质量，基本涵盖了对监控场景等较为恶劣情况下各类型低质量车牌图像的区分能力。本方案提供普通、快速两种评价方式，其中普通方法需要用户对车牌在图像中的四个角点进行人为标定，而快速方法要求车牌面积占到车牌图像面积的一半及以上。本方案可用于判断车牌图像是否达到可识别标准以及对不能达到可识别标准的车牌图像分析其低质量的原因所在。

Description

车牌图像质量的综合评价方法

技术领域

本发明涉及图像处理领域的图像质量评估，尤其涉及盲源图像质量评估。

背景技术

车牌信息是视频监控领域中非常重要的信息之一，常常成为案件侦破的关键因素。而常见的车牌识别、车牌重建等工作往往需要对批量车牌图像按照不同质量进行分类，消耗大量时间。除此之外，一幅车牌图像的质量是否达到标准以及对不达标的图像分析其低质量的原因已经成为车牌重建中亟需解决的一个问题。

车牌图像质量评估属于盲源质量评估，通常采用通用的图像质量评价标准，对车牌这一特定对象本身特点利用不充分，对视频监控等特殊场景常见的降质特点针对性不足，评价结果往往达不到预期。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种考虑多因素的车牌图像质量综合评价方法。

本发明解决其技术问题所采用的技术方案是：

车牌图像质量的综合评价方法，包括：

S1、建立清晰可识别车牌图像及模糊不可识别车牌图像样本库，训练得到样本库车牌图像的频率特征、颜色特征区分能力最强的超平面方程参数；

S2、由用户输入目标车牌图像及其颜色并选择普通或快速方法，判断目标车牌图像是否经过最近邻插值的拉伸，若是，则将目标车牌图像还原为实际空间分辨率，并记录其分辨率值，反之将输入目标车牌图像空间分辨率大小作为实际空间分辨率；

S3、对目标车牌图像进行DCT变换，对变换结果进行处理后记录为此目标车牌图像的频率特征；

S4、判断用户是否选择快速方法，若是，直接执行步骤S5，否则由用户交互式标定目标车牌图像中车牌本身的四个角点，将车牌进行几何校成为正矩形并去除其背景，代替原图作为目标车牌图像；

S5、对目标车牌图像的灰度图进行垂直投影并进行一维中值滤波，计算投影结果中同一数值出现最多的次数，记录此数目作为目标车牌图像的灰度投影特征；

S6、判断目标车牌图像是否为彩色图像，若不是，直接执行步骤S7，反之对目标车牌图像进行颜色聚类，找出所有聚类中心中距离车牌标准蓝色、标准黄色中心的最短距离，结合用户输入的车牌颜色记录为目标车牌图像的颜色特征；

S7、对之前得到的若干种特征分别与预先设置的阈值进行比较，判断其是否达到标准，若其中任何一个特征未达到标准则判断目标车牌质量未达标，反之判断其达标。

进一步，所述步骤S1，其具体为：

频率特征、颜色特征均为二维特征(具体生成方式如S3、S6所述)，分为可识别、不可识别两类，在此情况下区分两类样本的超平面退化为二维平面中的一条直线，该直线在平面中大致划分两类样本，满足分类错误率最小，具体如下：

直线方程为：ω₁x₁+ω₂x₂+b＝0

$<{\mathrm{\&omega;}}_1*,{\mathrm{\&omega;}}_2*,b*>=\underset{{\mathrm{\&omega;}}_1,{\mathrm{\&omega;}}_2,b}{\mathrm{argmax}}|\underset{i\&Element;C_1}{\mathrm{\&Sigma;}}sign({\mathrm{\&omega;}}_1{x}_{i1}+{\mathrm{\&omega;}}_2{x}_{i2}+b)-\underset{i\&Element;C_2}{\mathrm{\&Sigma;}}sign({\mathrm{\&omega;}}_1{x}_{i1}+{\mathrm{\&omega;}}_2{x}_{i2}+b)|$

其中ω₁,ω₂,b为直线参数，C₁,C₂为两类样本组，上述公式表示该直线满足其分割两侧分类错误率最小。

进一步，所述步骤S2中实际分辨率的判断，包括：

S21、对目标车牌图像进行边缘检测，并在垂直、水平方向上分别进行形态学腐蚀操作，得到两幅表示目标车牌图像水平、垂直边缘的二值图像；

S22、以水平边缘图像为例，设定阈值为图像水平像素总数的三分之一，记录‘1’的数目超过这一阈值的行序号，将其序号排列为一个水平边缘数组。垂直边缘图像同理操作；

S23、以水平边缘数组为例，计算数组相邻序号间的差值，去除超过图像行数1/5的值并对余下的并进行排序，从大到小进行一次循环，如果发现存在更小的差值满足：边缘图像中到这两条直线的距离为差值的若干倍的位置存在较多的直线，则将这一差值记录为最小循环行间距，若没有任何满足的差值，则默认设为图像行数，同理得到最小循环列间距；

S24、取最小循环行间距、最小循环列间距中较大值作为空间分辨率网格宽度，若这一值为图像的行数或列数，则重置为1，认为原图不明显存在大量相同大小的网格，即不存在基于最近邻插值的拉伸现象；

S25、若判断原图存在最近邻插值的拉伸现象，则将其实际空间分辨率置为原始分辨率行数、列数分别除以网格宽度的值，将原图下采样到原始分辨率大小并代替原图像作为目标车牌图像。

进一步，所述步骤S3，其具体为：

S31、对目标车牌图像进行DCT变换，将变换结果图像归一化为len*len的正方形；

S32、对结果图像每条反对角线上的值求和，生成2*len-1维向量，并求出该向量元素总和；

S33、以len/3作为分界，将向量分为前后两部分，分别对两部分元素求和后除以总和作为该目标车牌图像的低频特征和高频特征，并将这两个特征组合成频率特征。

进一步，所述步骤S5中灰度投影特征具体意义为：

可识别的车牌图像中字符与背景灰度差异较大，进行垂直投影后的投影图像峰谷交替特征非常明显，灰度投影特征即投影图像最多被一条水平直线穿过的次数，而不可识别的车牌图像往往表现为峰谷交替不明显或因为噪声产生峰谷交替次数过多的现象。

这一特征只有落在给定的阈值上下限之间才被认为达标。

进一步，所述步骤S6，其具体为：

对目标车牌图像进行颜色聚类，找出若干聚类中心，因为只有蓝色和黄色车牌经过这个处理步骤，若车牌颜色为蓝色，则使用标准车牌蓝色作为颜色正标准，标准车牌黄色作为颜色负标准，以车牌颜色聚类的各个核心距离这两个标准的最近距离作为二维的颜色特征。若车牌颜色为黄色，交换这两个元素的位置。

进一步，所述步骤S7，其具体为：

S71、实际分辨率行、列均大于设定阈值则表示该参数达到标准，反之不达标；

S72、频率特征的分类结果属于达标类则表示该参数达到标准，反之不达标；

S73、灰度投影特征值位于设定的阈值区域中则表示该参数达到标准，反之不达标；

S74、对于彩色图像，其颜色特征的分类结果属于达标类则表示该参数达到标准，反之不达标；

S75、对于灰度、彩色图像综合考虑之前3-4个指标，有任何一个不达标均将目标车牌图像判断为不达标，反之判为达标。

分类函数为：f(x)＝sign(ω₁x₁+ω₂x₂+b)

其中x为输入特征(频率特征或颜色特征)，ω₁,ω₂,b为直线参数，通过这一公式对输入特征进行分类，判断分类结果属于达标类或不达标类。

进一步，所述步骤S1-S7的顺序必须严格约束，具体为：

步骤S7综合S1、S2、S3、S5、S6的结果，必须位于最后；

步骤S4会影响S2中需要判断的边缘网格化现象，以及对S3的频率特征结果产生影响，必须位于S2、S3之后；

步骤S3得出的频率特征会因为图像未经过S2的实际分辨率处理而误判为严重缺失高频成分，必须位于S2之后；

步骤S4在普通方法下使得S5、S6的结果更加准确，必须位于S5、S6之前。

有益效果

本发明的车牌图像质量的综合评价方法，包括：以车牌图像实际分辨率、频率特征、灰度投影特征、颜色特征四个方面作为判断标准，收集大量达标、未达标车牌进行建库、特征训练，将人工判断结合训练结果作为各个判断标准的判断参数，对车牌图像质量进行综合判断。本方法提供了一种有效评价车牌图像质量的方法，可用于车牌图像分类、判断目标车牌图像是否达到标准以及对不达标的图像分析其低质量的原因。

附图说明

图1是本发明的车牌图像质量的综合评价方法的流程示意图；

图2是本发明的实施例一中用于进行评估的经过最近邻拉伸的高质量车牌图像；

图3是本发明的实施例一中对图2的车牌进行边缘检测的结果；

图4是本发明的实施例一中对图2的车牌进行归一化DCT变换的结果；

图5是本发明的实施例一中对图2的车牌进行灰度垂直投影的结果；

图6是本发明的实施例二中用于进行评估的低质量车牌图像。

图7是本发明的实施例二中对图6的车牌进行边缘检测的结果；

图8是本发明的实施例二中对图6的车牌进行归一化DCT变换的结果；

图9是本发明的实施例二中对图6的车牌进行灰度垂直投影的结果。

具体实施方式

参照图1，本发明提供了车牌图像质量的综合评价方法，包括：

S1、立清晰可识别车牌图像及模糊不可识别车牌图像样本库，训练得到样本库车牌图像的频率特征、颜色特征区分能力最强的超平面方程参数；

S2、由用户输入目标车牌图像及其颜色并选择普通或快速方法，判断目标车牌图像是否经过最近邻插值的拉伸，若是，则将目标车牌图像还原为实际空间分辨率，并记录其分辨率值，反之将输入目标车牌图像空间分辨率大小作为实际空间分辨率；

S3、对目标车牌图像进行DCT变换，对变换结果进行处理后记录为此目标车牌图像的频率特征；

S4、判断用户是否选择快速方法，若是，直接执行步骤S5，否则由用户交互式标定目标车牌图像中车牌本身的四个角点，将车牌进行几何校成为正矩形并去除其背景，代替原图作为目标车牌图像；

S5、对目标车牌图像的灰度图进行垂直投影并进行一维中值滤波，计算投影结果中同一数值出现最多的次数，记录此数目作为目标车牌图像的灰度投影特征；

S6、判断目标车牌图像是否为彩色图像，若不是，直接执行步骤S7，反之对目标车牌图像进行颜色聚类，找出所有聚类中心中距离车牌标准蓝色、标准黄色中心的最短距离，结合用户输入的车牌颜色记录为目标车牌图像的颜色特征；

S7、对之前得到的若干种特征分别与预先设置的阈值进行比较，判断其是否达到标准，若其中任何一个特征未达到标准则判断目标车牌质量未达标，反之判断其达标。

进一步作为优选的实施方式，所述步骤S1，其具体为：

频率特征、颜色特征均为二维特征(具体生成方式如S3、S6所述)，分为可识别、不可识别两类，在此情况下区分两类样本的超平面退化为二维平面中的一条直线，该直线在平面中大致划分两类样本，满足分类错误率最小，具体如下：

直线方程为：ω₁x₁+ω₂x₂+b＝0

$<{\mathrm{\&omega;}}_1*,{\mathrm{\&omega;}}_2*,b*>=\underset{{\mathrm{\&omega;}}_1,{\mathrm{\&omega;}}_2,b}{\mathrm{argmax}}|\underset{i\&Element;C_1}{\mathrm{\&Sigma;}}sign({\mathrm{\&omega;}}_1{x}_{i1}+{\mathrm{\&omega;}}_2{x}_{i2}+b)-\underset{i\&Element;C_2}{\mathrm{\&Sigma;}}sign({\mathrm{\&omega;}}_1{x}_{i1}+{\mathrm{\&omega;}}_2{x}_{i2}+b)|$

其中ω₁,ω₂,b为直线参数，C₁,C₂为两类样本组，该公式表示该直线满足其分割两侧分类错误率最小。

进一步作为优选的实施方式，所述步骤S2中实际分辨率的判断，包括：

S21、对目标车牌图像进行边缘检测，并在垂直、水平方向上分别进行形态学腐蚀操作，得到两幅表示目标车牌图像水平、垂直边缘的二值图像；

S22、以水平边缘图像为例，设定阈值为图像水平像素总数的三分之一，记录‘1’的数目超过这一阈值的行序号，将其序号排列为一个水平边缘数组。垂直边缘图像同理操作；

S23、以水平边缘数组为例，计算数组相邻序号间的差值，去除超过图像行数1/5的值并对余下的并进行排序，从大到小进行一次循环，如果发现存在更小的差值满足：边缘图像中到这两条直线的距离为差值的若干倍的位置存在较多的直线，则将这一差值记录为最小循环行间距，若没有任何满足的差值，则默认设为图像行数，同理得到最小循环列间距；

S24、取最小循环行间距、最小循环列间距中较大值作为空间分辨率网格宽度，若这一值为图像的行数或列数，则重置为1，认为原图不明显存在大量相同大小的网格，即不存在基于最近邻插值的拉伸现象。

S25、若判断原图存在最近邻插值的拉伸现象，则将其实际空间分辨率置为原始分辨率行数、列数分别除以网格宽度的值，将原图下采样到原始分辨率大小并代替原图像作为目标车牌图像。

进一步作为优选的实施方式，所述步骤S3，其具体为：

S31、对目标车牌图像进行DCT变换，将变换结果图像归一化为len*len的正方形；

S32、对结果图像每条反对角线上的值求和，生成2*len-1维向量，并求出该向量元素总和；

S33、以len/3作为分界，将向量分为前后两部分，分别对两部分元素求和后除以总和作为该目标车牌图像的低频特征和高频特征，并将这两个特征组合成频率特征。

进一步作为优选的实施方式，所述步骤S5中灰度投影特征具体意义为：

可识别的车牌图像中字符与背景灰度差异较大，进行垂直投影后的投影图像峰谷交替特征非常明显，灰度投影特征即投影图像最多被一条水平直线穿过的次数，而不可识别的车牌图像往往表现为峰谷交替不明显或因为噪声产生峰谷交替次数过多的现象。这一特征只有落在给定的阈值上下限之间才被认为达标。

进一步作为优选的实施方式，所述步骤S6，其具体为：

对目标车牌图像进行颜色聚类，找出若干聚类中心，因为只有蓝色和黄色车牌经过这个处理步骤，若车牌颜色为蓝色，则使用标准车牌蓝色作为颜色正标准，标准车牌黄色作为颜色负标准，以车牌颜色聚类的各个核心距离这两个标准的最近距离作为二维的颜色特征。若车牌颜色为黄色，交换这两个元素的位置。

进一步作为优选的实施方式，所述步骤S7，其具体为：

S71、实际分辨率行、列均大于设定阈值则表示该参数达到标准，反之不达标；

S72、频率特征的分类结果属于达标类则表示该参数达到标准，反之不达标；

S73、灰度投影特征值位于设定的阈值区域中则表示该参数达到标准，反之不达标；

S74、对于彩色图像，其颜色特征的分类结果属于达标类则表示该参数达到标准，反之不达标；

S75、对于灰度、彩色图像综合考虑之前3-4个指标，有任何一个不达标均将目标车牌图像判断为不达标，反之判为达标。

分类函数为：f(x)＝sign(ω₁x₁+ω₂x₂+b)

其中x为输入特征(频率特征或颜色特征)，ω₁,ω₂,b为直线参数，通过这一公式对输入特征进行分类，判断分类结果属于达标类或不达标类。

进一步作为优选的实施方式，所述步骤S1-S7的顺序必须严格约束，具体为：

步骤S7综合S1、S2、S3、S5、S6的结果，必须位于最后；

步骤S4会影响S2中需要判断的边缘网格化现象，以及对S3的频率特征结果产生影响，必须位于S2、S3之后；

步骤S3得出的频率特征会因为图像未经过S2的实际分辨率处理而误判为严重缺失高频成分，必须位于S2之后；

步骤S4在普通方法下使得S5、S6的结果更加准确，必须位于S5、S6之前。

以下结合具体实施例对本发明做详细说明。

实施例一

参照图1，车牌图像质量的综合评价方法，包括：

S1、建立清晰可识别车牌图像及模糊不可识别车牌图像样本库，训练得到对其频率特征、颜色特征区分能力最强的超平面方程参数，为之后目标车牌图像的频率特征、颜色特征的分类提供参数。

S2、参照图2，本实施例使用普通方法，输入一幅经过最近邻插值拉伸的可识别车牌图像，其经过边缘检测后的结果如图3所示，可以明显看到边缘图像中存在大量同尺寸紧邻排列的网格，通过进一步计算得出网格边长用于计算目标车牌图像的实际空间分辨率，再将目标车牌图像转化为实际空间分辨率大小。

S3、对目标车牌图像进行归一化DCT变换，如图4，对变换结果进行处理，记录为此图像频率特征；

S4、此处使用普通方法，由用户在目标车牌图像中标定车牌部分的四个角点，用经过几何变换后的车牌部分图像代替原目标车牌图像；

S5、对目标车牌图像的灰度图进行垂直投影并进行一维中值滤波，如图5，计算投影结果中同一数值出现最多的次数，即图5中曲线与任意一条水平直线最多有多少交点，记录此数目作为此图像灰度投影特征；

S6、由于目标车牌图像为彩色图像，对目标车牌图像进行颜色聚类，找出所有聚类中心中距离车牌标准蓝色、标准黄色中心的最短距离，结合用户输入的车牌颜色记录为此图像颜色特征；

S7、对之前得到的五种特征分别与预设阈值进行比较，由于各项均达标，所以判断目标车牌图像质量达到标准，具体为：

目标车牌图像在分辨率还原到实际空间分辨率后仍然满足分辨率最低要求；

目标车牌图像在分辨率还原后频率特征分类结果属于达标类(分辨率还原前属于不达标类)；

目标车牌图像灰度投影特征位于设定阈值区间之内，判断为达标，若低于此阈值区间则判断为过于模糊，高于此阈值区间则判断为噪声过大；

目标车牌图像颜色偏差分类结果属于达标类。

实施例二

本实施示例与实施例一基本相似，区别在于：

S2、参照图6，本实施例使用快速方法，输入一幅模糊程度较高的不可识别车牌图像，其经过边缘检测后的结果如图7所示，不存在明显的网格现象，故判断其实际空间分辨率为输入空间分辨率；

S3、其归一化DCT变换如图8，高频成分明显不足；

S4、此处使用快速方法，跳过标定车牌角点的步骤，不改变目标车牌图像；

S5、对目标车牌图像的灰度图进行垂直投影并进行一维中值滤波，如图9，此处可以明显发现垂直投影特征峰谷交替现象不明显；

S6、由于目标车牌图像为彩色图像，对目标车牌图像进行颜色聚类，找出所有聚类中心中距离车牌标准蓝色、标准黄色中心的最短距离，结合用户输入的车牌颜色记录为此图像颜色特征；

S7、对之前得到的五种特征分别与预设阈值进行比较，由于存在不达标项，所以判断目标车牌图像质量未达到标准，具体为：

目标车牌图像在分辨率还原到实际分辨率后仍然满足分辨率最低要求；

目标车牌图像频率特征分类结果属于不达标类；

目标车牌图像灰度投影特征低于阈值区间，判为不达标；

目标车牌图像颜色偏差分类结果属于达标类。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.车牌图像质量的综合评价方法，其特征在于以下实现步骤：

S1、建立清晰可识别车牌图像及模糊不可识别车牌图像样本库，训练得到样本库车牌图像的频率特征、颜色特征区分能力最强的超平面方程参数；

S2、由用户输入目标车牌图像及其颜色并选择普通或快速方法，判断目标车牌图像是否经过最近邻插值的拉伸，若是，则将目标车牌图像还原为实际空间分辨率，并记录其分辨率值，反之将输入目标车牌图像空间分辨率大小作为实际空间分辨率；

S3、对目标车牌图像进行DCT变换，对变换结果进行处理后记录为此目标车牌图像的频率特征；

S4、判断用户是否选择快速方法，若是，直接执行步骤S5，否则由用户交互式标定目标车牌图像中车牌本身的四个角点，将车牌进行几何校成为正矩形并去除其背景，代替原图作为目标车牌图像；

S5、对目标车牌图像的灰度图进行垂直投影并进行一维中值滤波，计算投影结果中同一数值出现最多的次数，记录此数目作为目标车牌图像的灰度投影特征；

S6、判断目标车牌图像是否为彩色图像，若不是，直接执行步骤S7，反之对目标车牌图像进行颜色聚类，找出所有聚类中心中距离车牌标准蓝色、标准黄色中心的最短距离，结合用户输入的车牌颜色记录为目标车牌图像的颜色特征；

S7、对之前得到的若干种特征分别与预先设置的阈值进行比较，判断其是否达到标准，若其中任何一个特征未达到标准则判断目标车牌质量未达标，反之判断其达标。

2.根据权利要求1所述的车牌图像质量的综合评价方法，其特征在于，所述步骤S1具体为：

频率特征、颜色特征均为二维特征，分为可识别、不可识别两类，在此情况下区分两类样本的超平面退化为二维平面中的一条直线，该直线在平面中大致划分两类样本，满足分类错误率最小，具体如下：

直线方程为：ω₁x₁+ω₂x₂+b＝0

其中ω₁,ω₂,b为直线参数，C₁,C₂为两类样本组，上述公式表示该直线满足其分割两侧分类错误率最小。

3.根据权利要求1所述的车牌图像质量的综合评价方法，其特征在于，所述步骤S2中实际空间分辨率的判断，包括：

S21、对目标车牌图像进行边缘检测，并在垂直、水平方向上分别进行形态学腐蚀操作，得到两幅表示目标车牌图像水平、垂直边缘的二值图像；

S22、以水平边缘图像为例，设定阈值为图像水平像素总数的三分之一，记录‘1’的数目超过这一阈值的行序号，将其序号排列为一个水平边缘数组，垂直边缘图像同理操作；

S23、以水平边缘数组为例，计算数组相邻序号间的差值，去除超过图像行数1/5的值并对余下的并进行排序，从大到小进行一次循环，如果发现存在更小的差值满足：边缘图像中到这两条直线的距离为差值的若干倍的位置存在较多的直线，则将这一差值记录为最小循环行间距，若没有任何满足的差值，则默认设为图像行数，同理得到最小循环列间距；

S24、取最小循环行间距、最小循环列间距中较大值作为空间分辨率网格宽度，若这一值为图像的行数或列数，则重置为1，认为原图不明显存在大量相同大小的网格，即不存在基于最近邻插值的拉伸现象；

S25、若判断原图存在最近邻插值的拉伸现象，则将其实际空间分辨率置为原始分辨率行数、列数分别除以网格宽度的值，将原图下采样到原始分辨率大小并代替原图像作为目标车牌图像。

4.根据权利要求1所述的车牌图像质量的综合评价方法，其特征在于，所述步骤S3具体为：

S31、对目标车牌图像进行DCT变换，将变换结果图像归一化为len*len的正方形；

S32、对结果图像每条反对角线上的值求和，生成2*len-1维向量，并求出该向量元素总和；

S33、以len/3作为分界，将向量分为前后两部分，分别对两部分元素求和后除以总和作为该目标车牌图像的低频特征和高频特征，并将这两个特征组合成频率特征。

5.根据权利要求1所述的车牌图像质量的综合评价方法，其特征在于，所述步骤S5中灰度投影特征具体意义为：

可识别的车牌图像中字符与背景灰度差异较大，进行垂直投影后的投影图像峰谷交替特征非常明显，灰度投影特征即投影图像最多被一条水平直线穿过的次数，而不可识别的车牌图像往往表现为峰谷交替不明显或因为噪声产生峰谷交替次数过多的现象，这一特征只有落在给定的阈值上下限之间才被认为达标。

6.根据权利要求1所述的车牌图像质量的综合评价方法，其特征在于，所述步骤S6具体为：

对目标车牌图像进行颜色聚类，找出若干聚类中心，因为只有蓝色和黄色车牌经过这个处理步骤，若车牌颜色为蓝色，则使用标准车牌蓝色作为颜色正标准，标准车牌黄色作为颜色负标准，以车牌颜色聚类的各个核心距离这两个标准的最近距离作为二维的颜色特征。若车牌颜色为黄色，交换这两个元素的位置。

7.根据权利要求1所述的车牌图像质量的综合评价方法，其特征在于，所述步骤S7具体为：

S71、实际分辨率行、列均大于设定阈值则表示该参数达到标准，反之不达标；

S72、频率特征的分类结果属于达标类则表示该参数达到标准，反之不达标；

S73、灰度投影特征值位于设定的阈值区域中则表示该参数达到标准，反之不达标；

S74、对于彩色图像，其颜色特征的分类结果属于达标类则表示该参数达到标准，反之不达标；

S75、对于灰度、彩色图像综合考虑之前3-4个指标，有任何一个不达标均将目标车牌图像判断为不达标，反之判为达标；

分类函数为：f(x)＝sign(ω₁x₁+ω₂x₂+b)

其中x为输入特征(频率特征或颜色特征)，ω₁,ω₂,b为直线参数，通过这一公式对输入特征进行分类，判断分类结果属于达标类或不达标类。

8.根据权利要求1所述的车牌图像质量的综合评价方法，其特征在于，所述步骤S1-S7的顺序必须严格约束，具体为：

步骤S7综合S1、S2、S3、S5、S6的结果，必须位于最后；

步骤S4会影响S2中需要判断的边缘网格化现象，以及对S3的频率特征结果产生影响，必须位于S2、S3之后；

步骤S3得出的频率特征会因为图像未经过S2的实际分辨率处理而误判为严重缺失高频成分，必须位于S2之后；

步骤S4在普通方法下使得S5、S6的结果更加准确，必须位于S5、S6之前。