CN105488797A

CN105488797A - 一种hsv空间的车牌定位方法

Info

Publication number: CN105488797A
Application number: CN201510854474.7A
Authority: CN
Inventors: 谢宝; 姚莉莉; 张传金; 纪勇; 万海峰; 张芝华
Original assignee: ANHUI CREARO TECHNOLOGY Co Ltd
Current assignee: ANHUI CREARO TECHNOLOGY Co Ltd
Priority date: 2015-11-25
Filing date: 2015-11-25
Publication date: 2016-04-13

Abstract

本发明提供一种基于HSV空间的车牌定位方法，通过车牌的颜色特征与边缘特征相结合的方式粗定位车牌，再根据车牌字符跳变数得到最终车牌图像；具体包括获取车牌图像；通过车牌图像上的颜色特征及图像边缘特征相结合的方式得到粗定位车牌图像；再对粗定位车牌图像做垂直投影，并统计跳变数为6，再经去除非车牌图像后即得到车牌图像。本发明利用车牌本身的固定特征，先将其转换到HSV空间可以更好的对颜色进行分类，通过颜色和边缘检测相结合的定位方法可以提高车牌定位的效率。

Description

一种HSV空间的车牌定位方法

技术领域

本发明涉及车牌定位技术领域，具体是一种基于HSV空间的车牌定位方法。

背景技术

随着近年智能交通的飞速发展，自动车牌识别系统得到广泛应用。如道路交通中的存在违法行为，如果靠人眼去甄别车牌会耗费大量的人力和时间；另外在车库管理系统中的车牌自动识别应用也是相当广泛。车牌识别过程中的定位是基础，错误的定位导致识别没有意义。目前很多学者及公司对车牌识别进入了深入研究，大部分的车牌定位是基于灰度图像寻找边缘，并在此基础上做了大量的优化工作，提高车牌识别的性能。但这种车牌识别方法的识别过程较长，效率低，不适合当前车辆越来越多的发展趋势。

发明内容

本发明的目的在于提供一种基于HSV空间的车牌定位方法，通过车牌的颜色特征与边缘特征相结合的方式粗定位车牌，再根据车牌字符跳变数得到最终车牌图像；具体包括以下步骤：

(1)通过卡口设备或车载设备获取汽车的车牌图像；

(2)通过车牌图像上的颜色特征及图像边缘特征相结合的方式得到粗定位车牌图像；

(3)对粗定位车牌图像做垂直投影，并统计跳变数为6，再经去除非车牌图像后即得到车牌图像。

进一步方案，所述步骤(2)粗定位车牌图像包括以下步骤：

(1)颜色定位：将采集到的车牌图像转换到HSV颜色空间，在HSV空间里对颜色进行量化，并提取车牌图像中蓝色和黄色区域作为车牌疑似区域；

(2)边缘定位：将采集到的车牌图像转换到灰度空间，采用Sobel算子检测其水平和垂直边缘，再通过轮廓检测而找出其轮廓，并保留长宽比在3.14左右的区域作为车牌疑似区域；

(3)将同时满足上述步骤(1)和(2)的区域作为粗定位车牌图像。

进一步方案，所述步骤(3)对粗定位车牌图像做垂直投影，并统计跳变数，包括以下步骤：

(1)先对粗定位车牌图像进行二值化，使用大津法OTSU将图像处理为黑白两色；

(2)对处理后的图像分别统计其每列的像素数，由于车牌字符之间有空隙，各列像素数从非零值到零值记为一次跳变，跳变数等于6的图像确定为车牌，并保留。

本发明的R、G、B代表RGB色彩模式中红、绿、蓝三个通道的颜色。

边缘定位：将采集到的车牌图像通过灰度化公式转换到灰度空间，再采用Sobel算子检测其水平和垂直边缘。边缘是指图像局部强度变化最显著的部分，图像的边缘有方向和幅度两个属性,沿边缘方向像素变化平缓,垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用微分算子检测出来。本发明采用Sobel算子，该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，其公式如下：

G_{x} = [\begin{matrix} - 1 & 0 & + 1 \\ - 2 & 0 & + 2 \\ - 1 & 0 & + 1 \end{matrix}] * A

G_{y} = [\begin{matrix} + 1 & + 2 & + 1 \\ 0 & 0 & 0 \\ - 1 & - 2 & - 1 \end{matrix}] * A

图像的每一个像素的横向及纵向灰度值通过以下公式结合，来计算该点的灰度梯度G：

G = \sqrt{{G_{y}}^{2} + {G_{y}}^{2}}

如果梯度G大于某个阈值，则认为该点为图像的边缘点。

检测到边缘后，通过开闭运算去除干扰点，然后通过轮廓检测而找出其轮廓，并保留长宽比在3.14左右的区域作为车牌疑似区域。

颜色定位：

HSV空间是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(HexconeModel)。这个模型中颜色的参数分别是：色调(H)、饱和度(S)和亮度(V)。

将采集到的车牌图像转换到HSV颜色空间，即由RGB彩色模式转到HSV空间，其转换公式如下：

max＝max(R，G，B)

min＝min(R，G，B)

H = \{\begin{matrix} i f R = m a x, H = \frac{G - B}{m a x - m i n} \\ i f G = m a x, H = 2 + \frac{B - R}{m a x - m i n} \\ i f B = m a x, H = 4 + \frac{R - G}{\max - m i n} \\ H = H * 60 \\ i f H < 0, H = H + 360 \end{matrix}

V＝max(R，G，B)

S＝(max-min)/max

按照下表一HSV空间颜色范围分布表对HSV颜色空间进行归类，取出几个常见的车牌颜色区域黄色、蓝色及白色，并与车牌疑似区域做比对，重合度超过80％的区域认为是粗定位车牌图像。

表一HSV空间颜色范围分布表

本发明中大津法OTSU是利用阈值将原图像分成前景，背景两个图象，其中前景用n1,csum,m1来表示在当前阈值下的前景的点数，质量矩，平均灰度；后景用n2,sum-csum,m2来表示在当前阈值下的背景的点数，质量矩，平均灰度。

当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准，而在otsu算法中这个衡量差别的标准就是最大类间方差(英文简称otsu，这也就是这个算法名字的来源)，在本程序中类间方差用sb表示，最大类间方差用fmax。

本发明将车牌图像先转换到HSV空间，图像在HSV空间比较容易量化，车牌底色可以通过H,S,V的值进行分类，从而得到车牌的粗略定位，再通过Sobel边缘检测，可以有效的得到类车牌形状区域。通过双重检测的方式提升车牌粗定位率，再通过这两种方式得到的区域进行整合，做进一步的投影检测，统计跳变数为6，再经去除非车牌图像后即得到车牌图像。

所以该方法很好的利用车牌本身的固定特征，得到车牌的准确位置信息。另外本发明将车牌图像先转换到HSV空间可以更好的对颜色进行分类，通过颜色和边缘检测相结合的定位方法可以提高车牌定位的效率。

具体实施方式

下面结合具体实施例进一步说明本发明。

通过车牌的颜色特征与边缘特征相结合的方式粗定位车牌，再根据车牌字符跳变数得到最终车牌图像；具体包括以下步骤：

(1)通过卡口设备或车载设备获取汽车的车牌图像；

(2)通过车牌图像上的颜色特征及图像边缘特征相结合的方式得到粗定位车牌图像；具体为：

(a)颜色定位：将采集到的车牌图像转换到HSV颜色空间，在HSV空间里对颜色进行量化，并提取车牌图像中蓝色和黄色区域作为车牌疑似区域；

具体为：将采集到的车牌图像转换到HSV颜色空间，即由RGB彩色模式转到HSV空间，其转换公式如下：

max＝max(R，G，B)

min＝min(R，G，B)

H = \{\begin{matrix} i f R = m a x, H = \frac{G - B}{m a x - m i n} \\ i f G = m a x, H = 2 + \frac{B - R}{m a x - m i n} \\ i f B = m a x, H = 4 + \frac{R - G}{\max - m i n} \\ H = H * 60 \\ i f H < 0, H = H + 360 \end{matrix}

V＝max(R，G，B)

S＝(max-min)/max

表一HSV空间颜色范围分布表

(b)边缘定位：将采集到的车牌图像转换到灰度空间，采用Sobel算子检测其水平和垂直边缘，再通过轮廓检测而找出其轮廓，并保留长宽比在3.14左右的区域作为车牌疑似区域；

其中Sobel算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，其公式如下：

G_{x} = [\begin{matrix} - 1 & 0 & + 1 \\ - 2 & 0 & + 2 \\ - 1 & 0 & + 1 \end{matrix}] * A

G_{y} = [\begin{matrix} + 1 & + 2 & + 1 \\ 0 & 0 & 0 \\ - 1 & - 2 & - 1 \end{matrix}] * A

G = \sqrt{{G_{y}}^{2} + {G_{y}}^{2}}

如果梯度G大于某个阈值，则认为该点为图像的边缘点。

(c)将同时满足上述步骤(1)和(2)的区域作为粗定位车牌图像。

(3)对粗定位车牌图像做垂直投影，并统计跳变数为6，再经去除非车牌图像后即得到车牌图像，具体为：

(a)先对粗定位车牌图像进行二值化，使用大津法OTSU将图像处理为黑白两色；

(b)对处理后的图像分别统计其每列的像素数，由于车牌字符之间有空隙，各列像素数从非零值到零值记为一次跳变，跳变数等于6的图像确定为车牌，并保留。

本发明对输入图像分别做颜色以及边缘的检测，通过转换颜色空间到HSV空间以及Sobel边缘检测进行车牌的粗定位。在对这两种方式得到的区域进行整合，并做进一步的投影检测，该方法很好的利用车牌本身的固定特征，得到车牌的准确位置信息。

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

1.一种基于HSV空间的车牌定位方法，其特征在于：通过车牌的颜色特征与边缘特征相结合的方式粗定位车牌，再根据车牌字符跳变数得到最终车牌图像；具体包括以下步骤：

（1）通过卡口设备或车载设备获取汽车的车牌图像；

（2）通过车牌图像上的颜色特征及图像边缘特征相结合的方式得到粗定位车牌图像；

（3）对粗定位车牌图像做垂直投影，并统计跳变数为6，再经去除非车牌图像后即得到车牌图像。

2.根据权利要求1所述的基于HSV空间的车牌定位方法，其特征在于：所述步骤（2）粗定位车牌图像包括以下步骤：

（1）颜色定位：将采集到的车牌图像转换到HSV颜色空间，在HSV空间里对颜色进行量化，并提取车牌图像中蓝色和黄色区域作为车牌疑似区域；

（2）边缘定位：将采集到的车牌图像转换到灰度空间，采用Sobel算子检测其水平和垂直边缘，再通过轮廓检测而找出其轮廓，并保留长宽比在3.14左右的区域作为车牌疑似区域；

（3）将同时满足上述步骤（1）和（2）的区域作为粗定位车牌图像。

3.根据权利要求1所述的基于HSV空间的车牌定位方法，其特征在于：所述步骤（3）对粗定位车牌图像做垂直投影，并统计跳变数，包括以下步骤：

（1）先对粗定位车牌图像进行二值化，使用大津法OTSU将图像处理为黑白两色；

（2）对处理后的图像分别统计其每列的像素数，由于车牌字符之间有空隙，各列像素数从非零值到零值记为一次跳变，跳变数等于6的图像确定为车牌，并保留。

4.根据权利要求2所述的基于HSV空间的车牌定位方法，其特征在于：将采集到的车牌图像转换到灰度空间的灰度化公式为。