CN105550684A - 基于图像的车牌定位方法及其系统 - Google Patents

Abstract

本发明提供一种基于图像的车牌定位方法及其系统，通过将包含车牌的原始图像的灰度图，按照灰度值大小划分为若干个分区，提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度值对各分区的图像纹理进行二值化处理，根据二值化处理后的图像纹理定位所述原始图像中的车牌，因此，有针对性地对各个分区的图像纹理进行处理，实现在不影响正常情况的前提下，兼顾过曝、逆光等情况的车牌定位，从而提高车牌定位的准确度。

Description

基于图像的车牌定位方法及其系统

技术领域

本发明涉及车牌识别领域，特别是一种基于图像的车牌定位方法及其系统。

背景技术

车牌识别技术(VehicleLicensePlateRecognition，VLPR)是计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识别技术要求能够将运动中的汽车牌照从复杂背景中提取并识别出来，通过车牌提取、图像预处理、特征提取、车牌字符识别等技术，识别车辆牌号。

车牌识别在高速公路车辆管理中得到广泛应用。在ETC(ElectronicTollCollection，电子不停车收费)系统中，车牌识别结合DSRC(DedicatedShortRangeCommunications，专用短程通信技术)技术识别车辆身份，过往车辆通过道口时无须停车，即能够实现车辆身份自动识别、自动收费。在车场管理中，针对无需收停车费的车辆(如月卡车、内部免费通行车辆)，建设无人值守的快速通道，通过车牌识别，实现免取卡、不停车，从而提高出入口车辆通行效率。

然而，目前主流的基于纹理的车牌定位算法是以假设车牌区域的纹理强度强于图片全局纹理均值，但是在一些特殊情况下，比如车牌过曝、逆光等情况下这种假设是不成立的。降低图片全局纹理的阈值，虽然可以兼顾过曝、逆光情况下的车牌定位，但会使曝光正常的车牌定位引入过多的噪声，造成正常情况下的车牌定位困难，运算量加大，得不偿失。

发明内容

针对上述现有技术中存在的问题，本发明提供一种基于图像的车牌定位方法及其系统，能够使得车牌定位兼顾过曝、逆光等情况，从而提高车牌定位的准确度。

本发明提供的基于图像的车牌定位方法，技术方案如下，包括：

将包含车牌的原始图像转换为灰度图；

按照灰度值大小将所述灰度图划分为若干个分区；

提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度值对各分区的图像纹理进行二值化处理；

根据二值化处理后的图像纹理定位所述原始图像中的车牌。

本发明还提供基于图像的车牌定位系统，包括：

转换模块，用于将包含车牌的原始图像转换为灰度图；

划分模块，用于按照灰度值大小将所述灰度图划分为若干个分区；

提取模块，用于提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度值对各分区的图像纹理进行二值化处理；

定位模块，用于根据二值化处理后的图像纹理定位所述原始图像中的车牌。

上述方案，通过将包含车牌的原始图像的灰度图，按照灰度值大小划分为若干个分区，提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度值对各分区的图像纹理进行二值化处理，根据二值化处理后的图像纹理定位所述原始图像中的车牌，因此，有针对性地对各个分区的图像纹理进行处理，实现在不影响正常情况的前提下，兼顾过曝、逆光等情况的车牌定位，从而提高车牌定位的准确度。

附图说明

图1为一个实施例的基于图像的车牌定位方法的流程示意图；

图2为一个实施例的基于图像的车牌定位系统的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

请参阅图1中一个实施例的基于图像的车牌定位方法的流程示意图，如图1所示，包括步骤S101至S104：

S101，将包含车牌的原始图像转换为灰度图。

其中，所述包含车牌的原始图像尤其以仅包含车牌字符区域的图像为佳。所述车牌定位方法基于灰度图进行，首先将包含车牌的原始图像转换为灰度图，可通过以下方式实现：

获取包含车牌的原始图像中各像素点的RGB信息，通过以下公式计算各像素点的灰度值：

gray＝R*0.299+G*0.587+B*0.114，

其中R、G和B分别为各像素点的R通道值、G通道值和B通道值，gray为灰度值；

根据所述各像素点的灰度值将所述原始图像转换为灰度图。

具体地，在实际应用中，为了避免低速的浮点运算，需要将上述浮点计算公式转换为以下的整数运算公式，将上述公式放大1000倍来实现整数运算算法：

gray＝(R*299+G*587+B*114+500)/1000

RGB数值一般是8位精度，放大1000倍后的运算是32位整型的运算，由于整数运算公式最后的运算是整数除法，所以加上500来实现四舍五入，于是该整数运算公式转变为：Gray＝(R*30+G*59+B*11+50)/100，从而提高灰度图的转换效率。

S102，按照灰度值大小将所述灰度图划分为若干个分区。

通过对灰度图进行分区，将每一个分区作为单独的灰度图进行处理。

进一步地，所述按照灰度值大小将所述灰度图划分为若干个分区，包括：

将灰度值由高到低划分为第一灰度区间、第二灰度区间和第三灰度区间；

根据第一灰度区间、第二灰度区间和第三灰度区间将所述灰度图划分为对应的高亮分区、较亮分区和较暗分区。

原始图像的过曝区域亮度较高、纹理较弱，逆光区域亮度较低、纹理较强，为适应原始图像位于过曝区域、逆光区域的状况，需要将对应区域单独分离出来处理，使得车牌定位兼顾过曝、逆光等情况。

进一步地，所述将灰度值由高到低划分为第一灰度区间、第二灰度区间和第三灰度区间，包括：

通过预设灰度值确定所述第一灰度区间，得到所述灰度图中与所述第一灰度区间对应的高亮分区；

通过分割阈值确定所述第二灰度区间和第三灰度区间，得到所述灰度图中与所述第二灰度区间对应的较亮分区、以及所述灰度图中与所述第三灰度区间对应的较暗分区。

其中，通过大量的实验，预设较佳的灰度值大小区间(230，255]为第一灰度区间，所述灰度图中第一灰度区间对应的像素点区域为高亮分区，高亮分区可适应原始图像中过曝区域亮度较高、纹理较弱的过曝情况；再确定第二灰度区间和第三灰度区间的分割阈值T，小于等于所述分割阈值T的灰度值属于第三灰度区间[0，T]，第三灰度区间对应的像素点区域为较暗分区，较暗分区可适应原始图像中逆光区域亮度较低、纹理较弱的逆光情况；大于所述分割阈值的灰度值属于第二灰度区间(T，230]，第二灰度区间对应的像素点区域为较亮分区，较亮分区可适应除过曝、逆光情况之外的情况。因此，提高车牌定位兼顾过曝、逆光等情况的精确度。

进一步地，通过以下公式计算得到所述第二灰度区间和第三灰度区间的分割阈值：

T＝Max[A*(F-E)²+C*(D-E)²)]，

其中，T为分割阈值，A为较亮分区像素点占高亮分区以外区域的比例，F为较亮分区像素点的平均灰度值，C为较暗分区像素点占高亮分区以外区域的比例，D为较暗分区像素点的平均灰度，E为高亮分区以外区域的平均灰度值。

具体地，对于灰度图像的较亮分区和较暗分区的分割阈值记作T，假设属于较亮分区的像素点数占整幅图像的比例为A、其平均灰度为F，假设属于较暗分区的像素点数占整幅图像的比例为C、其平均灰度为D，灰度图像的总平均灰度记为E，类间方差记为g；假设灰度图像的大小为M×N，灰度图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有:

A＝N0/(M×N)(1)

C＝N1/(M×N)(2)

N0+N1＝M×N(3)

A+C＝1(4)

E＝A*F+C*D(5)

g＝A*(F-E)²+C*(D-E)²(6)

将式(5)代入式(6),得到等价公式:

g＝A*C*(F-D)²(7)

采用遍历的方法得到使类间方差最大的阈值T，亦即

T＝Max[A*(F-E)²+C*(D-E)²)](8)

即为所求。

上述公式(8)根据灰度图的特性，将灰度图中占高亮分区以外的区域分成较亮分区和较暗分区两部分，由于方差是灰度分布均匀性的一种度量，较亮分区和较暗分区之间的类间方差越大，说明构成这两个分区的差别越大，当部分较亮分区错分为较暗分区、或者部分较暗分区错分为较亮分区时，都会导致这两个分区的差别变小，所以，使类间方差最大的分割意味着错分概率最小。上述公式不但计算简单、不受图像亮度和对比度的影响，而且计算得到的分割阈值最接近最佳分割阈值，进一步提高了车牌定位兼顾过曝、逆光等情况的精确度。

S103，提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度值对各分区的图像纹理进行二值化处理。

通过提取各分区的图像纹理，将每一个分区作为单独的图像进行纹理提取，使得整个灰度图纹理提取结果更加准确；根据各个分区的平均纹理灰度值对对应分区的图像纹理进行二值化处理，使得车牌灰度图的图像纹理处理兼顾过曝、逆光等情况。

进一步地，通过Sobel算子提取各分区的竖直纹理。其中，Sobel算子是一阶导数的边缘检测算子，在算法实现过程中，通过3×3模板作为核与图像中的每个像素点做卷积和运算，其竖直方向的卷积核如下：

-1	0	1
			-2	0	2
-1	0	1

由于车牌图像中的字符排列紧密，所以竖直方向的纹理非常丰富，通过Sobel算子提取竖直方向的纹理更加凸显出图像字符的特征，有助于对车牌的定位。

进一步地，通过以下公式对各分区的图像纹理进行二值化处理：

$dst(x,y)=\left\{\begin{array}{ccc}1& if\left(src\right(x,y)\&GreaterEqual;& n*m)\\ 0& if\left(src\right(x,y)<& n*m)\end{array}\right.$

其中，(x,y)为像素点的坐标，src(x,y)为纹理图像素点的像素值，dst(x,y)为像素点二值化后的像素值，m为像素点所在分区的平均纹理灰度值，n为系数，取值范围为[1.4，3.4]。其中，通过大量实验可知，取各分区内图像纹理的均值的2.4倍作为该分区的纹理二值化阈值，亦即n取值2.4，二值化的效果最佳。

S104，根据二值化处理后的图像纹理定位所述原始图像中的车牌。

从上述本发明实施例提供的基于图像的车牌定位方法可知，通过将包含车牌的原始图像的灰度图，按照灰度值大小划分为若干个分区，提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度值对各分区的图像纹理进行二值化处理，根据二值化处理后的图像纹理定位所述原始图像中的车牌，因此，有针对性地对各个分区的图像纹理进行处理，实现在不影响正常情况的前提下，兼顾过曝、逆光等情况的车牌定位，从而提高车牌定位的准确度。

在其中一个实施例中，所述根据二值化处理后的图像纹理定位所述原始图像中的车牌，包括：

按照预设的竖直纹理高度对二值化处理后的图像纹理进行过滤，根据过滤后的图像纹理定位所述原始图像中的车牌。

具体地，由于主流的车牌识别软件的处理车牌的宽度在60至400个像素之间，车牌字符的高度不应小于14个像素，因此，选择以8个像素高度为阈值，过滤掉所有高度小于8个像素的噪声点，最后得到较为整洁的车牌纹理图片，根据车牌的跳变情况很容易定位到车牌的区域。

对应于基于图像的车牌定位方法，本发明还提供基于图像的车牌定位系统，如图2所示，包括：

转换模块201，用于将包含车牌的原始图像转换为灰度图；

划分模块202，用于按照灰度值大小将所述灰度图划分为若干个分区；

提取模块203，用于提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度值对各分区的图像纹理进行二值化处理；

定位模块204，用于根据二值化处理后的图像纹理定位所述原始图像中的车牌。

在其中一个实施例中，所述转换模块201包括：

转换子模块，用于获取包含车牌的原始图像中各像素点的RGB信息，通过以下公式计算各像素点的灰度值：

gray＝R*0.299+G*0.587+B*0.114，

其中R、G和B分别为各像素点的R通道值、G通道值和B通道值，gray为灰度值；

根据所述各像素点的灰度值将所述原始图像转换为灰度图，从而提高灰度图的转换效率。

在其中一个实施例中，所述划分模块202包括：

划分子模块，用于将灰度值由高到低划分为第一灰度区间、第二灰度区间和第三灰度区间；根据第一灰度区间、第二灰度区间和第三灰度区间将所述灰度图划分为对应的高亮分区、较亮分区和较暗分区。

原始图像的过曝区域亮度较高、纹理较弱，逆光区域亮度较低、纹理较强，为适应原始图像位于过曝区域、逆光区域的状况，需要将对应区域单独分离出来处理，使得车牌定位兼顾过曝、逆光等情况。

所述划分子模块包括：

区间子模块，用于通过预设灰度值确定所述第一灰度区间，得到所述灰度图中与所述第一灰度区间对应的高亮分区；通过分割阈值确定所述第二灰度区间和第三灰度区间，得到所述灰度图中与所述第二灰度区间对应的较亮分区、以及所述灰度图中与所述第三灰度区间对应的较暗分区。

其中，通过大量的实验，预设较佳的灰度值大小区间(230，255]为第一灰度区间，所述灰度图中第一灰度区间对应的像素点区域为高亮分区，高亮分区可适应原始图像中过曝区域亮度较高、纹理较弱的过曝情况；再确定第二灰度区间和第三灰度区间的分割阈值T，小于等于所述分割阈值T的灰度值属于第三灰度区间[0，T]，第三灰度区间对应的像素点区域为较暗分区，较暗分区可适应原始图像中逆光区域亮度较低、纹理较强的逆光情况；大于所述分割阈值的灰度值属于第二灰度区间(T，230]，第二灰度区间对应的像素点区域为较亮分区，较亮分区可适应除过曝、逆光情况之外的情况。因此，提高车牌定位兼顾过曝、逆光等情况的精确度。

在其中一个实施例中，所述区间子模块包括：

阈值确定子模块，用于通过以下公式计算得到高亮分区以外区域的分割阈值：

T＝Max[A*(F-E)²+C*(D-E)²)]，

其中，T为分割阈值，A为较亮分区像素点占高亮分区以外区域的比例，F为较亮分区像素点的平均灰度值，C为较暗分区像素点占高亮分区以外区域的比例，D为较暗分区像素点的平均灰度，E为高亮分区以外区域的平均灰度值。

上述公式(8)根据灰度图的特性，将灰度图中占高亮分区以外的区域分成较亮分区和较暗分区两部分，由于方差是灰度分布均匀性的一种度量，较亮分区和较暗分区之间的类间方差越大，说明构成这两个分区的差别越大，当部分较亮分区错分为较暗分区、或者部分较暗分区错分为较亮分区时，都会导致这两个分区的差别变小，所以，使类间方差最大的分割意味着错分概率最小。上述公式不但计算简单、不受图像亮度和对比度的影响，而且计算得到的分割阈值最接近最佳分割阈值，进一步提高了车牌定位兼顾过曝、逆光等情况的精确度。

在其中一个实施例中，所述提取模块203还用于通过Sobel算子提取各分区的竖直纹理。通过提取各分区的图像纹理，将每一个分区作为单独的图像进行纹理提取，使得整个灰度图纹理提取结果更加准确；根据各个分区的平均纹理灰度值对对应分区的图像纹理进行二值化处理，使得车牌灰度图的图像纹理处理兼顾过曝、逆光等情况。由于车牌图像中的字符排列紧密，所以竖直方向的纹理非常丰富，通过Sobel算子提取竖直方向的纹理更加凸显出图像字符的特征，有助于对车牌的定位。

在其中一个实施例中，所述提取模块203还用于通过以下公式对各分区的图像纹理进行二值化处理：

$dst(x,y)=\left\{\begin{array}{ccc}1& if\left(src\right(x,y)\&GreaterEqual;& n*m)\\ 0& if\left(src\right(x,y)<& n*m)\end{array}\right.$

其中，(x,y)为像素点的坐标，src(x,y)为像素点的像素值，dst(x,y)为像素点二值化后的像素值，m为像素点所在分区的平均纹理灰度值，n为系数，取值范围为[1.4，3.4]。其中，通过大量实验可知，取各分区内图像纹理的均值的2.4倍作为该分区的纹理二值化阈值，亦即n取值2.4，二值化的效果最佳。

在其中一个实施例中，所述基于图像的车牌定位系统还包括：

过滤模块，用于按照预设的像素高度对二值化处理后的图像纹理进行过滤，根据过滤后的图像纹理定位所述原始图像中的车牌。

具体地，由于主流的车牌识别软件的处理车牌的宽度在60至400个像素之间，车牌字符的高度不应小于14个像素，因此，选择以8个像素高度为阈值，过滤掉所有高度小于8个像素的噪声点，最后得到较为整洁的车牌纹理图片，根据车牌的跳变情况很容易定位到车牌的区域。

从上述本发明实施例提供的基于图像的车牌定位系统可知，通过将包含车牌的原始图像的灰度图，按照灰度值大小划分为若干个分区，并提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度值对各分区的图像纹理进行二值化处理，根据二值化处理后的图像纹理定位所述原始图像中的车牌，因此，有针对性地对各个分区的图像纹理进行处理，实现在不影响正常情况的前提下，兼顾过曝、逆光等情况的车牌定位，从而提高车牌定位的准确度。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.基于图像的车牌定位方法，其特征在于，包括：

将包含车牌的原始图像转换为灰度图；

按照灰度值大小将所述灰度图划分为若干个分区；

提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度值对各分区的图像纹理进行二值化处理；

根据二值化处理后的图像纹理定位所述原始图像中的车牌。

2.根据权利要求1所述的基于图像的车牌定位方法，其特征在于，所述按照灰度值大小将所述灰度图划分为若干个分区，包括：

将灰度值由高到低划分为第一灰度区间、第二灰度区间和第三灰度区间；

根据第一灰度区间、第二灰度区间和第三灰度区间将所述灰度图划分为对应的高亮分区、较亮分区和较暗分区。

3.根据权利要求2所述的基于图像的车牌定位方法，其特征在于，所述将灰度值由高到低划分为第一灰度区间、第二灰度区间和第三灰度区间，包括：

通过预设灰度值确定所述第一灰度区间，得到所述灰度图中与所述第一灰度区间对应的高亮分区；

通过分割阈值确定所述第二灰度区间和第三灰度区间，得到所述灰度图中与所述第二灰度区间对应的较亮分区、以及所述灰度图中与所述第三灰度区间对应的较暗分区。

4.根据权利要求1所述的基于图像的车牌定位方法，其特征在于，所述提取各分区的图像纹理，包括：

通过Sobel算子提取各分区的竖直纹理。

5.根据权利要求1所述的基于图像的车牌定位方法，其特征在于，所述根据所述平均纹理灰度值对各分区的图像纹理进行二值化处理，包括：

通过以下公式对各分区的图像纹理进行二值化处理：

$dst(x,y)=\left\{\begin{array}{cc}1& if\left(src\right(x,y)\&GreaterEqual;n*m)\\ 0& if\left(src\right(x,y)<n*m)\end{array}\right.$

其中，(x,y)为像素点的坐标，src(x,y)为像素点的像素值，dst(x,y)为像素点二值化后的像素值，m为像素点所在分区的平均纹理灰度值，n为系数，取值范围为[1.4，3.4]。

6.根据权利要求1所述的基于图像的车牌定位方法，其特征在于，所述根据二值化处理后的图像纹理定位所述原始图像中的车牌，包括：

按照预设的竖直纹理高度对二值化处理后的图像纹理进行过滤，根据过滤后的图像纹理定位所述原始图像中的车牌。

7.基于图像的车牌定位系统，其特征在于，包括：

转换模块，用于将包含车牌的原始图像转换为灰度图；

划分模块，用于按照灰度值大小将所述灰度图划分为若干个分区；

提取模块，用于提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度值对各分区的图像纹理进行二值化处理；

定位模块，用于根据二值化处理后的图像纹理定位所述原始图像中的车牌。

8.根据权利要求7所述的基于图像的车牌定位系统，其特征在于，所述划分模块包括：

划分子模块，用于将灰度值由高到低划分为第一灰度区间、第二灰度区间和第三灰度区间；根据第一灰度区间、第二灰度区间和第三灰度区间将所述灰度图划分为对应的高亮分区、较亮分区和较暗分区；

所述划分子模块包括：

区间子模块，用于通过预设灰度值确定所述第一灰度区间，得到所述灰度图中与所述第一灰度区间对应的高亮分区；通过分割阈值确定所述第二灰度区间和第三灰度区间，得到所述灰度图中与所述第二灰度区间对应的较亮分区、以及所述灰度图中与所述第三灰度区间对应的较暗分区。

9.根据权利要求7所述的基于图像的车牌定位系统，其特征在于，所述提取模块还用于通过以下公式对各分区的图像纹理进行二值化处理：

$dst(x,y)=\left\{\begin{array}{cc}1& if\left(src\right(x,y)\&GreaterEqual;n*m)\\ 0& if\left(src\right(x,y)<n*m)\end{array}\right.$

其中，(x,y)为像素点的坐标，src(x,y)为像素点的像素值，dst(x,y)为像素点二值化后的像素值，m为像素点所在分区的平均纹理灰度值，n为系数，取值范围为[1.4，3.4]。

10.根据权利要求7所述的基于图像的车牌定位系统，其特征在于，还包括：

过滤模块，用于按照预设的像素高度对二值化处理后的图像纹理进行过滤，根据过滤后的图像纹理定位所述原始图像中的车牌。