CN105678299A - 一种车牌定位方法 - Google Patents

Abstract

本发明提供了一种车牌定位方法，所述车牌定位方法步骤包括:拍照设备通过触发器对车牌进行触发拍照；将所述拍照设备拍照的图像通过网络传送给车牌定位系统中，所述车牌定位系统对上一步处理后图像进行预处理，得到车牌区域图像；所述车牌定位系统对上一步车牌区域图像进行车牌定位处理；对所上一步处理后车牌区域进行倾斜校正处理本。发明所述的车牌定位方法提高车牌定位的准确性和车牌定位系统的运行速度。

Description

一种车牌定位方法

技术领域

本发明涉及数字图像处理领域，特别是一种车牌定位方法。

背景技术

现今社会，人们的生活节奏越来越快，经济全球化成为必然趋势。尤其在大城市中，交通情况的复杂也反映出车辆的普及，这也促进了交通管理的发展。这需要一个精准的车牌定位方法来管理交通，使交通管理逐渐走向自动化、智能化的道路。交通的智能化不仅能缓和交通压力，更能提高由交通带来的经济和社会的巨大效益。国内外科技人员对于车牌定位方法也做了大量的研究，但因为车牌摆放不正、磨损、不洁净，车牌因车身底牌的高低而不同以及天气影响等不利因素，实际效果并不可观，影响定位的准确度。

车牌定位方法应用非常广泛，尤其在交通领域中，其目的是使之智能化，国外在其领域中的研究有一定的成果，但不太符合中国国情。由于过汽车牌照悬挂位置的不统一以及环境或人为因素的影响，并且中国车牌的多色多样、包含汉字，在车牌定位上还是难度较大。

中国是飞速发展的发展中国家，科技与经济齐头并进，社会信息化程度越来越高，但所带来的的交通问题愈演愈烈。交通道路的复杂情况需要更高效率的交通管理，同时也对车牌定位方法提出了更高的要求。

车牌定位系统的应用不仅在交通管理中体现，在其他方面也起作用：

（1）对违反道路交通规定的处罚；

（2）交通管理控制；

（3）交通诱导；

（4）公路等出入口的车辆监控管理；

（5）高速路口、车库口等不停车收费；

（6）公共场所的车辆管理；

（7）对犯罪车辆的围追堵截；

（8）计算公路行驶的高峰期等。

车牌定位系统对城市车辆的检测指导与管理缓解了交通拥堵现象，在一定程度上也解决了社会问题，为社会推动了经济发展。

所以，为了应对客观因素的不利，配合交通管理的不断提升的复杂度，车牌定位方法也要提高其准确度，满足交通道路检测的高要求。这也需要车牌定位方法在各种艰苦条件下依然高效完成任务。而这就需要针对性解决问题，根据不同的复杂状况提出不同的解决方法。

本发明正是针对现有技术中的车牌定位方法，其存在的车牌定位准确性较低做出的改进。

发明内容

本发明提供了一种车牌定位方法，所述车牌定位方法解决了以下技术问题：提高车牌定位的准确性和提高车牌定位系统的运行速度。

本发明提供了一种车牌定位方法，所述车牌定位方法步骤包括:S01拍照设备通过触发器对车牌进行触发拍照；S02将所述拍照设备拍照的图像通过网络传送给车牌定位系统中；S03所述车牌定位系统对上一步处理后图像进行预处理，得到车牌区域图像；S04所述车牌定位系统对上一步车牌区域图像进行车牌定位处理；S05对所上一步处理后车牌区域进行倾斜校正处理，所述图像预处理步骤包括：S031对S02步骤处理后的图像进行灰度化处理；S032对上一步处理后图像进行中值滤波；S033对上一步处理后图像进行垂直边缘检测；S034对上一步处理后图像进行形态学处理；所述牌照定位处理包括：S041对S03步骤处理后图像标记连通域；S042合并距离为距离设定值的所述连通域；S043选择所述连通域，从而形成所述车牌区域；所述倾斜校正处理包括：S051对S04步骤处理后的车牌区域进行直方图均衡化；S052对上一步处理后的车牌区域进行图像边缘检测；再通过radon变换求得车牌倾斜角度；S053对上一步处理后的车牌区域进行图像旋转。所述垂直边缘检测利用Prewitt算子；所述形态学处理包括先膨胀后腐蚀，再删除面积小于面积设定值的区域。所述面积设定值为500。所述S041对S03步骤处理后图像标记连通域包括：标记连通域之后存储所述连通域的边界坐标；所述连通域左边界为所有元素的列坐标的最小值，所述连通域左边界为右边界为所有元素的列坐标的最大值；所述连通域左边界为上边界为所有元素的横坐标的最小值，所述连通域左边界为下边界为所有元素的横坐标的最大值。S042合并距离为距离设定值的所述连通域步骤包括：计算上一步得到的连通域之间的距离，若距离为达到所述距离设定值，则合并为同一连通域；合并后的连通域的上边界为合并前两个连通域的上边界坐标的最小值，合并后的连通域的下边界为原来两个连通域的下边界坐标的最大值；最后记录连通域合并操作的次数，将后面的连通域的编号前移一位。S043选择所述连通域步骤包括：调取上一步图像处理后的图像灰度信息，再取连通域中间一行的坐标，然后取连通域的中间三行的灰度信息；判断阈值，进行二值化阈值分割处理；标记连通域，计算图像中间行位置的连通域个数，判断所述连通域个数是否在设定区域内，筛选出连通域作为候选区域；最后记录筛选出的候选区域的个数，记录候选区域的标号。若所述候选区域总数大于一个，则计算二值化车牌与外围矩阵的面积比，再使用所述候选区域外围矩阵的长宽比和面积比，判断是否为车牌区域；记录符合条件的候选区域个数，记录符合条件的区域标号，定位车牌区域。所述设定区域大于7且小于15。所述阈值分割方法为最大类间方差法。S052步骤所述的图像边缘检测方法利用Prewitt算子；S053对上一步处理后的车牌区域进行图像旋转的图像旋转方法为双线性插值法。

与现有技术相比，本发明的有益效果是：本发明所述的车牌定位方法定位准确性较高，并且较快，提高停车管理的效率，降低人员成本。图像的灰度化处理一般用点运算进行，而点运算就是灰度变换。点运算可以增强图像的对比度，也可改变灰度的大小和区域。灰度化处理后，图像采取滤波步骤，滤波方式采取中值滤波，中值滤波相对于其它滤波方式的优点是可以减少噪声，利用中值滤波来去除椒盐噪声，还能处理某些随机噪声。对于处理椒盐噪声的时候，中值滤波的处理效果高于线性平滑滤波。它可以降低模糊效应，而且中值滤波的噪声点有些会被忽视。下一步处理是进行边缘检测，边缘检测是为了去除不需要的信息，突出重点信息，选择边缘检测是使车牌区域中的垂直边缘相对其它位置要丰富一些。形态学处理处理是车牌的边界和连通域为后面的车牌识别工作做出铺垫。车牌定位系统对上一步车牌区域图像进行车牌定位处理，将图像中车牌区域定位，连通域的选定就是车牌区域的选定，所以，最后选定的连通域也仅有一个。对所述车牌区域的倾斜校正，得到的车牌区域更加平稳。对所述车牌区域进行直方图均衡化，均衡化之后的图像对比度较高，因为各个点的像素的灰度级更高了。直方图均衡化实现图像灰度归一化，消除灰度因素的影响。车牌照片容易受到光照的影响，而灰度因素是由光照、噪声等方面影响，用直方图均衡化方法可消除灰度因素的影响。垂直边缘检测利用Prewitt算子，Prewitt算子相对于其它算子的优点是考虑了邻域信息，相当于对图像先做加权平滑处理，然后再做微分运算，它对噪声具有较高的抑制能力。腐蚀的效果与原图像自身的形状大小和元素有着密切的关系，腐蚀是从图片的边界开始，使之减少。若原图像本身的面积小于设定结构的大小，那么腐蚀之后，就会全部消失。膨胀的效果与腐蚀是正好相反的。他扩展了原图像的边界。但同样，膨胀的效果与原图像本身的结构大小也有密切的关系，应用于连接图像中不同区域的断裂。删除面积为500的形态学图，明显可以看出车牌区域位置，而通过其他算子运算，再经过膨胀腐蚀和删除面积运算后的形态学图，不能清除的分辨车牌区域。删除面积为500的连通域，删除了面积过小的区域，为下面连通域的标记工作打下基础。所述阈值分割方法为最大类间方差法，最大类间方差法相的阈值选取的效果更好，几乎没有局限性。双线性插值法可减少车牌定位系统的运行时间，并且效果较高。

附图说明

图1是本发明的工作流程图

图2是本发明图像采集图像

图3是本发明灰度化处理图像

图4是本发明中值滤波图像

图5是平滑滤波图

图6是高斯滤波图

图7是本发明垂直边缘检测图

图8是Roberts算子处理图

图9是Sobel算子处理图

图10是Canny算子处理图

图11是膨胀后边缘图

图12是腐蚀后边缘图

图13是形态学处理后图

图14是车牌预处理流程图

图15是S041和S042步骤流程图

图16是S043步骤处理后的图像

图17是S043步骤的工作流程图

图18是最大类间方差发二值图

图19是人为选取阈值0.3效果图

图20是人为选取阈值0.8效果图

图21是倾斜的车牌采集图像

图22是倾斜校正后的车牌图像

图23是倾斜校正步骤流程图

具体实施方式

实施例一如图1所示，一种车牌定位方法，所述车牌定位方法步骤包括:S01拍照设备通过触发器对车牌进行触发拍照；S02将所述拍照设备拍照的图像通过网络传送给车牌定位系统中，如图2所示；S03所述车牌定位系统对上一步处理后图像进行预处理，得到车牌区域图像；S04所述车牌定位系统对上一步车牌区域图像进行车牌定位处理；S05对所上一步处理后车牌区域进行倾斜校正处理，其特征在于：

所述图像预处理步骤包括：S031对S02步骤处理后的图像进行灰度化处理，如图3所示；S032对上一步处理后图像进行中值滤波，如图4所示；S033对上一步处理后图像进行垂直边缘检测；S034对上一步处理后图像进行形态学处理；

所述牌照定位处理包括：S041对S03步骤处理后图像标记连通域；S042合并距离为距离设定值的所述连通域；S043选择所述连通域，从而形成所述车牌区域；

所述倾斜校正处理包括：S051对S04步骤处理后的车牌区域进行直方图均衡化；S052对上一步处理后的车牌区域进行图像边缘检测；再通过radon变换求得车牌倾斜角度；S053对上一步处理后的车牌区域进行图像旋转。

所述车牌定位方法，提高车牌定位的准确性。图像的灰度化处理一般用点运算进行，而点运算就是灰度变换。点运算可以增强图像的对比度，也可改变灰度的大小和区域。灰度化处理后，图像采取滤波步骤，滤波方式采取中值滤波，中值滤波相对于其它滤波方式的优点是可以减少噪声，其它滤波方式如平滑滤波如图5所示，或高斯滤波如图6所示，会使滤波后的图像变得模糊。利用中值滤波来去除椒盐噪声，还能处理某些随机噪声。对于处理椒盐噪声的时候，中值滤波的处理效果高于线性平滑滤波。它可以降低模糊效应，而且中值滤波的噪声点有些会被忽视。线性平滑滤波处理像素的相邻点为的噪声时，会影响此点像素的大小。噪声点与中心点的距离越大，高斯平滑噪声的影响越大。下一步处理是进行边缘检测，边缘检测是为了去除不需要的信息，突出重点信息，选择边缘检测是使车牌区域中的垂直边缘相对其它位置要丰富一些。形态学处理处理是车牌的边界和连通域为后面的车牌识别工作做出铺垫。车牌定位系统对上一步车牌区域图像进行车牌定位处理，将图像中车牌区域定位，连通域的选定就是车牌区域的选定，所以，最后选定的连通域也仅有一个。对所述车牌区域的倾斜校正，得到的车牌区域更加平稳。对所述车牌区域进行直方图均衡化，均衡化之后的图像对比度较高，因为各个点的像素的灰度级更高了。直方图均衡化实现图像灰度归一化，消除灰度因素的影响。车牌照片容易受到光照的影响，而灰度因素是由光照、噪声等方面影响，用直方图均衡化方法可消除灰度因素的影响。

实施例二，一种车牌定位方法，所述车牌定位方法步骤包括:S01拍照设备通过触发器对车牌进行触发拍照；S02将所述拍照设备拍照的图像通过网络传送给车牌定位系统中，；S03所述车牌定位系统对上一步处理后图像进行预处理，得到车牌区域图像；S04所述车牌定位系统对上一步车牌区域图像进行车牌定位处理；S05对所上一步处理后车牌区域进行倾斜校正处理，其特征在于：

所述图像预处理步骤包括：S031对S02步骤处理后的图像进行灰度化处理，如图3所示；S032对上一步处理后图像进行中值滤波，如图4所示；S033对上一步处理后图像进行垂直边缘检测；S034对上一步处理后图像进行形态学处理；所述垂直边缘检测利用Prewitt算子；所述形态学处理包括先膨胀后腐蚀，再删除面积小于面积设定值的区域，所述面积设定值为500。

所述牌照定位处理包括：S041对S03步骤处理后图像标记连通域；S042合并距离为距离设定值的所述连通域；S043选择所述连通域，从而形成所述车牌区域；

所述倾斜校正处理包括：S051对S04步骤处理后的车牌区域进行直方图均衡化；S052对上一步处理后的车牌区域进行图像边缘检测；再通过radon变换求得车牌倾斜角度；S053对上一步处理后的车牌区域进行图像旋转。

所述车牌定位方法，提高车牌定位的准确性。图像的灰度化处理一般用点运算进行，而点运算就是灰度变换。点运算可以增强图像的对比度，也可改变灰度的大小和区域。灰度化处理后，图像采取滤波步骤，滤波方式采取中值滤波，中值滤波相对于其它滤波方式的优点是可以减少噪声，其它滤波方式如平滑滤波如图5所示，或高斯滤波如图6所示，会使滤波后的图像变得模糊。利用中值滤波来去除椒盐噪声，还能处理某些随机噪声。对于处理椒盐噪声的时候，中值滤波的处理效果高于线性平滑滤波。它可以降低模糊效应，而且中值滤波的噪声点有些会被忽视。线性平滑滤波处理像素的相邻点为的噪声时，会影响此点像素的大小。噪声点与中心点的距离越大，高斯平滑噪声的影响越大。下一步处理是进行边缘检测，边缘检测是为了去除不需要的信息，突出重点信息，选择边缘检测是使车牌区域中的垂直边缘相对其它位置要丰富一些。形态学处理处理是车牌的边界和连通域为后面的车牌识别工作做出铺垫。车牌定位系统对上一步车牌区域图像进行车牌定位处理，将图像中车牌区域定位，连通域的选定就是车牌区域的选定，所以，最后选定的连通域也仅有一个。对所述车牌区域的倾斜校正，得到的车牌区域更加平稳。对所述车牌区域进行直方图均衡化，均衡化之后的图像对比度较高，因为各个点的像素的灰度级更高了。直方图均衡化实现图像灰度归一化，消除灰度因素的影响。车牌照片容易受到光照的影响，而灰度因素是由光照、噪声等方面影响，用直方图均衡化方法可消除灰度因素的影响。

垂直边缘检测利用Prewitt算子，如图7所示，Prewitt算子相对于其它算子的优点是考虑了邻域信息，相当于对图像先做加权平滑处理，然后再做微分运算，它对噪声具有较高的抑制能力。而Roberts算子，如图8所示，对噪声的降低效果不高，会丢失边缘，因为图像没有平滑处理，Roberts算子利用局部差分算子寻找边缘，边缘定位精度较高。所以，整图的边缘化效果非常好，不仅以更高的清晰度反映出了车牌、车标、车灯等区域外，还清晰的显示了车尾的装饰物、后备箱的边缘、远处的楼梯。然而这也给后面的对图像的处理造成了困扰，由于清晰显示了太多的与主要信息无关的区域，并且这些区域严重干扰了后续对车牌区域的识别。Sobel算子，如图9所示，其边缘检测多出现多像素宽度，在一些情况下可能对车牌识别结果产生不良影响，因此效果不及Prewitt算子。Canny算子，如图10所示，其效果也不及Prewitt算子。膨胀后边缘图如图11，膨胀操作后的腐蚀的边缘图如图12。腐蚀的效果与原图像自身的形状大小和元素有着密切的关系，腐蚀是从图片的边界开始，使之减少。若原图像本身的面积小于设定结构的大小，那么腐蚀之后，就会全部消失。膨胀的效果与腐蚀是正好相反的。他扩展了原图像的边界。但同样，膨胀的效果与原图像本身的结构大小也有密切的关系，应用于连接图像中不同区域的断裂。删除面积为500的形态学图如图13所示，明显可以看出车牌区域位置，而通过其他算子运算，再经过膨胀腐蚀和删除面积运算后的形态学图，不能清除的分辨车牌区域。删除面积为500的连通域，删除了面积过小的区域，为下面连通域的标记工作打下基础。所述车牌预处理流程如图14所述。

实施例三，一种车牌定位方法，所述车牌定位方法步骤包括:S01拍照设备通过触发器对车牌进行触发拍照；S02将所述拍照设备拍照的图像通过网络传送给车牌定位系统中，；S03所述车牌定位系统对上一步处理后图像进行预处理，得到车牌区域图像；S04所述车牌定位系统对上一步车牌区域图像进行车牌定位处理；S05对所上一步处理后车牌区域进行倾斜校正处理，其特征在于：

所述图像预处理步骤包括：S031对S02步骤处理后的图像进行灰度化处理，如图3所示；S032对上一步处理后图像进行中值滤波，如图4所示；S033对上一步处理后图像进行垂直边缘检测；S034对上一步处理后图像进行形态学处理；所述垂直边缘检测利用Prewitt算子；所述形态学处理包括先膨胀后腐蚀，再删除面积小于面积设定值的区域，所述面积设定值为500。

所述牌照定位处理包括：S041对S03步骤处理后图像标记连通域；S042合并距离为距离设定值的所述连通域；S043选择所述连通域，从而形成所述车牌区域；所述S041和S042步骤如图15所示；

所述倾斜校正处理包括：S051对S04步骤处理后的车牌区域进行直方图均衡化；S052对上一步处理后的车牌区域进行图像边缘检测；再通过radon变换求得车牌倾斜角度；S053对上一步处理后的车牌区域进行图像旋转。

所述S041对S03步骤处理后图像标记连通域包括：标记连通域之后存储所述连通域的边界坐标；所述连通域左边界为所有元素的列坐标的最小值，所述连通域左边界为右边界为所有元素的列坐标的最大值；所述连通域左边界为上边界为所有元素的横坐标的最小值，所述连通域左边界为下边界为所有元素的横坐标的最大值。

S042合并距离为距离设定值的所述连通域步骤包括：计算上一步得到的连通域之间的距离，若距离为达到所述距离设定值，则合并为同一连通域；合并后的连通域的上边界为合并前两个连通域的上边界坐标的最小值，合并后的连通域的下边界为原来两个连通域的下边界坐标的最大值；最后记录连通域合并操作的次数，将后面的连通域的编号前移一位。

S043选择所述连通域步骤包括：调取上一步图像处理后的图像灰度信息，再取连通域中间一行的坐标，然后取连通域的中间三行的灰度信息；判断阈值，进行二值化阈值分割处理；标记连通域，计算图像中间行位置的连通域个数，判断所述连通域个数是否在设定区域内，筛选出连通域作为候选区域；最后记录筛选出的候选区域的个数，记录候选区域的标号。

所述车牌定位方法，提高车牌定位的准确性。图像的灰度化处理一般用点运算进行，而点运算就是灰度变换。点运算可以增强图像的对比度，也可改变灰度的大小和区域。灰度化处理后，图像采取滤波步骤，滤波方式采取中值滤波，中值滤波相对于其它滤波方式的优点是可以减少噪声，其它滤波方式如平滑滤波如图5所示，或高斯滤波如图6所示，会使滤波后的图像变得模糊。利用中值滤波来去除椒盐噪声，还能处理某些随机噪声。对于处理椒盐噪声的时候，中值滤波的处理效果高于线性平滑滤波。它可以降低模糊效应，而且中值滤波的噪声点有些会被忽视。线性平滑滤波处理像素的相邻点为的噪声时，会影响此点像素的大小。噪声点与中心点的距离越大，高斯平滑噪声的影响越大。下一步处理是进行边缘检测，边缘检测是为了去除不需要的信息，突出重点信息，选择边缘检测是使车牌区域中的垂直边缘相对其它位置要丰富一些。形态学处理处理是车牌的边界和连通域为后面的车牌识别工作做出铺垫。车牌定位系统对上一步车牌区域图像进行车牌定位处理，将图像中车牌区域定位，连通域的选定就是车牌区域的选定，所以，最后选定的连通域也仅有一个。对所述车牌区域的倾斜校正，得到的车牌区域更加平稳。对所述车牌区域进行直方图均衡化，均衡化之后的图像对比度较高，因为各个点的像素的灰度级更高了。直方图均衡化实现图像灰度归一化，消除灰度因素的影响。车牌照片容易受到光照的影响，而灰度因素是由光照、噪声等方面影响，用直方图均衡化方法可消除灰度因素的影响。

垂直边缘检测利用Prewitt算子，如图7所示，Prewitt算子相对于其它算子的优点是考虑了邻域信息，相当于对图像先做加权平滑处理，然后再做微分运算，它对噪声具有较高的抑制能力。而Roberts算子，如图8所示，对噪声的降低效果不高，会丢失边缘，因为图像没有平滑处理，Roberts算子利用局部差分算子寻找边缘，边缘定位精度较高。所以，整图的边缘化效果非常好，不仅以更高的清晰度反映出了车牌、车标、车灯等区域外，还清晰的显示了车尾的装饰物、后备箱的边缘、远处的楼梯。然而这也给后面的对图像的处理造成了困扰，由于清晰显示了太多的与主要信息无关的区域，并且这些区域严重干扰了后续对车牌区域的识别。Sobel算子，如图9所示，其边缘检测多出现多像素宽度，在一些情况下可能对车牌识别结果产生不良影响，因此效果不及Prewitt算子。Canny算子，如图10所示，其效果也不及Prewitt算子。膨胀后边缘图如图11，膨胀操作后的腐蚀的边缘图如图12。腐蚀的效果与原图像自身的形状大小和元素有着密切的关系，腐蚀是从图片的边界开始，使之减少。若原图像本身的面积小于设定结构的大小，那么腐蚀之后，就会全部消失。膨胀的效果与腐蚀是正好相反的。他扩展了原图像的边界。但同样，膨胀的效果与原图像本身的结构大小也有密切的关系，应用于连接图像中不同区域的断裂。删除面积为500的形态学图如图13所示，明显可以看出车牌区域位置，而通过其他算子运算，再经过膨胀腐蚀和删除面积运算后的形态学图，不能清除的分辨车牌区域。删除面积为500的连通域，删除了面积过小的区域，为下面连通域的标记工作打下基础。所述车牌预处理流程如图14所述。经过步骤S043步骤处理后的图像如图16所示。

实施例四，一种车牌定位方法，所述车牌定位方法步骤包括:S01拍照设备通过触发器对车牌进行触发拍照；S02将所述拍照设备拍照的图像通过网络传送给车牌定位系统中，；S03所述车牌定位系统对上一步处理后图像进行预处理，得到车牌区域图像；S04所述车牌定位系统对上一步车牌区域图像进行车牌定位处理；S05对所上一步处理后车牌区域进行倾斜校正处理，其特征在于：

所述图像预处理步骤包括：S031对S02步骤处理后的图像进行灰度化处理，如图3所示；S032对上一步处理后图像进行中值滤波，如图4所示；S033对上一步处理后图像进行垂直边缘检测；S034对上一步处理后图像进行形态学处理；所述垂直边缘检测利用Prewitt算子；所述形态学处理包括先膨胀后腐蚀，再删除面积小于面积设定值的区域，所述面积设定值为500。

所述牌照定位处理包括：S041对S03步骤处理后图像标记连通域；S042合并距离为距离设定值的所述连通域；S043选择所述连通域，从而形成所述车牌区域；所述S041和S042步骤如图15所示；

所述倾斜校正处理包括：S051对S04步骤处理后的车牌区域进行直方图均衡化；S052对上一步处理后的车牌区域进行图像边缘检测；再通过radon变换求得车牌倾斜角度；S053对上一步处理后的车牌区域进行图像旋转。

所述S041对S03步骤处理后图像标记连通域包括：标记连通域之后存储所述连通域的边界坐标；所述连通域左边界为所有元素的列坐标的最小值，所述连通域左边界为右边界为所有元素的列坐标的最大值；所述连通域左边界为上边界为所有元素的横坐标的最小值，所述连通域左边界为下边界为所有元素的横坐标的最大值。

S042合并距离为距离设定值的所述连通域步骤包括：计算上一步得到的连通域之间的距离，若距离为达到所述距离设定值，则合并为同一连通域；合并后的连通域的上边界为合并前两个连通域的上边界坐标的最小值，合并后的连通域的下边界为原来两个连通域的下边界坐标的最大值；最后记录连通域合并操作的次数，将后面的连通域的编号前移一位。

S043选择所述连通域步骤包括：调取上一步图像处理后的图像灰度信息，再取连通域中间一行的坐标，然后取连通域的中间三行的灰度信息；判断阈值，进行二值化阈值分割处理；标记连通域，计算图像中间行位置的连通域个数，判断所述连通域个数是否在设定区域内，筛选出连通域作为候选区域；最后记录筛选出的候选区域的个数，记录候选区域的标号。所述设定区域大于7且小于15.所述阈值分割方法为最大类间方差法。

若所述候选区域总数大于一个，则计算二值化车牌与外围矩阵的面积比，再使用所述候选区域外围矩阵的长宽比和面积比，判断是否为车牌区域；记录符合条件的候选区域个数，记录符合条件的区域标号，定位车牌区域。S052步骤所述的图像边缘检测方法利用Prewitt算子；S053对上一步处理后的车牌区域进行图像旋转的图像旋转方法为双线性插值法。

所述车牌定位方法，提高车牌定位的准确性。图像的灰度化处理一般用点运算进行，而点运算就是灰度变换。点运算可以增强图像的对比度，也可改变灰度的大小和区域。灰度化处理后，图像采取滤波步骤，滤波方式采取中值滤波，中值滤波相对于其它滤波方式的优点是可以减少噪声，其它滤波方式如平滑滤波如图5所示，或高斯滤波如图6所示，会使滤波后的图像变得模糊。利用中值滤波来去除椒盐噪声，还能处理某些随机噪声。对于处理椒盐噪声的时候，中值滤波的处理效果高于线性平滑滤波。它可以降低模糊效应，而且中值滤波的噪声点有些会被忽视。线性平滑滤波处理像素的相邻点为的噪声时，会影响此点像素的大小。噪声点与中心点的距离越大，高斯平滑噪声的影响越大。下一步处理是进行边缘检测，边缘检测是为了去除不需要的信息，突出重点信息，选择边缘检测是使车牌区域中的垂直边缘相对其它位置要丰富一些。形态学处理处理是车牌的边界和连通域为后面的车牌识别工作做出铺垫。车牌定位系统对上一步车牌区域图像进行车牌定位处理，将图像中车牌区域定位，连通域的选定就是车牌区域的选定，所以，最后选定的连通域也仅有一个。对所述车牌区域的倾斜校正，得到的车牌区域更加平稳。对所述车牌区域进行直方图均衡化，均衡化之后的图像对比度较高，因为各个点的像素的灰度级更高了。直方图均衡化实现图像灰度归一化，消除灰度因素的影响。车牌照片容易受到光照的影响，而灰度因素是由光照、噪声等方面影响，用直方图均衡化方法可消除灰度因素的影响。

垂直边缘检测利用Prewitt算子，如图7所示，Prewitt算子相对于其它算子的优点是考虑了邻域信息，相当于对图像先做加权平滑处理，然后再做微分运算，它对噪声具有较高的抑制能力。而Roberts算子，如图8所示，对噪声的降低效果不高，会丢失边缘，因为图像没有平滑处理，Roberts算子利用局部差分算子寻找边缘，边缘定位精度较高。所以，整图的边缘化效果非常好，不仅以更高的清晰度反映出了车牌、车标、车灯等区域外，还清晰的显示了车尾的装饰物、后备箱的边缘、远处的楼梯。然而这也给后面的对图像的处理造成了困扰，由于清晰显示了太多的与主要信息无关的区域，并且这些区域严重干扰了后续对车牌区域的识别。Sobel算子，如图9所示，其边缘检测多出现多像素宽度，在一些情况下可能对车牌识别结果产生不良影响，因此效果不及Prewitt算子。Canny算子，如图10所示，其效果也不及Prewitt算子。膨胀后边缘图如图11，膨胀操作后的腐蚀的边缘图如图12。腐蚀的效果与原图像自身的形状大小和元素有着密切的关系，腐蚀是从图片的边界开始，使之减少。若原图像本身的面积小于设定结构的大小，那么腐蚀之后，就会全部消失。膨胀的效果与腐蚀是正好相反的。他扩展了原图像的边界。但同样，膨胀的效果与原图像本身的结构大小也有密切的关系，应用于连接图像中不同区域的断裂。删除面积为500的形态学图如图13所示，明显可以看出车牌区域位置，而通过其他算子运算，再经过膨胀腐蚀和删除面积运算后的形态学图，不能清除的分辨车牌区域。删除面积为500的连通域，删除了面积过小的区域，为下面连通域的标记工作打下基础。所述车牌预处理流程如图14所述。经过步骤S043步骤处理后的图像如图16所示。S043流程图如图17所示。

所述阈值分割方法为最大类间方差法，最大类间方差法相的阈值选取的效果更好，几乎没有局限性，最大类间方差发二值图如图18所示，效果明显比人为选取阈值得到的二值图效果要好，如图19取阈值0.3和图20取阈值0.8。

S053对上一步处理后的车牌区域进行图像旋转的图像旋转方法为双线性插值法，双线性插值法可减少车牌定位系统的运行时间，并且效果较高。如图21倾斜的车牌采集图像，经过倾斜校正后的车牌如图22。所述倾斜校正步骤流程图如图23所示。

上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围。

Claims (10)

1.一种车牌定位方法，所述车牌定位方法步骤包括：S01所述拍照设备通过触发器对车牌进行触发拍照；S02将所述拍照设备拍照的图像通过网络传送给车牌定位系统中；S03所述车牌定位系统对上一步处理后图像进行预处理，得到车牌区域图像；S04所述车牌定位系统对上一步车牌区域图像进行车牌定位处理；S05对所上一步处理后车牌区域进行倾斜校正处理，其特征在于：

所述图像预处理步骤包括：S031对S02步骤处理后的图像进行灰度化处理；S032对上一步处理后图像进行中值滤波；S033对上一步处理后图像进行垂直边缘检测；S034对上一步处理后图像进行形态学处理；

所述牌照定位处理包括：S041对S03步骤处理后图像标记连通域；S042合并距离为距离设定值的所述连通域；S043选择所述连通域，从而形成所述车牌区域；

所述倾斜校正处理包括：S051对S04步骤处理后的车牌区域进行直方图均衡化；S052对上一步处理后的车牌区域进行图像边缘检测；再通过radon变换求得车牌倾斜角度；S053对上一步处理后的车牌区域进行图像旋转。

2.根据权利要求2所述的一种车牌定位方法，其特征在于：所述垂直边缘检测利用Prewitt算子；所述形态学处理包括先膨胀后腐蚀，再删除面积小于面积设定值的区域。

3.根据权利要求2所述的一种车牌定位方法，其特征在于：所述面积设定值为500。

4.根据权利要求1所述的一种车牌定位方法，其特征在于，所述S041对S03步骤处理后图像标记连通域包括：标记连通域之后存储所述连通域的边界坐标；所述连通域左边界为所有元素的列坐标的最小值，所述连通域左边界为右边界为所有元素的列坐标的最大值；所述连通域左边界为上边界为所有元素的横坐标的最小值，所述连通域左边界为下边界为所有元素的横坐标的最大值。

5.根据权利要求1所述的一种车牌定位方法，其特征在于，S042合并距离为距离设定值的所述连通域步骤包括：计算上一步得到的连通域之间的距离，若距离为达到所述距离设定值，则合并为同一连通域；合并后的连通域的上边界为合并前两个连通域的上边界坐标的最小值，合并后的连通域的下边界为原来两个连通域的下边界坐标的最大值；最后记录连通域合并操作的次数，将后面的连通域的编号前移一位。

6.根据权利要求1所述的一种车牌定位方法，其特征在于，S043选择所述连通域步骤包括：调取上一步图像处理后的图像灰度信息，再取连通域中间一行的坐标，然后取连通域的中间三行的灰度信息；判断阈值，进行二值化阈值分割处理；标记连通域，计算图像中间行位置的连通域个数，判断所述连通域个数是否在设定区域内，筛选出连通域作为候选区域；最后记录筛选出的候选区域的个数，记录候选区域的标号。

7.根据权利要求6所述的一种车牌定位方法，其特征在于：若所述候选区域总数大于一个，则计算二值化车牌与外围矩阵的面积比，再使用所述候选区域外围矩阵的长宽比和面积比，判断是否为车牌区域；记录符合条件的候选区域个数，记录符合条件的区域标号，定位车牌区域。

8.根据权利要求6所述的一种车牌定位方法，其特征在于：所述设定区域大于7且小于15。

9.根据权利要求6所述的一种车牌定位方法，其特征在于：所述阈值分割方法为最大类间方差法。

10.根据权利要求1所述的一种车牌定位方法，其特征在于；S052步骤所述的图像边缘检测方法利用Prewitt算子；S053对上一步处理后的车牌区域进行图像旋转的图像旋转方法为双线性插值法。