CN105913058A - 一种多车牌定位方法 - Google Patents

Abstract

一种多车牌定位方法，属于智能交通定位技术领域。本发明通过计算灰度差值和轮廓分析以定位图像中多个车牌，该方法能有效排除路口复杂背景的干扰，利用灰度差值和轮廓分析准确地定位出多个车牌的位置。

Description

一种多车牌定位方法

技术领域

本发明属于智能交通定位技术领域，具体涉及一种通过计算灰度差值和轮廓分析以定位图像中多个车牌的多车牌定位方法。

背景技术

随着我国交通事业的迅速发展，城市的汽车数量逐年增加，城市道路交通堵塞、拥挤问题显得越来越突出。现代化交通控制系统的建设，却可大幅度的提高现有道路的利用率，而可靠的车牌定位方法是智能交通应用的保障。

交叉路口的多车牌定位是判别违章的一个关键。目前通过在交叉路口安装高清摄像机，并通过人工识别的方式来定位车牌，在一些拥挤的路段需要大量的人力。作为替代的计算机视觉技术因其轻便等特点在智能交通领域得到了广泛的关注。

当前已有许多车牌定位的成果，其中与本发明最接近的技术方案包括：王永杰(北京理工大学计算机学院智能信息技术北京市重点实验室，2014；多信息融合的快速车牌定位[J].中国图象图形学报,2014,03:471-475.)提出了多信息融合的快速车牌定位方法，通过融合环境信息对车牌进行粗定位，再通过形态学计算对车牌进行精确定位，最后验证字符信息来确认车牌，但是该方法并没有有效利用车牌的颜色信息，并且需要提前训练字符分类器；陈寅鹏(清华大学电子工程系，复杂车辆图像中的车牌定位与字符分割方法[J].红外与激光工程,2004,01:29-33.)提出了综合多种特征的车牌定位算法，通过基于灰度方差的二值化滤波滤除背景，接着使用连通域分析提取候选区域，最后使用边缘检测提取上下边界的方法来定位车牌，该方法在滤除背景这一步的时候很难滤除大色块的背景，比如广告牌等，对车牌定位的结果会产生一定的影响；郭大波(山西大学电子系，2003，基于车牌底色识别的车牌定位方法[J].计算机工程与设计,2003,05:81-84+87.)提出了基于车牌底色识别的车牌定位方法，利用ColorPrewwit算子对彩色图像的边缘进行提取，并用Matlab统计车牌区域三维边缘密度分布，在边缘图中提取出车牌区域，接着利用形态学处理定位出候选车牌区域。对于每一个车牌的候选区域进一步采用颜色分割的方法来验证车牌区域，该方法充分利用了车牌颜色信息和边缘密度信息，但是与本文的方法相比候选区域的剔除算法过于简单，仅用到了颜色信息，不能完全有效地排除干扰。与传统车牌识别中用到的车牌定位方法不同，本文提出的方法可以同时定位多个车牌，并且在非高清的视频或图像中也可以正常工作。

发明内容

为克服现有技术的不足，本发明提供一种通过计算灰度差值和轮廓分析以定位图像中多个车牌的多车牌定位方法。

所述的多车牌定位方法，包括如下步骤：

步骤1：从道路监控视频中取出待定位车牌的图像I，其中图像的高度为height，宽度为width，单位为像素，面积A＝height*width；

步骤2：对原图像I做RGB通道分离，得到分别对应于红色通道、绿色通道和蓝色通道的灰度图G_r，G_g和G_b；

步骤3：根据式(1)计算，得到灰度图G₁和G₂：

$\begin{array}{c}{G}_1=G_r-\mathrm{\α}*G_b\\ G_2=G_b-\mathrm{\α}*G_r\end{array}---\left(1\right)$

其中α表示光照系数；

步骤4：分别对步骤3得到的G₁和G₂采用OTSU方法进行二值化操作，得到二值化之后的图G₁和G₂；

步骤5：使用参考点位于(5,0)的11*1核对步骤4得到的二值图G₁和G₂做膨胀操作，得到新的二值图G₁和G₂；

步骤6：对步骤5得到的二值图G₁和G₂进行轮廓提取，分别得到轮廓集合S₁＝{C_1i|i＝1,2,…,m₁}和S₂＝{C_2j|j＝1,2,…,m₂}，其中C_1i表示集合S₁中第i个轮廓，m₁表示集合S₁中的轮廓数量，C_2j表示集合S₂中第j个轮廓，m₂表示集合S₂中的轮廓数量；

步骤7：过滤集合S₁和S₂中的轮廓：

步骤8：根据式(4)计算得到最终的轮廓集合J，这些轮廓即为原图I中对应的车牌轮廓：

J＝S₁∪S₂ (4)

式中，S₁和S₂为步骤7得到的最终集合。

所述的多车牌定位方法，其特征在于步骤7中过滤集合S₁和S₂中的轮廓的具体步骤如下：

步骤7.1：分别计算S₁和S₂中每个轮廓的最小外接矩形R_1i,i＝1,2,…,m₁,R_2j,j＝1,2,…,m₂，将那些不满足条件：的轮廓从S₁中剃除,同时将那些不满足条件：的轮廓S₂中剃除，其中A_1i表示对应于轮廓C_1i的最小外接矩形R_1i的面积，A_2j表示对应于轮廓C_2j的最小外接矩形R_2j的面积，和λ分别为事先设定的车牌面积占原始图像面积的最小和最大比例的阈值；

步骤7.2：分别计算步骤7.1得到的S₁和S₂中每个轮廓的最小外接矩形宽高比r_1i和r_2j，将那些不满足条件：μ＜r_1i＜ν的轮廓从S₁中剃除，同时将那些不满足条件：μ＜r_2j＜ν的轮廓从S₂中剃除，其中r_1i表示集合S₁中轮廓C_1i的最小外接矩形R_1i的宽高比，r_2j表示集合S₂中轮廓C_2j的最小外接矩形R_2j的宽高比，μ，ν分别为事先设定的最小和最大宽高比的阈值；

步骤7.3：根据步骤7.2得到的S₁和S₂中每个轮廓，从步骤5得到的图G₁和G₂中截取对应的子图K_1i和K_2j，根据式(2)计算每个子图对应的跳变行数n_1i和n_2j：

式中，K_1i表示从图G₁中截取到的第i个子图，该子图的位置和大小与S₁中的第i个轮廓C_1i的最小外接矩形R_1i一致，K_2j表示从图G₂中截取到的第j个子图，该子图的位置和大小与S₂中的第j个轮廓C_2j的最小外接矩形R_2j一致，h_1i和w_1i表示子图K_1i的高和宽，h_2j和w_2j表示子图K_2j的高和宽，表示单行跳变阈值，跳变行数n_1i和n_2j分别表示子图K_1i和子图K_2j满足单行跳变阈值的行数，表示子图K_1i在横坐标为x、纵坐标为y处的像素点的灰度值，表示子图K_2j在横坐标为x、纵坐标为y处的像素点的灰度值；

将那些不满足如下条件：n_1i>θ的轮廓从S₁中剃除，同时将那些不满足如下条件：n_2j>θ的轮廓从S₂中剃除，得到最终的S₁和S₂，其中θ为跳变行数阈值。

通过采用上述技术，本发明通过计算灰度差值和轮廓分析以定位图像中多个车牌，该方法能有效排除路口复杂背景的干扰，利用灰度差值和轮廓分析准确地定位出多个车牌的位置。

附图说明

图1为本发明的实施例选取的道路监控视频图像；

图2为本发明的经过步骤3处理的道路监控视频图像；

图3为本发明的经过步骤4处理的道路监控视频图像；

图4为本发明的经过步骤5处理的道路监控视频图像；

图5为本发明的经过步骤6处理的道路监控视频图像；

图6为本发明的经过步骤7.1处理的道路监控视频图像；

图7为本发明的经过步骤7.2处理的道路监控视频图像；

图8为本发明的经过步骤7.3处理的道路监控视频图像；

图9为本发明的经过步骤8处理的道路监控视频图像。

具体实施方式

下面结合实施例来详细阐述本发明的通过计算灰度差值和轮廓分析以定位图中多个车牌的具体实施方式。

步骤1：从道路监控视频中取出待定位车牌的图像I，其中图像的高度为height，宽度为width，单位为像素，面积A＝height*width；在本实施例中，选取的两个监控视频图像如图1所示；

步骤2：对原图像I做RGB通道分离，得到分别对应于红色通道、绿色通道和蓝色通道的灰度图G_r，G_g和G_b；

步骤3：根据式(1)计算，得到灰度图G₁和G₂：

$\begin{array}{c}{G}_1=G_r-\mathrm{\α}*G_b\\ G_2=G_b-\mathrm{\α}*G_r\end{array}---\left(1\right)$

其中α表示光照系数；在本实施例中，α＝2.5，对原图做通道分离得到的两张灰度图，如图2所示；

步骤4：分别对步骤3得到的G₁和G₂采用OTSU方法进行二值化操作，得到二值化之后的图G₁和G₂；本实施例中，二值化之后的图如图3所示；

步骤5：使用参考点位于(5，0)的11*1核对步骤4得到的二值图G₁和G₂做膨胀操作，得到新的二值图G₁和G₂。得到的两张二值图如图4所示；

步骤6：对于步骤5得到的二值图G₁和G₂进行轮廓提取，分别得到轮廓集合S₁＝{C_1i|i＝1,2,…,m₁}和S₂＝{C_2j|j＝1,2,…,m₂}，其中C_1i表示集合S₁中第i个轮廓，m₁表示集合S₁中的轮廓数量，C_2j表示集合S₂中第j个轮廓，m₂表示集合S₂中的轮廓数量；本实施例中，轮廓示意图如图5所示；

步骤7：按如下步骤过滤集合S₁和S₂中的轮廓：

步骤7.1：分别计算S₁和S₂中每个轮廓的最小外接矩形R_1i,i＝1,2,…,m₁,R_2j,j＝1,2,…,m₂，将那些不满足条件：的轮廓从S₁中剃除,同时将那些不满足条件：的轮廓S₂中剃除，其中A_1i表示对于轮廓C_1i的最小外接矩形R_1i的面积，A_2j表示对于轮廓C_2j的最小外接矩形R_2j的面积，和λ分别为车牌占原始图像的最小和最大比例；本实施例中，取λ＝0.5,图6为经面积过滤后的轮廓示意图；

步骤7.2：分别计算步骤7.1得到的S₁和S₂中每个轮廓的最小外接矩形宽高比r_1i和r_2j，将那些不满足条件：μ＜r_1i＜ν的轮廓从S₁中剃除，同时将那些不满足条件：μ＜r_2j＜ν的轮廓从S₂中剃除，其中r_1i表示对集合S₁中轮廓C_1i的最小外接矩形R_1i的宽高比，r_2j表示集合S₂中轮廓C_2j的最小外接矩形R_2j的宽高比，μ，ν分别为最小和最大宽高比；本实施例中，取μ＝1，ν＝5，图7为经长宽比过滤后的轮廓示意图；

步骤7.3：根据步骤7.2得到的S₁和S₂中每个轮廓，从步骤5得到的图G₁和G₂中截取到对应的子图K_1i和K_2j，根据式(2)计算每个子图对应跳变行数n_1i和n_2j：

式中，K_1i表示从图G₁中截取到的第i个子图，该子图的位置和大小与S₁中的第i个轮廓C_1i的最小外接矩形R_1i一致，K_2j表示从图G₂中截取到的第j个子图，该子图的位置和大小与S₂中的第j个轮廓C_2j的最小外接矩形R_2j一致，h_1i和w_1i表示子图K_1i高和宽，h_2j和w_2j表示子图K_2j高和宽，表示单行跳变阈值，跳变行数n_1i和n_2j分别表示子图K_1i和子图K_2j满足单行跳变阈值的行数，表示子图K_1i在横坐标为x、纵坐标为y处的像素点的灰度值，表示子图K_2j在横坐标为x、纵坐标为y处的像素点的灰度值；

将那些不满足如下条件：n_1i>θ的轮廓从S₁中剃除，同时将那些不满足如下条件：n_2j>θ的轮廓从S₂中剃除，其中θ为跳变行数阈值；本实施例中，取θ＝6，图8为经二值跳变过滤后的轮廓示意图；步骤8：根据式(4)可得到最终的轮廓集合J，这些轮廓即为原图I中对应的车牌轮廓：

J＝S₁∪S₂ (4)

式中，S₁和S₂为步骤7.3得到的最终集合；本实施例中，图9为最终得到车牌位置。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (2)

1.一种多车牌定位方法，包括如下步骤：

步骤1：从道路监控视频中取出待定位车牌的图像I，其中图像的高度为height，宽度为width，单位为像素，面积A＝height*width；

步骤2：对原图像I做RGB通道分离，得到分别对应于红色通道、绿色通道和蓝色通道的灰度图G_r，G_g和G_b；

步骤3：根据式(1)计算，得到灰度图G₁和G₂：

$\begin{array}{c}{G}_1=G_r-\mathrm{\α}*G_b\\ G_2=G_b-\mathrm{\α}*G_r\end{array}---\left(1\right)$

其中α表示光照系数；

步骤4：分别对步骤3得到的G₁和G₂采用OTSU方法进行二值化操作，得到二值化之后的图G₁和G₂；

步骤5：使用参考点位于(5,0)的11*1核对步骤4得到的二值图G₁和G₂做膨胀操作，得到新的二值图G₁和G₂；

步骤6：对步骤5得到的二值图G₁和G₂进行轮廓提取，分别得到轮廓集合S₁＝{C_1i|i＝1,2,…,m₁}和S₂＝{C_2j|j＝1,2,…,m₂}，其中C_1i表示集合S₁中第i个轮廓，m₁表示集合S₁中的轮廓数量，C_2j表示集合S₂中第j个轮廓，m₂表示集合S₂中的轮廓数量；

步骤7：过滤集合S₁和S₂中的轮廓：

步骤8：根据式(4)计算得到最终的轮廓集合J，这些轮廓即为原图I中对应的车牌轮廓：

J＝S₁∪S₂ (4)

式中，S₁和S₂为步骤7得到的最终集合。

2.根据权利要求1所述的多车牌定位方法，其特征在于步骤7中过滤集合S₁和S₂中的轮廓的具体步骤如下：

步骤7.1：分别计算S₁和S₂中每个轮廓的最小外接矩形R_1i,i＝1,2,…,m₁,R_2j,j＝1,2,…,m₂，将那些不满足条件：的轮廓从S₁中剃除,同时将那些不满足条件：的轮廓S₂中剃除，其中A_1i表示对应于轮廓C_1i的最小外接矩形R_1i的面积，A_2j表示对应于轮廓C_2j的最小外接矩形R_2j的面积，和λ分别为事先设定的车牌面积占原始图像面积的最小和最大比例的阈值；

步骤7.2：分别计算步骤7.1得到的S₁和S₂中每个轮廓的最小外接矩形宽高比r_1i和r_2j，将那些不满足条件：μ＜r_1i＜ν的轮廓从S₁中剃除，同时将那些不满足条件：μ＜r_2j＜ν的轮廓从S₂中剃除，其中r_1i表示集合S₁中轮廓C_1i的最小外接矩形R_1i的宽高比，r_2j表示集合S₂中轮廓C_2j的最小外接矩形R_2j的宽高比，μ，ν分别为事先设定的最小和最大宽高比的阈值；

步骤7.3：根据步骤7.2得到的S₁和S₂中每个轮廓，从步骤5得到的图G₁和G₂中截取对应的子图K_1i和K_2j，根据式(2)计算每个子图对应的跳变行数n_1i和n_2j：

式中，K_1i表示从图G₁中截取到的第i个子图，该子图的位置和大小与S₁中的第i个轮廓C_1i的最小外接矩形R_1i一致，K_2j表示从图G₂中截取到的第j个子图，该子图的位置和大小与S₂中的第j个轮廓C_2j的最小外接矩形R_2j一致，h_1i和w_1i表示子图K_1i的高和宽，h_2j和w_2j表示子图K_2j的高和宽，表示单行跳变阈值，跳变行数n_1i和n_2j分别表示子图K_1i和子图K_2j满足单行跳变阈值的行数，表示子图K_1i在横坐标为x、纵坐标为y处的像素点的灰度值，表示子图K_2j在横坐标为x、纵坐标为y处的像素点的灰度值；

将那些不满足如下条件：n_1i>θ的轮廓从S₁中剃除，同时将那些不满足如下条件：n_2j>θ的轮廓从S₂中剃除，得到最终的S₁和S₂，其中θ为跳变行数阈值。