CN106709491A - 一种基于colornames特征的车牌定位方法 - Google Patents
一种基于colornames特征的车牌定位方法 Download PDFInfo
- Publication number
- CN106709491A CN106709491A CN201611093784.2A CN201611093784A CN106709491A CN 106709491 A CN106709491 A CN 106709491A CN 201611093784 A CN201611093784 A CN 201611093784A CN 106709491 A CN106709491 A CN 106709491A
- Authority
- CN
- China
- Prior art keywords
- colornames
- license plate
- row
- rgb
- colorname
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于colornames特征的车牌定位方法,包括步骤:a)计算colornames概率模型,建立RGB‑colornames索引对照表;b)提取图像的colornames特征,定位车牌区域;本发明将colornames特征用于车牌定位,利用查表的方式计算图像颜色,不仅大大提高了计算速度,而且增强了颜色计算的鲁棒性。
Description
技术领域
本发明涉及智能交通、计算机视觉、图像处理、统计学等领域,具体涉及一种基于车牌颜色,利用colornames特征的车牌定位方法。
背景技术
车牌识别是计算机视觉在智能交通领域的重要应用,车牌识别过程包括图像采集、车牌定位、字符分割、字符识别等操作,其中车牌定位是车牌识别的关键步骤,定位的准确与否直接影响识别结果。
通常车牌都有明显的颜色特征,其背景和字符颜色都相对固定,所以基于颜色的车牌定位方法比较简单和直观,但是传统的基于颜色特征的车牌定位方法受光照影响较严重,对于相似颜色的区分效果较差。
发明内容
本申请的目的在于提供了一种基于colornames特征的车牌定位方法,包括步骤:a)计算colornames概率模型,建立colornames索引对照表;b)提取图像的colornames特征,定位车牌区域。
优选地,所述步骤a)包括步骤:
a1)定义colornames;
a2)构建训练样本集,针对每种颜色收集一定数量的训练样本,并标注对应的颜色区域;
a3)将训练数据由RGB空间转换为Lab空间;
a4)利用PLSA模型计算colornames概率分布矩阵,矩阵中第i行第j列的元素表示第i个Lab像素值时,colorname为j的条件概率;
a5)由概率分布矩阵建立Lab-colornames索引对照表,表中第i个元素为概率分布矩阵第i行最大值所在的列。
a6)根据RGB空间和Lab空间的对应关系,建立RGB-colornames索 引对照表
优选地,所述步骤b)包括步骤:
b1)根据RGB-colornames索引表查找图像中每一个像素对应的colorname,若其与规定的车牌背景的colorname相同,则该点特征值为1,若其与规定的字符的colorname相同,则该点特征值为2,否则为0,从而建立原始图像对应的colornames特征图像;
b2)逐行扫描colornames特征图像,统计每一行1到2的跳变次数,若大于7,则该行包含车牌区域,从而确定车牌区域的上下边界;
b3)逐列扫描b2)中确定的上下边界之间的区域,统计每一列值为2的个数,并根据最大值设置阈值,统计个数大于阈值的列包含车牌区域,从而确定车牌区域的左右边界。
应当理解,前述大体的描述和后续详尽的描述均为示例性说明和解释,并不应当用作对本发明所要求保护内容的限制。
附图说明
参考随附的附图,本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明,其中:
图1示出了根据本发明的基于colornames特征的车牌定位方法中计算colornames概率模型,建立RGB-colornames索引对照表的流程图;
图2示出了根据本发明的基于colornames特征的车牌定位方法中提取colornames特征、定位车牌区域的流程图。
具体实施方式
通过参考示范性实施例,本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而,本发明并不受限于以下所公开的示范性实施例;可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
图1示出了根据本发明的基于colornames特征的车牌定位方法中计 算模型、建立索引表的流程图,下面结合附图对本发明的实施过程做进一步的说明。
步骤101:定义colornames取值,本发明中将colornames取为11个颜色,分别为黑色、蓝色、棕色、灰色、绿色、橙色、粉色、紫色、红色、白色以及黄色,并分别用整数1~11表示。
步骤102:构建训练样本集,每个颜色收集一定数量训练样本,并标注对应颜色的区域;
根据本发明的一个实施例,样本应尽量取自不同光照条件,不同角度,不同采集设备等。
步骤103:将训练数据由RGB空间转换到Lab空间。
步骤104:利用PLSA模型和EM算法计算colornames概率分布矩阵;根据本发明的一个实施例,上述步骤114的实现过程由以下三个步骤组成:
步骤1041:设d表示图像,z表示颜色主题,w表示像素值,p(x|y)表示条件为y时x的概率,则有
其中p(z|d)符合参数为(α1,α2,...,αn)的狄利克雷分布,设图像d标注的colorname值为ld,则
步骤1042:定义似然函数
其中,n(d,w)表示文件d中出现像素w的次数,p(d,w)表示d和w的联合概率,定义CIE(w1,w2)表示按照CIE94色差公式计算的w1,w2的色差,wz表示第z个colorname对应的参考Lab值,那么
步骤1043:利用EM算法和公式
p(z|w)∝p(z)p(w|z)
计算概率分布矩阵,矩阵中第i行第j列的元素表示第i个Lab像素值时,colorname为j的条件概率。
步骤105:由概率分布矩阵建立Lab-colornames索引对照表,表中第i个元素为概率分布矩阵第i行最大值所在的列。
步骤106:根据RGB空间和Lab空间的对应关系,建立RGB-colornames索引对照表
图2示出了根据本发明的基于colornames特征的车牌定位方法中提取colornames特征、定位车牌区域的流程图。
步骤201:根据RGB-colornames索引表查找图像中每一个像素对应的colorname,若其与规定的车牌背景的colorname相同,则该点特征值为1,若其与规定的字符的colorname相同,则该点特征值为2,否则为0,从而建立原始图像对应的colornames特征图像;
步骤202:逐行扫描colornames-特征图像,统计每一行1到2的跳变次数,若大于7,则该行包含车牌区域,从而可确定车牌区域的上下边界;
步骤203:逐列扫描步骤202中确定的上下边界之间的区域,统计每一列值为2的个数,并根据最大值设置阈值,统计个数大于阈值的列包含车牌区域,从而确定车牌区域的左右边界。
下面应用本发明的基于colornames特征的车牌定位方法对其实施过程做进一步的说明:
步骤1:计算colornames概率模型,建立colornames索引对照表;包括下列步骤:
步骤1.1定义colornames取值,本方案中colornames取黑色,蓝色,棕色,灰色,绿色,橙色,粉色,紫色,红色,白色,黄色,分别用整数1~11表示
步骤1.2构建训练样本集,每个颜色收集一定数量训练样本,并标注对应颜色的区域,样本应尽量取自不同光照条件,不同角度,不同采集设备等;
步骤1.3将训练数据由RGB空间转换到Lab空间;
步骤1.4利用PLSA模型和EM算法计算colornames概率分布矩阵,其实现过程包括下列步骤:
步骤1.4.1设d表示图像,z表示颜色主题,w表示像素值,p(x|y)表示条件为y时x的概率,则有
其中p(z|d)符合参数为(α1,α2,...,αn)的狄利克雷分布,设图像d标注的colorname值为ld,则
步骤1.4.2定义似然函数
其中,n(d,w)表示文件d中出现像素w的次数,p(d,w)表示d和w的联合概率,定义CIE(w1,w2)表示按照CIE94色差公式计算的w1,w2的色差,wz表示第z个colorname对应的参考Lab值,那么
步骤1.4.3利用EM算法和公式
p(z|w)∝p(z)p(w|z)
计算概率分布矩阵,矩阵中第i行第j列的元素表示第i个Lab像素值时,colorname为j的条件概率;
步骤1.5由概率分布矩阵建立Lab-colornames索引对照表,表中第i个元素为概率分布矩阵第i行最大值所在的列。
步骤1.6根据RGB空间和Lab空间的对应关系,建立RGB-colornames索引对照表
步骤2:提取图像的colornames特征,定位车牌区域;包括下列步骤:
步骤2.1根据RGB-colornames索引表查找图像中每一个像素对应的colorname,若其与规定的车牌背景的colorname相同,则该点特征值为1,若其与规定的字符的colorname相同,则该点特征值为2,否则为0,从而建立原始图像对应的colornames特征图像;
步骤2.2逐行扫描colornames-特征图像,统计每一行1到2的跳变次数,若大于7,则该行包含车牌区域,从而可确定车牌区域的上下边界;
步骤2.3逐列扫描步骤2.2中确定的上下边界之间的区域,统计每一列值为2的个数,并根据最大值设置阈值,统计个数大于阈值的列包含车牌区域,从而确定车牌区域的左右边界。
本发明提供的车牌定位方法,将colornames特征用于车牌定位,利用查表的方式计算图像颜色,不仅大大提高了计算速度,而且增强了颜色计算的鲁棒性。
结合这里披露的本发明的说明和实践,本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的,本发明的真正范围和主旨均由权利要求所限定。
Claims (3)
1.一种基于colornames特征的车牌定位方法,其特征在于,包括步骤:
a)计算colornames概率模型,建立RGB-colornames索引对照表;
b)提取图像的colornames特征,定位车牌区域。
2.根据权利要求1所述的方法,其特征在于:所述步骤a)包括步骤:
a1)定义colornames;
a2)构建训练样本集,针对每种颜色收集一定数量的训练样本,并标注对应的颜色区域;
a3)将训练数据由RGB空间转换为Lab空间;
a4)利用PLSA模型计算colornames概率分布矩阵,矩阵中第i行第j列的元素表示第i个Lab像素值时,colorname为j的条件概率;
a5)由概率分布矩阵建立Lab-colornames索引对照表,表中第i个元素为概率分布矩阵第i行最大值所在的列。
a6)根据RGB空间和Lab空间的对应关系,建立RGB-colornames索引对照表。
3.根据权利要求1所述的方法,其特征在于:所述步骤b)包括步骤:
b1)根据RGB-colornames索引表查找图像中每一个像素对应的colorname,若其与规定的车牌背景的colorname相同,则该点特征值为1,若其与规定的字符的colorname相同,则该点特征值为2,否则为0,从而建立原始图像对应的colornames特征图像;
b2)逐行扫描colornames特征图像,统计每一行1到2的跳变次数,若大于7,则该行包含车牌区域,从而确定车牌区域的上下边界;
b3)逐列扫描b2)中确定的上下边界之间的区域,统计每一列值为2的个数,并根据最大值设置阈值,统计个数大于阈值的列包含车牌区域,从而确定车牌区域的左右边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611093784.2A CN106709491B (zh) | 2016-12-01 | 2016-12-01 | 一种基于colornames特征的车牌定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611093784.2A CN106709491B (zh) | 2016-12-01 | 2016-12-01 | 一种基于colornames特征的车牌定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106709491A true CN106709491A (zh) | 2017-05-24 |
CN106709491B CN106709491B (zh) | 2020-11-06 |
Family
ID=58935552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611093784.2A Active CN106709491B (zh) | 2016-12-01 | 2016-12-01 | 一种基于colornames特征的车牌定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709491B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254152A (zh) * | 2011-06-17 | 2011-11-23 | 东南大学 | 基于彩色跳变点和颜色密度的车牌定位方法 |
CN102375982A (zh) * | 2011-10-18 | 2012-03-14 | 华中科技大学 | 一种融合多字符特征的车牌定位方法 |
CN102509095A (zh) * | 2011-11-02 | 2012-06-20 | 青岛海信网络科技股份有限公司 | 一种车牌图像的预处理方法 |
CN102509112A (zh) * | 2011-11-02 | 2012-06-20 | 珠海逸迩科技有限公司 | 车牌识别方法及其识别系统 |
CN104134071A (zh) * | 2014-06-20 | 2014-11-05 | 北京工业大学 | 一种基于颜色描述的可变形部件模型物体检测方法 |
-
2016
- 2016-12-01 CN CN201611093784.2A patent/CN106709491B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254152A (zh) * | 2011-06-17 | 2011-11-23 | 东南大学 | 基于彩色跳变点和颜色密度的车牌定位方法 |
CN102375982A (zh) * | 2011-10-18 | 2012-03-14 | 华中科技大学 | 一种融合多字符特征的车牌定位方法 |
CN102509095A (zh) * | 2011-11-02 | 2012-06-20 | 青岛海信网络科技股份有限公司 | 一种车牌图像的预处理方法 |
CN102509112A (zh) * | 2011-11-02 | 2012-06-20 | 珠海逸迩科技有限公司 | 车牌识别方法及其识别系统 |
CN104134071A (zh) * | 2014-06-20 | 2014-11-05 | 北京工业大学 | 一种基于颜色描述的可变形部件模型物体检测方法 |
Non-Patent Citations (1)
Title |
---|
王拴: "基于车尾检测和语言学颜色空间的车牌定位", 《计算机与数字工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN106709491B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103699532B (zh) | 图像颜色检索方法和系统 | |
EP3249618B1 (en) | Banknote classification and identification method and device based on lab color space | |
CN104572971B (zh) | 图像检索的方法和装置 | |
CN102332157B (zh) | 一种消除阴影的方法 | |
CN106937120A (zh) | 基于对象的监控视频浓缩方法 | |
CN105894503A (zh) | 一种对Kinect植株彩色和深度检测图像的修复方法 | |
CN102819728A (zh) | 一种基于分类模板匹配的交通标志检测方法 | |
CN103854261A (zh) | 色偏图像的校正方法 | |
CN107392968A (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN103839079A (zh) | 一种基于分类学习的相似图像彩色化算法 | |
CN106651966B (zh) | 图片颜色识别方法和系统 | |
CN107767379A (zh) | Pcb板标注印刷质量检测方法 | |
CN102306307B (zh) | 一种彩色显微图像序列中固点噪声的定位方法 | |
CN106097354A (zh) | 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法 | |
CN104143077B (zh) | 基于图像的行人目标检索方法和系统 | |
CN106373096A (zh) | 一种多特征权值自适应的阴影消除方法 | |
CN110378893A (zh) | 图像质量评价方法、装置和电子设备 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN102004914B (zh) | 检测圆章位置的方法和装置 | |
CN105761292A (zh) | 一种基于颜色转移和修正的图像着色方法 | |
Lei et al. | An algorithm of skin detection based on texture | |
CN114511567A (zh) | 舌体与舌苔图像识别分离方法 | |
CN107038401A (zh) | 一种嘴唇轮廓的分割及特征提取方法 | |
CN107563986A (zh) | 图像区域的判断方法和系统 | |
CN109165659B (zh) | 一种基于超像素分割的车辆颜色识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |