CN106815583B - 一种基于mser和swt相结合的夜间车辆车牌定位方法 - Google Patents
一种基于mser和swt相结合的夜间车辆车牌定位方法 Download PDFInfo
- Publication number
- CN106815583B CN106815583B CN201710032576.XA CN201710032576A CN106815583B CN 106815583 B CN106815583 B CN 106815583B CN 201710032576 A CN201710032576 A CN 201710032576A CN 106815583 B CN106815583 B CN 106815583B
- Authority
- CN
- China
- Prior art keywords
- license plate
- mser
- region
- image
- swt
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005286 illumination Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000004931 aggregating effect Effects 0.000 claims abstract description 5
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 230000000379 polymerizing effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000007704 transition Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 abstract description 7
- 230000000877 morphologic effect Effects 0.000 abstract description 6
- 230000011218 segmentation Effects 0.000 abstract description 6
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
Abstract
针对传统车牌定位方法在夜间光照条件差或车速影响而导致无法有效定位车牌的难题，本文提出了一种基于最大稳定极值区域(MSER)和笔画宽度变换(SWT)结合的新型车牌定位方法。该方法在增强原图像的对比度后进行Canny边缘检测、MSER提取和边缘膨胀分割MSER，并根据车牌字符几何特征筛选分割后的MSER区域；然后在筛选后的区域内做基于形态学处理的SWT；最后对候选区域聚合，结合车牌几何特征完成车牌精定位。通过试验验证知该方法定位准确率高，表明本方法可以对白天不同场景不同光照条件下的车牌实现准确定位；同时还可以对夜晚低分辨率车牌进行有效定位，并且低分辨率情况下本算法的定位准确率和鲁棒性远远高于其他传统车牌定位方法。
Description
技术领域
本发明属于模式识别与图像处理技术领域，具体涉及一种夜间车辆车牌定位方法。
背景技术
车牌识别是智能交通系统中的重要组成部分，车牌定位的优劣直接影响车牌识别准确率的高低，是车牌识别过程中关键的一步。因此车牌定位一直是国内外研究的热点,研究者们先后提出了很多相关算法。其中主要有基于纹理特征、颜色特征、边缘信息、变换域分析和形态学处理等并结合车牌特征实现车牌定位。近年来有很多研究者不断的对传统算法进行改进和融合，更有一些研究者将新的算法应用到车牌定位中。如孙红等提出了融合字符纹理特征与车牌区域背景底色和字符颜色互补特性的方法进行车牌定位，陈振学等在分析已有车牌定位技术以及目标检测共有特性的基础上提出了基于视觉显著特征的多特征融合的车牌定位方法，Bo Li等提出了基于最大稳定极值区域进行车牌定位的算法。上述各方法具有一定的可行性，但也各有一定的局限性，不能对夜间车辆车牌实现有效定位。夜间车辆车牌由于夜间光照条件差或车速影响引起采集的车牌图像颜色失真，分辨率低。传统车牌定位算法较依赖车牌颜色、纹理、边缘等信息不能进行有效定位。但当光照条件差、车牌颜色失真、图像分辨率低时，车牌笔画宽度变化较小。目前鲜有文献将笔画宽度应用到车牌定位上。Boris Epshtein等人根据局部区域内的文本特别是相邻的文本通常会有相似的笔画宽度这一特点，提出了笔画宽度变换算法。它是一种局部的图像操作，输出图像与输入图像大小相同，而输出图像的像素值是输入图像中每个像素点的笔画宽度值。
Boris Epshtein笔画宽度算法虽然应用了笔画宽度的稳定性，一定条件下可有效的定位文本，但仍存在以下缺点：①需要计算每个像素点的梯度，然后沿着梯度方向或反方向查找边缘点对，算法时间长；②基于边缘像素点对确定笔画宽度，依赖字符边缘以及字符笔画的完整性，若字符边缘模糊或笔画不完整，则会造成对候选区域的误删漏检。MSER检测算子有仿射不变性，强稳定性以及对光照的适应性等特性，在光照条件差的情况下依然可以进行最大稳定极值区域提取。MSER最初由J.Matas等人提出，它是一个有效的特征检测算法，已被广泛应用于与视觉有关的工作中，如运动物体追踪，图像匹配等。
发明内容
本发明在前人研究的基础上提出一种基于MSER和SWT结合的夜间车辆车牌定位方法。利用MSER的仿射不变性，强稳定性以及对光照的适应性初步筛选车牌候选区域，然后做基于形态学处理的SWT，最后结合车牌特征精定位车牌。目的在于提供一种稳定性和鲁棒性更高的夜间运动车辆的车牌定位方法，不仅对不同光照不同场景下的车牌定位，同时也可以实现对夜晚低分辨率车牌的定位。
一种基于MSER和SWT相结合的夜间车辆车牌定位方法，用于对待检测图像中的车牌区域进行定位，其特征在于，包括以下步骤：
步骤一，将待检测图像转换为灰度图像并进行对比度增强操作，提取对比度增强操作后的灰度图像中的最大稳定极值区域(MSER)并进行边缘检测膨胀后对最大稳定极值区域(MSER)进行分割，得到根据车牌字符特征筛选后的候选区域；
步骤二，在候选区域内做基于一系列腐蚀操作的笔画宽度变换(SWT)，并对得到的各个候选区域的笔画宽度值进行筛选；
步骤三，对经过笔画宽度过滤筛选得到的车牌字符候选区域聚合，根据车牌几何特征对聚合后的区域实现车牌精定位。
本发明提供的基于MSER和SWT相结合的夜间车辆车牌定位方法，用于对待检测图像中的车牌区域进行定位，还可以具有这样的特征，其特征在于，步骤一包括以下子步骤：
步骤1-1，对待检测图像灰度化之后，进行非线性灰度变换，用于突出车牌区域得到对比度增强后的图像；
步骤1-2，对对比度增强后的图像进行MSER区域提取；
步骤1-3，对对比度增强后的图像进行Canny边缘检测和膨胀操作后再与原MSER区域取交后分割原MSER区域；
步骤1-4，对步骤1-3所得到的分割后的MSER区域根据车牌字符特征对其基本统计特征进行筛选。
本发明提供的基于MSER和SWT相结合的夜间车辆车牌定位方法，用于对待检测图像中的车牌区域进行定位，还可以具有这样的特征，其特征在于：其中，基本统计特征包括最小外接矩形宽高比、偏心率、区域大小、以及占空比。
本发明提供的基于MSER和SWT相结合的夜间车辆车牌定位方法，用于对待检测图像中的车牌区域进行定位，还可以具有这样的特征，其特征在于，步骤二包括以下子步骤：
步骤2-1，在步骤1-4筛选得到的候选区域内做K次腐蚀操作，K是连通域被腐蚀后为空集前的最后一次迭代步骤；
步骤2-2，计算候选区域内各个像素与步骤2-2腐蚀后剩余像素的欧式距离，并乘以2后赋值为其笔画宽度值；
步骤2-3对步骤2-2得到的各个候选区域的笔画宽度值，根据车牌字符笔画宽度特点对各连通域进行筛选。
本发明提供的基于MSER和SWT相结合的夜间车辆车牌定位方法，用于对待检测图像中的车牌区域进行定位，还可以具有这样的特征，其特征在于，步骤三包括以下子步骤：
步骤3-1对步骤2-3得到的各个候选区域进行构造最邻近对操作；
步骤3-2聚合步骤3-1中得到的各个最邻近对；
步骤3-3扫描步骤3-2中的各个最邻近对并进行聚合得到区域的最小外接矩形，根据车牌几何特征筛选该最小外接矩形，满足以下条件
P为聚合得到的的最小外接矩形的个数，fR为最小外接矩形的高宽比，h为最小外接矩形的高，w为最小外接矩形的宽。
发明作用与效果
本发明通过MSER提取筛选车牌候选区域能克服光照条件差、车牌颜色失真、图像分辨率低等带来的影响，同时有效地减少后续SWT像素个数，降低算法时间；基于形态学处理的SWT变换则避开了对字符边缘以及字符笔画的完整性的依赖。另外对于成功定位的车牌可以将之前分割好的及腐蚀后的字符骨架进行模板匹配从而实现车牌识别，即本发明可以集车牌定位、字符分割，字符细化等于一体大大减少后续车牌识别的时间。本发明可以对白天不同场景不同光照条件下的车牌实现准确定位；同时还可以对夜晚低分辨率车牌进行有效定位，并且低分辨率情况下本算法的定位准确率和鲁棒性远远高于其他传统车牌定位算法。
附图说明
图1为本发明方法的流程图；
图2为输入的所要定位车牌原图；
图3为提取的MSER区域图；
图4为Canny边缘检测图；
图5为原MSER区域和分割后MSER区域对比图；
图6为候选区域筛选前后的对比图；
图7为SWT笔画宽度值图；以及
图8为本发明完成的车牌精定位图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明的基于MSER和SWT相结合的夜间车辆车牌定位方法的原理、步骤、使用效果作具体阐述。
下面通过具体实例结合附图对本发明作进一步详细描述。
图1为本发明方法的流程图。
步骤一、MSER检测分割与变换区域筛选。
图2为输入的所要定位车牌原图。
将图2所示的原彩色图像转化为uint8型灰度图像，图中白色模糊部分(已经过故意的模糊处理，保护隐私)为人眼识别的车牌区域。进行如下式的分段线性灰度变换
其中(x1，y1)，(x2，y2)是灰度变换控制点，经过一系列实验调试，这里我们取(40,20)和(120,200)，突出车牌区域的同时有效的抑制了非车牌区域。
图3为提取的MSER区域图。
然后，对其进行MSER区域提取。提取结果见图3具体步骤如下：
排序。根据对比度增强后图像的像素灰度值的大小，对图像中的所有像素进行排序。
求连通域。用灰度区间[0-255]内的256个不同阈值对灰度图像进行二值化；令Qi表示二值化阈值i对应的二值图像中的某一连通区域，当二值化阈值由i变成i+Δ和i-Δ时，连通域Qi也变成了Qi+Δ和Qi-Δ
得到MSER。计算阈值为i时面积比q(i)(如下式)，当Qi面积随二值化阈值i变化而发生较小变化即q(i)为局部极小值时，Qi为最大稳定极值区域。
其中，|Qi|表示连通域Qi的面积，|Qi+Δ-Qi-Δ|表示Qi+Δ减去Qi-Δ后的剩余区域面积。
由MSER提取过程可知其对视点、尺寸、光照条件有较好的鲁棒性，但对模糊图像很敏感。若原图像模糊，MSER提取后会出现候选字符区域粘连在一起的情况，影响后续的字符筛选。为此本发明提出对原灰度图像进行边缘检测，用检测出的边缘分割提取的MSER区域。
图4为Canny边缘检测图。
常用边缘检测算子有Roberts算子、Log算子、Sobel算子、Prewitt算子和Canny算子等。Roberts算子和Log算子定位精度较高，但受噪声影响较大；Sobel算子和Prewitt算子模板相对较大，去噪能力较强，同时又有平滑作用，而我们需要处理的图像本身因为模糊，边缘较平滑，采用上述算子难以真正定位出边缘；Canny算子虽然像Log算子一样也是首先对图像进行高斯滤波，但其后用双阈值算法检测和连接边缘，所以这里采用Canny算子进行边缘检测。检测结果见图4。
图5为原MSER区域和分割后MSER区域对比图。
由于图像分辨率影响，需要使边缘更加清晰化，因此可以通过膨胀处理来实现，膨胀过程如下式所示。
其中，A为原二值图像，S是结构元素取3×3的膨胀算子，I为结构元素S对A膨胀后的二值图像。边缘检测并膨胀后，取各边缘增强区域和MSER区域的交集，即用图像边缘分割原MSER区域。分割前后的MSER区域对比图见附图5。
图6为候选区域筛选前后的对比图。
根据车牌字符几何特征对以上分割得到的候选区域进行筛选。主要通过对其最小外接矩形宽高比、偏心率、区域大小、以及占空比等基本统计特征进行筛选，候选连通域满足条件如下式所示。
其中，高宽比fR＝h/w，Rec为偏心率，Rar为像素总数，占空比fo＝Rar/(h·w)；h为最小外界矩形高度，w为最小外界矩形宽度，筛选后如图6所示。
步骤二、基于形态学处理的SWT。
即对上一步处理后的图像进行如下式的处理。
其中，
其中，A是候选区域集合，B是一个结构元，
表示对A的连续K次腐蚀：
K是A被腐蚀为空集前的最后一次迭代步t骤
图7为SWT笔画宽度值图。
根据腐蚀的先后顺序，计算各个前景像素点到前景中心像素点的欧式距离。根据各个像素点的欧式距离，设置不同的灰度值，最大灰度值集合于图像中心部分呈线状。分别计算各区域边缘元素与其对应的中心部分线状元素的欧式距离，获得的各距离值是其笔画宽度值的一半，即完成了笔画宽度变换。SWT笔画宽度值见图7。
得到各候选区域的笔画宽度值后，根据车牌字符笔画宽度特点对各连通域按满足如下式的条件进行筛选。
其中，fva为笔画宽度变化系数，di为连通域内某像素的笔画宽度值，n为连通域内像素数。
步骤三、候选连通域聚合及车牌精定位。
图8为本发明完成的车牌精定位图。
扫描图像中上一步得到的所有车牌字符候选区域，并求其最小外接矩形的高度、宽度及中心坐标，按下式构造最邻近对。
其中，hi，wi，hj，wj，分别为第i，j连通域的最小外接矩形的高和宽，(xi，yi)，(xj，yj)分别为第i，j连通域最小外接矩形的中心坐标。
聚合后得到的连通域即为车牌的候选区域，计算候选车牌区域的宽度和高度，根据下式进行车牌的精定位。
其中，P为聚合得到的的最小外接矩形的个数，fR为最小外接矩形的高宽比，h为最小外接矩形的高，w为最小外接矩形的宽。
实验验证
为了验证基于MSER和SWT结合的夜间车辆车牌定位算法的有效性和鲁棒性，验证实验采用了两个图库进行车牌定位测试。其中图库一是白天不同场景不同光照条件下静止拍摄分辨率较好的图像共400张，包含在白天不同阶段不同视角下对学校、小区、商场和马路上等公共场所进行拍摄取材，其中有阴天与雾天恶劣环境下采集的图像。
图库二是采集的夜间车辆分辨率较低图像共300张，包含夜间高速公路收费口、夜间小区路上以及商场停车场等光照条件较差场所低速运动中的车辆车牌图像。
测试结果如下：准确定位图库一图像386张，准确定位图库二图像278张。试验证明基于MSER和SWT结合的夜间车辆车牌定位算法不仅对白天不同场景不同光照条件下的车牌可以有效定位，同时也可以对夜晚低分辨率车牌进行有效定位。结果如下表1所示。
表1 3种定位算法试验结果
对比试验结果可以看出，对于图库一，光照条件好，图像分辨率较高，文献1[BoLi，Bin Tian，Qingming Yao，A vehicle licence plate recognition system based onanalysis of maximally stable extremal regions[C]，Proceedings of 2012 9th IEEEInternational Conference on Networking,Sensing&Control,2012:399-404.]、文献2[孙红，郭凯，融合字符纹理特征与RGB颜色特征的车牌定位[J]，光电工程，2015，42(6):14-20.]和本文算法都取得了不错的定位效果，定位率(成功定位车牌图像数与总试验图像数之比)分别达到了94.75％、98.25％和96.50％。
其中文献2定位率最高，这是因为正常条件下拍摄的图像清晰，颜色不失真，易于提取车牌轮廓，但当夜间采集的图像分辨率低，车牌轮廓模糊，光照条件差车牌颜色失真时，算法定位正确率下降明显(只有79.67％)。
文献1虽然是基于MSER进行车牌定位，但它在MSER提取后并未进行有效的候选区域分割和精细的处理，只是使用了标准车牌的外观属性，这样在图像分辨率较低时定位很容易失败(只有82.33％)。
而本文的算法受到夜间的光照的影响较小，依然达到了92.67％的正确率。
由以上试验结果可知，本实施例的基于MSER和SWT结合的夜间车辆车牌定位算法不仅可以对白天不同场景不同光照条件下的车牌实现准确定位，同时还可以对夜晚低分辨率车牌进行有效定位，并且低分辨率情况下本算法的定位准确率和鲁棒性远远高于其他传统车牌定位算法，所以本发明的基于MSER和SWT相结合的夜间车辆车牌定位方法具有较其他方法更优越的效果。
实施例的作用和有益效果
本实施例通过MSER提取筛选车牌候选区域能克服光照条件差、车牌颜色失真、图像分辨率低等带来的影响，同时有效地减少后续SWT像素个数，降低算法时间；基于形态学处理的SWT变换则避开了对字符边缘以及字符笔画的完整性的依赖。另外对于成功定位的车牌可以将之前分割好的及腐蚀后的字符骨架进行模板匹配从而实现车牌识别，即本发明可以集车牌定位、字符分割，字符细化等于一体大大减少后续车牌识别的时间。本发明可以对白天不同场景不同光照条件下的车牌实现准确定位；同时还可以对夜晚低分辨率车牌进行有效定位，并且低分辨率情况下本算法的定位准确率和鲁棒性远远高于其他传统车牌定位算法。
进一步，针对传统车牌定位方法不能有效定位夜间车辆车牌的情况，本文提出基于MSER和SWT结合的夜间车辆车牌定位算法。根据该算法分别对白天不同场景不同光照条件下和夜间低分辨率车辆车牌图像进行测试，并和传统定位方法进行对比。由算法工作过程和试验结果对比分析可知：
(1)传统笔画宽度变换算法是对每一个像素进行变换，因此算法时间较长。而本算法利用MSER的仿射不变性、强稳定性以及对光照的适应性，进行MSER检测，结合车牌字符特征，筛选候选区域，只在候选区域内进行变换，有效地减少了SWT区域，从而降低算法时间。
(2)传统笔画宽度变换算法需计算边缘像素点对距离，对笔画的完整性和清晰度较为敏感。而本算法采用一系列的腐蚀操作，得到1/2笔画宽度值，对于低分率图像依然可以得到其准确笔画宽度值。
(3)针对MSER检测算子对模糊图像较敏感的缺陷，本算法采用Canny边缘检测和膨胀边缘，并与原MSER区域相与，进而完成对原MSER区域的有效分割。
(4)本算法可以对白天不同场景不同光照条件下的车牌实现准确定位；同时还可以对夜晚低分辨率车牌进行有效定位，并且低分辨率情况下本算法的定位准确率和鲁棒性远远高于其他传统车牌定位算法。
Claims (3)
1.一种基于MSER和SWT相结合的夜间车辆车牌定位方法，用于对白天不同场景不同光照条件下以及夜晚低分辨率条件下的待检测图像中的车牌区域进行定位，其特征在于，包括以下步骤：
步骤一，将所述待检测图像转换为灰度图像并进行对比度增强操作，提取对比度增强操作后的所述灰度图像中的最大稳定极值区域(MSER)并进行边缘检测膨胀后对最大稳定极值区域(MSER)进行分割，得到根据车牌字符特征筛选后的候选区域；
步骤二，在所述候选区域内做基于一系列腐蚀操作的笔画宽度变换(SWT)，从而基于每个所述候选区域内的各个像素以及该候选区域内被腐蚀为空集前一次腐蚀操作后剩余的中心像素点，对得到的各个所述候选区域的笔画宽度值进行筛选；
步骤三，对经过笔画宽度过滤筛选得到的车牌字符候选区域聚合，根据车牌几何特征对聚合后的区域实现车牌精定位，
其中，所述步骤一包括如下子步骤：
步骤1-1，对所述待检测图像灰度化之后，进行非线性灰度变换，用于突出车牌区域得到对比度增强后的图像，所述非线性灰度变换通过下式进行：
式中，(x1，y2)，(x2，y2)是灰度变换控制点；
步骤1-2，对对比度增强后的图像进行MSER区域提取；
步骤1-3，对对比度增强后的图像进行Canny边缘检测和膨胀操作后再与原MSER区域取交后分割原MSER区域；
步骤1-4，对步骤1-3所得到的分割后的MSER区域根据车牌字符特征对其基本统计特征进行筛选,
所述步骤二包括以下子步骤：
步骤2-1，在所述步骤1-4筛选得到的所述候选区域内做K次腐蚀操作，K是连通域被腐蚀后为空集前的最后一次迭代步骤；
步骤2-2，根据所述腐蚀操作的先后顺序，计算所述候选区域内各个像素与所述步骤2-1腐蚀后剩余的中心像素点的欧式距离，并乘以2后赋值为其笔画宽度值；
步骤2-3，对所述步骤2-2得到的各个所述候选区域的所述笔画宽度值，根据车牌字符笔画宽度特点对各连通域按满足如下式的条件进行筛选：
其中，fva为笔画宽度变化系数，di为连通域内某像素的笔画宽度值，n为连通域内像素数,
所述步骤三包括以下子步骤：
步骤3-1，对所述步骤2-3得到的各个所述候选区域按下式进行构造最邻近对操作：
式中，hi，wi，hj，wj，分别为第i，j连通域的最小外接矩形的高和宽，(xi，yi)，(xj，yj)分别为第i，j连通域最小外接矩形的中心坐标；
步骤3-2，聚合步骤3-1中得到的各个最近临近对；
步骤3-3，扫描步骤3-2中的各个所述最近临近对并进行聚合得到区域的最小外接矩形，根据车牌几何特征筛选该最小外接矩形，满足以下条件：
式中，P为聚合得到的所述最小外接矩形的个数，fR为所述最小外接矩形的高宽比，h为所述最小外接矩形的高，w为所述最小外接矩形的宽。
2.根据权利要求1所述的基于MSER和SWT相结合的夜间车辆车牌定位方法，其特征在于：
其中，(x1，y1)，(x2，y2)取(40,20)和(120,200)。
3.根据权利要求1所述的基于MSER和SWT相结合的夜间车辆车牌定位方法，其特征在于：
其中，所述基本统计特征包括最小外接矩形宽高比、偏心率、区域大小、以及占空比，
所述步骤1-4筛选得到的所述候选区域满足如下条件：
式中，高宽比fR＝h/w，Rec为偏心率，Rar为像素总数，占空比fo＝Rar/(h·w)，h为最小外接矩形高度，w为最小外接矩形宽度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710032576.XA CN106815583B (zh) | 2017-01-16 | 2017-01-16 | 一种基于mser和swt相结合的夜间车辆车牌定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710032576.XA CN106815583B (zh) | 2017-01-16 | 2017-01-16 | 一种基于mser和swt相结合的夜间车辆车牌定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106815583A CN106815583A (zh) | 2017-06-09 |
| CN106815583B true CN106815583B (zh) | 2020-07-14 |
Family
ID=59111980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710032576.XA Active CN106815583B (zh) | 2017-01-16 | 2017-01-16 | 一种基于mser和swt相结合的夜间车辆车牌定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106815583B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108268868B (zh) * | 2017-07-28 | 2020-07-10 | 平安科技（深圳）有限公司 | 身份证图像的倾斜值获取方法及装置、终端、存储介质 |
| CN107688806B (zh) * | 2017-08-21 | 2021-04-20 | 西北工业大学 | 一种基于仿射变换的自由场景文本检测方法 |
| CN107563377A (zh) * | 2017-08-30 | 2018-01-09 | 江苏实达迪美数据处理有限公司 | 一种利用边缘和文字区域的证件关键区域检测定位方法 |
| CN107563380A (zh) * | 2017-09-08 | 2018-01-09 | 上海理工大学 | 一种基于mser和swt相结合的车辆车牌检测识别方法 |
| GB201800811D0 (en) * | 2018-01-18 | 2018-03-07 | Univ Oxford Innovation Ltd | Localising a vehicle |
| CN110516666B (zh) * | 2019-07-10 | 2023-01-17 | 西安电子科技大学 | 基于mser和isodata相结合的车牌定位方法 |
| CN110544219A (zh) * | 2019-09-04 | 2019-12-06 | 上海观安信息技术股份有限公司 | 基于图像处理技术实现车牌定位处理的方法 |
| CN115035350B (zh) * | 2022-06-29 | 2024-05-07 | 电子科技大学 | 一种基于边缘检测增强的对空地、地面背景小目标检测方法 |
| CN115063785B (zh) * | 2022-08-17 | 2023-01-10 | 深圳联友科技有限公司 | 高速公路场景使用目标识别模型定位车牌的方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455816A (zh) * | 2012-05-28 | 2013-12-18 | 阿里巴巴集团控股有限公司 | 一种笔画宽度提取方法、装置及一种文字识别方法、系统 |
| CN105528609A (zh) * | 2014-09-28 | 2016-04-27 | 江苏省兴泽实业发展有限公司 | 一种基于字符位置的车牌定位方法 |
-
2017
- 2017-01-16 CN CN201710032576.XA patent/CN106815583B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455816A (zh) * | 2012-05-28 | 2013-12-18 | 阿里巴巴集团控股有限公司 | 一种笔画宽度提取方法、装置及一种文字识别方法、系统 |
| CN105528609A (zh) * | 2014-09-28 | 2016-04-27 | 江苏省兴泽实业发展有限公司 | 一种基于字符位置的车牌定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| ROBUST TEXT DETECTION IN NATURAL IMAGES WITH;Huizhong Chen et al;《2011 18th IEEE Internationnal Conference on Image Processing》;20111231;第2609-2612页 * |
| 基于MSER的图像文本定位的应用研究;李鉴鸿;《中国优秀硕士学位论文全文数据库信息科技辑》;20151215(第12期);第I138-848页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106815583A (zh) | 2017-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106815583B (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
| CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
| Yu et al. | A novel license plate location method based on wavelet transform and EMD analysis | |
| Patel et al. | Automatic number plate recognition system (anpr): A survey | |
| CN106683119B (zh) | 基于航拍视频图像的运动车辆检测方法 | |
| CN103914687A (zh) | 一种基于多通道和多阈值的矩形目标识别方法 | |
| Yang et al. | Vehicle license plate location based on histogramming and mathematical morphology | |
| Paunwala et al. | A novel multiple license plate extraction technique for complex background in Indian traffic conditions | |
| CN102693423A (zh) | 一种在强光条件下车牌精确定位的方法 | |
| CN103903018A (zh) | 一种复杂场景中对车牌进行定位的方法和系统 | |
| CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
| CN111027544B (zh) | 一种基于视觉显著性检测的mser车牌定位方法及系统 | |
| CN105447489A (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
| CN107704833A (zh) | 一种基于机器学习的前方车辆检测与跟踪方法 | |
| CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
| CN111369570A (zh) | 一种视频图像的多目标检测跟踪方法 | |
| Rahaman et al. | Lane detection for autonomous vehicle management: PHT approach | |
| Jetley et al. | Two-stage hybrid binarization around fringe map based text line segmentation for document images | |
| Hommos et al. | Hd Qatari ANPR system | |
| Chen et al. | A novel method for license plate localization | |
| Ghosh et al. | A vehicle number plate recognition system using region-of-interest based filtering method | |
| Kaur et al. | An Efficient Method of Number Plate Extraction from Indian Vehicles Image | |
| Dandu et al. | Vehicular number plate recognition using edge detection and characteristic analysis of national number plates | |
| Aung et al. | Study for license plate detection | |
| Zhao et al. | A robust lane detection algorithm based on differential excitation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240201 Address after: Room 1104, No. 11 Hengqi Yili, Houxi Town, Jimei District, Xiamen City, Fujian Province, 361000 Patentee after: Xiamen Huazhiyu Intelligent Technology Co.,Ltd. Country or region after: China Address before: 200093 No. 516, military road, Shanghai, Yangpu District Patentee before: University of Shanghai for Science and Technology Country or region before: China |
|
| TR01 | Transfer of patent right |