CN106845482A - 一种车牌定位方法 - Google Patents

Abstract

本发明公开了一种车牌定位方法。该方法首先对车辆图像进行预处理，去除噪点并锐化；然后检测图像中存在较多角点的区域以确定候选车牌区域；最后通过卷积神经网络从候选车牌区域中筛选出预测的车牌区域。本发明通过角点检测与卷积神经网络相结合的车牌定位方法，既解决在复杂环境下的车牌定位问题，而且提高车牌定位的准确度。

Description

一种车牌定位方法

技术领域

本发明属于目标识别技术领域，特别涉及了一种车牌定位方法。

背景技术

随着智能交通的快速发展，车牌识别技术被广泛应用于停车管理、交通控制管理和车辆追踪系统中，因此对于车牌识别的要求也日益提高。车牌定位作为车牌识别中关键的一环，它直接影响到了车牌识别系统的准确度。车牌识别中利用的传统车牌定位方法在低光照或者其他复杂环境下效果大打折扣，直接导致了车牌识别准确率的下降。

目前车牌定位方法根据检测的内容的不同，可以将其分为两种，其一是基于垂直边缘检测的车牌定位方法，其二是颜色区分与边缘特征结合的车牌定位方法。对于基于垂直边缘检测的车牌定位方法，它先进行二值化处理再进行垂直边缘检测，选出候选车牌再从中筛选真正的车牌图像，由于一些车辆形态本身存在很多垂直边缘，对正常的车牌定位产生了干扰；对于颜色区分与边缘特征结合的车牌定位方法，通过提取图像中指定颜色作为车牌候选区域，再利用特定的边缘特征来分割候选区域，最后筛选出正确的车牌，此种方法对于车身颜色与车牌颜色相接近的车辆时，无法准确截取出车牌候选区域，导致无法定位到车牌。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种车牌定位方法，通过角点检测与卷积神经网络相结合的车牌定位方法，既解决在复杂环境下的车牌定位问题，而且提高车牌定位的准确度。

为了实现上述技术目的，本发明的技术方案为：

一种车牌定位方法，包括以下步骤：

(1)采集车辆图像，去除图像噪点，并对图像进行锐化；

(2)使用角点检测器定位图像上的角点；

(3)通过检测出的角点，寻找角点集中的区域作为候选车牌区域；

(4)将训练数据集输入卷积神经网络中，训练出车牌定位模型；将步骤(3)得到的候选车牌区域输入车牌定位模型中，筛选出最大可能性的候选车牌区域作为最终预测的车牌区域。

进一步地，步骤(2)的具体步骤如下：

(a)定义步骤(1)采集的图像为I，图像上(x,y)像素点为I(x,y)，设移动距离(u,v)，计算所移动的区域内像素亮度变化的最大值：

(b)对E(u,v)进行泰勒展开：

上式中，I_x、I_y为I在x轴与y轴方向的偏导数；

(c)令计算M的特征值λ₁，λ₂；

(d)计算R＝λ₁λ₂-k(λ₁-λ₂)²，k为常数，若R≥t，则判定所移动的区域内存在角点，t为预先设定的阈值。

进一步地，步骤(3)的具体过程如下：

根据步骤(2)获取角点的分布情况，在图像上设置对称线，使对称线两侧的角点数量保持大致相等，沿垂直于对称线的方向移动，将移动距离最小且含有角点数量最多的区域作为候选车牌区域。

进一步地，在步骤(4)中，训练车牌定位模型的具体过程如下：

选择含有车辆的图像集，找到图像集中每张图像中的车牌位置，记录车牌左上角角点坐标和右下角角点坐标，计算两者的偏移量，保存车牌左上角角点坐标、和两者的偏移量，构成训练数据集，输入卷积神经网络中进行训练，得到车牌定位模型。

进一步地，在步骤(1)中，采用高斯模糊去除图像噪点。

采用上述技术方案带来的有益效果：

(1)本发明采用角点定位与垂直交线相结合获取候选车牌区域时，可以有效排除特定车型中自身携带的垂直边缘所带来的干扰，提高特殊情况下的定位准确度；

(2)本发明采用了卷积神经网络来进行最后的车牌区域筛选，相比传统的定位算法，如SVM，卷积神经网络具有更高的准确度，解决了复杂环境下车牌定位不准确的问题；

(3)本发明在图像预处理时简化了二值化操作，减少了CPU资源的消耗，提高了定位速度，做到更高的实时性。

附图说明

图1是本发明的整体流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

一种车牌定位方法，如图1所示，包括以下步骤：

步骤1：采集车辆图像，通过高斯模糊来去除图像噪点，并对图像进行锐化、突出角点。

步骤2：使用角点检测器定位图像上的角点。

(a)定义步骤1采集的图像为I，图像上(x,y)像素点为I(x,y)，设移动距离(u,v)，计算所移动的区域内像素亮度变化的最大值：

(b)对E(u,v)进行泰勒展开：

上式中，I_x、I_y为I在x轴与y轴方向的偏导数；

(c)令计算M的特征值λ₁，λ₂；

(d)计算R＝λ₁λ₂-k(λ₁-λ₂)²，k为常数，若R≥t，则判定所移动的区域内存在角点，t为预先设定的阈值。

步骤3：通过检测出的角点，寻找角点集中的区域作为候选车牌区域。

根据步骤2获取角点的分布情况，在图像上设置对称线，使对称线两侧的角点数量保持大致相等，沿垂直于对称线的方向移动，将移动距离最小且含有角点数量最多的区域作为候选车牌区域。

步骤4：将训练数据集输入卷积神经网络中，训练出车牌定位模型。

选择含有车辆的图像集，找到图像集中每张图像中的车牌位置，记录车牌左上角角点坐标和右下角角点坐标，计算两者的偏移量，保存车牌左上角角点坐标和两者的偏移量，构成训练数据集，输入卷积神经网络中进行训练，得到车牌定位模型。

将步骤3得到的候选车牌区域输入车牌定位模型中，筛选出最大可能性的候选车牌区域作为最终预测的车牌区域。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种车牌定位方法，其特征在于，包括以下步骤：

(1)采集车辆图像，去除图像噪点，并对图像进行锐化；

(2)使用角点检测器定位图像上的角点；

(3)通过检测出的角点，寻找角点集中的区域作为候选车牌区域；

(4)将训练数据集输入卷积神经网络中，训练出车牌定位模型；将步骤(3)得到的候选车牌区域输入车牌定位模型中，筛选出最大可能性的候选车牌区域作为最终预测的车牌区域。

2.根据权利要求1所述一种车牌定位方法，其特征在于，步骤(2)的具体步骤如下：

(a)定义步骤(1)采集的图像为I，图像上(x,y)像素点为I(x,y)，设移动距离(u,v)，计算所移动的区域内像素亮度变化的最大值：

$E(u,v)=\underset{x,y}{\Σ}\[I(x+u,y+v)-I(x,y)\]$

(b)对E(u,v)进行泰勒展开：

$E(u,v)=\[u,v\]\left(\underset{x,y}{\Σ}\left[\begin{array}{cc}{I}_x^2& I_x{I}_y\\ I_x{I}_y& I_y^2\end{array}\right]\right)\left[\begin{array}{c}u\\ v\end{array}\right]$

上式中，I_x、I_y为I在x轴与y轴方向的偏导数；

(c)令计算M的特征值λ₁，λ₂；

(d)计算R＝λ₁λ₂-k(λ₁-λ₂)²，k为常数，若R≥t，则判定所移动的区域内存在角点，t为预先设定的阈值。

3.根据权利要求1所述一种车牌定位方法，其特征在于，步骤(3)的具体过程如下：

根据步骤(2)获取角点的分布情况，在图像上设置对称线，使对称线两侧的角点数量保持大致相等，沿垂直于对称线的方向移动，将移动距离最小且含有角点数量最多的区域作为候选车牌区域。

4.根据权利要求1所述一种车牌定位方法，其特征在于：在步骤(4)中，训练车牌定位模型的具体过程如下：

选择含有车辆的图像集，找到图像集中每张图像中的车牌位置，记录车牌左上角角点坐标和右下角角点坐标，计算两者的偏移量，保存车牌左上角角点坐标和两者的偏移量，构成训练数据集，输入卷积神经网络中进行训练，得到车牌定位模型。

5.根据权利要求1所述一种车牌定位方法，其特征在于：在步骤(1)中，采用高斯模糊去除图像噪点。