CN107292303B - 借助于边缘型滑动同心视窗来进行牌照检测的方法与装置 - Google Patents

借助于边缘型滑动同心视窗来进行牌照检测的方法与装置 Download PDF

Info

Publication number
CN107292303B
CN107292303B CN201610250966.XA CN201610250966A CN107292303B CN 107292303 B CN107292303 B CN 107292303B CN 201610250966 A CN201610250966 A CN 201610250966A CN 107292303 B CN107292303 B CN 107292303B
Authority
CN
China
Prior art keywords
image
edge
pixels
gradient
window
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
Application number
CN201610250966.XA
Other languages
English (en)
Other versions
CN107292303A (zh
Inventor
曾建中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Novatek Microelectronics Corp
Original Assignee
Novatek Microelectronics Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Novatek Microelectronics Corp filed Critical Novatek Microelectronics Corp
Publication of CN107292303A publication Critical patent/CN107292303A/zh
Application granted granted Critical
Publication of CN107292303B publication Critical patent/CN107292303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种借助于边缘型滑动同心视窗来进行牌照检测的方法与装置，该方法包含：对一图像中的一预定区域的图像数据进行图像处理，以产生一边缘图像；以及依据该边缘图像以及该预定区域的这些图像数据进行牌照检测，以在该预定区域中决定一牌照图像的位置，以供进行对应于该牌照图像的一后处理。该图像处理包含：对该预定区域的图像数据进行梯度计算以产生一梯度图像，其包含该预定区域的梯度数据；对该预定区域的这些梯度数据进行边缘阈值估计，以通过一组迭代计算来更新一边缘阈值；以及依据该边缘阈值以及该预定区域的选择性梯度数据产生该边缘图像。

Description

借助于边缘型滑动同心视窗来进行牌照检测的方法与装置
技术领域
本发明涉及图像辨识，尤其涉及一种用来进行牌照检测(Registration PlateDetection)的方法与装置。
背景技术
交通工具牌照(Vehicle Registration Plate)，或称为牌照(RegistrationPlate)，为具有号码、和/或字母的牌子，且可固定在交通工具上，以供用于这些交通工具的官方辨识(Official Identification)，其中这些交通工具的例子可包含(但不限于)汽车、机车、与船舶，而这些交通工具牌照的例子可包含(但不限于)许可牌照(License Plate)、与号码牌照(Number Plate)。依据相关技术，为了进行牌照辨识，多个传统的牌照检测方法逐一地被提出，以检测牌照在图像中的位置，而对应的牌照检测机制可做为牌照辨识过程中的第一步运行的单元，它的好坏决定了后续牌照辨识运作是否能有效的辨认出牌照，然而，某些问题诸如一些副作用就产生了。例如：这些传统的牌照检测方法中的一个可以快速地进行牌照检测运作，但是其牌照检测结果常受到外在环境光线的变化所影响，故其牌照检测正确度不高，这导致最终的牌照辨识正确度不高，以致不适合真实的应用，诸如停车场管理。又例如：为了提升牌照检测正确度以及适应外在环境光线的变化，这些传统的牌照检测方法中的另一个需要相当复杂的运算，故其牌照检测速度极低，这导致整体的牌照辨识速度极低。如此，这些传统的牌照检测方法通常无法兼顾牌照检测正确度以及牌照检测速度。
由以上可知，这些传统的牌照检测方法无法妥善地满足使用者的需要，也无法同时解决各种问题。因此，需要一种新颖的方法与对应的架构，以在没有副作用的状况下来妥善地进行牌照检测。
发明内容
本发明的一目的在于提供一种用来进行牌照检测的方法与装置，以解决上述问题。
本发明的一目的在于提供一种用来进行牌照检测的方法与装置，以在没有副作用(诸如不高的牌照辨识正确度、或极低的牌照辨识速度)的状况下来妥善地进行牌照辨识。
本发明的一目的在于提供一种用来进行牌照检测的方法与装置，以快速地且正确地进行牌照检测，以供进一步应用，其中这些应用的例子可包含(但不限于)牌照辨识与距离检测，而对应的应用场景(Scenario)的例子可包含(但不限于)停车场管理、监视(Surveillance)系统管理、自动驾驶、与车辆碰撞警示。
本发明的优选实施例中提供一种用来进行牌照检测的方法，其中该方法可包含：对一输入图像中的一预定区域的图像数据进行图像处理，以产生一边缘图像；以及依据该边缘图像以及该预定区域的这些图像数据，进行牌照检测，以在该预定区域中决定一牌照图像(Registration Plate Image)的位置，以供进行对应于牌照检测的一后处理(Post-processing)。例如，进行该图像处理的步骤可还包含：对该预定区域的图像数据进行梯度计算(Gradient Calculation)，以产生一梯度图像(Gradient Image)，其中该梯度图像包含该预定区域的梯度数据；对该预定区域的这些梯度数据进行边缘阈值估计(EdgeThreshold Estimation)，以通过一组迭代计算(Iterative Calculation)来更新一边缘阈值(Edge Threshold)；以及依据该边缘阈值以及该预定区域的选择性梯度数据，产生该边缘图像。例如，进行该图像处理的步骤可包含：依据该边缘阈值以及一选择性滤波器(Selective Filter)对该预定区域的这些图像数据进行处理，以产生该边缘图像，其中该选择性滤波器可用来对该预定区域的这些图像数据进行选择性滤波(SelectiveFiltering)，以产生一选择性滤波梯度图像，其中该选择性滤波梯度图像包含该预定区域的这些选择性梯度数据。本发明的某些实施例提供一种用来依据上述方法进行牌照检测的装置，其中上述用来依据上述方法进行牌照检测的装置可包含一电子装置的的至少一部分(例如一部分或全部)。
本发明的优选实施例中提供一种用来进行牌照检测的装置，其中上述用来进行牌照检测的装置可包含一电子装置的的至少一部分(例如一部分或全部)。例如：上述用来进行牌照检测的装置可包含一处理电路，而该处理电路可用来控制该装置的运作，其中该处理电路包含一图像处理模块与一牌照检测模块，且该图像处理模块包含一梯度图像产生单元(Gradient Image Creation Unit)与一边缘阈值估计单元(Edge ThresholdEstimation Unit)。另外，该图像处理模块可用来对一输入图像中的一预定区域的图像数据进行图像处理，以产生一边缘图像。例如：该梯度图像产生单元可用来对该预定区域的图像数据进行梯度计算，以产生一梯度图像，其中该梯度图像包含该预定区域的梯度数据；并且，该边缘阈值估计单元可用来对该预定区域的这些梯度数据进行边缘阈值估计，以通过一组迭代计算来更新一边缘阈值，其中该图像处理模块可依据该边缘阈值以及该预定区域的选择性梯度数据，产生该边缘图像。例如，该图像处理模块可依据该边缘阈值以及一选择性滤波器对该预定区域的这些图像数据进行处理，以产生该边缘图像，其中该选择性滤波器可用来对该预定区域的这些图像数据进行选择性滤波，以产生一选择性滤波梯度图像，其中该选择性滤波梯度图像包含该预定区域的这些选择性梯度数据。此外，该牌照检测模块可用来依据该边缘图像以及该预定区域的这些图像数据，进行牌照检测，以在该预定区域中决定一牌照图像的位置，以供进行对应于该牌照图像的一后处理。
本发明的好处之一是，本发明的方法与装置能提升牌照检测的效能。另外，相较于相关技术，本发明的方法与装置能在较少副作用(或没有副作用)的状况下提升整个电子装置的的效能。尤其是，依据本发明的方法与装置所实现的电子装置不会有整个硬件架构过大的问题、也不会有整个硬件架构过于复杂的问题、更不会有等待时间过长的问题。
附图说明
图1为依据本发明一第一实施例的一种用来进行牌照检测(Registration PlateDetection)的装置的示意图。
图2绘示图1所示的图像处理模块在一实施例中所涉及的实施细节。
图3绘示图1所示的牌照检测模块在一实施例中所涉及的实施细节。
图4为依据本发明一实施例的一种用来进行牌照检测的方法的流程图。
图5绘示图4所示方法在一实施例中所涉及的一梯度图像(Gradient Image)。
图6绘示图4所示方法在一实施例中所涉及的一选择性滤波器(SelectiveFilter)。
图7绘示图4所示方法在一实施例中所涉及的一边缘图像。
图8绘示图4所示方法在一实施例中所涉及的一强边缘(Strong Edge)控制方案。
图9绘示图4所示方法在一实施例中所涉及的一滑动同心视窗(SlidingConcentric Window，SCW)图像。
【符号说明】
100 用来进行牌照检测的装置
105 处理电路
108 输入图像
109 预定区域的参数
110 图像处理模块
112 图像大小正规化单元
114 梯度图像产生单元
116 边缘阈值估计单元
118 Y方向边缘图像产生单元
120 牌照检测模块
122 边缘型滑动同心视窗图像产生单元
124 连通元件标记单元
126 候选牌照决定单元
129 牌照图像的位置参数
200 用来进行牌照检测的方法
210 进行图像处理以产生边缘图像的步骤
212 进行梯度计算以产生梯度图像的步骤
213 进行边缘阈值估计以通过迭代计算来更新边缘阈值的步骤
214 依据边缘阈值及选择性滤波器进行处理以产生边缘图像的步骤
220 进行该牌照检测的步骤
AE，AR 内视窗
BE，BR 外视窗
CC 连通元件数据
EI 边缘图像
GI 梯度图像
RI 重调图像
SCWI 滑动同心视窗图像
TH 边缘阈值
WE 一组边缘型滑动同心视窗
WR 一组灰阶型滑动同心视窗
x1，y1 内视窗参数
x2，y2 外视窗参数
ωE 边缘度
ωR 对比度
具体实施方式
图1为依据本发明一第一实施例的一种用来进行牌照检测(Registration PlateDetection)的装置100的示意图。装置100包含一电子装置的的至少一部分(例如：一部分或全部)。例如：装置100可包含该电子装置的一控制电路，诸如以一集成电路(IntegratedCircuit，IC)来实现的控制电路。又例如：装置100可包含该电子装置的的全部，诸如该电子装置本身。又例如：装置100可为包含该电子装置的一系统，诸如一计算机系统。该电子装置的例子可包含(但不限于)：个人计算机(Personal Computer)、停车场管理系统的主机(Host Device)、监视(Surveillance)系统的主机、自动驾驶系统的主机、与车辆碰撞警示系统的主机。
如图1所示，上述用来进行牌照检测的装置100可包含一处理电路105，而处理电路105可用来控制装置100的运作，其中处理电路105包含一图像处理模块110与一牌照检测模块120。依据本实施例，处理电路105可包含至少一处理器(诸如一个或多个处理器)以及上述的至少一处理器的周边(Peripheral)电路，而上述的至少一处理器可执行至少一程序模块，诸如多个程序模块。例如：该多个程序模块可包含图像处理模块110与牌照检测模块120。这只是为了说明的目的而已，并非对本发明的限制。依据某些实施例，处理电路105可实施成一定制电路诸如一特殊应用集成电路(Application-Specific IntegratedCircuit，ASIC)，而图像处理模块110与牌照检测模块120可为该定制电路中的子电路。
另外，图像处理模块110可对一输入图像108中的一预定区域的图像数据进行图像处理，以产生一边缘图像EI，其中该预定区域的参数109可指出该预定区域在输入图像108中的位置。例如：输入图像108可包含暂存在一数字图像缓冲器(Digital Image Buffer)中的图像数据，诸如灰阶(Gray-level)图像数据，而该预定区域可为该电子装置的使用者所指定之一有兴趣区域(Region of Interest，ROI)、或可由其它算法基于输入图像108动态地决定、或可被直接指定为整张图像的范围。此外，牌照检测模块120可依据边缘图像EI以及该预定区域的这些图像数据，进行牌照检测，以在该预定区域中决定一牌照图像(Registration Plate Image)的位置，以供进行对应于该牌照图像的一后处理(Post-processing)，其中该牌照图像的位置参数129可指出该牌照图像在该预定区域中的相对位置。例如：该牌照图像的位置参数129可被输出至一后处理电路，以便进行该后处理。这只是为了说明的目的而已，并非对本发明的限制。依据某些实施例，该后处理电路可内建于处理电路105。例如：该后处理电路可利用该多个程序模块中的一后处理模块来实施，其中该后处理模块可执行于上述的至少一处理器。又例如：该后处理电路可实施成该定制电路中的一子电路。
图2绘示图1所示的图像处理模块110在一实施例中所涉及的实施细节。图像处理模块110可包含一图像大小正规化单元(Image Size Normalization Unit)112、一梯度图像产生单元(Gradient Image Creation Unit)114、一边缘阈值估计单元(Edge ThresholdEstimation Unit)116与一特定方向边缘图像产生单元(Specific-direction-edge ImageCreation Unit)诸如一Y方向边缘图像产生单元118。例如：在图像处理模块110为该多个程序模块中的一程序模块的状况下，图2所示的这些单元112、114、116与118可为此程序模块中的子模块。又例如：在图像处理模块110为该定制电路中的一子电路的状况下，图2所示的这些单元112、114、116与118可为此子电路中的内部电路。
图3绘示图1所示的牌照检测模块120在一实施例中所涉及的实施细节。牌照检测模块120可包含一滑动同心视窗图像产生单元(Sliding Concentric Window ImageCreation Unit，SCW Image Creation Unit)诸如一边缘型滑动同心视窗图像产生单元(Edge-based Sliding Concentric Window Image Creation Unit，EBSCW ImageCreation Unit，可简称为“EBSCW图像产生单元”)122、一连通元件标记单元(ConnectedComponent Labeling Unit)124与一候选牌照决定单元(Candidate Registration PlateDecision Unit)126。例如：在牌照检测模块120为该多个程序模块中的一程序模块的状况下，图3所示的这些单元122、124与126可为此程序模块中的子模块。又例如：在牌照检测模块120为该定制电路中的一子电路的状况下，图3所示的这些单元122、124与126可为此子电路中的内部电路。
图4为依据本发明一实施例的一种用来进行牌照检测的方法200的流程图。方法200可应用于图1所示的装置100，也可应用于图1所示的处理电路105。该方法可说明如下。
在步骤210中，图像处理模块110可对输入图像108(诸如一灰阶图像)中的该预定区域的这些图像数据进行图像处理，以产生边缘图像EI。例如：图像大小正规化单元112可从输入图像108取得输入图像108中的该预定区域的这些图像数据，以供梯度图像产生单元114、Y方向边缘图像产生单元118或牌照检测模块120的进一步使用，其中输入图像108中的该预定区域可代表一重调图像(Resized Image)RI，且该预定区域的这些图像数据可为重调图像RI的像素值。
请注意，重调图像RI可取自输入图像108中的该预定区域，且可包含输入图像108的至少一部分(例如一部分或全部)。典型状况下，该预定区域可以是输入图像108的一部分，亦即，重调图像RI可以是输入图像108的一部分。由于重调图像RI和输入图像108可具有相同数量的每英寸点数(Dot PerInch，DPI)，且由于重调图像RI在典型状况下可以是输入图像108的一部分，故重调图像RI可比输入图像108小。这只是为了说明的目的而已，并非对本发明的限制。依据某些实施例，该预定区域可以是输入图像108的全部，亦即，重调图像RI可以是输入图像108的全部。此状况下，重调图像RI可和输入图像108有相同的大小。
在步骤212中，梯度图像产生单元114可对该预定区域的这些图像数据进行梯度计算(Gradient Calculation)，以产生一梯度图像(Gradient Image)GI，其中梯度图像GI包含该预定区域的梯度数据，其中这些梯度数据为这些梯度计算的计算结果。例如：梯度图像GI可包含对应于该预定区域的多个像素，且该预定区域的这些梯度数据可用来作为梯度图像GI中的该多个像素的灰阶，以呈现该预定区域的这些图像数据(即重调图像RI)的梯度变化。
在步骤213中，边缘阈值估计单元116可对该预定区域的这些梯度数据进行边缘阈值估计(Edge Threshold Estimation)，以通过一组迭代计算(Iterative Calculation)来更新一边缘阈值(Edge Threshold)TH。例如：借助于藉由利用该组迭代计算所更新后的边缘阈值TH，图像处理模块110可适应性地(Adaptively)产生最适合的边缘图像EI，尤其是最适合牌照检测模块120中的该EBSCW图像产生单元122的相关运作的边缘图像EI。于是，装置100可具备极高的牌照辨识正确度与极高的牌照辨识速度。
在步骤214中，特定方向边缘图像产生单元诸如该Y方向边缘图像产生单元118可依据(边缘阈值估计单元116所更新后的)边缘阈值TH以及一选择性滤波器(SelectiveFilter)对该预定区域的这些图像数据(即重调图像RI)进行处理，以产生边缘图像EI。例如：特定方向边缘图像产生单元诸如该Y方向边缘图像产生单元118可先利用该选择性滤波器对重调图像RI进行滤波以产生一选择性滤波梯度图像，其中该选择性滤波梯度图像包含该预定区域的选择性梯度数据，诸如重调图像RI的Y方向梯度数据。
在步骤220中，牌照检测模块120可依据边缘图像EI以及该预定区域的这些图像数据(即重调图像RI)，进行牌照检测，以在该预定区域中决定该牌照图像的位置，以供进行对应于该牌照图像的该后处理。例如：在进行牌照检测的过程中，牌照检测模块120可利用该EBSCW图像产生单元122找出较强边缘(Stronger Edge)所在之处，以在这些较强边缘所在之处找出高对比之处，藉此找出最适合的数据以供元件标记单元124进行元件标记，其中候选牌照决定单元126可依据元件标记结果找出该牌照图像的该位置。关于牌照检测的进一步实施细节可在后续某些实施例中说明。
另外，该后处理的例子可包含(但不限于)：先进驾驶辅助系统(Advanced DriverAssistance Systems，可简称为“ADAS”)的多个功能项目中的停与走(Stop-and-Go)功能的停与走处理、在这些ADAS功能项目中的向前碰撞警示(Forward Collision Warning，FCW)功能的向前碰撞警示处理、字元分割(Character Segmentation，CS)处理以及光学字元辨识(Optical Character Recognition，OCR)处理。例如：针对该停与走功能，依据方法200所实现的该停与走处理可检测绿灯后车辆未启动或未前进，并且提醒驾驶人继续驾驶。又例如：针对该向前碰撞警示功能，当车辆靠太近时，传统的方法无法检测该车辆与前车之间的实际距离，但依据方法200所实现的该向前碰撞警示处理可用车牌大小推估距离，来解决该传统的方法的问题。又例如：依据方法200所实现的该字元分割处理和/或该光学字元辨识处理可进行车牌辨识，以实现监视系统的录影监控产品中的全天候进出车辆的车牌辨识功能。
图5绘示图4所示方法200在一实施例中所涉及的一梯度图像，其中图5所示的该梯度图像可作为梯度图像GI之一例。例如：在该电子装置是上述停车场管理系统的主机的状况下，输入图像108可为某交通工具诸如一机器脚踏车(以下简称为机车)的图像，尤其是由此机车的后面所拍摄的一灰阶图像，而此机车正停在一停车场的入口的闸门之前，其中装置100可容许使用者设定一组正规化参数，以将该预定区域预先定义为对准该停车场的入口的闸门位置的区域、并且排除背景中不予纳入考虑的部分。又例如：在该电子装置是上述自动驾驶系统的主机的状况下，输入图像108可为某交通工具诸如一机车的图像，尤其是由此机车的后面所拍摄的一灰阶图像，而此机车正在位于使用者所驾驶的车辆的前方，其中装置100可容许使用者设定一组正规化参数，以将该预定区域预先定义为对准使用者所驾驶的车辆的前方的一固定距离、并且排除背景中不予纳入考虑的部分。不论上列的哪一个被用来作为该电子装置的例子，虽然摄影机所拍摄的目标物件会变化，图像大小正规化单元112所取得的重调图像RI中的目标物件(例如上述机车)的大小会保持一致。依据某些实施例，图像大小正规化单元112基于该组正规化参数所进行的正规化处理，可适用于具备不同解析度的不同的摄影机。在某些实施例中，该交通工具不限于以机车为例。该交通工具的例子可以包含(但不限于)：机车、汽车、船舶…等，及任何其它类型的交通工具。
依据本实施例，梯度图像产生单元114可计算重调图像RI中的每一像素的X方向梯度(X-direction Gradient)Δx与Y方向梯度(Y-direction Gradient)Δy，并可依据下列方程式计算重调图像RI中的该每一像素的梯度大小(Magnitude of Gradient)：
Figure BDA0000970911600000091
其中符号“G”代表重调图像RI中的该每一像素的梯度大小。在取得重调图像RI中的该每一像素的梯度大小G之后，梯度图像产生单元114可依据重调图像RI中的全部像素的梯度大小{G}中的最大值与最小值，将这些全部像素的梯度大小{G}正规化至区间[0，255]的范围(例如：正规化成为落入区间[0，255]的范围的整数)，以产生正规化后的梯度大小，以作为梯度图像GI中的该多个像素的像素值。于是，梯度图像GI可具有多个灰阶，诸如落入区间[0，255]的范围的灰阶。
为了便于理解，图5提供了实景照片的梯度图像作为例子。请注意，虽然图5所示的该梯度图像以黑、白印刷以符合某些申请格式要求，这并非对本发明的限制。另外，依据某些实施例，诸如图5所示的实施例，梯度图像GI和重调图像RI可具有相同数量的每英寸点数，且可具有相同的大小，其中梯度图像GI中的该多个像素分别对应于重调图像RI中的相对应像素，也对应于输入图像108中的该预定区域中的相对应像素。这只是为了说明的目的而已，并非对本发明的限制。
依据某些实施例，一极端像素比率(Ratio of Extreme Pixel)可代表梯度图像GI的一个二值化(Binarized)版本当中具有一共同极端灰阶(Common Extreme Gray Level)的一组极端像素的数量对该二值化版本中的像素的总数的比率。另外，在该组迭代计算的过程中，该极端像素比率可逐步地逼近(Approach)一预定比率(Predetermined Ratio)，且边缘阈值TH可随着该极端像素比率的变化而变化。例如：该共同极端灰阶可为一最大灰阶诸如灰阶255，该组极端像素可为白像素，且该极端像素比率可为一白像素比率(Ratio ofWhite Pixel)。又例如：该共同极端灰阶可为一最小灰阶诸如灰阶0，该组极端像素可为黑像素，且该极端像素比率可为一黑像素比率(Ratio of Black Pixel)。
依据某些实施例，该极端像素比率可依据下列方程式来决定：
R＝Gnum/Anum；
其中，符号“R”代表该极端像素比率，符号“Gnum”代表该组极端像素的该数量，且符号“Anum”代表该二值化版本中的这些像素的该总数。由于该二值化版本藉由二值化(Binarize)梯度图像GI而产生，故总数Anum等于梯度图像GI中的该多个像素的总数。
尤其是，该组迭代计算可依据下列方程式来进行：
Te(k+1)＝Te(k)*(R(k)/Rc)*b；
其中，符号“Te”代表边缘阈值TH的暂时版本(或候选值)，符号“k”代表该组迭代计算的一迭代索引(Iteration Index)，符号“Rc”代表该预定比率，且符号“b”代表一预定常数。例如：该组迭代计算可包含一第一迭代计算。在对该预定区域的这些梯度数据进行该边缘阈值估计以通过该组迭代计算来更新边缘阈值TH的过程中，边缘阈值估计单元116可依据边缘阈值TH的一初始版本Te(0)(其可为一预定常数)以及该预定区域的这些梯度数据(即梯度图像GI)，产生一第一估计边缘图像EEI(1)，其中第一估计边缘图像EEI(1)的任一像素EEI(1)x，y可计算如下：
若GIx，y<Te(0)，则EEI(1)x，y＝0；
否则，EEI(1)x，y＝255。
上列符号“GIx，y”代表梯度图像GI中的该多个像素的一个，诸如梯度图像GI当中对应于上述任一像项素EEI(1)x，y的一原始像素。另外，边缘阈值估计单元116可依据第一估计边缘图像EEI(1)，进行该第一迭代计算，以产生边缘阈值TH的一第一暂时版本Te(1)，藉此边缘阈值TH被更新为第一暂时版本Te(1)，其中第一估计边缘图像EEI(1)可为该二值化版本的一例。例如，该第一迭代计算可在k＝0的状况下进行如下：
Te(1)＝Te(0)*(R(0)/Rc)*b；
其中R(0)＝Gnum(0)/Anum，且符号“Gnum(0)”代表第一估计边缘图像EEI(1)中的该组极端像素的该数量。
请注意，当对应于该组迭代计算的至少一预定条件被满足时，边缘阈值TH可被更新为边缘阈值TH的一最终版本THFINAL。另外，在步骤214中，特定方向边缘图像产生单元诸如该Y方向边缘图像产生单元118可依据边缘阈值TH的最终版本THFINAL以及该预定区域及该选择性滤波器对该预定区域的重调图像RI进行处理，以产生边缘图像EI。
在该第一迭代计算已完成之后，若对应于该组迭代计算的上述至少一预定条件被满足，则边缘阈值估计单元116可输出第一暂时版本Te(1)(其可作为最终版本THFINAL的一例)，以供该特定方向边缘图像产生单元诸如该Y方向边缘图像产生单元118使用；否则，在该第一迭代计算已完成之后，该第一迭代计算的至少一后续迭代计算可被继续执行，直到对应于该组迭代计算的上述至少一预定条件被满足。例如：该组迭代计算可包含一第二迭代计算。在对该预定区域的这些梯度数据进行该边缘阈值估计以通过该组迭代计算来更新边缘阈值TH的过程中，边缘阈值估计单元116可依据边缘阈值TH的第一暂时版本Te(1)以及该预定区域的这些梯度数据(即梯度图像GI)，产生一第二估计边缘图像EEI(2)，其中第二估计边缘图像EEI(2)的任一像素EEI(2)x，y可计算如下：
若GIx，y<Te(1)，则EEI(2)x，y＝0；
否则，EEI(2)x，y＝255。
上列符号“GIx，y”代表梯度图像GI中的该多个像素的一个，诸如梯度图像GI当中对应于上述任一像项素EEI(2)x，y的一原始像素。另外，边缘阈值估计单元116可依据第二估计边缘图像EEI(2)，进行该第二迭代计算，以产生边缘阈值TH的一第二暂时版本Te(2)，藉此边缘阈值TH被更新为第二暂时版本Te(2)，其中第二估计边缘图像EEI(2)可为该二值化版本的一例。例如，该第二迭代计算可在k＝1的状况下进行如下：
Te(2)＝Te(1)*(R(1)/Rc)*b；
其中R(1)＝Gnum(1)/Anum，且符号“Gnum(1)”代表第二估计边缘图像EEI(2)中的该组极端像素的该数量。
在该第二迭代计算已完成之后，若对应于该组迭代计算的上述至少一预定条件被满足，则边缘阈值估计单元116可输出第二暂时版本Te(2)(其也可作为最终版本THFINAL的一例)，以供该特定方向边缘图像产生单元诸如该Y方向边缘图像产生单元118使用；否则，在该第二迭代计算已完成之后，该第二迭代计算的至少一后续迭代计算可被继续执行，直到对应于该组迭代计算的上述至少一预定条件被满足。依此类推。
依据某些实施例，上述至少一预定条件可包含下列终止标准(TerminationCriterion)中的至少一个：
(a).ABS(Rc-R(k))<Gamma；以及
(b).k大于或等于一预定最大次数；
其中符号“ABS()”代表绝对值，且符号“Gamma”代表一预定参数。例如：当终止标准(a)、(b)中的任何一个被满足时，边缘阈值估计单元116可输出最新的暂时版本Te(k+1)(其也可作为最终版本THFINAL的一例)，以供该特定方向边缘图像产生单元诸如该Y方向边缘图像产生单元118使用。
依据某些实施例，在步骤214中，特定方向边缘图像产生单元诸如该Y方向边缘图像产生单元118可对该预定区域的这些图像数据(即重调图像RI)进行选择性滤波(Selective Filtering)，以产生该选择性滤波梯度图像，其中该选择性滤波梯度图像包含对应于一特定方向的边缘分量(Edge Component)，并且，在产生该选择性滤波梯度图像时，该Y方向边缘图像产生单元118将这些全部像素的梯度大小(即该选择性滤波梯度图像中的这些像素的灰阶)正规化至区间[0，255]的范围(例如：正规化成为落入区间[0，255]的范围的整数)。另外，在步骤214中，特定方向边缘图像产生单元诸如该Y方向边缘图像产生单元118可依据该边缘阈值(尤其是，其最终版本THFINAL)，二值化该选择性滤波梯度图像，以产生边缘图像EI。例如：该特定方向可为输入图像108的垂直方向诸如Y方向，而非输入图像108之一水平方向诸如X方向，其中这些选择性梯度数据可代表该预定区域的这些图像数据(即重调图像RI)的Y方向梯度。于是，边缘图像EI中的多个边缘中的每一边缘的边缘方向逼近(Approach)该垂直方向诸如Y方向，而非该水平方向诸如X方向。
图6绘示图4所示方法200在一实施例中所涉及的一选择性滤波器(SelectiveFilter)，其中该选择性滤波器用来进行该选择性滤波。例如：该选择性滤波器可为一垂直边缘检测滤波器(Sobel vertical filter)，其滤波参数如图6所示。于是，水平的、或约略水平的边缘几乎不存在于边缘图像EI，且边缘图像EI中的大部分边缘都是垂直的、或约略垂直的边缘。依据某些实施例，这些滤波参数可予以变化。依据某些实施例，该选择性滤波器可予以变化。
图7绘示图4所示方法200在一实施例中所涉及的一边缘图像，其中图7所示的该边缘图像可作为边缘图像EI的一例。本实施例与前述实施例/变化例相仿之处不再重复赘述。
依据某些实施例，边缘图像EI可包含对应于该预定区域的多个像素，且这些选择性梯度数据可代表该预定区域的这些图像数据(即重调图像RI)的特定方向梯度，诸如这些Y方向梯度。在步骤220中，该EBSCW图像产生单元122可对边缘图像EI中的该多个像素进行第一滑动同心视窗(Sliding Concentric Window，SCW)计算、且据以对输入图像108中的该预定区域之一部分进行第二滑动同心视窗计算，以产生一滑动同心视窗图像SCWI，其中依据这些第一滑动同心视窗计算的计算结果，输入图像108中的该预定区域的该部分从该预定区域选出，以及该滑动同心视窗图像SCWI的图像数据对应于这些第二滑动同心视窗计算的计算结果。另外，连通元件标记单元124可对滑动同心视窗图像SCWI进行连通元件标记(Connected Component Labeling，CCL)，以产生滑动同心视窗图像SCWI中的多个连通元件的连通元件数据CC，其中这些连通元件中的每个连通元件藉由将一组彼此相连的像素标记而产生。此外，这些连通元件数据CC亦包含该多个连通元件中，每个连通元件的长、宽、与长宽比中的至少一部分(例如一部分或全部)。例如：这些连通元件数据CC可包含该多个连通元件中的该每一连通元件的位置、长、宽、长宽比、与一水平扫描峰值数量(horizontal-scanning peak number)，其中，连通元件标记单元124可对该每一连通元件进行至少一水平扫描运作，以检测至少一水平线上的像素的像素值波峰的数量，以作为该水平扫描波峰数量。此外，候选牌照决定单元126可依据该多个连通元件的这些连通元件数据CC，在该预定区域中决定该牌照图像的该位置。
图8绘示图4所示方法200(尤其是其步骤220)在一实施例中所涉及的一强边缘(Strong Edge)控制方案，其中该强边缘控制方案可用来控制该EBSCW图像产生单元122的运作。例如：该EBSCW图像产生单元122可利用多组边缘型滑动同心视窗(Edge-basedSliding Concentric Window，EBSCW){WE}分别计算边缘图像EI中的该多个像素的边缘度(Edge Degree){ωE}，其中这些边缘度{ωE}代表重调图像RI内的相对应像素的边缘强度。然后，该EBSCW图像产生单元122可依据这些边缘度{ωE}，从重调图像RI内的这些相对应像素中选择一组较强边缘像素(Stronger-edge Pixel)，其中该组较强边缘像素所在之处的边缘强度大于重调图像RI内的这些相对应像素中的其它像素所在之处的边缘强度。该组较强边缘像素可作为上列这些实施例中的该预定区域的该部分的一例。另外，该EBSCW图像产生单元122可利用多组灰阶型滑动同心视窗(Gray-level-based Sliding ConcentricWindow，GBSCW){WR}在上述所产生的该组较强边缘像素的位置分别计算重调图像RI的对比度(Contrast Degree){ωR}(亦即，该组较强边缘像素的位置上的对比度)，其中这些对比度{ωR}分别对应于该组较强边缘像素所在之处的对比强度。请注意，由于该组较强边缘像素是从重调图像RI的这些相对应像素中所选出，故该组较强边缘像素是重调图像RI内的这些相对应像素的子集合，亦即，该组较强边缘像素是重调图像RI内的像素。
如前面所述，该EBSCW图像产生单元122已经依据这些边缘度{ωE}找到该组较强边缘像素，亦即，该EBSCW图像产生单元122已经找到强边缘所在之处。接下来，该EBSCW图像产生单元122可从上述已经找到的强边缘所在之处，进一步找出高对比之处。于是，该EBSCW图像产生单元122可找到具有强边缘且具有高对比之处，并予以标示在滑动同心视窗图像SCWI当中。例如：该EBSCW图像产生单元122可依据这些对比度{ωR}，在该组较强边缘像素中决定一组较高对比像素(Higher-contract Pixel)，其中该组较高对比像素所在之处的对比强度大于该组较强边缘像素中的其它像素所在之处的对比强度。此外，该EBSCW图像产生单元122可将该组较高对比像素中的每一个设定为一预定像素值，以产生滑动同心视窗图像SCWI，其中滑动同心视窗图像SCWI当中除了该组较高对比像素之外的任一像素的像素值异于该预定像素值。例如：该EBSCW图像产生单元122可将该组较高对比像素中的每一个设定为一预定前景像素值诸如灰阶255，且可将滑动同心视窗图像SCWI当中除了该组较高对比像素之外的任一像素设定为一预定背景像素值诸如灰阶0。又例如：该EBSCW图像产生单元122可将滑动同心视窗图像SCWI中的每一像素的初始像素值设定为该预定背景像素值诸如灰阶0，然后将该组较高对比像素中的每一个设定为该预定前景像素值诸如灰阶255。这只是为了说明的目的而已，并非对本发明的限制。依据某些实施例，该预定像素值可予以变化。依据某些实施例，该预定前景像素值与该预定背景像素值可予以变化。
如图8右上角所示，该多组边缘型滑动同心视窗{WE}中的每一组边缘型滑动同心视窗WE可包含一第一内视窗(Inner Window)AE与一第一外视窗(Outer Window)BE，其大小可分别由一组内视窗参数x1与y1以及一组外视窗参数x2与y2所定义。在利用该多组边缘型滑动同心视窗{WE}分别计算边缘图像EI中的该多个像素的这些边缘度{ωE}的过程中，该EBSCW图像产生单元122可分别计算第一内视窗AE的一灰阶平均值与第一外视窗BE的一灰阶平均值、且对第一内视窗AE的该灰阶平均值与第一外视窗BE的该灰阶平均值进行一第一预定线性组合，以产生边缘图像EI中的该多个像素当中对应于第一内视窗AE与第一外视窗BE的一第一像素(尤其是，第一内视窗AE与第一外视窗BE的共同中心所在之处的像素)的边缘度ωE。例如：该第一预定线性组合可依据下列方程式来进行：
ωE＝(TE*EA)-EB；
其中符号“EA”代表第一内视窗AE的该灰阶平均值，符号“EB”代表第一外视窗BE的该灰阶平均值，且符号“TE”代表一预定常数。
如图8左上角所示，该多组灰阶型滑动同心视窗{WR}中的每一组灰阶型滑动同心视窗WR可包含一第二内视窗AR与一第二外视窗BR，其大小可分别由同一组内视窗参数x1与y1以及同一组外视窗参数x2与y2所定义。在利用该多组灰阶型滑动同心视窗{WR}分别计算该组较强边缘像素的这些对比度{ωR}的过程中，该EBSCW图像产生单元122可分别计算第二内视窗AR的一灰阶平均值与第二外视窗BR的一灰阶平均值、且对第二内视窗AR的该灰阶平均值与第二外视窗BR的该灰阶平均值进行一第二预定线性组合，以产生该组较强边缘像素当中对应于第二内视窗AR与第二外视窗BR的一第二像素(尤其是，第二内视窗AR与第二外视窗BR的共同中心所在之处的像素)的对比度ωR。例如：该第二预定线性组合可依据下列方程式来进行：
ωR＝(TR*RA)-RB；
其中符号“RA”代表第二内视窗AR的该灰阶平均值，符号“RB”代表第二外视窗BR的该灰阶平均值，且符号“TR”代表一预定常数。
请注意，图8右上角所示的边缘图像EI上的滑动路径可作为该多组边缘型滑动同心视窗{WE}的滑动路径之一例，且图8左上角所示的重调图像RI上的滑动路径可作为该多组灰阶型滑动同心视窗{WR}的滑动路径的一例。这只是为了说明的目的而已，并非对本发明的限制。依据某些实施例，该多组边缘型滑动同心视窗{WE}的滑动路径可予以变化，且该多组灰阶型滑动同心视窗{WR}的滑动路径可予以变化。
图9绘示图4所示方法200(尤其是其步骤220)在一实施例中所涉及的一滑动同心视窗(Sliding Concentric Window，SCW)图像，其中图9所示的该滑动同心视窗图像可作为滑动同心视窗图像SCWI的一例并可用于后续的连通元件标记单元124，而连通元件标记单元124可找出该滑动同心视窗图像SCWI中的该多个连通元件，诸如图9所示的该滑动同心视窗图像中的各个边缘所在之处的相连紧贴的白色像素阵列。另外，连通元件标记单元124可将该多个连通元件的连通元件数据CC(例如每一连通元件的位置、长、宽、长宽比、与水平扫描峰值数量)输出至候选牌照决定单元126，以容许候选牌照决定单元126在该预定区域中决定该牌照图像的该位置。此外，候选牌照决定单元126可依据至少一预定范围(例如：一个或多个预定范围)，在该多个连通元件当中排除其连通元件数据CC不符合上述至少一预定范围者。例如：候选牌照决定单元126可依据一组预定范围，诸如预定位置范围、预定长度范围、预定宽度范围、预定长宽比范围、与预定峰值数量范围，在该多个连通元件当中排除其连通元件数据CC不符合该组预定范围者，藉此选出对应于该牌照图像的连通元件。于是，选牌照决定单元126可依照选出的连通元件的位置，决定该牌照图像的该位置。本实施例与前述实施例/变化例相仿之处不再重复赘述。
本发明的好处之一是，依据本发明的方法200与装置100所实现的产品可依照光线条件自动调整边缘检测所需的二值化阈值诸如边缘阈值TH，且不受到复杂环境的影响，并且可全天候运作。于是，使用者只需要在架设该产品时调整一次参数即可。另外，依据本发明的方法200与装置100所实现的产品可只针对这些Y方向梯度，利用该多组边缘型滑动同心视窗{WE}来取得强边缘的区域诸如该组较强边缘像素，并在这些强边缘区域用该多组灰阶型滑动同心视窗{WR}进一步寻找有高对比的区域，使该产品的计算负载比传统架构低很多。此外，值得一提的是，产生出来的滑动同心视窗(Sliding Concentric Window，SCW)图像也可做为后续牌照辨识时所需取得的二值化牌照图像，故本发明的架构不需要另行实施其它复杂的区域二值化(Local Binarization)方法。因此，本发明的方法200可取代耗时的传统方法，并且可避免保险杆(其图像通常是水平方向的长方形)对于车牌检测的影响。
以上所述仅为本发明的优选实施例，凡依本发明权利要求书所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (18)

1.一种用来进行牌照检测的方法，该方法包含有下列步骤：
对一输入图像中的一预定区域的图像数据进行图像处理，以产生一边缘图像，其中进行该图像处理的步骤还包含：
对该预定区域的图像数据进行梯度计算(Gradient Calculation)，以产生一梯度图像(Gradient Image)，其中该梯度图像包含该预定区域的梯度数据；
对该预定区域的这些梯度数据进行边缘阈值估计(Edge Threshold Estimation)，以通过一组迭代计算(Iterative Calculation)来更新一边缘阈值(Edge Threshold)；以及
依据该边缘阈值以及一选择性滤波器(Selective Filter)对该预定区域的这些图像数据进行处理，以产生该边缘图像；以及
依据该边缘图像以及该预定区域的这些图像数据进行牌照检测，以于该预定区域中决定一牌照图像(Registration Plate Image)的位置，以供进行对应于该牌照图像的一后处理(Post-processing)；
其中该边缘图像包含对应于该预定区域的多个像素；以及进行该牌照检测的步骤还包含：
对该边缘图像中的该多个像素进行第一滑动同心视窗(Sliding Concentric Window，SCW)计算、且依据这些第一滑动同心视窗计算的较强边缘像素计算结果，将该输入图像中的该预定区域的一部分从该预定区域选出，以对该输入图像中的该预定区域的该部分进行第二滑动同心视窗计算，以及该滑动同心视窗图像的图像数据对应于这些第二滑动同心视窗计算的高对比计算结果。
2.如权利要求1所述的方法，其中该梯度图像包含对应于该预定区域的多个像素，以及该预定区域的这些梯度数据用来作为该梯度图像中的该多个像素的灰阶。
3.如权利要求2所述的方法，其中该梯度图像采用一极端像素比率(Ratio of ExtremePixel)代表该梯度图像的一个二值化(Binarized)版本当中具有一共同极端灰阶(CommonExtreme Gray Level)的一组极端像素的一数量对该二值化版本中的像素的一总数的一比率；以及，在该组迭代计算的过程中，该极端像素比率逐步地逼近(Approach)一预定比率(Predetermined Ratio)，且该边缘阈值随着该极端像素比率的变化而变化。
4.如权利要求3所述的方法，其中该极端像素比率依据下列方程式来决定：
R＝Gnum/Anum；
其中，符号“R”代表该极端像素比率，符号“Gnum”代表该组极端像素的该数量，且符号“Anum”代表该二值化版本中的这些像素的该总数。
5.如权利要求4所述的方法，其中该组迭代计算依据下列方程式来进行：
Te(k+1)＝Te(k)*(R(k)/Rc)*b；
其中，符号“Te”代表该边缘阈值的暂时版本，符号“k”代表该组迭代计算的一迭代索引(Iteration Index)，符号“Rc”代表该预定比率，且符号“b”代表一预定常数。
6.如权利要求3所述的方法，其中该共同极端灰阶为一最大灰阶，该组极端像素为白像素，以及该极端像素比率为一白像素比率(Ratio of White Pixel)。
7.如权利要求1所述的方法，其中该组迭代计算包含一第一迭代计算；以及对该预定区域的这些梯度数据进行该边缘阈值估计以通过该组迭代计算来更新该边缘阈值的步骤还包含：
依据该边缘阈值的一初始版本以及该预定区域的这些梯度数据，产生一第一估计边缘图像；以及
依据该第一估计边缘图像，进行该第一迭代计算，以产生该边缘阈值的一第一暂时版本，藉此该边缘阈值被更新为该第一暂时版本；
其中，在该第一迭代计算已完成之后，该第一迭代计算的至少一后续迭代计算被继续执行，直到对应于该组迭代计算的至少一预定条件被满足。
8.如权利要求7所述的方法，其中该组迭代计算包含一第二迭代计算；以及对该预定区域的这些梯度数据进行该边缘阈值估计以通过该组迭代计算来更新该边缘阈值的步骤还包含：
依据该边缘阈值的该第一暂时版本以及该预定区域的这些梯度数据，产生一第二估计边缘图像；以及
依据该第二估计边缘图像，进行该第二迭代计算，以产生该边缘阈值的一第二暂时版本，藉此该边缘阈值被更新为该第二暂时版本；
其中，在该第二迭代计算已完成之后，该第二迭代计算的至少一后续迭代计算被继续执行，直到对应于该组迭代计算的该至少一预定条件被满足。
9.如权利要求7所述的方法，其中当对应于该组迭代计算的该至少一预定条件被满足时，该边缘阈值被更新为该边缘阈值之一最终版本；以及产生该边缘图像的步骤还包含：
依据该边缘阈值的该最终版本以及该预定区域的这些梯度数据，产生该边缘图像。
10.如权利要求1所述的方法，其中产生该边缘图像的步骤还包含：
利用该选择性滤波器对该预定区域的这些图像数据进行选择性滤波(SelectiveFiltering)，以产生一选择性滤波梯度图像，其中该选择性滤波梯度图像包含对应于一特定方向的边缘分量(Edge Component)；以及
依据该边缘阈值，二值化(Binarize)该选择性滤波梯度图像，以产生该边缘图像。
11.如权利要求10所述的方法，其中该特定方向是该输入图像的垂直方向，而非该输入图像的水平方向；以及该边缘图像中的多个边缘中的每一边缘的边缘方向逼近(Approach)该垂直方向，而非该水平方向。
12.如权利要求1所述的方法，其中该输入图像中的该预定区域代表一重调图像(ResizedImage)，且该预定区域的这些图像数据为该重调图像的像素值；以及对该边缘图像中的该多个像素进行这些第一滑动同心视窗计算且据以对该输入图像中的该预定区域的该部分进行这些第二滑动同心视窗计算以产生该滑动同心视窗图像的步骤还包含：
利用多组边缘型滑动同心视窗(Edge-based Sliding Concentric Window，EBSCW)分别计算该边缘图像中的该多个像素的边缘度(Edge Degree)，其中这些边缘度分别代表该重调图像内的相对应像素的边缘强度；
依据这些边缘度，从该重调图像内的这些相对应像素中选择一组较强边缘像素(Stronger-edge Pixel)，其中该组较强边缘像素所在之处的边缘强度大于该重调图像内的这些相对应像素中的其它像素所在之处的边缘强度；
利用多组灰阶型滑动同心视窗(Gray-level-based Sliding Concentric Window，GBSCW)在该组较强边缘像素的位置分别计算该重调图像的对比度(Contrast Degree)，其中这些对比度分别对应于该组较强边缘像素所在之处的对比强度；
依据这些对比度，在该组较强边缘像素中决定一组较高对比像素(Higher-contractPixel)，其中该组较高对比像素所在之处的对比强度大于该组较强边缘像素中的其它像素所在之处的对比强度；以及
将该组较高对比像素中的每一个设定为一预定像素值，以产生该滑动同心视窗图像，其中该滑动同心视窗图像当中除了该组较高对比像素之外的任一像素的像素值异于该预定像素值。
13.如权利要求12所述的方法，其中该多组边缘型滑动同心视窗中的每一组边缘型滑动同心视窗包含一第一内视窗(Inner Window)与一第一外视窗(Outer Window)；以及利用该多组边缘型滑动同心视窗分别计算该边缘图像中的该多个像素的这些边缘度的步骤还包含：
分别计算该第一内视窗的一灰阶平均值与该第一外视窗的一灰阶平均值、且对该第一内视窗的该灰阶平均值与该第一外视窗的该灰阶平均值进行一第一预定线性组合，以产生该边缘图像中的该多个像素当中对应于该第一内视窗与该第一外视窗的一第一像素的边缘度。
14.如权利要求12所述的方法，其中该多组灰阶型滑动同心视窗中的每一组灰阶型滑动同心视窗包含一第二内视窗(Inner Window)与一第二外视窗(Outer Window)；以及利用该多组灰阶型滑动同心视窗分别计算该组较强边缘像素的这些对比度的步骤还包含：
分别计算该第二内视窗的一灰阶平均值与该第二外视窗的一灰阶平均值、且对该第二内视窗的该灰阶平均值与该第二外视窗的该灰阶平均值进行一第二预定线性组合，以产生该组较强边缘像素当中对应于该第二内视窗与该第二外视窗的一第二像素的对比度。
15.一种用来进行牌照检测(Registration Plate Detection)的装置，该装置包含有：
处理电路，用来控制该装置的运作，其中该处理电路包含：
图像处理模块，用来对一输入图像中的一预定区域的图像数据进行图像处理，以产生一边缘图像，其中该图像处理模块包含：
梯度图像产生单元(Gradient Image Creation Unit)，用来对该预定区域的图像数据进行梯度计算(Gradient Calculation)，以产生一梯度图像(Gradient Image)，其中该梯度图像包含该预定区域的梯度数据；以及
边缘阈值估计单元(Edge Threshold Estimation Unit)，用来对该预定区域的这些梯度数据进行边缘阈值估计(Edge Threshold Estimation)，以通过一组迭代计算(Iterative Calculation)来更新一边缘阈值(Edge Threshold)，其中该图像处理模块依据该边缘阈值以及一选择性滤波器(Selective Filter)对该预定区域的这些图像数据进行处理，以产生该边缘图像；以及
牌照检测模块，用来依据该边缘图像以及该预定区域的这些图像数据，进行牌照检测，以于该预定区域中决定一牌照图像(Registration Plate Image)的位置，以供进行对应于该牌照图像的一后处理(Post-processing)；其中该边缘图像包含对应于该预定区域的多个像素；以及该牌照检测模块包含：
滑动同心视窗图像产生单元(Sliding Concentric Window Image Creation Unit，SCW Image Creation Unit)，用来进行滑动同心视窗(Sliding Concentric Window，SCW)计算，其中该滑动同心视窗图像产生单元对该边缘图像中的该多个像素进行第一滑动同心视窗计算、且依据这些第一滑动同心视窗计算的较强边缘像素计算结果，将该输入图像中的该预定区域的一部分从该预定区域选出，以对该输入图像中的该预定区域的该部分进行第二滑动同心视窗计算，以及该滑动同心视窗图像的图像数据对应于这些第二滑动同心视窗计算的高对比计算结果。
16.如权利要求15所述的装置，其中该图像处理模块还包含：
特定方向边缘图像产生单元(Specific-direction-edge Image Creation Unit)，用来依据该边缘阈值以及该选择性滤波器对该预定区域的这些图像数据进行处理，以产生该边缘图像，其中，该特定方向边缘图像产生单元利用该选择性滤波器对该预定区域的这些图像数据进行选择性滤波(Selective Filtering)，以产生一选择性滤波梯度图像，其中该选择性滤波梯度图像包含对应于一特定方向的边缘分量(Edge Component)，以及，依据该边缘阈值，该特定方向边缘图像产生单元二值化(Binarize)该选择性滤波梯度图像，以产生该边缘图像。
17.如权利要求16所述的装置，其中该特定方向是该输入图像的一垂直方向，而非该输入图像的一水平方向；以及该边缘图像中的多个边缘中的每一边缘的边缘方向逼近(Approach)该垂直方向，而非该水平方向。
18.如权利要求15所述的装置，其中该输入图像中的该预定区域代表一重调图像(Resized Image)，且该预定区域的这些图像数据为该重调图像的像素值；该滑动同心视窗图像产生单元利用多组边缘型滑动同心视窗(Edge-based Sliding Concentric Window，EBSCW)分别计算该边缘图像中的该多个像素的边缘度(Edge Degree)，其中这些边缘度分别代表该重调图像内的相对应像素的边缘强度；依据这些边缘度，该滑动同心视窗图像产生单元从该重调图像内的这些相对应像素中选择一组较强边缘像素(Stronger-edgePixel)，其中该组较强边缘像素所在之处的边缘强度大于该重调图像内的这些相对应像素中的其它像素所在之处的边缘强度；该滑动同心视窗图像产生单元利用多组灰阶型滑动同心视窗(Gray-level-based Sliding Concentric Window，GBSCW)在该组较强边缘像素的位置分别计算该重调图像的对比度(Contrast Degree)，其中这些对比度分别对应于该组较强边缘像素所在之处的对比强度；依据这些对比度，该滑动同心视窗图像产生单元于该组较强边缘像素中决定一组较高对比像素(Higher-contract Pixel)，其中该组较高对比像素所在之处的对比强度大于该组较强边缘像素中的其它像素所在之处的对比强度；以及该滑动同心视窗图像产生单元将该组较高对比像素中的每一个设定为一预定像素值，以产生该滑动同心视窗图像，其中该滑动同心视窗图像当中除了该组较高对比像素之外的任一像素的像素值异于该预定像素值。
CN201610250966.XA 2016-03-30 2016-04-21 借助于边缘型滑动同心视窗来进行牌照检测的方法与装置 Active CN107292303B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW105109985A TWI592905B (zh) 2016-03-30 2016-03-30 用來進行牌照偵測之方法與裝置
TW105109985 2016-03-30

Publications (2)

Publication Number Publication Date
CN107292303A CN107292303A (zh) 2017-10-24
CN107292303B true CN107292303B (zh) 2020-04-21

Family

ID=59961661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610250966.XA Active CN107292303B (zh) 2016-03-30 2016-04-21 借助于边缘型滑动同心视窗来进行牌照检测的方法与装置

Country Status (3)

Country Link
US (1) US9858493B2 (zh)
CN (1) CN107292303B (zh)
TW (1) TWI592905B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG11202008145YA (en) 2018-02-26 2020-09-29 Videonetics Tech Private Limited A system for real-time automated segmentation and recognition of vehicle's license plates characters from vehicle's image and a method thereof.
CN109087322B (zh) * 2018-07-18 2021-07-27 华中科技大学 一种航拍图像的运动小目标检测方法
EP4264475A1 (en) 2020-12-15 2023-10-25 Selex ES Inc. Systems and methods for electronic signature tracking

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989350A (zh) * 2009-08-02 2011-03-23 联发科技股份有限公司 图像增强方法、图像增强装置及图像处理电路
CN102243705A (zh) * 2011-05-09 2011-11-16 东南大学 基于边缘检测的车牌定位方法
CN102968782A (zh) * 2012-09-12 2013-03-13 苏州大学 一种彩色图像中显著对象的自动抠取方法
CN103093230A (zh) * 2013-01-21 2013-05-08 信帧电子技术（北京）有限公司 车标检测方法及装置
CN103093185A (zh) * 2011-11-07 2013-05-08 佳能株式会社 字符识别装置、图像处理装置及其方法
CN105354572A (zh) * 2015-12-10 2016-02-24 苏州大学 一种基于简化卷积神经网络的车牌自动识别系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW584811B (en) 2001-10-23 2004-04-21 Chunghwa Telecom Co Ltd Automatic structured plate image recognition system
US7805003B1 (en) * 2003-11-18 2010-09-28 Adobe Systems Incorporated Identifying one or more objects within an image
TWI409718B (zh) * 2009-12-04 2013-09-21 Huper Lab Co Ltd 移動中車輛之車牌定位方法
TWI527001B (zh) 2013-10-15 2016-03-21 國立中興大學 物件特徵辨識系統及其控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989350A (zh) * 2009-08-02 2011-03-23 联发科技股份有限公司 图像增强方法、图像增强装置及图像处理电路
CN102243705A (zh) * 2011-05-09 2011-11-16 东南大学 基于边缘检测的车牌定位方法
CN103093185A (zh) * 2011-11-07 2013-05-08 佳能株式会社 字符识别装置、图像处理装置及其方法
CN102968782A (zh) * 2012-09-12 2013-03-13 苏州大学 一种彩色图像中显著对象的自动抠取方法
CN103093230A (zh) * 2013-01-21 2013-05-08 信帧电子技术（北京）有限公司 车标检测方法及装置
CN105354572A (zh) * 2015-12-10 2016-02-24 苏州大学 一种基于简化卷积神经网络的车牌自动识别系统

Also Published As

Publication number Publication date
TWI592905B (zh) 2017-07-21
US9858493B2 (en) 2018-01-02
US20170286793A1 (en) 2017-10-05
CN107292303A (zh) 2017-10-24
TW201734950A (zh) 2017-10-01

Similar Documents

Publication Publication Date Title
Wu et al. Lane-mark extraction for automobiles under complex conditions
KR101848019B1 (ko) 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치
Zhang et al. Image segmentation based on 2D Otsu method with histogram analysis
US10025998B1 (en) Object detection using candidate object alignment
JP7122364B2 (ja) 付着物検出装置、付着物検出方法
US10878259B2 (en) Vehicle detecting method, nighttime vehicle detecting method based on dynamic light intensity and system thereof
US20070237398A1 (en) Method and apparatus for classifying an object
KR101772438B1 (ko) 도로 표지판 인식 시스템에서 막대형 신호를 검출하는 장치 및 방법
Lee et al. License plate detection using local structure patterns
CN107292303B (zh) 借助于边缘型滑动同心视窗来进行牌照检测的方法与装置
KR101483742B1 (ko) 지능형 차량의 차선 검출방법
Chang et al. An efficient method for lane-mark extraction in complex conditions
Gilly et al. A survey on license plate recognition systems
CN110599516A (zh) 一种运动目标检测方法、装置、存储介质及终端设备
KR101461108B1 (ko) 인식기, 차량모델인식장치 및 방법
US8442348B2 (en) Image noise reduction for digital images using Gaussian blurring
JP2014164528A (ja) 文字認識装置、文字認識方法及びプログラム
EP2256691B1 (en) Image processing device for vehicle and image processing program
WO2019085929A1 (zh) 图像处理方法及其装置、安全驾驶方法
Webster et al. Improved raindrop detection using combined shape and saliency descriptors with scene context isolation
Ho et al. Intelligent speed bump system with dynamic license plate recognition
Sathiya et al. Pattern recognition based detection recognition of traffic sign using SVM
Lakmal et al. Pothole detection with image segmentation for advanced driver assisted systems
Wu et al. A detection method of road traffic sign based on inverse perspective transform
Kumar et al. License plate recognition system or indian vehicles

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