CN107292898B - 一种基于hsv的车牌阴影检测和去除方法 - Google Patents

一种基于hsv的车牌阴影检测和去除方法 Download PDF

Info

Publication number
CN107292898B
CN107292898B CN201710309363.7A CN201710309363A CN107292898B CN 107292898 B CN107292898 B CN 107292898B CN 201710309363 A CN201710309363 A CN 201710309363A CN 107292898 B CN107292898 B CN 107292898B
Authority
CN
China
Prior art keywords
image
coordinate
formula
pixel
indicate
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
CN201710309363.7A
Other languages
English (en)
Other versions
CN107292898A (zh
Inventor
高飞
徐云静
蔡益超
卢书芳
毛家发
肖刚
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201710309363.7A priority Critical patent/CN107292898B/zh
Publication of CN107292898A publication Critical patent/CN107292898A/zh
Application granted granted Critical
Publication of CN107292898B publication Critical patent/CN107292898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于HSV的车牌阴影检测和去除方法。它是一种针对处理车牌阴影的阴影检测和去除方法，它首先通过处理车牌S、V通道确定车牌背景阴影区域，然后通过阴影边缘点集提取、筛选、连接和补充操作，得到完整阴影边缘，最后根据阴影区域和非阴影区域的平均灰度比，对H、S、V通道进行阴影去除，同时还利用基于筛选的中值滤波方法对阴影边缘区域进行修正，保证图像过度自然。

Description

一种基于HSV的车牌阴影检测和去除方法
技术领域
本发明涉及智能交通技术领域，具体涉及一种基于HSV的车牌阴影检测和去除方法。
背景技术
车牌识别系统是智能交通系统的重要组成部分，车牌预处理是车牌识别系统的重要环节，预处理的质量高低直接影响最终识别结果。而当下，车牌存在阴影是拉低预处理质量最主要的因素，因此去除车牌阴影，提高车牌的可识别率是车牌识别系统亟待解决的问题。
由于图像阴影严重影响目标检测、图像切割以及图像识别等算法的处理效果，因此阴影检测和去除是近几年较热门的一个研究点。阴影检测的方法大致可分为以下几种：基于分类的方法、基于边缘检测的方法和基于自学习特征的方法。基于分类的方法根据不同特征设计分类方法或分类器，以实现区域级或像素级的阴影分类，主要用到的特征包括亮度、纹理、颜色以及通道特性；基于边缘检测的方法利用阴影边缘区域的颜色、梯度、亮度变化特征进行阴影边缘检测，同时通过阴影区域判别方法确定阴影区域；基于自学习特征的方法通过引入深度学习算法自动学习阴影特征用于阴影检测，这种方法无需任何前提假设且鲁棒性较好。目前已有的阴影去除方法步骤大多类似，首先计算阴影区域和非阴影区域的亮度比，然后以重新点亮阴影区域的方法实现阴影去除，计算亮度比的方式可分为基于多通道的方法和基于亮度模型的方法。
目前大多阴影检测和去除的算法主要研究复杂场景下的阴影问题，算法的鲁棒性较好，但复杂性过高，不适用于处理颜色和结构较为简单的车牌图像，因此本文通过分析车牌的结构和通道特性，提出了一种基于HSV的阴影检测和去除方法。
发明内容
针对现有技术中存在的上述问题，本发明的目的在于提供一种基于HSV的车牌阴影检测和去除方法。它可以处理蓝底白字和黄底黑字且由于车辆自遮挡造成的阴影车牌，在该类阴影车牌中，阴影区域和非阴影区域上下分布，且阴影下边界曲线较为平滑。
所述的一种基于HSV的车牌阴影检测和去除方法，其特征在于包括如下步骤：
步骤1：对获取的车牌阴影图像D进行图像预处理，得到二值化图像Db，其中，车牌图像的宽度为W，高度为H，单位为像素，图像预处理过程具体如下：
步骤1.1：对图像D的S通道进行OTSU二值化和膨胀操作，得到二值化图D2；
步骤1.2：对图像D的V通道进行中值滤波操作，得到灰度图D3；
步骤1.3：根据公式(1)和(2)获得字符区域的灰度值集合E1和背景区域的灰度值集合E2，并利用OTSU计算E2的最佳阈值，设为thE2，然后根据公式(3)得到图像D3的二值化图像D4；
E1＝{PD3(x,y)|PD2(x,y)＝255,0≤x＜W,0≤y＜H} (1)
E2＝{PD3(x,y)|PD2(x,y)＝0,0≤x＜W,0≤y＜H} (2)
其中，表示图像D2中坐标(x,y)处的像素的灰度值，表示图像D3中坐标(x,y)处的像素的灰度值，表示图像D4中坐标(x,y)处的像素的灰度值；
步骤1.4：去除图像D4中轮廓面积小于A的小团块，得到用于阴影边缘检测的二值化图像Db，其中A表示预先设置的轮廓面积最小阈值；
步骤2：对图像Db进行阴影边缘提取，确定车牌阴影边缘点坐标集B，具体为：
步骤2.1：根据图像Db构建集合B1＝{(xi,yi)|i＝0,1,…,Nb1-1}，其中，Nb1表示集合B1中元素的个数，(xi,yi)表示像素的坐标且须满足式(4)；
且
其中，表示图像Db中坐标(xi,yi)处的像素的灰度值；
步骤2.2：从坐标集B1中剃除那些满足255∈N8D2((xi,yi))的(xi,yi)，其中N8D2((xi,yi))表示图像D2中坐标(xi,yi)处的像素的8邻域的灰度值集合；
步骤2.3：对B1中的元素进行聚类，得到满足式(5)～(7)的Nh个坐标子集的集合H＝{Hj|j＝0,1,…,Nh-1}，其中第j个子集为 表示子集Hj中元素的个数；
且当p≠q时Hp∩Hq＝φ(5)
对于任意存在使
对于任意不存在使且i≠j(7)其中，表示坐标的8邻域的坐标集合；
步骤2.4：将集合H中的子集按子集第一个元素的横坐标从小到大进行排序，然后从H中找到元素个数最多的子集并将其标记为正确的，最后根据如下步骤从坐标集B1中剔除那些位置跳变的坐标点：
步骤2.4.1：从H中找到被标记为正确的子集，设为Hk，若k>0且Hk-1未标记过，令Hc＝Hk-1，转步骤2.4.2；否则，若k<Nh-1且Hk+1为未标记过，令Hc＝Hk+1，转步骤2.4.2；直至H中不存在满足上述两个条件之一的Hk转步骤2.5；
步骤2.4.2：找到Hc与Hk两个子集中横坐标距离最近的坐标，分别设为和若满足且则判定子集Hc中都为跳变坐标点，将包含在子集Hc中的元素从集合B1中剔除，同时从H集合中剔除Hc，转步骤2.4.1；否则将Hc标记为正确的，转步骤2.4.1；
步骤2.5：顺序遍历坐标集B1中下标满足式(8)的相邻坐标点对每组这样的相邻三个坐标点用B样条二次曲线法进行连接，得到一条连接集合B1中所有坐标点的连续曲线，并将这条曲线经过的所有坐标重新保存为坐标集B2＝{(xi,yi)|i＝0,1,…,Nb2-1}，其中Nb2表示集合B2中元素的个数；
步骤2.6：若B2中或则不再执行下面步骤，阴影检测失败；否则，根据式(9)和(10)依次确定0≤ai＜x0以及的残缺边缘坐标点(ai,bi)和(ak,bk)，并将这些坐标点依次加入到新的坐标集合B3中；
步骤2.7：合并集合B2和B3得到边缘点坐标集B＝{(xi,yi)|i＝0,1,…,Nb-1}，其中Nb表示集合B中元素的个数，并将集合B按yi从小到大进行排序；
步骤3：对车牌图像D进行分通道阴影去除，得到去除阴影后的车牌彩图DR，具体为：
步骤3.1：记车牌图像D的V通道为图像Dv，对Dv的阴影区域进行灰度值调整，首先计算图像Dv中阴影区域和非阴影区域的平均灰度比值，然后根据平均灰度比值对阴影区域进行灰度值调整，并对阴影边缘进行灰度值修正，具体为：
步骤3.1.1：得到Dv中所有坐标(x,y)满足式(11)的像素的灰度值集合M1＝{pi|i＝0,1,…,Nm1-1}，其中Nm1表示集合M1中元素的个数；将集合M1按照pi从小到大进行排序，并根据式(12)计算M1对应的平均灰度值pvb；
存在(xi,yi)∈B，使x＝xi且且PD2(x,y)＝0(11)
步骤3.1.2：对Dv中所有坐标(x,y)满足式(13)的像素进行聚类，得到满足式(14)～(15)的Nu个子集其中，表示像素在Dv中的坐标，表示像素的灰度值，表示集合Ui中元素的个数；将每个Ui中的元素按照从小到大进行排序，并根据式(15)得到各个集合Ui对应的平均灰度值
存在(xi,yi)∈B,使x＝xi且y＜yi且PD2(x,y)＝0 (13)
存在(xz,yz),(xk,yk)∈B,
使
不存在(xz,yz),(xk,yk)∈B,
使
其中，γ表示预先设置的像素个数的最小阈值；
步骤3.1.3：顺序遍历i＝0,1,…,Nu-1，若则找到某个并令其中，不等于-1且离距离最近，此处距离表示为|t-i|；
步骤3.1.4：依次对Dv中坐标(x,y)满足式(17)的像素的灰度值根据式(18)进行调整；
存在(xi,yi)∈B,使x＝xi且y＜yi (17)
(xk,yk)∈B且xk＝x (18)
步骤3.1.5：构建集合O＝{(ni,mi)|i＝0,1,…,No-1}，其中,No表示满足式(19)的坐标数量，(ni,mi)表示图像Dv中某个像素的坐标且满足式(19)；将集合O中的元素按照di从大到小进行排序，其中di＝|mi-yk|，yk满足(xk,yk)∈B且xk＝ni；
存在(xk,yk)∈B,使xk＝ni且
从D中得到原始V通道图像，记为Dv2，依次遍历坐标集O中元素(ni,mi)，并对Dv中坐标(ni,mi)处的像素的灰度值按照步骤(a)–(c)进行调整：
(a)遍历图像Dv2和Dv中的所有像素并构建集合L＝{(xj,yj,qj,pj)|j＝0,1,…,NL-1}，其中，qj为Dv2中坐标(xj,yj)处的像素的灰度值，pj为Dv中坐标(xj,yj)处的像素的灰度值，NL表示集合L中元素的个数，(xj,yj)须满足式(20)；
其中，分别表示图像Ds中坐标(xj,yj)和(mj,nj)处像素的灰度值，thS表示图像Ds的OTSU最佳阈值，Ds表示车牌图像D的S通道图像；
(b)将集合L按照从小到大进行排序，其中表示Dv2中坐标(mj,nj)处像素的灰度值；保留L前一半的元素为新的集合并将集合L2按照pj从小到大进行排序；
(c)从L2中找到第个元素并将Dv中(ni,mi)处像素的灰度值设置为同时从集合O中剔除(ni,mi)；
步骤3.2：对图像Ds进行灰度值调整，首先计算Ds中阴影区域和非阴影区域的平均灰度比值，然后根据平均灰度比值对Ds中的阴影区进行灰度值调整，具体为：
步骤3.2.1：得到Ds中所有坐标(x,y)满足式(11)的像素的灰度值集合M2＝{pi|i＝0,1,…,Nm2-1}，其中Nm2表示集合M2中元素的个数；将集合M2按照pi从小到大进行排序，并根据式(21)计算M2对应的平均灰度值psb；
步骤3.2.2：得到Ds中所有坐标(x,y)满足式(22)的像素的灰度值集合M3＝{pi|i＝0,1,…,Nm3-1}，其中Nm3表示集合M3中元素的个数；将集合M3按照pi从小到大进行排序，并根据式(23)计算M3对应的平均灰度值psa；
存在(xi,yi)∈B，使x＝xi且且PD2(x,y)＝0 (22)
步骤3.2.3：依次对Ds中坐标(x,y)满足式(17)的像素的灰度值根据式(24)进行调整；
步骤3.3：记车牌图像D的H通道图像为Dh，对Dh进行灰度值调整，首先计算Dh中阴影区域和非阴影区域的平均灰度比值，然后根据平均灰度比值对Dh中的阴影区进行灰度值调整，具体为：
步骤3.3.1：得到Dh中所有坐标(x,y)满足式(11)的像素的灰度值集合M4＝{pi|i＝0,1,…,Nm4-1}，其中Nm4表示集合M4中元素的个数；将集合M4按照pi从小到大进行排序，并根据式(25)计算M4对应的平均灰度值phb；
步骤3.3.2：得到Dh中所有坐标(x,y)满足式(22)的像素的灰度值集合M5＝{pi|i＝0,1,…,Nm5-1}，其中Nm5表示集合M5中元素的个数；将集合M5按照pi从小到大进行排序，并根据式(26)计算M5对应的平均灰度值pha；
步骤3.3.3：依次对Dh中坐标(x,y)满足式(17)的像素的灰度值根据式(27)进行调整；
步骤3.4：对调整后的图像Dh，Ds，Dv进行整合，得到去除阴影后的车牌彩图DR。
通过采用上述技术，与现有技术相比，本发明的有益效果如下：
本发明通过采用上述限定技术得到的一种针对处理车牌阴影的阴影检测和去除方法，它利用车牌结构和通道特性实现了车牌背景阴影的精准定位，同时基于HSV通道的阴影区域方法对阴影车牌图像的修复效果较好，修复得到的车牌彩图显得十分自然。
附图说明
图1为原阴影车牌彩图的灰度图；
图2为车牌S通道图像；
图3为根据步骤1.1处理得到的图像D2；
图4为车牌V通道图像；
图5为根据步骤1.2处理得到的灰度图D3；
图6为车牌V通道背景区域图像；
图7为车牌V通道字符区域图像；
图8为根据步骤1.3处理得到的二值化图像D4；
图9为根据步骤2.1处理得到的坐标集B1；
图10为根据步骤2.2-2.4处理得到的坐标集B1；
图11为根据步骤2.5处理得到的坐标集B2；
图12为根据步骤2.6-2.7处理得到的坐标集B；
图13为根据步骤3.1.1-3.1.4处理得到的图像Dv；
图14为根据步骤3.1.5处理得到的图像Dv
图15为步骤3.2处理得到的图像Ds；
图16为车牌H通道图像；
图17为根据步骤3.3处理得到的图像Dh；
图18为根据步骤3.4处理得到的图像DR。
具体实施方式
下面结合具体实例，对本发明实施的过程进行详细的说明。
如图1-18所示，本发明的一种基于HSV的车牌阴影检测和去除方法，包括如下步骤：
步骤1：对获取的车牌阴影图像D进行图像预处理，得到二值化图像Db，其中，车牌图像的宽度为W，高度为H，单位为像素，图像预处理过程具体如下：
本实例中，车牌原阴影图像D经灰度处理后如图1所示，图像宽度204像素，高度54像素；
步骤1.1：对图像D的S通道进行OTSU二值化和膨胀操作，得到二值化图D2；
阴影车牌的S通道如图2所示，根据步骤1.1对S通道进行二值化和膨胀操作，得到的二值化图像D2如图3所示；
步骤1.2：对图像D的V通道进行中值滤波操作，得到灰度图D3；
阴影车牌的V通道如图4所示，根据步骤1.2对V通道进行中值滤波，得到的灰度图D3如图5所示；
步骤1.3：根据公式(1)和(2)获得字符区域的灰度值集合E1和背景区域的灰度值集合E2，并利用OTSU计算E2的最佳阈值，设为thE2，然后根据公式(3)得到图像D3的二值化图像D4；
E1＝{PD3(x,y)|PD2(x,y)＝255,0≤x＜W,0≤y＜H} (1)
E2＝{PD3(x,y)|PD2(x,y)＝0,0≤x＜W,0≤y＜H} (2)
其中，表示图像D2中坐标(x,y)处的像素的灰度值，表示图像D3中坐标(x,y)处的像素的灰度值，表示图像D4中坐标(x,y)处的像素的灰度值；
灰度图D3中的背景区域和字符区域图像如图6和7所示，根据步骤1.3所述二值化方法得到的二值化图像D4如图8所示；
步骤1.4：去除图像D4中轮廓面积小于A的小团块，得到用于阴影检测的二值化图像Db，其中A表示预先设置的轮廓面积最小阈值；
在本实例中，轮廓面积最小阈值A取20，由于图像D4中不存在小团块，因此根据步骤1.4处理图像D4后图像没有发生改变，图像Db如图8所示；
步骤2：对图像Db进行阴影边缘提取，确定车牌阴影边缘点坐标集B，具体为：
步骤2.1：根据图像Db构建集合B1＝{(xi,yi)|i＝0,1,…,Nb1-1}，其中，Nb1表示集合B1中元素的个数，(xi,yi)表示像素的坐标且须满足式(4)。
且
其中，表示图像Db中坐标(xi,yi)处的像素的灰度值；
根据步骤2.1得到坐标集B1如图9所示，其中白点表示集合B1中的坐标点。
步骤2.2：从坐标集B1中剃除那些满足255∈N8D2((xi,yi))的(xi,yi)，其中N8D2((xi,yi))表示图像D2中坐标(xi,yi)处的像素的8邻域的灰度值集合；
步骤2.3：对B1中的元素进行聚类，得到满足式(5)～(7)的Nh个坐标子集的集合H＝{Hj|j＝0,1,…,Nh-1}，其中第j个子集为 表示子集Hj中元素的个数；
且当p≠q时Hp∩Hq＝φ (5)
对于任意存在使
对于任意不存在使且i≠j(7)其中，表示坐标的8邻域的坐标集合；
步骤2.4：将集合H中的子集按子集第一个元素的横坐标从小到大进行排序，然后从H中找到元素个数最多的子集并将其标记为正确的，最后根据如下步骤从坐标集B1中剔除那些位置跳变的坐标点：
步骤2.4.1：从H中找到被标记为正确的子集，设为Hk，若k>0且Hk-1未标记过，令Hc＝Hk-1，转步骤2.4.2；否则，若k<Nh-1且Hk+1为未标记过，令Hc＝Hk+1，转步骤2.4.2；直至H中不存在满足上述两个条件之一的Hk转步骤2.5。
步骤2.4.2：找到Hc与Hk两个子集中横坐标距离最近的坐标，分别设为和若满足且则判定子集Hc中都为跳变坐标点，将包含在子集Hc中的元素从集合B1中剔除，同时从H集合中剔除Hc，转步骤2.4.1；否则将Hc标记为正确的，转步骤2.4.1。
根据步骤2.2-2.4剔除坐标集B1中的字符边缘点坐标集和跳变曲线点坐标集，得到的坐标集B1如图10所示，其中白点表示集合B1中的坐标点；
步骤2.5：顺序遍历坐标集B1中下标满足式(8)的相邻坐标点对每组这样的相邻三个坐标点用B样条二次曲线法进行连接，得到一条连接集合B1中所有坐标点的连续曲线，并将这条曲线经过的所有坐标重新保存为坐标集B2＝{(xi,yi)|i＝0,1,…,Nb2-1}，其中Nb2表示集合B2中元素的个数；
根据步骤2.5进行曲线拟合，得到边缘点坐标集B2如图11所示，其中白点表示集合B1中的坐标点；
步骤2.6：若B2中或则不再执行下面步骤，阴影检测失败；否则，根据式(9)和(10)依次确定0≤ai＜x0以及的残缺边缘坐标点(ai,bi)和(ak,bk)，并将这些坐标点依次加入到新的坐标集合B3中。
步骤2.7：合并集合B2和B3得到边缘点坐标集B＝{(xi,yi)|i＝0,1,…,Nb-1}，其中Nb表示集合B中元素的个数，并将集合B按yi从小到大进行排序；
根据步骤2.6-2.7对残缺边缘点坐标进行补充，得到边缘点坐标集B如图12所示，其中白点表示集合B1中的坐标点；
步骤3：对阴影车牌D进行分通道阴影去除，得到去除阴影后的车牌彩图DR，具体为：
步骤3.1：记车牌图像D的V通道为图像Dv，对Dv的阴影区域进行灰度值调整，首先计算图像Dv中阴影区域和非阴影区域的平均灰度比值，然后根据平均灰度比值对阴影区域进行灰度值调整，并对阴影边缘进行灰度值修正，具体为：
步骤3.1.1：得到Dv中所有坐标(x,y)满足式(11)的像素的灰度值集合M1＝{pi|i＝0,1,…,Nm1-1}，其中Nm1表示集合M1中元素的个数；将集合M1按照pi从小到大进行排序，并根据式(12)计算M1对应的平均灰度值pvb；
存在(xi,yi)∈B，使x＝xi且且PD2(x,y)＝0 (11)
步骤3.1.2：对Dv中所有坐标(x,y)满足式(13)的像素进行聚类，得到满足式(14)～(15)的Nu个子集其中，表示像素在Dv中的坐标，表示像素的灰度值，表示集合Ui中元素的个数；将每个Ui中的元素按照从小到大进行排序，并根据式(15)得到各个集合Ui对应的平均灰度值
存在(xi,yi)∈B,使x＝xi且y＜yi且PD2(x,y)＝0 (13)
存在(xz,yz),(xk,yk)∈B,
使
不存在(xz,yz),(xk,yk)∈B,
使
其中，γ表示预先设置的像素个数的最小阈值；
步骤3.1.3：顺序遍历i＝0,1,…,Nu-1，若则找到某个并令其中，不等于-1且离距离最近，此处距离表示为|t-i|；
步骤3.1.4：依次对Dv中坐标(x,y)满足式(17)的像素的灰度值根据式(18)进行调整；
存在(xi,yi)∈B,使x＝xi且y＜yi (17)
(xk,yk)∈B且xk＝x (18)
在本实例中，预先设置的像素个数的最小阈值γ为0.02×W×H，阴影车牌原V通道图像如图4所示，根据步骤3.1.1-3.1.4对V通道中的阴影区域进行像素调整，得到的图像Dv如图13所示；
步骤3.1.5：构建集合O＝{(ni,mi)|i＝0,1,…,No-1}，其中,No表示满足式(19)的坐标数量，(ni,mi)表示图像Dv中某个像素的坐标且满足式(19)；将集合O中的元素按照di从大到小进行排序，其中di＝|mi-yk|，yk满足(xk,yk)∈B且xk＝ni；
存在(xk,yk)∈B,使xk＝ni且
从D中得到原始V通道图像，记为Dv2，依次遍历坐标集O中元素(ni,mi)，并对Dv中坐标(ni,mi)处的像素的灰度值按照步骤(a)–(c)进行调整：
(a)遍历图像Dv2和Dv中的所有像素并构建集合L＝{(xj,yj,qj,pj)|j＝0,1,…,NL-1}，其中，qj为Dv2中坐标(xj,yj)处的像素的灰度值，pj为Dv中坐标(xj,yj)处的像素的灰度值，NL表示集合L中元素的个数，(xj,yj)须满足式(20)。
其中，分别表示图像Ds中坐标(xj,yj)和(mj,nj)处像素的灰度值，thS表示图像Ds的OTSU最佳阈值，Ds表示车牌图像D的S通道图像。
(b)将集合L按照从小到大进行排序，其中表示Dv2中坐标(mj,nj)处像素的灰度值；保留L前一半的元素为新的集合并将集合L2按照pj从小到大进行排序。
(c)从L2中找到第个元素并将Dv中(ni,mi)处像素的灰度值设置为同时从集合O中剔除(ni,mi)。
根据步骤3.1.5对Dv中的阴影边缘区域的像素的灰度值进行修正，得到的图像Dv如图14所示；
步骤3.2：对图像Ds进行灰度值调整，首先计算Ds中阴影区域和非阴影区域的平均灰度比值，然后根据平均灰度比值对Ds中的阴影区进行灰度值调整，具体为：
步骤3.2.1：得到Ds中所有坐标(x,y)满足式(11)的像素的灰度值集合M2＝{pi|i＝0,1,…,Nm2-1}，其中Nm2表示集合M2中元素的个数；将集合M2按照pi从小到大进行排序，并根据式(21)计算M2对应的平均灰度值psb；
步骤3.2.2：得到Ds中所有坐标(x,y)满足式(22)的像素的灰度值集合M3＝{pi|i＝0,1,…,Nm3-1}，其中Nm3表示集合M3中元素的个数；将集合M3按照pi从小到大进行排序，并根据式(23)计算M3对应的平均灰度值psa；
存在(xi,yi)∈B，使x＝xi且且PD2(x,y)＝0 (22)
步骤3.2.3：依次对Ds中坐标(x,y)满足式(17)的像素的灰度值根据式(24)进行调整；
阴影车牌原S通道图像如图2所示，根据步骤3.2对S通道中阴影区域的像素进行灰度值调整，得到的图像Ds如图15所示；
步骤3.3：记车牌图像D的H通道图像为Dh，对Dh进行灰度值调整，首先计算Dh中阴影区域和非阴影区域的平均灰度比值，然后根据平均灰度比值对Dh中的阴影区进行灰度值调整，具体为：
步骤3.3.1：得到Dh中所有坐标(x,y)满足式(11)的像素的灰度值集合M4＝{pi|i＝0,1,…,Nm4-1}，其中Nm4表示集合M4中元素的个数；将集合M4按照pi从小到大进行排序，并根据式(25)计算M4对应的平均灰度值phb；
步骤3.3.2：得到Dh中所有坐标(x,y)满足式(22)的像素的灰度值集合M5＝{pi|i＝0,1,…,Nm5-1}，其中Nm5表示集合M5中元素的个数；将集合M5按照pi从小到大进行排序，并根据式(26)计算M5对应的平均灰度值pha；
步骤3.3.3：依次对Dh中坐标(x,y)满足式(17)的像素的灰度值根据式(27)进行调整；
阴影车牌原H通道图像如图16所示，根据步骤3.3对H通道中阴影区域的像素进行灰度值调整，得到的图像Dh如图17所示；
步骤3.4：对调整后的图像Dh，Ds，Dv进行整合，得到去除阴影后的车牌彩图DR；
根据步骤3.4得到去除阴影后的车牌彩图DR经灰度处理后的图如图18所示；
本说明书具体实施方法中所列举的处理对象，仅用于说明本发明的实现过程，本发明所能处理的对象情况并非仅限于所举实例。

Claims (2)

1.一种基于HSV的车牌阴影检测和去除方法，其特征在于包括如下步骤：
步骤1：对获取的车牌阴影图像D进行图像预处理，得到二值化图像Db，其中，车牌图像的宽度为W，高度为H，单位为像素；
步骤2：对图像Db进行阴影边缘提取，确定车牌阴影边缘点坐标集B，具体为：
步骤2.1：根据图像Db构建集合B1＝{(xi,yi)|i＝0,1,…,Nb1-1}，其中，Nb1表示集合B1中元素的个数，(xi,yi)表示像素的坐标且须满足式(4)；
其中，表示图像Db中坐标(xi,yi)处的像素的灰度值；
步骤2.2：从坐标集B1中剃除那些满足255∈N8D2((xi,yi))的(xi,yi)，其中N8D2((xi,yi))表示图像D2中坐标(xi,yi)处的像素的8邻域的灰度值集合；
步骤2.3：对B1中的元素进行聚类，得到满足式(5)～(7)的Nh个坐标子集的集合H＝{Hj|j＝0,1,…,Nh-1}，其中第j个子集为 表示子集Hj中元素的个数；
其中，表示坐标的8邻域的坐标集合；
步骤2.4：将集合H中的子集按子集第一个元素的横坐标从小到大进行排序，然后从H中找到元素个数最多的子集并将其标记为正确的，最后根据如下步骤从坐标集B1中剔除那些位置跳变的坐标点：
步骤2.4.1：从H中找到被标记为正确的子集，设为Hk，则：(a)若k>0且Hk-1未标记过，令Hc＝Hk-1，转步骤2.4.2；(b)否则，若k<Nh-1且Hk+1为未标记过，令Hc＝Hk+1，转步骤2.4.2；直至H中不存在满足(a)或(b)的Hk，转步骤2.5；
步骤2.4.2：找到Hc与Hk两个子集中横坐标距离最近的坐标，分别设为和若满足且则判定子集Hc中都为跳变坐标点，将包含在子集Hc中的元素从集合B1中剔除，同时从H集合中剔除Hc，转步骤2.4.1；否则将Hc标记为正确的，转步骤2.4.1；
步骤2.5：顺序遍历坐标集B1中下标满足式(8)的相邻坐标点对每组这样的相邻三个坐标点用B样条二次曲线法进行连接，得到一条连接集合B1中所有坐标点的连续曲线，并将这条曲线经过的所有坐标重新保存为坐标集B2＝{(xi,yi)|i＝0,1,…,Nb2-1}，其中Nb2表示集合B2中元素的个数；
步骤2.6：若B2中或则不再执行下面步骤，阴影检测失败；否则，根据式(9)和(10)依次确定0≤ai＜x0以及的残缺边缘坐标点(ai,bi)和(ak,bk)，并将这些坐标点依次加入到新的坐标集合B3中；
步骤2.7：合并集合B2和B3得到边缘点坐标集B＝{(xi,yi)|i＝0,1,…,Nb-1}，其中Nb表示集合B中元素的个数，并将集合B按yi从小到大进行排序；
步骤3：对车牌图像D进行分通道阴影去除，得到去除阴影后的车牌彩图DR，具体为：
步骤3.1：记车牌图像D的V通道为图像Dv，对Dv的阴影区域进行灰度值调整，首先计算图像Dv中阴影区域和非阴影区域的平均灰度比值，然后根据平均灰度比值对阴影区域进行灰度值调整，并对阴影边缘进行灰度值修正，具体为：
步骤3.1.1：得到Dv中所有坐标(x,y)满足式(11)的像素的灰度值集合M1＝{pi|i＝0,1,…,Nm1-1}，其中Nm1表示集合M1中元素的个数；将集合M1按照pi从小到大进行排序，并根据式(12)计算M1对应的平均灰度值pvb；
步骤3.1.2：对Dv中所有坐标(x,y)满足式(13)的像素进行聚类，得到满足式(14)～(15)的Nu个子集其中，表示像素在Dv中的坐标，表示像素的灰度值，表示集合Ui中元素的个数；将每个Ui中的元素按照从小到大进行排序，并根据式(15)得到各个集合Ui对应的平均灰度值
存在(xi,yi)∈B,使x＝xi且y＜yi且PD2(x,y)＝0 (13)
其中，γ表示预先设置的像素个数的最小阈值；
步骤3.1.3：顺序遍历若则找到某个并令其中，不等于-1且离距离最近，此处距离表示为|t-i|；
步骤3.1.4：依次对Dv中坐标(x,y)满足式(17)的像素的灰度值根据式(18)进行调整；
存在(xi,yi)∈B,使x＝xi且y＜yi (17)
步骤3.1.5：构建集合O＝{(ni,mi)|i＝0,1,…,No-1}，其中,No表示满足式(19)的坐标数量，(ni,mi)表示图像Dv中某个像素的坐标且满足式(19)；将集合O中的元素按照di从大到小进行排序，其中di＝|mi-yk|，yk满足(xk,yk)∈B且xk＝ni；
从D中得到原始V通道图像，记为Dv2，依次遍历坐标集O中元素(ni,mi)，并对Dv中坐标(ni,mi)处的像素的灰度值按照步骤(a)–(c)进行调整：
(a)遍历图像Dv2和Dv中的所有像素并构建集合L＝{(xj,yj,qj,pj)|j＝0,1,…,NL-1}，其中，qj为Dv2中坐标(xj,yj)处的像素的灰度值，pj为Dv中坐标(xj,yj)处的像素的灰度值，NL表示集合L中元素的个数，(xj,yj)须满足式(20)；
其中，分别表示图像Ds中坐标(xj,yj)和(mj,nj)处像素的灰度值，thS表示图像Ds的OTSU最佳阈值，Ds表示车牌图像D的S通道图像；
(b)将集合L按照从小到大进行排序，其中表示Dv2中坐标(mj,nj)处像素的灰度值；保留L前一半的元素为新的集合并将集合L2按照pj从小到大进行排序；
(c)从L2中找到第个元素并将Dv中(ni,mi)处像素的灰度值设置为同时从集合O中剔除(ni,mi)；
步骤3.2：对图像Ds进行灰度值调整，首先计算Ds中阴影区域和非阴影区域的平均灰度比值，然后根据平均灰度比值对Ds中的阴影区进行灰度值调整，具体为：
步骤3.2.1：得到Ds中所有坐标(x,y)满足式(11)的像素的灰度值集合M2＝{pi|i＝0,1,…,Nm2-1}，其中Nm2表示集合M2中元素的个数；将集合M2按照pi从小到大进行排序，并根据式(21)计算M2对应的平均灰度值psb；
步骤3.2.2：得到Ds中所有坐标(x,y)满足式(22)的像素的灰度值集合M3＝{pi|i＝0,1,…,Nm3-1}，其中Nm3表示集合M3中元素的个数；将集合M3按照pi从小到大进行排序，并根据式(23)计算M3对应的平均灰度值psa；
步骤3.2.3：依次对Ds中坐标(x,y)满足式(17)的像素的灰度值根据式(24)进行调整；
步骤3.3：记车牌图像D的H通道图像为Dh，对Dh进行灰度值调整，首先计算Dh中阴影区域和非阴影区域的平均灰度比值，然后根据平均灰度比值对Dh中的阴影区进行灰度值调整，具体为：
步骤3.3.1：得到Dh中所有坐标(x,y)满足式(11)的像素的灰度值集合M4＝{pi|i＝0,1,…,Nm4-1}，其中Nm4表示集合M4中元素的个数；将集合M4按照pi从小到大进行排序，并根据式(25)计算M4对应的平均灰度值phb；
步骤3.3.2：得到Dh中所有坐标(x,y)满足式(22)的像素的灰度值集合M5＝{pi|i＝0,1,…,Nm5-1}，其中Nm5表示集合M5中元素的个数；将集合M5按照pi从小到大进行排序，并根据式(26)计算M5对应的平均灰度值pha；
步骤3.3.3：依次对Dh中坐标(x,y)满足式(17)的像素的灰度值根据式(27)进行调整；
步骤3.4：对调整后的图像Dh，Ds，Dv进行整合，得到去除阴影后的车牌彩图DR。
2.根据权利要求1所述的一种基于HSV的车牌阴影检测和去除方法，其特征在于步骤1)中的对获取的车牌阴影图像D进行图像预处理的具体过程如下：
步骤1.1：对图像D的S通道进行OTSU二值化和膨胀操作，得到二值化图D2；
步骤1.2：对图像D的V通道进行中值滤波操作，得到灰度图D3；
步骤1.3：根据公式(1)和(2)获得字符区域的灰度值集合E1和背景区域的灰度值集合E2，并利用OTSU计算E2的最佳阈值，设为thE2，然后根据公式(3)得到图像D3的二值化图像D4；
E1＝{PD3(x,y)|PD2(x,y)＝255,0≤x＜W,0≤y＜H} (1)
E2＝{PD3(x,y)|PD2(x,y)＝0,0≤x＜W,0≤y＜H} (2)
其中，表示图像D2中坐标(x,y)处的像素的灰度值，表示图像D3中坐标(x,y)处的像素的灰度值，表示图像D4中坐标(x,y)处的像素的灰度值；
步骤1.4：去除图像D4中轮廓面积小于A的小团块，得到用于阴影边缘检测的二值化图像Db，其中A表示预先设置的轮廓面积最小阈值。
CN201710309363.7A 2017-05-04 2017-05-04 一种基于hsv的车牌阴影检测和去除方法 Active CN107292898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710309363.7A CN107292898B (zh) 2017-05-04 2017-05-04 一种基于hsv的车牌阴影检测和去除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710309363.7A CN107292898B (zh) 2017-05-04 2017-05-04 一种基于hsv的车牌阴影检测和去除方法

Publications (2)

Publication Number Publication Date
CN107292898A CN107292898A (zh) 2017-10-24
CN107292898B true CN107292898B (zh) 2019-09-10

Family

ID=60094347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710309363.7A Active CN107292898B (zh) 2017-05-04 2017-05-04 一种基于hsv的车牌阴影检测和去除方法

Country Status (1)

Country Link
CN (1) CN107292898B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165643B (zh) * 2018-08-21 2021-11-16 浙江工业大学 一种基于深度学习的车牌识别方法
CN113487502B (zh) * 2021-06-30 2022-05-03 中南大学 一种坑洼图像的阴影去除方法
CN113689710B (zh) * 2021-09-01 2022-04-01 深圳市博思凯电子有限公司 一种用在智慧停车无人值守的边缘计算方法及系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789080B (zh) * 2010-01-21 2012-07-04 上海交通大学 车辆车牌实时定位字符分割的检测方法
CN102521587B (zh) * 2011-11-24 2014-06-04 华中科技大学 一种车牌定位方法
CN103268493A (zh) * 2013-05-29 2013-08-28 上海电机学院 Rgb格式的汽车牌照图像定位方法
CN103488978B (zh) * 2013-09-26 2017-08-01 浙江工业大学 一种基于灰度跳变和字符投影间隔模式的车牌定位方法
CN103632351B (zh) * 2013-12-16 2017-01-11 武汉大学 一种基于亮度基准漂移的全天候交通图像增强方法
CN104036262B (zh) * 2014-06-30 2017-09-19 南京富士通南大软件技术有限公司 一种lpr车牌筛选识别的方法和系统
CN104134079B (zh) * 2014-07-31 2017-06-16 中国科学院自动化研究所 一种基于极值区域和极限学习机的车牌识别方法
CN105117726B (zh) * 2015-08-07 2018-10-09 南京富士通南大软件技术有限公司 基于多特征区域累积的车牌定位方法
CN105488797A (zh) * 2015-11-25 2016-04-13 安徽创世科技有限公司 一种hsv空间的车牌定位方法
CN105913058B (zh) * 2016-04-05 2019-06-21 浙江工业大学 一种多车牌定位方法
CN106203433A (zh) * 2016-07-13 2016-12-07 西安电子科技大学 一种车辆监控图像中车牌位置自动提取并透视校正的方法
CN106529533A (zh) * 2016-11-07 2017-03-22 湖南源信光电科技有限公司 一种基于多尺度分析和匹配排序的复杂天气车牌定位方法

Also Published As

Publication number Publication date
CN107292898A (zh) 2017-10-24

Similar Documents

Publication Publication Date Title
CN103971126B (zh) 一种交通标志识别方法和装置
CN109086687A (zh) 基于pca降维的hog-mblbp融合特征的交通标志识别方法
Tan et al. Color image segmentation using adaptive unsupervised clustering approach
CN102043950B (zh) 基于canny算子和边缘点统计的车辆轮廓识别方法
CN106651872A (zh) 基于Prewitt算子的路面裂缝识别方法及系统
CN108564030A (zh) 面向车载热成像行人检测的分类器训练方法和装置
CN108491788A (zh) 一种用于财务报表单元格的智能提取方法及装置
CN106934386B (zh) 一种基于自启发式策略的自然场景文字检测方法及系统
CN105447503B (zh) 基于稀疏表示lbp和hog融合的行人检测方法
CN107292898B (zh) 一种基于hsv的车牌阴影检测和去除方法
CN109269951A (zh) 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法
CN107392968B (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
CN108319973A (zh) 一种树上柑橘果实检测方法
CN102568007A (zh) 利用改进霍夫变换进行类圆形检测的图像处理方法
CN106529532A (zh) 一种基于积分特征通道与灰度投影的车牌识别系统
CN107705288A (zh) 伪目标运动强干扰下的危险气体泄漏红外视频检测方法
CN107423735B (zh) 一种利用水平梯度和饱和度的车牌定位方法
CN103914708A (zh) 基于机器视觉的食品品种检测方法及系统
CN105976407B (zh) 一种适用于遮挡条件下的餐盘形状识别方法
CN109886267A (zh) 一种基于最优特征选择的低对比度图像显著性检测方法
CN105069816B (zh) 一种进出口人流量统计的方法及系统
CN106503748A (zh) 一种基于s‑sift特征和svm训练器的车型识别算法
CN109089992A (zh) 一种基于机器视觉的鱼类新鲜度的分类方法及系统
CN104050684A (zh) 一种基于在线训练的视频运动目标分类方法与系统
CN107154044A (zh) 一种中餐食物图像的分割方法

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