CN107423735B - 一种利用水平梯度和饱和度的车牌定位方法 - Google Patents
一种利用水平梯度和饱和度的车牌定位方法 Download PDFInfo
- Publication number
- CN107423735B CN107423735B CN201710225110.1A CN201710225110A CN107423735B CN 107423735 B CN107423735 B CN 107423735B CN 201710225110 A CN201710225110 A CN 201710225110A CN 107423735 B CN107423735 B CN 107423735B
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- positioning
- saturation
- region
- 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
Images
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
- G06V10/25—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
- 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
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Abstract
本发明公开一种利用水平梯度和饱和度的车牌定位方法,本发明涉及车牌定位技术领域,现有技术在图像具有复杂背景情况下,车牌定位准确度往往不高。本发明主要步骤包括首先分别利用水平梯度特征和图像饱和度特征进行粗定位,合并两组粗定位车牌候选区域;然后对每个粗定位车牌候选区域进行精确定位;最后对精确定位得到的几个车牌候选区域进行去除伪车牌操作,得到真正的车牌区域。本发明方法由于结合了梯度特征和饱和度特征进行车牌定位的优点,可以有效避免使用单一特征所引起的漏定位、错误定位,同时粗定位与精确定位相结合,可有效减少车牌定位误差;本发明方法对具有不同复杂背景的图像都能够快速定位车牌,定位准确度高。
Description
技术领域
本发明涉及车牌定位技术领域,具体涉及一种利用水平梯度和饱和度的车牌定位方法。
背景技术
车牌定位是指依据车牌特征来确定出图像中车牌所在的位置,定位结果的好坏将直接影响后续的字符分割与识别结果。作为整个系统中的核心步骤,国内外很多研究人员对车牌定位方法进行了深入研究,并提出了较多的定位方法。方法各有优缺点,总体来说,这些方法主要依据车牌自身的一些特殊特征(如:灰度纹理特征、几何形状特征等)来进行定位。常用的定位方法有下述几类:
(1)基于纹理特征的车牌定位算法
车牌区域具有一些特定的水平和垂直纹理特征(车牌字符具有一定的排列规律且与背景有着较突出的灰度跳变),此类算法就是根据这些特殊的特征来找出车牌区域,然后再利用一些先验知识来准确定位出车牌的位置,此算法抗干扰能力较弱,对噪声敏感,当车牌图像受到污染时,将影响定位的准确度;
(2)基于边缘检测的车牌定位算法
主要利用车牌区域灰度跳变剧烈、字符具有丰富的边缘信息等来对车牌区域进行定位,此算法处理速度较快、较精确,而我国的车牌种类较多,当背景环境较复杂、图像中存在与车牌特征相似的非车牌区域时,仅根据车牌边缘信息将会降低定位的准确度;
(3)基于颜色特征的车牌定位算法
主要是利用车牌所特有的颜色特征,先在图像中搜索出与车牌底色相近的颜色位置,再通过车牌的一些其他特征来进一步筛选出车牌所在的准确位置,此方法定位准确度较高,但当车牌背景颜色与车身颜色较相近的时候,定位准确度有所降低,因此适合结合其它的方法来相互取长补短;
(4)基于神经网络的车牌定位算法
首先利用车牌的一些先验知识特征如:车牌长宽比、面积与周长比等,来筛选出满足条件的区域;然后通过训练大量的车牌图像,得到恰当的网络结构;最后根据网络结构来定位新图像中的车牌区域,此算法对背景复杂的图像定位车牌比较准确,但存在网络局部收敛且需要进行大量的训练,运算要求高、较耗时,不容易满足应用的实时性需要;
(5)基于数学形态学的车牌定位算法
主要根据车牌固定的宽高比与其它的一些特征相来定位车牌,首先根据阈值对图像进行分割处理;然后采用多种形态学方法对其进行处理,并得到连通的区域;再根据车牌的一些先验特征来剖析图像结构,去除那些无关的结构信息得到车牌区域,此算法对于某些特定的图像(结构信息比较简单)定位效果较好,当图像信息复杂时,会定位出大量的伪车牌区域,导致定位准确率下降;
综上不同的定位算法:不同的定位算法适用于不同的环境条件,要根据实际情况和算法的优势来灵活的选择、运用,目前,针对复杂的背景与环境,如何快速、准确的定位出车牌,仍没有一个统一、有效的算法。
由于图像本身噪声或畸变以及其他类似车牌图像形成与真车牌一致的峰谷跳变波形变化,造成二值图像的判断阈值失效,仅仅使用跳变个数直接设置阈值导致整体识别系统过于粗糙而不能滤除伪车牌和噪声,进而导致很难实现高精确的车牌图像定位。
本发明提出了一种利用水平梯度和饱和度的车牌定位方法,该方法不同于大多数定位算法的是:它不仅可以有效避免复杂背景的影响,将有效的车牌区域包含到候选区域中,有效避免使用单一特征所引起的漏定位、错误定位问题,而且综合特征定位方法比单一特征定位更符合人的视觉要求。此方法主要分为4个步骤:基于水平梯度特征的粗定位、基于饱和度特征的粗定位、精确定位以及去除伪车牌。本发明方法具体流程如图1所示。
发明内容
针对上述现有技术,本发明目的在于提供一种利用水平梯度和饱和度的车牌定位方法,解决现有技术在复杂情况下由于缺乏基于饱和度的补偿粗定位以及由于无法滤除垂直投影值序列中噪声的垂直投影值或类似车牌图像的垂直投影值而导致的定位精确度低等技术问题。
为达到上述目的,本发明采用的技术方案如下:
一种利用水平梯度和饱和度的车牌定位方法,包括以下步骤:
步骤1、获取原始图像的灰度图像,对灰度图像的水平梯度图像进行二值化,获得水平梯度二值图像并扫描水平梯度二值图像,标记出满足车牌纹理特征的特征线段,根据特征线段的排列和数目特征搜索出连通区域,将满足条件的连通区域作为第一组粗定位车牌候选区域;
步骤2、获取原始图像的饱和度图像,对饱和度图像进行二值化,获得饱和度二值图像并扫描饱和度二值图像,标记出满足车牌饱和度特征的特征线段,根据特征线段的排列和数目搜索出连通区域,将满足条件的连通区域作为第二组粗定位车牌候选区域;
步骤3、合并第一组粗定位车牌候选区域和第二组粗定位车牌候选区域,获得最终的粗定位车牌候选区域;
步骤4、对每个粗定位车牌候选区域,首先利用当前粗定位车牌候选区域的饱和度图像的水平投影值确定出当前粗定位车牌候选区域的精确上下边界,然后对当前粗定位车牌候选区域的灰度图像作垂直边缘检测,获得垂直边缘图,接着利用垂直边缘图的垂直投影值确定出车牌候选区域的精确左右边界,更新粗定位车牌候选区域的上下左右边界,获得精确定位的车牌候选区域;
步骤5、获取每个车牌候选区域的二值图像的垂直投影值序列,利用垂直投影值序列中垂直投影值大小构建出车牌候选区域二值图像的参考分割线,相对参考分割线找出垂直投影值序列符合真实车牌垂直投影值跳变规律的车牌候选区域,作为最终车牌区域。
上述方法中,所述的步骤1或步骤2,其中扫描、标记和搜索操作包括以下步骤:
(1)对于水平梯度图像或饱和度图像的第i行像素,设置筛选条件为牌照线段两端像素点的灰度值为255、牌照线段内像素点的灰度值连续为0的个数n0<20、牌照线段内像素点的灰度值为255的个数n1>7和牌照线段端点s和e满足e-s>50,其中,s和e表示第i行像素中的牌照线段L(i,s,e)两端像素的列坐标,根据筛选条件,对水平梯度二值图像或饱和度二值图像进行逐行扫描,找出并标记所有同时满足筛选条件的牌照线段L(i,s,e);
(2)利用标记的牌照线段L(i,s,e),更新水平梯度二值图像或饱和度二值图像中对应像素点(x,y)位置的值;
(3)搜索出更新后的水平梯度二值图像或饱和度二值图像中像素点和其邻域内值为255的像素点集合作为连通区域,得到每个连通区域的上、下、左、右边界,将连通区域的宽高比在[2.5,5.5]范围内的作为车牌候选区域。
上述方法中,所述的步骤4,包括以下步骤:
步骤4.1.1、由饱和度图像计算出每个粗定位车牌候选区域水平投影值;
步骤4.1.2、确定出水平投影值的最大值,由其最大值构建第一筛选阈值,搜索出水平投影值中满足第一筛选阈值的所有值,获得车牌候选区域的上下边界;
步骤4.2.1、利用Sobe l垂直算子与灰度图像进行卷积运算,获得边缘特征图像,由边缘特征图像计算出对应每个粗定位车牌候选区域垂直投影值;
步骤4.2.2、确定出垂直投影值的最大值,由其最大值构建第二筛选阈值,搜索出垂直投影值中满足第二筛选阈值的所有值,获得车牌候选区域的左右边界;
步骤4.3、更新粗定位车牌候选区域的上下左右边界,获得精确定位的车牌候选区域。
上述方法中,所述的步骤5,包括以下步骤:
步骤5.1、采用最大类间方差法对车牌候选区域进行二值化处理,得到车牌候选区域的二值图像;
步骤5.2、计算出二值图像的垂直投影值序列,利用垂直投影值序列中垂直投影值的最小值构建分段阈值,在分段阈值的条件下建立关于车牌候选区域高度的参考分割线函数,再根据参考分割线函数,在垂直投影值序列中画出参考分割线;
步骤5.3、相对参考分割线找出垂直投影值序列中波谷数为[5,7]范围的车牌候选区域,作为车牌区域。
上述方法中,还包括
若车牌区域数量大于等于2,则选取在灰度图像中高度相对低的车牌区域作为最终确定的真实车牌区域。
与现有技术相比,本发明的有益效果:
本发明方法由于结合了梯度特征和饱和度颜色特征进行车牌定位的优点,可以有效避免使用单一特征所引起的漏定位、错误定位,最大限度的将有效车牌区域包含到车牌候选区域中,实现了补偿性的车牌区域粗定位。同时粗定位和精确定位相结合,使减少了定位误差;
本发明方法对具有不同复杂背景的图像都能够快速精确定位车牌,定位准确度高;
本发明建立了二值图像的参考分割线,可以提供明确的相对识别参考位置,显著并实质地实现了真实车牌的垂直投影值与噪声垂直投影值、类似车牌图像的垂直投影值的明确区分;
本发明通过在二值图像中构建二值序列的参考分割线,滤除由于模糊车牌图像的噪声或畸变所形成的峰谷跳变点以及滤除其他类似车牌图像所形成的峰谷跳变点,通过保证所采集跳变信息的准确性显著并实质地解决了跳变判断阈值失效的问题并提高了识别精确度。
附图说明
图1为本发明的定位方法流程图;
图2为本发明的(a)(b)(c)(d)四幅灰度图像;
图3为本发明的(a)(b)(c)(d)四幅水平梯度二值图像;
图4为本发明的(a)(b)(c)(d)四幅图像中找出满足条件的牌照线段示意图;
图5为本发明的(a)(b)(c)(d)四幅基于梯度特征粗定位结果示意图;
图6为本发明的(a)(b)(c)(d)四幅饱和度二值图像;
图7为本发明的(a)(b)(c)(d)四幅基于饱和度特征的粗定位结果示意图;
图8为本发明的(a)(b)(c)(d)四幅基于精确定位结果灰度图像;
图9为本发明的候选车牌区域的纹理特征示意图,其中,(a)候选区域图像,(b)候选区域二值图像,(c)二值图像的垂直投影图;
图10为本发明的垂直投影图像的分割线示意图;
图11为本发明实施例的有非车牌字符干扰的定位结果示意图,其中,(a)梯度特征粗定位结果,(b)饱和度特征粗定位结果,(c)精确定位结果,(d)去除伪车牌区域;
图12为本发明实施例的倾斜车牌的定位结果示意图,其中,(a)梯度特征粗定位结果,(b)饱和度特征粗定位结果,(c)精确定位结果,(d)去除伪车牌区域;
图13为本发明实施例的存在2个车牌的定位结果示意图,其中,(a)梯度特征粗定位结果,(b)饱和度特征粗定位结果,(c)精确定位结果,(d)去除伪车牌区域;
图14为本发明实施例的有灯光影响的定位结果示意图,其中,(a)梯度特征粗定位结果,(b)饱和度特征粗定位结果,(c)精确定位结果,(d)去除伪车牌区域;
图15为本发明实施例的图像模糊且有格栅影响的定位结果示意图,其中,(a)梯度特征粗定位结果,(b)饱和度特征粗定位结果,(c)精确定位结果,(d)去除伪车牌区域;
图16为本发明实施例的车牌颜色与车身颜色相似的定位结果示意图,其中,(a)梯度特征粗定位结果,(b)饱和度特征粗定位结果,(c)精确定位结果,(d)去除伪车牌区域。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合附图对本发明做进一步说明:
实施例1
一、基于水平梯度特征的粗定位
我国的车牌主要由7个字符组成,且水平有规律的排列成一行。因此车牌区域的水平梯度特征就会与其他非车牌区域呈现出不一样的变化规律。基于水平梯度特征的粗定位就是利用车牌区域特殊的水平梯度特征,采用扫描法在图像中找出水平梯度特征与车牌区域相似的区域。具体步骤如下:
步骤1:图像灰度化。本发明采用“加权平均法”将采集到的彩色图像转化成灰度图,公式如下:
I(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y) (1)
其中,R(x,y)、G(x,y)、B(x,y)分别表示彩色图像中像素点(x,y)的红、绿、蓝三个分量的值,I(x,y)表示像素点对应的灰度值。得到的灰度图像如图2所示。
步骤2:计算水平梯度图像。灰度图像的水平梯度图像上非车牌区域与车牌区域具有不同的变化特征,能把车牌区域凸显出来。采用公式(2)来计算灰度图像的水平梯度图像:
H(x,y)=|I(x,y+1)-I(x,y)| (2)
步骤3:二值化水平梯度图像。为了进一步凸显车牌区域,方便扫描车牌区域,采用公式(3)来二值化水平梯度图像:
其中,T1表示阈值,本发明采用如下方法来选取阈值:将水平梯度图像H中所有像素点按其灰度值从大到小排列,取排在最前的5%像素点中的最小灰度值作为阈值T1的值。得到的水平梯度二值图像如图3所示。
步骤4:根据水平梯度特征定位车牌区域。
(1)逐行扫描水平梯度二值图像,对于第i行像素,找出所有同时满足以下条件的牌照线段L(i,s,e):
(a)线段两端像素点的灰度值为255;
(b)线段内像素点的灰度值连续为0的个数n0<20;
(c)线段内像素点的灰度值为255的个数n1>7;
(d)线段端点s和e满足e-s>50。
其中,s和e表示第i行像素中的牌照线段L(i,s,e)两端像素的列坐标。
(2)设牌照线段集合S,为对于每条的牌照线段L(i,s,e)∈S,采用以下公式修改图像HB中对应位置的值。得到的车牌线段图如图4所示。
(3)采用4邻域判别法,搜索水平梯度二值图像HB中像素值为255的连通区域,得到每个连通区域的上、下、左、右边界。将连通区域的宽高比在[2.5,5.5]之间的作为第一组粗定位车牌候选区域。得到基于水平梯度特征的粗定位车牌位置如图5所示。
二、基于饱和度特征的粗定位
一般情况下,根据水平梯度特征就能将有效的车牌区域包含到候选区域中,但对那些背景复杂的图像进行定位时,车牌区域的水平梯度特征不明显,容易将有效的车牌区域漏掉或者错误定位。为了弥补这一不足,本发明同时另外单独利用饱和度特征来粗定位车牌候选区域。具体步骤如下:
步骤1:计算饱和度图像。根据公式(5)将RGB图像转换成饱和度图像S:
其中,
M(x,y)=max(R(x,y),G(x,y),B(x,y)),
N(x,y)=min(R(x,y),G(x,y),B(x,y))。
步骤2:二值化饱和度图像。
(1)统计出饱和度图像S的灰度直方图,并采用公式(6)计算阈值T2。
T2=(A+B-1)/2 (6)
其中,A为直方图中像素点数最多的灰度级;将灰度级由小到大进行排序,B为第1个像素点数为0的灰度级。
(2)根据以上得到的阈值,采用公式(7)计算二值化饱和度图像SB。得到的饱和度二值图像如图6所示。
步骤3:根据饱和度特征粗定位车牌候选区域。逐行扫描饱和度二值图像SB,找出满足车牌区域特征的线段,并标示出,然后采用4邻域搜索法连通区域,找出满足车牌长宽比条件的区域作为第二组粗定位车牌候选区域。此处采用的方法和步骤与前面基于水平梯度特征粗定位中的步骤4完全一样,将不再作详细说明。得到的基于饱和度特征的粗定位车牌候选区域位置如图7所示。
三、合并粗定位车牌候选区域
在大多数情况下,基于水平梯度特征的粗定位方法和基于饱和度特征的粗定位方法都能从汽车图像中将车牌有效区域定位出来,包含到车牌候选区域中。但是,汽车图像在极少特殊背景环境下,基于水平梯度特征的粗定位方法不能从图像中将有效车牌区域定位出来,包含到车牌候选区域中。对于这些极少的特殊汽车图像,基于饱和度特征的粗定位方法却能将有效车牌区域定位出来包含到车牌候选区域中。因此基于饱和度特征的粗定位方法是对基于水平梯度特征的粗定位方法的有效补充,如果将两种粗定位方法得到的车牌候选区域进行合并,可以最大限度的将有效车牌区域包含到车牌候选区域中。设基于水平梯度特征的第一组粗定位车牌候选区域集合为A,基于饱和度的第二组粗定位车牌候选区域集合为B,将两集合合并成最终的车牌候选区域集合C,具体合并步骤如下:
步骤1:设置集合C包含A的所有车牌候选区域;
步骤2:从B中选择一个车牌候选区域Bi,i=1,2,…n,n为B中车牌候选区域个数;
步骤3:判断Bi是否与A中的车牌候选区域有重叠,如果有重叠,则抛弃Bi,否则将Bi添加到C中。
步骤4:转到步骤2,直到B中所有n个车牌候选区域都判断完毕。
四、精确定位
通过粗定位得到的车牌候选区域边界往往不够精确,本发明对粗定位结果再次进行精确定位,以找到车牌候选区域精确的上下边界和左右边界,具体步骤如下:
步骤1:精确定位车牌区域的上下边界。
(1)根据公式(8)计算出饱和度图像S中每个车牌候选区域的水平投影值PH。
其中,t、b、l、r分别为车牌候选区域的上、下、左、右边界值。
其中,取a1=0.6。
(3)依次搜索PH找出第一个值为1的元素PH(i1)和最后一个值为1的元素PH(i2),更新车牌区域的上下边界值为:tnew=i1+t,bnew=i2+t。
步骤2:精确定位车牌区域的左右边界。
(2)采用以下公式来计算图像E中每个车牌候选区域的垂直投影值PV。
其中,t、b、l、r分别为区域的上、下、左、右边界值。
其中,取a2=0.5。
(4)依次搜索PV找出第一个值为1的元素PV(i3)和最后一个值为1的元素PV(i4),更新车牌区域的左右边界值为:lnew=i3+l,rnew=i4+l。
精确定位结果如图8所示,可以看出车牌区域上、下、左、右边界更加精确。
五、去除伪车牌
若图像中存在多个汽车车牌或存在一些非车牌字符的干扰,往往会误定位出多个车牌候选区域。若一张图片中只选取一张车牌区域,因此就需要从车牌候选区域中找出并去除那些伪车牌,确定出真正需要的车牌区域。
我国车牌字符具有如下排列特点:7个字符水平、等间隔分布;字符的垂直投影呈现出“峰-谷-峰”跳变规律。本发明通过“水平线分割”法计算出的波谷数目来辨别真伪车牌区域,具体步骤如下:
步骤1:采用Otsu方法(最大类间方差法),对车牌候选区域进行二值化处理,得到二值图像BP;
步骤2:通过公式(12)来计算车牌候选区域的二值化图像BP的垂直投影值VP。
其中,W、H为图像BP的宽度、高度。
步骤3:确定分割线。
其中,H表示候选区域图像的高度。
(2)根据公式(14)在垂直投影图像中画出分割线。
VP(H-h+1,j)=1,j=1,2,...,W (14)
步骤4:确定波谷个数。分割线被垂直投影所分割的线段数即为所求波谷个数。理想的车牌波谷个数为6,本发明将波谷个数满足[5,7]的视为真车牌区域。若判断后仍存在多个满足条件的真车牌区域时,则选取位置在图像最下面的车牌候选区域,即选取离视点最近的作为真车牌区域。
实施例1结果与分析
为了验证本发明提出的车牌定位方法,采集了2000张分辨率为320×240,具有不同复杂背景、不同车牌颜色的车辆图像进行实验。实验硬件环境为CPU主频2.67GHz,内存大小2.00GB,软件环境为win7操作系统,VC++6.0编程软件。实验表明平均定位车牌的时间少于0.02秒,定位准确率为99.6%。
不同复杂背景下的车牌定位如图11-图16所示,在图11-图16中,(a)是基于水平梯度特征粗定位车牌候选区域;(b是基于包含度特征粗定位车牌候选区域;(c是合并后并且精确定位后的车牌区域;(d)是最终定位的车牌区域。图11是存在与车牌类似的非车牌字符干扰的定位情况;图12是倾斜车牌的定位情况;图13是存在2个车牌的定位情况;图14是有灯光影响的定位情况;图15是图像模糊并且有车格栅影响的定位情况;图16车牌颜色与车身颜色相似的定位结果。可以看出在不同复杂背景下,本发明提出的方法都能够准确定位车牌区域。另外还可以看出:在图11-图16中,无论是梯度特征还是饱和度特征都能够成功粗定位车牌区域;然而在图14-图16中,只有其中一种特征能够成功粗定位车牌区域。因此,本发明方法充分利用了两种特征的优势,有效提高了车牌定位的准确度。
表1 本发明方法定位结果
表2 不同方法定位结果
由表1可以看出:采用本发明车牌定位方法对不同复杂背景的车牌图像均具有较高的、稳定的定位精度,且平均定位准确率达到99.6%。
为了进一步验证本发明方法较高的定位准确率和稳定性,在同样的实验硬件环境下,采用不同的方法对车牌图像进行实验对比(如表2所示)。从实验结果可以看出,本发明提出的基于水平梯度特征和饱和度特征,粗细定位相结合的车牌定位方法准确率高,且具有很强的稳定性和鲁棒性。
针对复杂背景下车牌定位研究中的难点,本发明提出一种利用水平梯度特征和饱和度的车牌定位方法。通过实验证明:该方法能够在从具有复杂背景的图像中准确定位车牌,找出车牌的精确区域,为后续的字符分割和识别创造了良好的条件。方法不仅定位准确度高,而且速度快,同时对模糊图像、有灯光影响的图像、车牌倾斜的图像、有与车牌字符类似的非车牌字符影响的图像都有较高定位准确度。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种利用水平梯度和饱和度的车牌定位方法,其特征在于,包括以下步骤:
步骤1、获取原始图像的灰度图像,对灰度图像的水平梯度图像进行二值化,获得水平梯度二值图像并扫描水平梯度二值图像,标记出满足车牌纹理特征的特征线段,根据特征线段的排列和数目特征搜索出连通区域,将满足条件的连通区域作为第一组粗定位车牌候选区域;
步骤2、获取原始图像的饱和度图像,对饱和度图像进行二值化,获得饱和度二值图像并扫描饱和度二值图像,标记出满足车牌饱和度特征的特征线段,根据特征线段的排列和数目搜索出连通区域,将满足条件的连通区域作为第二组粗定位车牌候选区域;
步骤3、合并第一组粗定位车牌候选区域和第二组粗定位车牌候选区域,获得最终的粗定位车牌候选区域;
步骤4、对每个粗定位车牌候选区域,首先利用当前粗定位车牌候选区域的饱和度图像的水平投影值确定出当前粗定位车牌候选区域的精确上下边界,然后对当前粗定位车牌候选区域的灰度图像作垂直边缘检测,获得垂直边缘图,接着利用垂直边缘图的垂直投影值确定出车牌候选区域的精确左右边界,更新粗定位车牌候选区域的上下左右边界,获得精确定位的车牌候选区域;
步骤5、获取每个车牌候选区域的二值图像的垂直投影值序列,利用垂直投影值序列中垂直投影值大小构建出车牌候选区域二值图像的参考分割线,相对参考分割线找出垂直投影值序列符合真实车牌垂直投影值跳变规律的车牌候选区域,作为最终的车牌区域。
2.根据权利要求1所述的一种利用水平梯度和饱和度的车牌定位方法,其特征在于,所述的步骤1或步骤2,其中扫描、标记和搜索操作包括以下步骤:
(1)对于水平梯度图像或饱和度图像的第i行像素,设置筛选条件为牌照线段两端像素点的灰度值为255、牌照线段内像素点的灰度值连续为0的个数n0<20、牌照线段内像素点的灰度值为255的个数n1>7和牌照线段端点s和e满足e-s>50,其中,s和e表示第i行像素中的牌照线段L(i,s,e)两端像素的列坐标,根据筛选条件,对水平梯度二值图像或饱和度二值图像进行逐行扫描,找出并标记所有同时满足筛选条件的牌照线段L(i,s,e);
(2)利用标记的牌照线段L(i,s,e),更新水平梯度二值图像或饱和度二值图像中对应像素点(x,y)位置的值;
(3)搜索出更新后的水平梯度二值图像或饱和度二值图像中像素点和其邻域内值为255的像素点集合作为连通区域,得到每个连通区域的上、下、左、右边界,将连通区域的宽高比在[2.5,5.5]范围内的作为车牌候选区域。
3.根据权利要求1所述的一种利用水平梯度和饱和度的车牌定位方法,其特征在于,所述的步骤4,包括以下步骤:
步骤4.1.1、由饱和度图像计算出每个粗定位车牌候选区域水平投影值;
步骤4.1.2、确定出水平投影值的最大值,由其最大值构建第一筛选阈值,搜索出水平投影值中满足第一筛选阈值的所有值,获得车牌候选区域的上下边界;
步骤4.2.1、利用Sobel垂直算子与灰度图像进行卷积运算,获得边缘特征图像,由边缘特征图像计算出对应每个粗定位车牌候选区域垂直投影值;
步骤4.2.2、确定出垂直投影值的最大值,由其最大值构建第二筛选阈值,搜索出垂直投影值中满足第二筛选阈值的所有值,获得车牌候选区域的左右边界;
步骤4.3、更新粗定位车牌候选区域的上下左右边界,获得精确定位的车牌候选区域。
4.根据权利要求1所述的一种利用水平梯度和饱和度的车牌定位方法,其特征在于,所述的步骤5,包括以下步骤:
步骤5.1、采用最大类间差法对车牌候选区域进行二值化处理,得到车牌候选区域的二值图像;
步骤5.2、计算出二值图像的垂直投影值序列,利用垂直投影值序列中垂直投影值的最小值构建分段阈值,在分段阈值的条件下建立关于车牌候选区域高度的参考分割线函数,再根据参考分割线函数,在垂直投影值序列中画出参考分割线;
步骤5.3、相对参考分割线找出垂直投影值序列中波谷数为[5,7]范围的车牌候选区域,作为车牌区域。
5.根据权利要求1或4所述的一种利用水平梯度和饱和度的车牌定位方法,其特征在于,还包括
若车牌区域数量大于等于2,则选取在灰度图像中高度相对低的车牌区域作为最终确定的真实车牌区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710225110.1A CN107423735B (zh) | 2017-04-07 | 2017-04-07 | 一种利用水平梯度和饱和度的车牌定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710225110.1A CN107423735B (zh) | 2017-04-07 | 2017-04-07 | 一种利用水平梯度和饱和度的车牌定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423735A CN107423735A (zh) | 2017-12-01 |
CN107423735B true CN107423735B (zh) | 2020-11-06 |
Family
ID=60423541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710225110.1A Active CN107423735B (zh) | 2017-04-07 | 2017-04-07 | 一种利用水平梯度和饱和度的车牌定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423735B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135225B (zh) * | 2018-02-09 | 2021-04-09 | 北京世纪好未来教育科技有限公司 | 样本标注方法及计算机存储介质 |
CN110689016B (zh) * | 2018-07-05 | 2023-04-18 | 山东华软金盾软件股份有限公司 | 一种车牌图像粗定位方法 |
CN108960244B (zh) * | 2018-07-10 | 2023-06-20 | 北京智芯原动科技有限公司 | 一种车牌的字符投影分割方法及装置 |
CN112686246B (zh) * | 2019-10-18 | 2024-01-02 | 深圳市优必选科技股份有限公司 | 一种车牌字符分割方法、装置、存储介质及终端设备 |
CN111709932B (zh) * | 2020-06-17 | 2023-04-07 | 广州麦仑信息科技有限公司 | 一种由粗到精的纸病检测方法 |
CN115564837B (zh) * | 2022-11-17 | 2023-04-18 | 歌尔股份有限公司 | 一种视觉定位方法、装置和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364496A (zh) * | 2011-11-24 | 2012-02-29 | 无锡慧眼电子科技有限公司 | 一种基于图像分析的汽车车牌自动识别方法及系统 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI409718B (zh) * | 2009-12-04 | 2013-09-21 | Huper Lab Co Ltd | 移動中車輛之車牌定位方法 |
-
2017
- 2017-04-07 CN CN201710225110.1A patent/CN107423735B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364496A (zh) * | 2011-11-24 | 2012-02-29 | 无锡慧眼电子科技有限公司 | 一种基于图像分析的汽车车牌自动识别方法及系统 |
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 |
Non-Patent Citations (2)
Title |
---|
一种基于SVM的真伪车牌分类算法;焦伟超等;《西华师范大学学报(自然科学版)》;20160630;第37卷(第2期);第233-236+242页 * |
复杂场景下车牌识别方法研究;李松柏;《中国优秀硕士学位论文全文数据库信息科技辑》;20170315(第03期);第13-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107423735A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423735B (zh) | 一种利用水平梯度和饱和度的车牌定位方法 | |
CN108364010B (zh) | 一种车牌识别方法、装置、设备及计算机可读存储介质 | |
CN109784344B (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN105373794B (zh) | 一种车牌识别方法 | |
CN106875546B (zh) | 一种增值税发票的识别方法 | |
CN110119741B (zh) | 一种有背景的卡证图像信息识别方法 | |
CN107273896A (zh) | 一种基于图像识别的车牌检测识别方法 | |
CN103310211B (zh) | 一种基于图像处理的填注标记识别方法 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
CN101122953A (zh) | 一种图片文字分割的方法 | |
CN108985305B (zh) | 一种激光蚀刻工业雷管编码图像定位及校正方法 | |
KR20130105952A (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN106599896A (zh) | 一种字符分割方法和装置、及元件检测方法和装置 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN105809166A (zh) | 车牌识别方法、装置及系统 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN110415296B (zh) | 一种有阴影光照下矩形状电器件的定位方法 | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN109190625A (zh) | 一种大角度透视变形的集装箱箱号识别方法 | |
CN110348501A (zh) | 一种实现停车场车牌相似度匹配方法 | |
CN111598104B (zh) | 一种车牌字符识别方法及其系统 | |
CN110046618B (zh) | 基于机器学习和最大极值稳定区域的车牌识别方法 | |
Lu | A lane detection, tracking and recognition system for smart vehicles |
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 |