CN108038430A - 一种车牌定位方法和装置 - Google Patents

一种车牌定位方法和装置 Download PDF

Info

Publication number
CN108038430A
CN108038430A CN201711243427.4A CN201711243427A CN108038430A CN 108038430 A CN108038430 A CN 108038430A CN 201711243427 A CN201711243427 A CN 201711243427A CN 108038430 A CN108038430 A CN 108038430A
Authority
CN
China
Prior art keywords
probability
sample
sample states
proposal
license plate
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.)
Pending
Application number
CN201711243427.4A
Other languages
English (en)
Inventor
宋景选
曹黎俊
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.)
Beijing Hua Dao Xing Technology Co Ltd
Original Assignee
Beijing Hua Dao Xing Technology Co Ltd
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 Beijing Hua Dao Xing Technology Co Ltd filed Critical Beijing Hua Dao Xing Technology Co Ltd
Priority to CN201711243427.4A priority Critical patent/CN108038430A/zh
Publication of CN108038430A publication Critical patent/CN108038430A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车牌定位方法和装置。所述方法包括：预检测，确定候选车牌区域；在候选车牌区域内，选取提议分布对应的提议采样状态；根据提议采样状态对应的采样区域的颜色特征、形状特征、字符特征，计算提议采样状态的车牌特征概率；根据得到的车牌特征概率，确定是否将提议采样状态加入采样状态集合；返回重复执行在候选车牌区域内选取提议分布对应的提议采样状态的步骤，获取采样状态集合；确定采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌位置区域。该方法能够将车牌区域用图像表观特征的最大后验概率表示，配合提议概率分布函数的设计，并采用马尔科夫蒙特卡洛法，使得计算过程快速有效，达到精确定位的目的。

Description

一种车牌定位方法和装置
技术领域
本发明涉及智能交通领域，特别涉及一种车牌定位方法和装置。
背景技术
近年来，随着计算机及互联网技术的飞速发展，各种机动车数量的迅猛增长，各类信息包括与交通相关的信息呈现爆炸式增长的态势。为了能够更加安全、高效的管理这些信息，智能交通系统(Intelligence Transportation System)应运而生。智能交通系统是将先进的信息技术、计算机技术、数据通信技术、电子控制技术、人工智能技术等有效的集成并应用于地面交通系统，从而建立起可以在大范围内发挥作用的，实时、准确、高效的地面交通系统。智能交通系统在交通管理、旅行者信息、公交运行、车辆监控以及电子收费系统发挥巨大的作用。
车牌作为车辆的身份证，在智能交通系统中发挥着巨大的作用。车牌识别系统包括车牌定位、车牌字符分割和车牌字符识别三大部分，车牌定位作为车牌识别系统的第一步，对字符分割及识别有重大的影响，准确的定位能提高字符分割及识别的正确率。
现有技术中还没有可以精确的车牌定位的实现方案，因此，如何精准的使车牌定位成为了亟待解决的技术问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种车牌定位方法和装置。
第一方面，本发明实施例提供一种车牌定位方法，包括：
对获取的原图像进行预检测，确定候选车牌区域；
在候选车牌区域内，选取提议分布对应的提议采样状态，所述提议分布表示所述提议采样状态的矩形对角存在车牌的概率；
根据所述提议采样状态对应的采样区域的颜色特征、形状特征、字符特征，计算所述提议采样状态的车牌特征概率；
根据得到的车牌特征概率，确定是否将所述提议采样状态加入采样状态集合；
返回重复执行在候选车牌区域内选取提议分布对应的提议采样状态的步骤，直至获取包含指定数量的提议采样状态的采样状态集合；
确定采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌位置区域。
在一些可选的实施例中，所述根据所述提议采样状态对应的采样区域的颜色特征、形状特征、字符特征，计算所述提议采样状态的车牌特征概率，包括：
计算所述提议采样状态对应的采样区域的像素颜色属于车牌颜色的概率，得到所述提议采样状态的颜色特征概率；
计算所述提议采样状态对应的采样区域的边缘为车牌边缘的概率，得到所述提议采样状态的形状特征概率；
计算所述提议采样状态对应的采样区域中字符边缘重心位置与采样区域重心位置的距离，得到所述提议采样状态的字符特征概率；
根据所述颜色特征概率、形状特征概率和字符特征概率，计算所述提议采样状态的车牌特征概率。
在一些可选的实施例中，所述对获取的原图像进行预检测，确定候选车牌区域，包括：
提取获取的原图像垂直边缘和水平边缘，得到水平投影梯度图和垂直投影梯度图；
根据水平投影梯度图、垂直投影梯度图和像素坐标分别计算水平投影值和垂直投影值；
根据计算得到的水平投影值和垂直投影值，获得候选车牌区域的上下位置和左右位置；
根据计算得到的候选车牌区域的上下位置和左右位置，获得候选车牌区域的对角点坐标。
在一些可选的实施例中，所述在候选车牌区域内，选取提议分布对应的提议采样状态，包括：
随机选定一个采样状态，计算采样状态对应的区域左上角存在车牌概率和右下角存在车牌概率；
根据获得的所述左上角存在车牌概率和所述右下角存在车牌概率，计算矩形对角存在车牌概率，作为提议分布；
以选定的采样状态作为得到的所述提议分布对应的提议采样状态。
在一些可选的实施例中，计算所述提议采样状态的颜色特征概率的过程，包括：
获取所述提议采样状态对应的采样区域的像素颜色，得到各像素颜色的分布情况；
根据所述采样区域中背景颜色所占的像素点数，计算得到所述提议采样状态的颜色特征概率。
在一些可选的实施例中，计算所述提议采样状态的形状特征概率，包括：
获取所述提议采样状态对应的采样区域的四条边的梯度特征；
根据所述采样区域的四条边的梯度特征，计算所述提议采样状态对应的采样区域的四条边为车牌边缘的概率；
根据所述提议采样状态对应的采样区域的四条边为车牌边缘的概率，进行累加计算得到所述提议采样状态的形状特征概率。
在一些可选的实施例中，计算所述提议采样状态的字符特征概率，包括：
根据所述提议采样状态对应的采样区域中字符边缘点的个数，计算采样区域中字符边缘重心位置；
根据所述提议采样状态对应的采样区域的边缘点坐标，确定所述采样区域重心位置；
计算所述字符边缘重心位置与所述采样区域重心位置的距离，得到提议采样状态的字符特征概率。
在一些可选的实施例中，所述的车牌定位方法，还包括：
根据所述提议采样状态对应的采样区域的长度和宽度，计算表征车牌大小特征的先验概率；相应的，
计算所述提议采样状态的车牌特征概率，包括：根据所述提议采样状态对应的采样区域的先验概率、颜色特征概率、形状特征概率、字符特征概率，计算所述提议采样状态的车牌特征概率。
在一些可选的实施例中，所述根据得到的车牌特征概率，确定是否将所述提议采样状态加入采样状态集合，具体用于：
将获取的第一个提议采样状态，加入采样状态集合；
对于获取的非第一个提议采样状态，根据当前获取的提议采样状态的车牌特征概率与前一个提议采样状态的车牌特征概率，计算当前获取的提议采样状态与前一个提议采样状态相比被接受到的概率；
判断计算得到被接受的概率是否符合加入采样状态集合的预设条件，当符合时，将当前获取的提议采样状态加入采样状态集合，否则丢弃。
第二方面，本发明实施例提供一种车牌定位装置，包括：
预检测模块，用于对获取的原图像进行预检测，确定候选车牌区域；
提议模块，用于在候选车牌区域内，选取提议分布对应的提议采样状态，所述提议分布表示所述提议采样状态的矩形对角存在车牌的概率；
计算模块，用于根据所述提议采样状态对应的采样区域的颜色特征、形状特征、字符特征，计算所述提议采样状态的车牌特征概率；
采样模块，用于根据得到的车牌特征概率，确定是否将所述提议采样状态加入采样状态集合；返回重复执行计在候选车牌区域内选取提议分布对应的提议采样状态的步骤，直至获取包含指定数量的提议采样状态的采样状态集合；
定位模块，用于确定采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌位置区域。
在一些可选的实施例中，所述计算模块，具体包括：
颜色特征计算子模块，用于计算所述提议采样状态对应的采样区域的像素颜色属于车牌颜色的概率，得到所述提议采样状态的颜色特征概率；
形状特征计算子模块，用于计算所述提议采样状态对应的采样区域的边缘为车牌边缘的概率，得到所述提议采样状态的形状特征概率；
字符特征计算子模块，用于计算所述提议采样状态对应的采样区域中字符边缘重心位置与采样区域重心位置的距离，得到所述提议采样状态的字符特征概率；
车牌特征计算子模块，用于根据所述颜色特征概率、形状特征概率和字符特征概率，计算所述提议采样状态的车牌特征概率。
在一些可选的实施例中，所述预检测模块，具体用于：
提取获取的原图像垂直边缘和水平边缘，得到水平投影梯度图和垂直投影梯度图；
根据水平投影梯度图、垂直投影梯度图和像素坐标分别计算水平投影值和垂直投影值；
根据计算得到的水平投影值和垂直投影值，获得候选车牌区域的上下位置和左右位置；
根据计算得到的候选车牌区域的上下位置和左右位置，获得候选车牌区域的对角点坐标。
在一些可选的实施例中，所述提议模块，具体用于：
随机选定一个采样状态，计算采样状态对应的区域左上角存在车牌概率和右下角存在车牌概率；
根据获得的所述左上角存在车牌概率和所述右下角存在车牌概率，计算矩形对角存在车牌概率，作为提议分布；
以选定的采样状态作为得到的所述提议分布对应的提议采样状态。
在一些可选的实施例中，所述颜色特征计算子模块，具体用于：
获取所述提议采样状态对应的采样区域的像素颜色，得到各像素颜色的分布情况；
根据所述采样区域中背景颜色所占的像素点数，计算得到所述提议采样状态的颜色特征概率。
在一些可选的实施例中，所述形状特征计算子模块，具体用于：
获取所述提议采样状态对应的采样区域的四条边的梯度特征；
根据所述采样区域的四条边的梯度特征，计算所述提议采样状态对应的采样区域的四条边为车牌边缘的概率；
根据所述提议采样状态对应的采样区域的四条边为车牌边缘的概率，进行累加计算得到所述提议采样状态的形状特征概率。
在一些可选的实施例中，所述字符特征计算子模块，具体用于：
根据所述提议采样状态对应的采样区域中字符边缘点的个数，计算采样区域中字符边缘重心位置；
根据所述提议采样状态对应的采样区域的边缘点坐标，确定所述采样区域重心位置；
计算所述字符边缘重心位置与所述采样区域重心位置的距离，得到提议采样状态的字符特征概率。
在一些可选的实施例中，所述计算模块，还包括：
先验概率计算子模块，用于根据所述提议采样状态对应的采样区域的长度和宽度，计算表征车牌大小特征的先验概率；相应的，
车牌特征计算子模块，用于计算所述提议采样状态的车牌特征概率，包括：根据所述提议采样状态对应的采样区域的先验概率、颜色特征概率、形状特征概率、字符特征概率，计算所述提议采样状态的车牌特征概率。
在一些可选的实施例中，所述采样模块，具体用于：
获取的第一个提议采样状态，加入采样状态集合；
对于获取的非第一个提议采样状态，根据当前获取的提议采样状态的车牌特征概率与前一个提议采样状态的车牌特征概率，计算当前获取的提议采样状态与前一个提议采样状态相比被接受到的概率；
判断计算得到被接受的概率是否符合加入采样状态集合的预设条件，当符合时，将当前获取的提议采样状态加入采样状态集合，否则丢弃。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明所提出的车牌定位方法和装置能够精确、实时定位车牌区域，首先为提高检测效率，使用预检测方法获得目标车牌的大概位置；将车牌特征概率分解为颜色特征、形状特征、字符特征计算直观有效；计算得到车牌特征概率加入采样状态集合，并获得采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌位置区域。
上述方法数学建模较为简单，将车牌区域用图像表观特征的最大后验概率表示，将车牌定位问题定义为寻找车牌图像特征的最大后验概率问题，定位精度高；通过计算恰当的提议分布，采用马尔科夫蒙特卡洛方法，使得计算过程快速有效；定位车牌同时，获得车牌颜色；计算量适中，可以满足实时性要求。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例一中车牌定位方法的流程图；
图2为本发明实施例一中预检测的实现流程图；
图3为本发明实施例一中候选车牌区域示意图；
图4为本发明实施例一中执行步骤S102的流程图；
图5为本发明实施例一中左上角和右下角特征点集示例图；
图6为本发明实施例一中候选车牌区域左上角和右下角特征概率效果图；
图7为本发明实施例一中计算所述提议采样状态的形状特征概率的流程图；
图8为本发明实施例一中计算所述提议采样状态的字符特征概率的流程图；
图9为本发明实施例一中执行步骤S104的流程图；
图10为本发明实施例二中车牌定位装置的结构示意图；
图11为本发明实施例二中计算模块的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的的问题，本发明实施例提供一种方法车牌定位方法和装置，能够将车牌区域用图像表观特征的最大后验概率表示，配合恰当的提议概率分布函数的设计，并采用马尔科夫蒙特卡洛(MCMC)方法，使得计算过程快速有效，达到精确定位的目的。定位车牌同时，获得车牌颜色，计算量适中，满足实时性要求。
实施例一
本发明实施例一提供一种方法，其流程如图1所示，包括如下步骤：
步骤S101：对获取的原图像进行预检测，确定候选车牌区域；
获取到可能包含车牌的原图像后，通过对原图像进行预检测，来确定存在车牌可能性较大的区域，得到候选车牌区域。可以通过提取水平、垂直边缘的方式，来确定候选车牌区域的上下左右边缘。可选的，确定候选车牌区域的过程可以包括：
提取获取的原图像垂直边缘和水平边缘，得到水平投影梯度图和垂直投影梯度图；
根据水平投影梯度图、垂直投影梯度图和像素坐标分别计算水平投影值和垂直投影值；
根据计算得到的水平投影值和垂直投影值，获得候选车牌区域的上下位置和左右位置；
根据计算得到的候选车牌区域的上下位置和左右位置，获得候选车牌区域的对角点坐标。
步骤S102：在候选车牌区域内，选取提议分布对应的提议采样状态，其中，所述提议分布表示提议采样状态的矩形对角存在车牌的概率；
随机选择一个采样状态，计算选择的采样状态的矩形对角，比如左上角和右下角，存在车牌的概率，作为提议分布，得到提议分布对应的采样状态。
步骤S103：根据所述提议采样状态对应的采样区域的颜色特征、形状特征、字符特征，计算所述提议采样状态的车牌特征概率；
具体包括：
计算所述提议采样状态对应的采样区域的像素颜色属于车牌颜色的概率，得到所述提议采样状态的颜色特征概率；
计算所述提议采样状态对应的采样区域的边缘为车牌边缘的概率，得到所述提议采样状态的形状特征概率；
计算所述提议采样状态对应的采样区域中字符边缘重心位置与采样区域重心位置的距离，得到所述提议采样状态的字符特征概率；
根据所述颜色特征概率、形状特征概率和字符特征概率，计算所述提议采样状态的车牌特征概率。
可选的，还可以计算表征车牌大小特征的先验概率，并根据先验概率、颜色特征概率、形状特征概率和字符特征概率，计算提议采样状态的车牌特征概率。
步骤S104：根据得到的车牌特征概率，确定是否将提议采样状态加入采样状态集合；
根据提议采样状态的车牌特征概率确定提议采样状态符合加入采样状态集合的预设条件时，将提议采样状态加入采样状态集合。加入采样状态集合的预设条件可以根据需要设置，例如当前选取的提议采样状态与前一个相比，接受度超过一定的接受度阈值等等。
步骤S105：返回重复执行在候选车牌区域内选取提议分布对应的提议采样状态的步骤，直至获取包含指定数量的提议采样状态的采样状态集合；
通过多次选取提议采样状态，得到多个符合采样状态集合要求的采样状态，形成采样状态集合。
将采集到的采样状态几个构造出马尔科夫链，并使用马尔科夫蒙特卡洛采样方法，得到最终采样点集合，从而获得使车牌特征概率最大的解，并作为车牌的精确位置。
构造马尔科夫链有两个关键点：(1)保证具有一致性分布的后验概率p(s|I)；(2)设计马尔科夫动态使马尔夫链具有遍历性、不可约性和可逆性。在保证这两个关键点的前提下，通过重复多次采样，得到最终采样点集合，获得车牌特征概率最大的解，即为车牌的精确位置。
步骤S106：确定采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌位置区域。
在一些可选的实施例中，如步骤S101所述的对获取的原图像进行预检测，确定候选车牌区域。为提高检测效率，首先使用预检测方法获得目标车牌的大概位置，即候选车牌区域。该候选车牌区域包含目标车牌，其特征值比普通区域特征值大。
如图2所示，一种可选的具体预检测步骤如下：
步骤S201：提取获取的原图像垂直边缘，得到水平投影梯度图；
对原图像进行中值滤波处理，使用式(1)所示的Sobel算子提取垂直边缘，得到水平方向梯度图像IY。
步骤S202：根据水平投影梯度图和像素坐标计算水平投影值；
根据像素点坐标和水平方向梯度图像IY计算水平投影值PY(Y)，如式(2)所示。
其中：IY(i,Y)表示梯度图IY在(i,Y)位置处的梯度值，w为梯度图的列数。
步骤S203：根据计算得到的水平投影值，获得候选车牌区域的上下位置；
可以使用阈值的方法，获取候选车牌区域的上下位置[Y0,Y1]为：
其中：
式(3)中h为梯度图IY的行数，c1和c2是阈值参数，本实施例中根据经验得出的c1＝0.55,c2＝0.42，其中c1和c2可根据不同的实际情况调整，该阈值参数为动态阈值，本发明不做具体限定。Y0表示小于阈值中的最大值，可能是车牌上边缘的位置，Y1表示小于阈值中的最大值，可能是车牌下边缘的位置。
式(4)中Ym表示水平投影值PY(Y)在区间(0,h-1)的最大值。
步骤S204：提取获取的原图像水平边缘，得到垂直投影梯度图；
对原图像进行中值滤波处理，使用式(5)所示的Sobel算子提取水平边缘，得到垂直方向梯度图像IX。
步骤S205：根据垂直投影梯度图和像素坐标计算垂直投影值；
根据像素点坐标和垂直方向梯度图像IX计算垂直投影值PX(X)，如式(6)所示。
其中：IX(X,j)表示梯度图IX在(X,j)位置处的梯度值。
步骤S206：根据计算得到的垂直投影值，获得候选车牌区域的左右位置；
可以使用阈值的方法，获取获选车牌左右位置[X0,X1]为：
其中：
式(7)c3和c4是阈值参数，本实施例中根据经验得到的c3＝0.65,c4＝0.65，其中c3和c4可根据不同的实际情况调整，该阈值参数为动态阈值，本发明不做具体限定。X0表示小于阈值中的最大值，可能是车牌左边缘的位置，X1表示小于阈值中的最大值，可能是车牌右边缘的位置。
式(8)中Xm表示垂直投影值PX(X)在区间(0,w-1)的最大值。
步骤S207：根据计算得到的候选车牌区域的上下位置和左右位置，获得候选车牌区域的对角点坐标(X0,Y0)，(X1,Y1)。
计算候选车牌区域上下位置和左右位置的步骤不分先后，只要最终得到候选车牌区域上下位置和左右位置从而计算出候选车牌区域对角坐标即可。
如图3所示，为候选车牌区域示意图，该候选车牌区域包含目标车牌，但是其特征值比普通区域特征值大。
在一些可选的实施例中，步骤S102所述在候选车牌区域内，选取提议分布对应的提议采样状态，由于车牌是一个具有矩形特征的区域，而矩形对角点的特征概率计算简单，所以将其作为提议分布。
如图4所示，可选的，一种具体操作步骤如下：
步骤S301：随机选定一个采样状态，计算采样状态对应的区域左上角存在车牌概率和右下角存在车牌概率；
随机选定一个采样状态{x,y,w,h,c}，计算采样状态对应的区域左上角(x,y)存在车牌概率和右下角(x+w,y+h)存在车牌概率，w表示车牌的长，h表示车牌的宽，如式(9)和式(10)所示。
式(9)表示：左上角像素点集梯度、单位方向向量乘积与左上角像素点集梯度值的模的比值；
其中：gP表示像素点P处的梯度，ν表示单位方向向量(1,0)或(0,1)。UL表示左上角特征的点集，UL长宽为固定值，优选的，本实施例给定的，长为100，宽为20，本发明对此不做具体限定，左上角特征点集如图5(a)所示。qul为候选车牌区域左上角特征概率，如图6(a)所示。
式(10)表示：右下角像素点集梯度、单位方向向量乘积与右下角像素点集梯度值的模的比值；
其中：LR表示右上角特征的点集(LR与UL长宽相等)，右下角特征点集如图5(b)所示。参数gP和ν与步骤1中的参数有相同的意义。qlr为候选车牌区域右下角特征概率，如图6(b)所示。
步骤S302：根据获得的左上角存在车牌概率和右下角存在车牌概率，计算矩形对角存在车牌概率，作为提议分布；
计算获得矩形对角特征概率，将式(11)计算得到的q(s)作为提议分布，并获得提议采样状态。
q(s)＝qul(x,y)qlr(x+w,y+h) (11)
其中q(s)表示左上角(x，y)特征概率qul和右下角(x+w,y+h)特征概率qlr的乘积；即整个候选车牌区域存在车牌可能性的大小，q(s)越大，则表示存在车牌可能性越大。
步骤S303：以选定的采样状态作为得到的所述提议分布对应的提议采样状态。
在所述提议采样状态下随机选取参数位置(x，y)、车牌大小(w，h)参数，再随机选取颜色c参数，通过计算q(s)从而获得提议采样状态s＝{x,y,w,h,c}。
步骤S103中计算颜色特征概率、形状特征概率和字符特征概率的方式可以采用下面例举的方式实现：
在一些可选的实施例中，常见的车牌颜色为蓝色、黄色、白色、黑色，颜色特征概率指的是提议采样状态s区域像素颜色属于车牌颜色的概率，即提议采样状态s背景色是车牌颜色可能性的大小，计算提议采样状态的颜色特征概率的过程，具体包括以下内容：
(一)获取提议采样状态对应的采样区域的像素颜色，得到各像素颜色的分布情况；
为计算采样区域的像素颜色的概率分布，先将RGB颜色空间转换到HSV颜色空间，再通过阈值方法获得该像素颜色分布，使用如表1所示阈值作为车牌背景颜色进行区分。
表1车牌背景颜色阈值对比表
(二)根据所述采样区域中背景颜色所占的像素点数，计算得到所述提议采样状态的颜色特征概率。
使用如式(12)方法计算颜色特征概率：
Nc表示在提议采样状态s决定的采样区域中背景颜色c所占的点数，λc＝1.0,为常数。(w，h)为提议采样状态s决定的采样区域的大小。
当提议采样状态s确定下来之后，c可以确定，Nc一定，这样就可以计算出提议采样状态s决定的采样区域的颜色特征概率。
在一些可选的实施例中，常见的车牌为矩形，形状特征概率是指提议采样状态决定的采样区域的边缘正好为车牌框的边缘，可以通过计算矩形边缘形状特征概率，来表示提议采样状态决定的采样区域的形状特征概率，因此计算提议采样状态的形状特征概率的可选实现方式可以如图7所示，一个可选的操作步骤如下：
步骤S401：获取提议采样状态对应的采样区域的四条边的梯度特征；
使用如式(13)方法计算提议采样状态的四条边的梯度特征gi。
其中：gP表示像素点P处的梯度，ν表示单位方向向量(1,0)或(0,1)。Li(i＝1，3)表示水平线，此时ν＝(1,0)；Li(i＝2，4)表示垂直线，此时ν＝(0,1)。式(9)中梯度特征gi表示像素点P出的梯度、单位向量的乘积与像素点P处梯度的模的比值。
步骤S402：根据采样区域的四条边的梯度特征，计算提议采样状态对应的采样区域的四条边为车牌边缘的概率；
使用式(14)方法计算提议采样状态的四条边的特征概率p(Li|s)。
其中：λg＝1.0为常数，i＝1,2,3,4。
式(14)四条边的特征概率p(Li|s)表示四条边的梯度特征gi的概率。
步骤S403：根据提议采样状态对应的采样区域的四条边为车牌边缘的概率，进行累加计算得到提议采样状态的形状特征概率。
使用式(15)方法计算提议采样状态形状特征概率p(fg|s)。
式(15)中提议采样状态形状特征概率p(fg|s)是指四条边特征概率的累加之和，即提采样区域正好是车牌边缘的可能性的大小，p(fg|s)值越大，则表明该采样区域是车牌边缘的可能性越大。
在一些可选的实施例中，车牌内字符均匀分布，并且字符重心接近或者与车牌重心重合，因此我们把字符边缘重心位置与采样区域重心位置的距离作为字符特征的度量，计算提议采样状态的字符特征概率。
如图8所示，一个具体的操作步骤如下：
步骤S501：根据提议采样状态对应的采样区域中字符边缘点的个数，计算采样区域中字符边缘重心位置；
(xm,ym)为字符边缘的重心，其计算方法如式(16)所示。
其中：I＝Ix+Iy，I(i,j)表示像素点在(i,j)坐标位置处的梯度值，(h，w)为提议采样状态决定的采样区域大小。
步骤S502：根据提议采样状态对应的采样区域的边缘点坐标，确定采样区域重心位置；
步骤S503：计算所述字符边缘重心位置与所述采样区域重心位置的距离，得到提议采样状态的字符特征概率。
字符特征概率p(ft|s)计算方法如式(17)所示。
其中：λt＝1.0为常数，Nt是在提议采样状态决定的采样区域中字符边缘点的个数，σx,σy为阈值，经验值为σx＝10,σy＝5，本发明对此不做具体限定。
提议采样状态字符特征概率p(ft|s)表示采样区域正好是车牌字符边缘重心位置的可能性的大小，p(ft|s)值越大，则表明该采样区域是车牌字符边缘重心位置的可能性越大。本实施例中先计算步骤S501还是先计算步骤S502不会对计算结果有所影响，本发明对步骤S501和步骤S502先后顺序不做具体限定。
在一些可选的实施例中，所述的车牌定位方法，还包括：
根据所述提议采样状态对应的采样区域的长度和宽度，计算表征车牌大小特征的先验概率；
所述提议采样状态对应的采样区域的先验概率表示为：先验概率是根据以往经验和分析得到的概率，在贝叶斯统计推断中，不确定数量的先验概率分布是在考虑一些因素之前表达对这一数量的置信程度的概率分布，未知的数量可以是模型的参数或者是潜在变量。贝叶斯定理计算先验和似然函数(本发明实施例中指的是颜色特征概率、形状特征概率、字符特征概率)的重新归一化的逐次积，产生了后验概率(本发明实施例中指的是车牌特征概率)分布，它是给定数据的不确定量的条件分布。
相应的，计算所述提议采样状态的车牌特征概率，包括：根据所述提议采样状态对应的采样区域的先验概率、颜色特征概率、形状特征概率、字符特征概率，计算所述提议采样状态的车牌特征概率。在本实施例中，计算采样区域的先验概率、颜色特征概率、形状特征概率、字符特征概率步骤不分先后顺序，本发明对此不做具体限定，只要计算出最终值即可。
车牌特征概率使用式(18)计算得到。
其中：λ＝1.2为常数，{x,y,w,h,c}为提议采样状态。μw,σw,μh,σh表示车牌先验概率分布，本实施例中根据经验给定的值为：μw＝200,σw＝20,μh＝50,σh＝5，本发明对此不作具体限定，根据不同分辨率的图像，适当调整参数。
由此计算得出的后验概率即为车牌特征概率p(s|I)，其对应的提议采样状态为车牌的位置，车牌特征概率p(s|I)越大，则表明其对应的提议采样状态的车牌位置越准确。
在一些可选的实施例中，如图9所示，执行步骤S104所述根据得到的车牌特征概率，确定是否将提议采样状态加入采样状态集合，具体步骤包括：
步骤S601：将获取的第一个提议采样状态，加入采样状态集合；
因为提议采样状态的采集需要进行对比，第一个提议采样状态没有任何对比，所以无论第一个提议采样状态采集到任何结果都应当加入到采样集合中，将第一个提议采样状态作为下一个提议采样状态的对比，从而进行判断是否符合加入采样状态集合的预设条件。
步骤S602：对于获取的非第一个提议采样状态，根据当前获取的提议采样状态的车牌特征概率与前一个提议采样状态的车牌特征概率，计算当前获取的提议采样状态与前一个提议采样状态相比被接受到的概率；
获取的非第一个提议采样状态定义为s’，提议采样状态s’以概率p判断是否接受。如式(19)所表示的接受概率。
在本实施例中，p可以为0.8，该发明对此不作具体限定。得到的p值越大，越能被接受。如果提议采样状态s’被式(19)所接受，则st＝s’，否则st＝st-1。
步骤S603：判断计算得到被接受的概率是否符合加入采样状态集合的预设条件，当符合时，执行步骤S604，不符合时，执行步骤S605；
步骤S604：将当前获取的提议采样状态加入采样状态集合；
步骤S605：丢弃。
在一个可选的实施例中，所述车牌定位方法，还包括：
返回重复执行在候选车牌区域内选取提议分布对应的提议采样状态的步骤，直至获取包含指定数量的提议采样状态的采样状态集合；
确定采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌位置区域。
在上述步骤S603进行判断之后，如果提议采样状态s’不能被接受，则st＝st-1，需要返回执行在候选车牌区域内选取提议分布对应的提议采样状态，进而重新进行一系列的操作步骤来最终进行判断该采样状态是否符合式(19)的接受条件，会有保留提议采样状态和丢弃的提议采样状态，将保留的提议采样状态加入到采样状态集合中，从而得到一系列采样状态s0，…，st，这一系列采样状态就是本发明需要构造的马尔科夫链。
在这一系列采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌精确位置区域。根据采样状态集合构造成的马尔科夫链，找到车牌特征概率最大值的采样状态所对应的采样区域即为车牌的精确定位区域。
基于同一发明构思，本发明实施例还提供一种车牌定位装置，该装置可以设置在中，该装置的结构如图10所示，包括：
预检测模块701，用于对获取的原图像进行预检测，确定候选车牌区域；
提议模块702，用于在候选车牌区域内，选取提议分布对应的提议采样状态，所述提议分布表示所述提议采样状态的矩形对角存在车牌的概率；
计算模块703，用于根据所述提议采样状态对应的采样区域的颜色特征、形状特征、字符特征，计算所述提议采样状态的车牌特征概率；
采样模块704，用于根据得到的车牌特征概率，确定是否将所述提议采样状态加入采样状态集合；返回重复执行计在候选车牌区域内选取提议分布对应的提议采样状态的步骤，直至获取包含指定数量的提议采样状态的采样状态集合；
定位模块705，用于确定采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌位置区域。
在一些可选的实施例中，所述计算模块703，如图11所示，具体还包括：
颜色特征计算子模块7031，用于计算所述提议采样状态对应的采样区域的像素颜色属于车牌颜色的概率，得到所述提议采样状态的颜色特征概率；
形状特征计算子模块7032，用于计算所述提议采样状态对应的采样区域的边缘为车牌边缘的概率，得到所述提议采样状态的形状特征概率；
字符特征计算子模块7033，用于计算所述提议采样状态对应的采样区域中字符边缘重心位置与采样区域重心位置的距离，得到所述提议采样状态的字符特征概率；
先验概率计算子模块7034，用于根据所述提议采样状态对应的采样区域的长度和宽度，计算表征车牌大小特征的先验概率；
车牌特征计算子模块7035，用于根据所述颜色特征概率、形状特征概率和字符特征概率，计算所述提议采样状态的车牌特征概率。
在一些可选的实施例中，所述预检测模块701，具体用于：
提取获取的原图像垂直边缘和水平边缘，得到水平投影梯度图和垂直投影梯度图；
根据水平投影梯度图、垂直投影梯度图和像素坐标分别计算水平投影值和垂直投影值；
根据计算得到的水平投影值和垂直投影值，获得候选车牌区域的上下位置和左右位置；
根据计算得到的候选车牌区域的上下位置和左右位置，获得候选车牌区域的对角点坐标。
在一些可选的实施例中，所述提议模块702，具体用于：
随机选定一个采样状态，计算采样状态对应的区域左上角存在车牌概率和右下角存在车牌概率；
根据获得的所述左上角存在车牌概率和所述右下角存在车牌概率，计算矩形对角存在车牌概率，作为提议分布；
以选定的采样状态作为得到的所述提议分布对应的提议采样状态。
在一些可选的实施例中，所述颜色特征计算子模块7031，具体用于：
获取所述提议采样状态对应的采样区域的像素颜色，得到各像素颜色的分布情况；
根据所述采样区域中背景颜色所占的像素点数，计算得到所述提议采样状态的颜色特征概率。
在一些可选的实施例中，所述形状特征计算子模块7032，具体用于：
获取所述提议采样状态对应的采样区域的四条边的梯度特征；
根据所述采样区域的四条边的梯度特征，计算所述提议采样状态对应的采样区域的四条边为车牌边缘的概率；
根据所述提议采样状态对应的采样区域的四条边为车牌边缘的概率，进行累加计算得到所述提议采样状态的形状特征概率。
在一些可选的实施例中，所述字符特征计算子模块7033，具体用于：
根据所述提议采样状态对应的采样区域中字符边缘点的个数，计算采样区域中字符边缘重心位置；
根据所述提议采样状态对应的采样区域的边缘点坐标，确定所述采样区域重心位置；
计算所述字符边缘重心位置与所述采样区域重心位置的距离，得到提议采样状态的字符特征概率。
在一些可选的实施例中，所述计算模块703，还包括：
先验概率计算子模块7034，用于根据所述提议采样状态对应的采样区域的长度和宽度，计算表征车牌大小特征的先验概率；相应的，
车牌特征计算子模块7035，用于计算所述提议采样状态的车牌特征概率，包括：根据所述提议采样状态对应的采样区域的先验概率、颜色特征概率、形状特征概率、字符特征概率，计算所述提议采样状态的车牌特征概率。
在一些可选的实施例中，所述采样模块704，根据得到的车牌特征概率，确定是否将所述提议采样状态加入采样状态集合，具体用于：
获取的第一个提议采样状态，加入采样状态集合；
对于获取的非第一个提议采样状态，根据当前获取的提议采样状态的车牌特征概率与前一个提议采样状态的车牌特征概率，计算当前获取的提议采样状态与前一个提议采样状态相比被接受到的概率；
判断计算得到被接受的概率是否符合加入采样状态集合的预设条件，当符合时，将当前获取的提议采样状态加入采样状态集合，否则丢弃；
返回重复执行在候选车牌区域内选取提议分布对应的提议采样状态的步骤，直至获取包含指定数量的提议采样状态的采样状态集合。
在一些可选的实施例中，所述的定位模块705，还包括：
确定采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌位置区域。在这一系列采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌精确位置区域。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明实施例的上述方法和装置，能够将车牌区域用图像表观特征的最大后验概率表示，配合恰当的提议概率分布函数的设计，并采用马尔科夫蒙特卡洛(MCMC)方法，使得计算过程快速有效，达到精确定位的目的。定位车牌同时，获得车牌颜色，计算量适中，满足实时性要求。
构造马尔科夫链有两个关键点：(1)保证具有一致性分布的后验概率p(s|I)；(2)设计马尔科夫动态使马尔夫链具有遍历性、不可约性和可逆性。
在保证这两个关键点的前提下，通过重复多次采样，得到最终采样点集合，从而获得车牌特征概率最大的解，车牌特征概率最大解的采样状态所对应的采样区域即为车牌的精确位置。
除非另外具体陈述，术语比如处理、计算、运算、确定、显示等等可以指一个或更多个处理或者计算系统、或类似设备的动作和/或过程，所述动作和/或过程将表示为处理系统的寄存器或存储器内的物理(如电子)量的数据操作和转换成为类似地表示为处理系统的存储器、寄存器或者其他此类信息存储、发射或者显示设备内的物理量的其他数据。信息和信号可以使用多种不同的技术和方法中的任何一种来表示。例如，在贯穿上面的描述中提及的数据、指令、命令、信息、信号、比特、符号和码片可以用电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (10)

1.一种车牌定位方法，其特征在于，包括：
对获取的原图像进行预检测，确定候选车牌区域；
在候选车牌区域内，选取提议分布对应的提议采样状态，所述提议分布表示所述提议采样状态的矩形对角存在车牌的概率；
根据所述提议采样状态对应的采样区域的颜色特征、形状特征、字符特征，计算所述提议采样状态的车牌特征概率；
根据得到的车牌特征概率，确定是否将所述提议采样状态加入采样状态集合；
返回重复执行在候选车牌区域内选取提议分布对应的提议采样状态的步骤，直至获取包含指定数量的提议采样状态的采样状态集合；
确定采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌位置区域。
2.如权利要求1所述的车牌定位方法，其特征在于，所述根据所述提议采样状态对应的采样区域的颜色特征、形状特征、字符特征，计算所述提议采样状态的车牌特征概率，包括：
计算所述提议采样状态对应的采样区域的像素颜色属于车牌颜色的概率，得到所述提议采样状态的颜色特征概率；
计算所述提议采样状态对应的采样区域的边缘为车牌边缘的概率，得到所述提议采样状态的形状特征概率；
计算所述提议采样状态对应的采样区域中字符边缘重心位置与采样区域重心位置的距离，得到所述提议采样状态的字符特征概率；
根据所述颜色特征概率、形状特征概率和字符特征概率，计算所述提议采样状态的车牌特征概率。
3.如权利要求1所述的车牌定位方法，其特征在于，所述对获取的原图像进行预检测，确定候选车牌区域，包括：
提取获取的原图像垂直边缘和水平边缘，得到水平投影梯度图和垂直投影梯度图；
根据水平投影梯度图、垂直投影梯度图和像素坐标分别计算水平投影值和垂直投影值；
根据计算得到的水平投影值和垂直投影值，获得候选车牌区域的上下位置和左右位置；
根据计算得到的候选车牌区域的上下位置和左右位置，获得候选车牌区域的对角点坐标。
4.如权利要求1所述的车牌定位方法，其特征在于，所述在候选车牌区域内，选取提议分布对应的提议采样状态，包括：
随机选定一个采样状态，计算采样状态对应的区域左上角存在车牌概率和右下角存在车牌概率；
根据获得的所述左上角存在车牌概率和所述右下角存在车牌概率，计算矩形对角存在车牌概率，作为提议分布；
以选定的采样状态作为得到的所述提议分布对应的提议采样状态。
5.如权利要求2所述的车牌定位方法，其特征在于，计算所述提议采样状态的颜色特征概率的过程，包括：
获取所述提议采样状态对应的采样区域的像素颜色，得到各像素颜色的分布情况；
根据所述采样区域中背景颜色所占的像素点数，计算得到所述提议采样状态的颜色特征概率。
6.如权利要求2所述的车牌定位方法，其特征在于，计算所述提议采样状态的形状特征概率，包括：
获取所述提议采样状态对应的采样区域的四条边的梯度特征；
根据所述采样区域的四条边的梯度特征，计算所述提议采样状态对应的采样区域的四条边为车牌边缘的概率；
根据所述提议采样状态对应的采样区域的四条边为车牌边缘的概率，进行累加计算得到所述提议采样状态的形状特征概率。
7.如权利要求2所述的车牌定位方法，其特征在于，计算所述提议采样状态的字符特征概率，包括：
根据所述提议采样状态对应的采样区域中字符边缘点的个数，计算采样区域中字符边缘重心位置；
根据所述提议采样状态对应的采样区域的边缘点坐标，确定所述采样区域重心位置；
计算所述字符边缘重心位置与所述采样区域重心位置的距离，得到提议采样状态的字符特征概率。
8.如权利要求1所述的车牌定位方法，其特征在于，还包括：
根据所述提议采样状态对应的采样区域的长度和宽度，计算表征车牌大小特征的先验概率；相应的，
计算所述提议采样状态的车牌特征概率，包括：根据所述提议采样状态对应的采样区域的先验概率、颜色特征概率、形状特征概率、字符特征概率，计算所述提议采样状态的车牌特征概率。
9.如权利要求1所述的车牌定位方法，其特征在于，所述根据得到的车牌特征概率，确定是否将所述提议采样状态加入采样状态集合，具体用于：
将获取的第一个提议采样状态，加入采样状态集合；
对于获取的非第一个提议采样状态，根据当前获取的提议采样状态的车牌特征概率与前一个提议采样状态的车牌特征概率，计算当前获取的提议采样状态与前一个提议采样状态相比被接受到的概率；
判断计算得到被接受的概率是否符合加入采样状态集合的预设条件，当符合时，将当前获取的提议采样状态加入采样状态集合，否则丢弃。
10.一种车牌定位装置，其特征在于，包括：
预检测模块，用于对获取的原图像进行预检测，确定候选车牌区域；
提议模块，用于在候选车牌区域内，选取提议分布对应的提议采样状态，所述提议分布表示所述提议采样状态的矩形对角存在车牌的概率；
计算模块，用于根据所述提议采样状态对应的采样区域的颜色特征、形状特征、字符特征，计算所述提议采样状态的车牌特征概率；
采样模块，用于根据得到的车牌特征概率，确定是否将所述提议采样状态加入采样状态集合；返回重复执行计在候选车牌区域内选取提议分布对应的提议采样状态的步骤，直至获取包含指定数量的提议采样状态的采样状态集合；
定位模块，用于确定采样状态集合中车牌特征概率最大的采样状态对应的采样区域为车牌位置区域。
CN201711243427.4A 2017-11-30 2017-11-30 一种车牌定位方法和装置 Pending CN108038430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711243427.4A CN108038430A (zh) 2017-11-30 2017-11-30 一种车牌定位方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711243427.4A CN108038430A (zh) 2017-11-30 2017-11-30 一种车牌定位方法和装置

Publications (1)

Publication Number Publication Date
CN108038430A true CN108038430A (zh) 2018-05-15

Family

ID=62094551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711243427.4A Pending CN108038430A (zh) 2017-11-30 2017-11-30 一种车牌定位方法和装置

Country Status (1)

Country Link
CN (1) CN108038430A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766938A (zh) * 2019-09-18 2020-02-07 平安科技（深圳）有限公司 路网拓扑结构的构建方法、装置、计算机设备及存储介质
CN111220786A (zh) * 2020-03-09 2020-06-02 生态环境部华南环境科学研究所 一种深水沉积物有机污染快速监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334837A (zh) * 2008-07-31 2008-12-31 重庆大学 一种多方法融合的车牌图像定位方法
US20090208060A1 (en) * 2008-02-18 2009-08-20 Shen-Zheng Wang License plate recognition system using spatial-temporal search-space reduction and method thereof
US20170177966A1 (en) * 2014-06-27 2017-06-22 Blinker, Inc. Method and apparatus for recovering a vehicle value from an image
CN107203754A (zh) * 2017-05-26 2017-09-26 北京邮电大学 一种基于深度学习的车牌定位方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090208060A1 (en) * 2008-02-18 2009-08-20 Shen-Zheng Wang License plate recognition system using spatial-temporal search-space reduction and method thereof
CN101334837A (zh) * 2008-07-31 2008-12-31 重庆大学 一种多方法融合的车牌图像定位方法
US20170177966A1 (en) * 2014-06-27 2017-06-22 Blinker, Inc. Method and apparatus for recovering a vehicle value from an image
CN107203754A (zh) * 2017-05-26 2017-09-26 北京邮电大学 一种基于深度学习的车牌定位方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIJUN CAO ET.AL: "License Plate Localization With Efficient Markov Chain Monte Carlo", 《ICIMCS’14 PROCEEDING OF INTERNATIONAL CONFERENCE ON INTERNET MULTIMEDIA COMPUTING AND SERVICE》 *
张旭: "基于DDMCMC的车牌定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766938A (zh) * 2019-09-18 2020-02-07 平安科技（深圳）有限公司 路网拓扑结构的构建方法、装置、计算机设备及存储介质
CN111220786A (zh) * 2020-03-09 2020-06-02 生态环境部华南环境科学研究所 一种深水沉积物有机污染快速监测方法

Similar Documents

Publication Publication Date Title
CN109344736B (zh) 一种基于联合学习的静态图像人群计数方法
US10755138B2 (en) Systems and methods for finding regions of interest in hematoxylin and eosin (H and E) stained tissue images and quantifying intratumor cellular spatial heterogeneity in multiplexed/hyperplexed fluorescence tissue images
Xiang et al. Superpixel generating algorithm based on pixel intensity and location similarity for SAR image classification
CN103824066B (zh) 一种基于视频流的车牌识别方法
CN108229509A (zh) 用于识别物体类别的方法及装置、电子设备
CN103268481B (zh) 一种复杂背景图像中的文本提取方法
CN107871119A (zh) 一种基于目标空间知识和两阶段预测学习的目标检测方法
CN106097444A (zh) 高精地图生成方法和装置
CN108846826A (zh) 物体检测方法、装置、图像处理设备及存储介质
CN109948593A (zh) 基于结合全局密度特征的mcnn人群计数方法
CN108510504A (zh) 图像分割方法和装置
CN112287912A (zh) 基于深度学习的车道线检测方法以及装置
CN104809453A (zh) 一种基于指纹的认证方法
CN108876871A (zh) 基于圆拟合的图像处理方法、装置与计算机可读存储介质
CN110705565A (zh) 淋巴结肿瘤区域识别方法与装置
CN107909102A (zh) 一种组织病理图像的分类方法
CN109447074A (zh) 一种车牌识别方法及终端设备
CN101114337A (zh) 一种地面建筑物识别定位方法
CN108446616A (zh) 基于全卷积神经网络集成学习的道路提取方法
CN111860498B (zh) 一种车牌的对抗性样本生成方法、装置及存储介质
CN110490839A (zh) 一种检测高速公路中损坏区域的方法、装置及计算机设备
CN103778430B (zh) 一种基于肤色分割和AdaBoost相结合的快速人脸检测方法
CN108038430A (zh) 一种车牌定位方法和装置
CN110533632A (zh) 图像模糊篡改检测方法、装置、计算机设备和存储介质
CN108830275A (zh) 点阵字符、点阵数字的识别方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180515