CN108629343A - 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统 - Google Patents

Abstract

本发明公开了一种基于边缘检测和Harris角点检测的车牌定位方法及系统，包括：S1，输入图像，对图像进行平滑滤波，获得平滑图像；S2，对平滑图像进行边缘检测，获得边缘检测图；S3，对边缘检测图进行角点检测，获取角点位置，根据角点位置完成车牌定位；该方法在harris角点检测算法中用指数函数代替传统的高斯函数作为harris角点检测的窗函数，减少了运算量，提高了定位速度；利用双阈值法来判定角点，很好地解决了漏检和伪角点问题，提高了角点检测精度；双阈值可自适应选取和排除人为因素的干扰，达到更精确的角点分割。

Description

一种基于边缘检测和改进Harris角点检测的车牌定位方法和 系统

技术领域

本发明涉及一种车牌定位方法，特别是涉及一种基于边缘检测和Harris角点检测的车牌定位方法及系统。

背景技术

车牌定位是车牌识别的前提，车牌定位的精度决定了车牌识别的准确度。目前，车牌定位方法主要有基于灰度图像的车牌定位和基于彩色图像的车牌定位。相对彩色图像，选择灰度图像进行车牌定位有如下优势：(1)彩色图像每个像素由R、G、B三个分量组成，灰度图像不含色彩信息，故灰度化后图像计算量能极大地减少。(2)灰度图像对图像特征的描述除颜色特征外与彩色图像没有什么区别，仍能反应整个图像的整体和局部的亮度和色度特征。

当前，基于彩色图像进行车牌定位的方法主要有：基于车牌纹理和RGB颜色模型的车牌定位，基于车牌颜色变化剧烈特征的彩色车牌定位方法等。基于灰度图像进行车牌定位的方法主要有：基于灰度变化和颜色特征的车牌定位算法，基于灰度图像的车牌精确定位算法，基于灰度跳变的车牌定位算法等。这些车牌定位方法主要存在着定位速度慢、定位精度低和鲁棒性差等问题。亟待一种快速的、精确的、且适用性广的车牌定位方法。因此，如何实现快速精确地定位车牌仍具有重要的现实意义。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于边缘检测和Harris角点检测算法的车牌定位方法和系统。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种基于边缘检测和Harris角点检测算法的车牌定位方法，包括如下步骤：

S1，输入图像，对图像进行平滑滤波，获得平滑图像；

S2，对平滑图像进行边缘检测，获得边缘检测图；

S3，对边缘检测图进行角点检测，获取角点位置，根据角点位置完成车牌定位，包括如下过程：

S31，计算边缘检测图中像素点(x，y)在水平方向和竖直方向上的一阶偏导数I_x和I_y，其中，(x,y)为目标像素点坐标；

S32，将指数函数作为窗口函数对协方差矩阵进行平滑滤波，获得像素点(x,y)的自相关矩阵M，所述其中，(u,v)表示其他像素点相对于像素点(x，y)的偏移量；ω_u,v为指数加权窗口函数；

S33，计算像素点(x,y)的角点响应值R，所述R＝det(M)-k×trace²(M)，其中，det(M)为自相关矩阵M的行列式；trace(M)为自相关矩阵M的迹；k为常数，取值范围为0.04≤k≤0.06；

S34，重复步骤S31、S32和S33，直到遍历边缘检测图中所有像素点；

S35，逐一对边缘检测图中所有像素点的角点响应值进行阈值判断，获得角点和角点位置，，在角点中寻找出车牌的边缘角点，并利用边缘角点对车牌图像进行裁剪，得到车牌位置，完成车牌定位；

或者S3，包括：

S031，基于边缘检测图中最小像素值和最大像素值，设置第三阈值Th₃和第四阈值Th₄，且Th₃<Th₄；

S032,对边缘检测图中所有像素点的像素值进行双阈值判断，

若像素点的像素值大于第四阈值Th₄，则该像素点为角点；

若像素点的像素值大于第三阈值Th₃且小于等于第四阈值Th₄，则该像素点为候选角点；

若像素点的像素值小于等于第三阈值Th₃，则该像素点不是角点；

S033，判断候选角点各个方向的变化，若各个方向均变化大，则判定该候选角点为角点，否则，判定该候选角点不是角点；

S034，获取所有角点的位置信息，并根据角点位置完成车牌定位。

该方法为边缘检测结合harris角点检测算法，在harris角点检测算法中用指数函数代替传统的高斯函数作为harris角点检测的窗函数，降低了噪声对算法的影响，能有效减少运算量并提高处理效率，提高车牌定位速度；针对传统harris角点检测算法中使用单阈值判定角点存在的漏检和伪角点问题，利用双阈值法来判定角点，能很好地解决漏检和伪角点问题，提高了角点检测精度和鲁棒性；双阈值基于边缘检测图中最大像素值和最小像素值设定，可以实现阈值的自适应选取和排除人为因素的干扰，达到更精确的角点分割。角点作为图像重要特征，可以以少量的信息表示图像，对图像的分析有很重要的作用。而且角点检测在图像中应用广泛，如图像匹配、模式识别、三维重建等。将角点检测引入车牌定位，利用角点的特点，可以有效地减少计算量，提高运算效率。该方法能够可以快速、精确定位车牌。

在本发明的一种优选实施方式中，在所述步骤S35中，在检测出的角点中，当角点横坐标最小时，找出纵坐标最小和最大的两个角点并分别定义为左下角点和左上角点；当角点横坐标最大时，找出纵坐标最小和最大的两个角点并分别定义为右下角点和右上角点；

根据左上角点、左下角点、右上角点和右下角点的位置对车牌图像进行裁剪，获得只包含车牌的图像，获取只包含车牌的图像的中心点作为车牌位置点，或者通过左上角点和右下角点连线与左下角点与右上角点连线的交点作为车牌位置点。

通过左上角点、左下角点、右上角点和右下角点的位置获得车牌位置，该方法快速简便。

在本发明的一种优选实施方式中，所述步骤S35包括：

S351，设置第一阈值Th₁和第二阈值Th₂，且Th₁<Th₂；

S352，对边缘检测图中所有像素点的角点响应值进行双阈值判断，

若像素点的角点响应值大于第二阈值Th₂，则该像素点为角点；

若像素点的角点响应值大于第一阈值Th₁且小于等于第二阈值Th₂，则该像素点为候选角点；

若像素点的角点响应值小于等于第一阈值Th₁，则该像素点不是角点；

S353，对所有候选角点进行非极大抑制处理，提取候选角点中的角点并获取角点位置。

在改进Harris角点检测算法的基础上，使用双阈值来判定角点，并且对候选角点通过非极大抑制处理提取角点，既能降低噪声对算法的影响，减少计算量，提高算法效率，加快车牌定位速度，同时能够减少漏检角点和伪角点，增加检测精度。

在本发明的一种优选实施方式中，所述第一阈值Th₁为为图像中所有角点响应值中的最小值加上角点响应值中的最大值与角点响应值中的最小值的差值的三分之一；

和/或第二阈值Th₂为图像中所有角点响应值中的最小值加上角点响应值中的最大值与角点响应值中的最小值的差值的三分之二。

第一阈值和第二阈值基于边缘检测图中最大的角点响应值和最小的角点相应值设定，可以实现阈值的自适应选取和排除人为因素的干扰，达到更精确的角点分割。

在本发明的一种优选实施方式中，所述步骤S2包括：

S21，利用横向边缘检测掩模对平滑图像进行横向边缘检测，获得横向边缘图；利用纵向边缘检测掩模对平滑图像进行纵向边缘检测，获得纵向边缘图；

S22，合并横向边缘图和纵向边缘图得到边缘检测图。

对平滑图像横向和纵向边缘分别检测，再对分别检测获得横向边缘图和纵向边缘图进行合并获得边缘检测图，其边缘更清晰，有利于角点检测，解决了传统边缘检测算法使用一个或两个掩模对每个像素做两次卷积，并未对横向和纵向边缘进行分别处理，未能达到检测的最佳效果的问题。合并后车牌边缘将更清晰，角点更加明确，便于后续角点检测和车牌定位。

在本发明的一种优选实施方式中，在所述步骤S21和步骤S22之间还包括：

S23，分别对横向边缘图和纵向边缘图进行形态学处理，所述形态学处理包括膨胀处理、腐蚀处理、开运算处理和闭运算处理。

去除横向边缘图和纵向边缘图存在的断裂或毛刺，更好地服务于角点检测。

在本发明的一种优选实施方式中，所述横向边缘检测掩模和纵向边缘检测掩模分别为：

该横纵向边缘检测掩模计算简单，速度快。

在本发明的一种优选实施方式中，在所述步骤S22中，合并横向边缘图和纵向边缘图得到边缘检测图的过程为：将边缘检测图中每个像素点的像素值赋值为该像素点位置对应在横向边缘图中的像素值和纵向边缘图中的像素值的和。

该合并方法简单易操作，处理速度快。

根据本发明的第二个方面，本发明提供了一种基于边缘检测和Harris角点检测算法的车牌定位系统，包括输出包含车牌图像的图像获取设备和处理器，所述图像获取设备的图像输出端与处理器的图像输入端连接，处理器基于上述任一方法对图像获取设备输入图像进行处理完成车牌定位。

本系统在进行车牌定位中，运算量少，处理效率高，定位速度快，解决了漏检和伪角点问题，提高了角点检测精度和鲁棒性；可以实现阈值的自适应选取和排除人为因素的干扰，达到更精确的角点分割。

在本发明的一种优选实施方式中，所述图像获取设备为摄像头。

基于现场摄像头提供的图像进行车牌定位，减少了图像中间传播过程，提高了定位速度。

附图说明

图1是本发明一具体实施方式中车牌定位流程图；

图2是本发明一具体实施方式中边缘检测流程图；

图3是本发明一具体实施方式中改进的Harris角点检测流程图；

图4是本发明一具体实施方式中车牌原图和平滑图像，其中，图4(a)是车牌原图，图4(b)是图4(a)所示车牌原图的平滑图像；

图5是本发明一具体实施方式中边缘检测及形态学处理结果图，其中，图5(a)横向边缘图；图5(b)是纵向边缘图；图5(c)是图5(a)所示横向边缘图形态学处理结果；图5(d)是图5(b)所示纵向边缘图形态学处理结果；

图6是本发明一具体实施方式中合并边缘图；

图7是本发明一具体实施方式中角点检测图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

在本发明的一种优选实施方式中，如图1所示，基于边缘检测和Harris角点检测算法的车牌定位方法包括如下步骤：

S1，输入图像，对图像进行平滑滤波，获得平滑图像；

在本实施方式中，平滑滤波的方法可采用均值滤波、中值滤波、高斯滤波和双边滤波之一或结合，能够减少图像上的噪声或失真。如图4所示为车牌原图和平滑处理后的图像。

S2，对平滑图像进行边缘检测，获得边缘检测图；

在本实施方式中，图像边缘是以图像局部不连续性的形式出现的，存在于图像的不规则结构和不平稳现象，如：灰度值的突变，颜色的突变，纹理结构的突变等。图像边缘作为图像最基本的特征之一，往往携带着一幅图像的大部分信息，边缘本质上表示一个区域的终结和另一个区域的开始。对平滑图像通过Robert算子、Sobel算子、Prewitt算子、Laplacian算子，Canny算子之一进行边缘检测，获得边缘检测图。

在本发明一种优选实施方式中，如图3所示为改进的Harris角点检测流程图，即：

S3，对边缘检测图进行角点检测，获取角点位置，根据角点位置完成车牌定位，包括如下过程：

S31，计算边缘检测图中像素点(x，y)在水平方向和竖直方向上的一阶偏导数I_x和I_y，其中，(x,y)为目标像素点坐标；

S32，将指数函数作为窗口函数对协方差矩阵进行平滑滤波，获得像素点(x,y)的自相关矩阵M，所述其中，(u,v)表示其他像素点相对于像素点(x，y)的偏移量；ω_u,v为指数加权窗口函数；

S33，计算像素点(x,y)的角点响应值R，所述R＝det(M)-k×trace²(M)，其中，det(M)为自相关矩阵M的行列式；trace(M)为自相关矩阵M的迹；k为常数，取值范围为0.04≤k≤0.06；

S34，重复步骤S31、S32和S33，直到遍历边缘检测图中所有像素点；

S35，逐一对边缘检测图中所有像素点的角点响应值进行阈值判断，获得角点和角点位置，在角点中寻找出车牌的边缘角点，并利用边缘角点对车牌图像进行裁剪，得到车牌位置，完成车牌定位；

在本实施方式中，传统的Harris角点检测选择高斯函数作为窗函数，高斯窗函数的作用是给偏导数I_x和I_y进行加权，即分配贡献度，式(1)为高斯函数的数学公式。

式(1)中，参数σ为函数的宽度参数，控制了函数的径向作用范围，σ越大，影响的样本范围就越大。

在本实施方式中使用指数函数代替高斯函数作Harris角点检测的窗函数，式(2)为指数函数的数学公式。

式(2)中参数意义与高斯函数中参数意义相同。

考虑窗函数的作用，使用由高斯函数发展而来的指数函数，同样可以完成对I_x和I_y的加权。指数函数在运算上优于高斯函数，指数函数用||x-y||代替 ||x-y||²，将范数的平方计算改为范数的计算，在不改变作用的同时，简化了计算量。若使用高斯函数和指数函数处理同一幅256×256的图像，高斯函数将比指数函数多运行65536次乘法运算，占用计算机很大内存。

角点并没有明确的定义，一般将图像中亮度变化剧烈的点或图像边缘上曲率取极大值的点认为是角点，角点可以是两个边缘的交点，也可以是邻域内具有两个主方向的特征点。

Harris角点检测算法用水平和竖直方向的灰度值变化来描述像素在任意方向上的灰度变化，式(3)为描述式：

式(3)中，(x,y)为目标像素点坐标；(u,v)表示其他像素点相对于目标像素点的偏移量；ω_u,v为加权窗口函数，这里使用指数窗函数；I为图像矩阵，I_x和I_y表示在水平方向和竖直方向的一阶偏导数。

忽略式(3)中的高阶无穷小，有

令为像素点(x,y)的自相关矩阵。由矩阵的对称性知M 存在两个非负的特征值，记为λ₁和λ₂，并设λ₁≥λ₂。Harris算法可以根据两个特征值的大小来判断角点：

a.当λ₂较大时，表明目标像素点沿任意方向的灰度变化都很大，目标像素点为角点；

b.当λ₂近似为零而λ₁较大时，表明目标像素点沿某个方向上变化很小，而沿另一个方向上变化很大，目标像素点位于边缘处；

c.当λ₁近似为零时，表明目标像素点沿任意方向的灰度强度变化都很小，目标像素点位于平坦区域。

根据以上分析，使用Harris角点检测算法对图像进行角点检测，只需保证自相关矩阵的较小特征值大于给定的阈值即可。为了避免求解自相关矩阵的特征值，Harris角点检测算法定义角点响应函数为：

R＝det(M)-k×trace²(M) (5)

式(5)中，det(M)为自相关矩阵的行列式，trace(M)为自相关矩阵的迹，k为常数，建议取值范围为0.04≤k≤0.06。因此，使用阈值法，设置一个合适的阈值，当像素点的角点相应值大于该阈值就认为是角点或候选角点。这个阈值的取值可以介于图像中所有像素点的角点响应值的平均值与最大角点响应值之间。再对候选角点通过非极大值抑制判定出角点。

在一种优选实施方式中，在获取边缘检测图后，也可以根据如下过程和步骤获得角点及其位置，即或者S3，包括：

S031，基于边缘检测图中最小像素值和最大像素值，设置第三阈值Th₃和第四阈值Th₄，且Th₃<Th₄；

S032,对边缘检测图中所有像素点的像素值进行双阈值判断，

若像素点的像素值大于第四阈值Th₄，则该像素点为角点，将像素值赋为255；

若像素点的像素值大于第三阈值Th₃且小于等于第四阈值Th₄，则该像素点为候选角点，将像素值赋为128；

若像素点的像素值小于等于第三阈值Th₃，则该像素点不是角点，将像素值赋为0；

S033，判断候选角点各个方向的变化，若各个方向均变化大，则判定该候选角点为角点，将像素值赋为255，否则，判定该候选角点不是角点，将像素值赋为0；

S034，获取所有角点的位置信息，并根据角点位置完成车牌定位。

在本实施方式中，Harris角点检测算法根据经验选取一个阈值，将角点响应大于阈值的像素设为候选角点，这种方法检测的角点过于依赖于阈值的选取。本发明使用双阈值法来确定候选角点，可以减少漏检和伪角点的情况。第三阈值和第四阈值的选取仅依赖于边缘检测图中最大和最小像素值。第三阈值可为：最小像素值+(最大像素值-最小像素值)/3，第四阈值可为：最大像素值-(最大像素值-最小像素值)/3。一方面，可以实现阈值的自适应选取，更适合图像的分割；另一方面，可以排除人为因素的干扰，达到更精确的分割。

基于Harris角点检测算法判断候选角点的像素各个方向的变化，若各个方向均变化大，则该像素为角点，否则，不是角点，具体过程如下：

计算每个候选角点在水平方向和竖直方向上的一阶偏导数，利用水平方向一阶偏导数和竖直方向一阶偏导数构建协方差矩阵，并用高斯窗函数进行平滑滤波，获得该候选角点的自相关矩阵，计算该候选角点的角点响应值，若角点响应值大于预设角点响应阈值，则判定该候选角点为角点，否则不是角点。依次对所有候选角点进行如上操作，删选处角点，并获得角点位置。角点响应阈值可根据经验选择，也可为所有候选角点的角点响应值的平均值。可以在检测出的角点中，当角点横坐标最小时，找出纵坐标最小和最大的两个角点并分别定义为左下角点和左上角点；当角点横坐标最大时，找出纵坐标最小和最大的两个角点并分别定义为右下角点和右上角点；根据左上角点、左下角点、右上角点和右下角点的位置对车牌图像进行裁剪，获得只包含车牌的图像，获取只包含车牌的图像的中心点作为车牌位置点，或者通过左上角点和右下角点连线与左下角点与右上角点连线的交点作为车牌位置点。

在本发明的一种优选实施方式中，在步骤S35中，在检测出的角点中，当角点横坐标最小时，找出纵坐标最小和最大的两个角点并分别定义为左下角点和左上角点；当角点横坐标最大时，找出纵坐标最小和最大的两个角点并分别定义为右下角点和右上角点；

根据左上角点、左下角点、右上角点和右下角点的位置对车牌图像进行裁剪，获得只包含车牌的图像，获取只包含车牌的图像的中心点作为车牌位置点，或者通过左上角点和右下角点连线与左下角点与右上角点连线的交点作为车牌位置点。

在本发明的一种优选实施方式中，步骤S35包括：

S351，设置第一阈值Th₁和第二阈值Th₂，且Th₁<Th₂；

S352，对边缘检测图中所有像素点的角点响应值进行双阈值判断，

若像素点的角点响应值大于第二阈值Th₂，则该像素点为角点；

若像素点的角点响应值大于第一阈值Th₁且小于等于第二阈值Th₂，则该像素点为候选角点；

若像素点的角点响应值小于等于第一阈值Th₁，则该像素点不是角点；

S353，对所有候选角点进行非极大抑制处理，提取候选角点中的角点并获取角点位置。

在本实施方式中，第一阈值和第二阈值依赖于边缘检测图中所有像素点的角点响应值中的最大角点响应值和最小角点响应值，第一阈值可为：最小角点响应值+(最大角点响应值-最角点响应值)/3，第二阈值可为：最大角点响应值-(最大角点响应值-最角点响应值)/3。在改进Harris角点检测算法的基础上，使用双阈值来判定角点，并且对候选角点通过非极大抑制处理提取角点，既能降低噪声对算法的影响，减少计算量，提高算法效率，加快车牌定位速度，同时能够减少漏检角点和伪角点，增加检测精度。图7为角点检测图结果，

在本实施方式中，对所有候选角点进行非极大抑制处理，即搜索局部极大值，抑制非极大值，在每个候选角点处可任意选取以该候选角点为中心的n*n 邻域，将该候选角点的角点响应值与邻域中各像素点的角点响应值比较，如果为最大，则该候选角点为角点，否则不是角点。其中，n可为2,3,4等正整数。

在本发明的一种优选实施方式中，所述第一阈值Th₁为图像中所有角点响应值中的最小值加上角点响应值中的最大值与角点响应值中的最小值的差值的三分之一；

和/或第二阈值Th₂为图像中所有角点响应值中的最小值加上角点响应值中的最大值与角点响应值中的最小值的差值的三分之二。

第一阈值和第二阈值基于边缘检测图中最大的角点响应值和最小的角点响应值设定，可以实现阈值的自适应选取和排除人为因素的干扰，达到更精确的角点分割。

在本发明的一种优选实施方式中，步骤S2包括：

S21，利用横向边缘检测掩模对平滑图像进行横向边缘检测，获得横向边缘图；利用纵向边缘检测掩模对平滑图像进行纵向边缘检测，获得纵向边缘图；

S22，合并横向边缘图和纵向边缘图得到边缘检测图。

在本实施方式中，图2所示为边缘检测流程图。利用Robert算子、Sobel算子、Prewitt算子、Laplacian算子，Canny算子之一分别对平滑图像进行横向和纵向边缘检测，得到横向边缘图和纵向边缘图两幅图像。合并横向边缘图和纵向边缘图得到边缘检测图可采用如下方法：比较每个像素点在横向边缘图和纵向边缘图中分别对应的像素值，得到较大像素值，并将该像素点的像素值赋值为较大像素值，依次对所有像素点按照该方法合并，最终得到边缘检测图。分别检测获得横向边缘图和纵向边缘图进行合并获得边缘检测图，其边缘更清晰，有利于角点检测，解决了传统边缘检测算法使用一个或两个掩模对每个像素做两次卷积，并未对横向和纵向边缘进行分别处理，未能达到检测的最佳效果的问题。合并后车牌边缘将更清晰，角点更加明确，便于后续角点检测和车牌定位。

在本发明的一种优选实施方式中，在步骤S21和步骤S22之间还包括：

S23，分别对横向边缘图和纵向边缘图进行形态学处理。

在本实施方式中，边缘检测后的车牌横纵边缘均存在断裂或毛刺，为更好地服务于角点检测，对边缘检测得到的横纵边缘图做形态学处理。形态学有4 个基本操作：腐蚀、膨胀、开操作、闭操作。针对图像断裂，对图像进行膨胀操作，连接断裂部分；针对图像毛刺，对图像进行开操作，去掉毛刺同时保留边缘。图5所示为边缘检测及形态学处理结果图。图6所示为合并边缘图结果。形态学图像处理为一种邻域运算形式，采用邻域结构元素的方法在每个像素位置上邻域结构元素与二值图像对应域进行特定的逻辑运算，逻辑运算的结果为输出图像的相应像素。图像形态学处理的基本运算包括:腐蚀和膨胀、开闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析、流域变换、灰度腐蚀和膨胀、灰度开闭运算、灰度形态学梯度等。最基本的运算是腐蚀和膨胀，其他运算都是定义在这两种运算的基础之上。

利用结构元素B对图像A的膨胀处理定义为：

利用结构元素B对图像A的腐蚀处理定义为：

其中，图像A为横向边缘图或者纵向边缘图，x代表图像A中的每一个像素点，B(x)代表结构元素，Φ为空集，X为图像A经过膨胀或腐蚀后的结果。用 B(x)对A进行腐蚀的结果就是把结构元素B平移后使B包含于A的所有点构成的集合。用B(x)对A进行膨胀的结果就是把结构元素B平移后使B与A的交集非空的点构成的集合。

进行开操作公式如下所示，

表示集合A被结构元素B开操作；

进行闭操作公式如下所示，

表示集合A被结构元素B闭操作。

在本发明的一种优选实施方式中，横向边缘检测掩模和纵向边缘检测掩模分别为：

该横纵向边缘检测掩模计算简单，速度快。

在本发明的一种优选实施方式中，在步骤S22中，合并横向边缘图和纵向边缘图得到边缘检测图的过程为：将边缘检测图中每个像素点的像素值赋值为该像素点位置对应在横向边缘图中的像素值和纵向边缘图中的像素值的和。

在本发明的一种优选实施方式中，提供了一种基于边缘检测和Harris角点检测算法的车牌定位系统，包括输出包含车牌图像的图像获取设备和处理器，图像获取设备的图像输出端与处理器的图像输入端连接，处理器基于上述任一方法对图像获取设备输入图像进行处理完成车牌定位。

在本实施方式中，处理器可选择运算能力强的MCU，为了加快硬件运算速度还可以选择MCU+FPGA的异构方式。图像获取设备可选择设置在需要车牌定位场所处的摄像头，或者与现场摄像头连接的视频图像接收设备，如单片机等。

本系统在进行车牌定位中，运算量少，处理效率高，定位速度快，解决了漏检和伪角点问题，提高了角点检测精度和鲁棒性；可以实现阈值的自适应选取和排除人为因素的干扰，达到更精确的角点分割。

在本发明的一种优选实施方式中，所述图像获取设备为摄像头。

在本实施方式中，摄像头安装在需要监控车牌的现场，可选择高清摄像头。基于现场摄像头提供的图像进行车牌定位，减少了图像中间传播过程，提高了定位速度。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种基于边缘检测和Harris角点检测算法的车牌定位方法，其特征在于，包括如下步骤：

S1，输入图像，对图像进行平滑滤波，获得平滑图像；

S2，对平滑图像进行边缘检测，获得边缘检测图；

S3，对边缘检测图进行角点检测，获取角点位置，根据角点位置完成车牌定位，包括如下过程：

S31，计算边缘检测图中像素点(x，y)在水平方向和竖直方向上的一阶偏导数I_x和I_y，其中，(x,y)为目标像素点坐标；

S32，将指数函数作为窗口函数对协方差矩阵进行平滑滤波，获得像素点(x,y)的自相关矩阵M，所述其中，(u,v)表示其他像素点相对于像素点(x，y)的偏移量；ω_u,v为指数加权窗口函数；

S33，计算像素点(x,y)的角点响应值R，所述R＝det(M)-k×trace²(M)，其中，det(M)为自相关矩阵M的行列式；trace(M)为自相关矩阵M的迹；k为常数，取值范围为0.04≤k≤0.06；

S34，重复步骤S31、S32和S33，直到遍历边缘检测图中所有像素点；

S35，逐一对边缘检测图中所有像素点的角点响应值进行阈值判断，获得角点和角点位置，在角点中寻找出车牌的边缘角点，并利用边缘角点对车牌图像进行裁剪，得到车牌位置，完成车牌定位；

或者S3，包括：

S031，基于边缘检测图中最小像素值和最大像素值，设置第三阈值Th₃和第四阈值Th₄，且Th₃<Th₄；

S032,对边缘检测图中所有像素点的像素值进行双阈值判断，

若像素点的像素值大于第四阈值Th₄，则该像素点为角点；

若像素点的像素值大于第三阈值Th₃且小于等于第四阈值Th₄，则该像素点为候选角点；

若像素点的像素值小于等于第三阈值Th₃，则该像素点不是角点；

S033，判断候选角点各个方向的变化，若各个方向均变化大，则判定该候选角点为角点，否则，判定该候选角点不是角点；

S034，获取所有角点的位置信息，并根据角点位置完成车牌定位。

2.如权利要求1所述的车牌定位方法，其特征在于，在所述步骤S35中，在检测出的角点中，当角点横坐标最小时，找出纵坐标最小和最大的两个角点并分别定义为左下角点和左上角点；当角点横坐标最大时，找出纵坐标最小和最大的两个角点并分别定义为右下角点和右上角点；

根据左上角点、左下角点、右上角点和右下角点的位置对车牌图像进行裁剪，获得只包含车牌的图像，获取只包含车牌的图像的中心点作为车牌位置点，或者通过左上角点和右下角点连线与左下角点与右上角点连线的交点作为车牌位置点。

3.如权利要求1所述的车牌定位方法，其特征在于，所述步骤S35包括：

S351，设置第一阈值Th₁和第二阈值Th₂，且Th₁<Th₂；

S352，对边缘检测图中所有像素点的角点响应值进行双阈值判断，

若像素点的角点响应值大于第二阈值Th₂，则该像素点为角点；

若像素点的角点响应值大于第一阈值Th₁且小于等于第二阈值Th₂，则该像素点为候选角点；

若像素点的角点响应值小于等于第一阈值Th₁，则该像素点不是角点；

S353，对所有候选角点进行非极大抑制处理，提取候选角点中的角点并获取角点位置。

4.如权利要求3所述的车牌定位方法，其特征在于，所述第一阈值Th₁为图像中所有角点响应值中的最小值加上角点响应值中的最大值与角点响应值中的最小值的差值的三分之一；

和/或第二阈值Th₂为图像中所有角点响应值中的最小值加上角点响应值中的最大值与角点响应值中的最小值的差值的三分之二。

5.如权利要求1-4中任一所述的车牌定位方法，其特征在于，所述步骤S2包括：

S21，利用横向边缘检测掩模对平滑图像进行横向边缘检测，获得横向边缘图；利用纵向边缘检测掩模对平滑图像进行纵向边缘检测，获得纵向边缘图；

S22，合并横向边缘图和纵向边缘图得到边缘检测图。

6.如权利要求5所述的车牌定位方法，其特征在于，在所述步骤S21和步骤S22之间还包括：

S23，分别对横向边缘图和纵向边缘图进行形态学处理，所述形态学处理包括膨胀处理、腐蚀处理、开运算处理和闭运算处理。

7.如权利要求5所述的车牌定位方法，其特征在于，所述横向边缘检测掩模和纵向边缘检测掩模分别为：

8.如权利要求5所述的车牌定位方法，其特征在于，在所述步骤S22中，合并横向边缘图和纵向边缘图得到边缘检测图的过程为：将边缘检测图中每个像素点的像素值赋值为该像素点位置对应在横向边缘图中的像素值和纵向边缘图中的像素值的和。

9.一种基于权利要求1-8中任一所述方法进行车牌定位的系统，其特征在于，包括输出包含车牌图像的图像获取设备和处理器，所述图像获取设备的图像输出端与处理器的图像输入端连接，处理器基于权利要求1-8中任一所述方法对图像获取设备输入图像进行处理完成车牌定位。

10.如权利要求9所述的车牌定位系统，其特征在于，所述图像获取设备为摄像头。