CN109447079B - 一种基于模板概率密度函数的车牌定位方法 - Google Patents
一种基于模板概率密度函数的车牌定位方法 Download PDFInfo
- Publication number
- CN109447079B CN109447079B CN201811316869.1A CN201811316869A CN109447079B CN 109447079 B CN109447079 B CN 109447079B CN 201811316869 A CN201811316869 A CN 201811316869A CN 109447079 B CN109447079 B CN 109447079B
- Authority
- CN
- China
- Prior art keywords
- license plate
- color
- sliding window
- probability density
- feature
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (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 Analysis (AREA)
- Character Input (AREA)
Abstract
本发明主要提供了一种基于模板概率密度函数的车牌定位方法,包括如下步骤:步骤1)利用Harris角点检测结果,进行车牌特征“几何特征滤波”;步骤2)利用RGB颜色空间,进行车牌“颜色特征滤波”;步骤3)利用图像二值化提取车牌字符区域,进行“车牌字符结构特征滤波”建立车牌“候选区域”;步骤4)利用车牌字符结构分布建立“车牌模板概率密度函数”,在候选区域内进行最大概率定位。采用本发明方法,可克服车身广告等非车牌文字、字符的噪音干扰,有效地提高了车牌定位的准确性与可靠性。
Description
技术领域:
本发明涉及车牌图像定位与检测技术,尤其涉及一种基于模板概率密度函数的车牌定位方法。
背景技术:
对于面向图像处理的车牌定位与检测方法来说,利用单一的车牌特征很难获取准确的定位与检测效果。尤其是车身上的非车牌的字符信息,例如车身广告等。常常对车牌的定位与检测产生严重的干扰。因此,如何有效地从车牌信息中提取多种有效的特征,并且进行优化组合、综合利用才能获取准确的定位效果,是车牌定位与检测中亟待解决的问题。
发明内容:
为了解决上述问题,本发明的主要目的在于提供一种基于模板概率密度函数的车牌定位方法,能够有效地减少车身广告等对于车牌定位与检测的影响。
为达到上述目的,本发明的技术方案是:一种基于模板概率密度函数的车牌定位方法,包括如下步骤:
步骤1)利用Harris角点检测结果,进行车牌特征的几何特征滤波;
步骤2)利用车牌训练样本,在RGB颜色空间进行车牌的颜色特征滤波;
步骤3)求取经过二次滤波后产生的候选区域的二值化图像;
步骤4)利用车牌字符结构分布建立车牌模板概率密度函数,在候选区域内进行车牌最大概率定位。
作为优选,所述步骤1)中,利用车牌区域Harris特征点的空间分布特点进行数学建模,对可能出现车牌的区域进行滤波,当高为h宽为w的滑动窗口中检测到的Harris特征点的数目N大于阈值TN,并且这些特征点的几何重心G’与滑动窗口的重心G0之间的距离小于阈值TG的时候,可认为该区域为车牌区域,检测方法如式(1):
其中,
在式(2)中,(xi,yi)代表着滑动窗口中提取的第i个特征点的坐标;(x’,y’)代表着滑动窗口内的特征点集合的重心,dist(G′,G0)代表着Harris特征点的几何重心G’与滑动窗口的重心G0之间的距离。
作为优选,所述步骤2)中利用RGB颜色空间进行车牌颜色特征滤波,首先计算候选区域的颜色特征测试样本ftest与6个颜色子空间中心特征ftrain的距离,如果测试样本特征与最相似的子空间特征的距离小于阈值TC,那么该区域被判断为车牌,否则被判断为背景,颜色特征滤波过程为:
在式(4)中,代表着滑动窗口的测试颜色特征向量与训练样本颜色特征向量之间的距离,ftest为候选区域滑动窗口提取的颜色特征向量;i*代表滑动窗口的测试特征ftest与6个训练样本颜色子空间的特征向量ftrain中距离最近的颜色子空间的索引值,代表训练样本的第i个颜色子空间的中心颜色特征向量。
作为优选,求取的步骤为:首先,提取所有车牌训练样本的RGB颜色直方图特征;然后,利用K-Means聚类算法将所有训练样本的RGB颜色特征自动分割成6个颜色子空间,每个颜色子空间中的中心颜色向量即确定为
作为优选,步骤3)的内容为:首先,彩色图像被车牌字体颜色阈值分割为二值图像;然后,利用水平方向的投影判断出在滑动窗口中所包含的二值图像是否存在着6个字符间隔,若有,判断为车牌候选区域。
作为优选,所述步骤4)的具体内容为:
根据中国标准车牌图像中字符结构和尺寸比例信息,建立的车牌模板概率密度检测模型为:
式(5)中,xi代表滑动窗口所对应的第i个模板概率函数的输入变量;每个模板概率密度函数p(x|λi)都服从正态分布;μ1代表标准车牌中最大字符间隔与车牌总长度的比例;μ2代表标准车牌中最大字符间隔前半与后边车牌长度的比例,μ3代表标准车牌中汉字符宽度与车牌总长度的比例,μ4代表标准车牌中汉字符宽度与前半车牌长度的比例,μ5代表标准车牌垂直几何中心,σi代表着第i个模板概率密度函数正太分布的标准差,根据式(5)求取候选区域内的最大模板概率密度函数值所对应的滑动窗口的位置就是最终车牌定位的结果。
有益效果,本发明揭示的一种基于模板概率密度函数的车牌定位方法,具有如下有益效果:本定位方法能够有效地减少车身图像存在的非车牌字符,例如广告等对车牌定位与检测的准确性的影响,具有较高的稳定性。
附图说明:
图1为本发明定位方法的流程图;
图2为车牌训练样本颜色特征经过KMEAS聚类后,每个颜色子空间中心对应的样本图像;
图3为本发明中步骤3)所描绘的车牌二值图像提取示意图;
图4为本发明的模板概率函数所对应的车牌尺寸比例参数示意图;
图5为本发明的模板概率函数值与车牌位置关系实例。
具体实施方式:
下面结合本发明所提供的附图对本发明的技术作进一步说明:
如图1所示,一种基于模板概率密度函数的车牌定位方法,包括如下步骤:
步骤1)利用Harris角点检测结果,进行车牌特征的几何特征滤波;
由于车牌中存在着等间距的字符,而Harris角点多出现在字符边缘上曲率变化较大的位置上,因此,车牌区域的Harris特征点相对于车尾其他部分集中并且比较均匀。利用Harris角点检测结果,进行车牌特征“几何特征滤波”;利用车牌区域Harris特征点的空间分布特点进行数学建模,然后,对可能出现车牌的区域进行滤波。具体方法如式(1)所示:当高为h宽为w的滑动窗口中检测到的Harris特征点的数目N大于阈值TN,并且这些特征点的几何重心G’与滑动窗口的重心G0之间的距离小于阈值TG的时候,可认为该区域为车牌区域。
其中,
在式(2)中,(xi,yi)代表着滑动窗口中提取的第i个特征点的坐标;(x’,y’)代表着滑动窗口内的特征点集合的重心,dist(G′,G0)代表着Harris特征点的几何重心G’与滑动窗口的重心G0之间的距离。
步骤2:利用车牌训练样本,在RGB颜色空间进行车牌“颜色特征滤波”,具体内容为:
利用RGB颜色空间进行车牌颜色特征滤波,首先计算候选区域的颜色特征测试样本ftest与6个颜色子空间中心特征ftrain的距离,如果测试样本特征与最相似的子空间特征的距离小于阈值TC,那么该区域被判断为车牌,否则被判断为背景,颜色特征滤波过程为:
在式(4)中,代表着滑动窗口的测试颜色特征向量与训练样本颜色特征向量之间的距离,ftest为候选区域滑动窗口提取的颜色特征向量;i*代表滑动窗口的测试特征ftest与6个训练样本颜色子空间的特征向量ftrain中距离最近的颜色子空间的索引值,代表训练样本的第i个颜色子空间的中心颜色特征向量。
图2给出了经过利用K-Means算法聚类后,每一个颜色子空间中心对应的车牌样本图像。
步骤3:求取经过二次滤波后产生的候选区域的二值化图像,具体内容为:
首先,彩色图像被车牌字体颜色(白色、黑色)阈值分割为二值图像;然后,利用水平方向的投影判断出在滑动窗口中所包含的二值图像是否存在着6个字符间隔。若有,判断为车牌候选区域,如图3所示。
步骤4:利用车牌字符结构分布建立“车牌模板概率密度函数”,在候选区域内进行车牌最大概率定位,具体内容为:
根据中国标准车牌图像中字符结构和尺寸比例信息,如图4所示,建立的车牌模板概率密度检测模型为:
式(5)中,xi代表滑动窗口所对应的第i个模板概率函数的输入变量;每个模板概率密度函数p(x|λi)都服从正态分布;μ1代表标准车牌中最大字符间隔与车牌总长度的比例L1/L0;μ2代表标准车牌中最大字符间隔前半与后边车牌长度的比例L2/L3,μ3代表标准车牌中汉字符宽度与车牌总长度的比例L4/L9,μ4代表标准车牌中汉字符宽度与前半车牌长度的比例L4/L2,μ5代表标准车牌垂直几何中心0.5L5,σi代表着第i个模板概率密度函数正太分布的标准差。
根据式(5)求取候选区域内的最大模板概率密度函数值所对应的滑动窗口的位置就是最终车牌定位的结果,如图5所示。
为了验证本文发明方法的有效性,实验测试图像数据由南通交警支队在市区主干路口的5000张1920x1080的车辆抓拍图像组成,其中车牌部分最大分辨率为20x74,实验数据被统一分成两个部分:2500张作为各个比较方法的训练图像数据,其余2500张用于测试图像数据,表1统计出了不同算法的测试结果。各性能指标定义如下:(1)车牌定位准确率(准确率):检测到车牌矩形面积与ground truth之间重合的比例超过95%的车牌定位数目与待测图像数据总数的比例。(2)漏检:漏检的车牌数量与待测车牌图像总数的比例。
(3)误检:错误检测的车牌数量与待测车牌图像总数的比例。
相比传统方法,本发明方法具有更高的准确率,更低的误检,更低的漏检。比较结果如下:准确率数值越高,误检数值越低,漏检数值越低,表明定位方法性能越好,由数值对比可知本发明方法的性能优越性。
表1.本发明方法与传统方法车牌定位性能客观评价对比
方法 | 漏检(%) | 误检(%) | 准确率(%) |
颜色特征方法 | 7.2 | 1.44 | 90.6 |
Adaboost方法 | 12.64 | 20.8 | 90.4 |
边缘与颜色特征方法 | 9.48 | 1.6 | 92.1 |
本发明的方法 | 3.8 | 0.48 | 98.5 |
本发明的技术内容及技术特征已揭示如上,然而熟悉本领域的技术人员仍可能基于本发明的揭示而作种种不背离本发明精神的替换及修饰,因此,本发明保护范围应不限于实施例所揭示的内容,而应包括各种不背离本发明的替换及修饰,并为本专利申请权利要求所涵盖。
Claims (2)
1.一种基于模板概率密度函数的车牌定位方法,其特征在于,包括如下步骤:
步骤1)利用Harris角点检测结果,进行车牌特征的几何特征滤波;利用车牌区域Harris特征点的空间分布特点进行数学建模,对可能出现车牌的区域进行滤波,当高为h宽为w的滑动窗口中检测到的Harris特征点的数目N大于阈值TN,并且这些特征点的几何重心G’与滑动窗口的重心G0之间的距离小于阈值TG的时候,认为该区域为车牌区域,检测方法如式(1):
其中,
在式(2)中,(xi,yi)代表着滑动窗口中提取的第i个特征点的坐标;(x’,y’)代表着滑动窗口内的特征点集合的重心,dist(G′,G0)代表着Harris特征点的几何重心G’与滑动窗口的重心G0之间的距离;
步骤2)利用车牌训练样本,在RGB颜色空间进行车牌的颜色特征滤波;利用RGB颜色空间进行车牌颜色特征滤波,首先计算候选区域的颜色特征测试样本ftest与6个颜色子空间中心特征ftrain的距离,如果测试样本特征与最相似的子空间特征的距离小于阈值TC,那么该区域被判断为车牌,否则被判断为背景,颜色特征滤波过程为:
在式(4)中,代表着滑动窗口的测试颜色特征向量与训练样本颜色特征向量之间的距离,ftest为候选区域滑动窗口提取的颜色特征向量;i*代表滑动窗口的测试特征ftest与6个训练样本颜色子空间的特征向量ftrain中距离最近的颜色子空间的索引值,代表训练样本的第i个颜色子空间的中心颜色特征向量;
步骤3)求取经过二次滤波后产生的候选区域的二值化图像;首先,彩色图像被车牌字体颜色阈值分割为二值图像;然后,利用水平方向的投影判断出在滑动窗口中所包含的二值图像是否存在着6个字符间隔,若有,判断为车牌候选区域;
步骤4)利用车牌字符结构分布建立车牌模板概率密度函数,在候选区域内进行车牌最大概率定位;具体内容为:根据中国标准车牌图像中字符结构和尺寸比例信息,建立的车牌模板概率密度检测模型为:
式(5)中,xi代表滑动窗口所对应的第i个模板概率函数的输入变量;每个模板概率密度函数p(x|λi)都服从正态分布;μ1代表标准车牌中最大字符间隔与车牌总长度的比例;μ2代表标准车牌中最大字符间隔前半与后边车牌长度的比例,μ3代表标准车牌中汉字符宽度与车牌总长度的比例,μ4代表标准车牌中汉字符宽度与前半车牌长度的比例,μ5代表标准车牌垂直几何中心,σi代表着第i个模板概率密度函数正太分布的标准差,根据式(5)求取候选区域内的最大模板概率密度函数值所对应的滑动窗口的位置就是最终车牌定位的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316869.1A CN109447079B (zh) | 2018-11-06 | 2018-11-06 | 一种基于模板概率密度函数的车牌定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316869.1A CN109447079B (zh) | 2018-11-06 | 2018-11-06 | 一种基于模板概率密度函数的车牌定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447079A CN109447079A (zh) | 2019-03-08 |
CN109447079B true CN109447079B (zh) | 2022-02-08 |
Family
ID=65551338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811316869.1A Active CN109447079B (zh) | 2018-11-06 | 2018-11-06 | 一种基于模板概率密度函数的车牌定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447079B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102226907A (zh) * | 2011-05-24 | 2011-10-26 | 武汉嘉业恒科技有限公司 | 基于多特征的车牌定位方法及装置 |
CN107220993A (zh) * | 2017-04-25 | 2017-09-29 | 西北工业大学 | 基于Mean shift聚类的粒子滤波机动目标追踪算法 |
-
2018
- 2018-11-06 CN CN201811316869.1A patent/CN109447079B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102226907A (zh) * | 2011-05-24 | 2011-10-26 | 武汉嘉业恒科技有限公司 | 基于多特征的车牌定位方法及装置 |
CN107220993A (zh) * | 2017-04-25 | 2017-09-29 | 西北工业大学 | 基于Mean shift聚类的粒子滤波机动目标追踪算法 |
Non-Patent Citations (1)
Title |
---|
License plate localization based on a probabilistic model;Rami Al-Hmouz等;《Machine Vision and Applications》;20080930(第21期);第319–330页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109447079A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10255691B2 (en) | Method and system of detecting and recognizing a vehicle logo based on selective search | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
CN103699905B (zh) | 一种车牌定位方法及装置 | |
CN103034848B (zh) | 一种表单类型的识别方法 | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
CN103810474A (zh) | 一种基于多特征低秩矩阵表示的车牌检测方法 | |
US8908921B2 (en) | Object detection method and object detector using the method | |
CN104361343A (zh) | 车辆类型识别方法及其装置 | |
CN104809481A (zh) | 一种基于自适应色彩聚类的自然场景文本检测的方法 | |
CN107194393B (zh) | 一种检测临时车牌的方法及装置 | |
CN104091157A (zh) | 一种基于特征融合的行人检测方法 | |
CN106650567B (zh) | 一种安全带检测方法和装置 | |
CN103268481A (zh) | 一种复杂背景图像中的文本提取方法 | |
Prates et al. | Brazilian license plate detection using histogram of oriented gradients and sliding windows | |
EP3493103A1 (en) | Human body gender automatic recognition method and apparatus | |
CN112257541A (zh) | 车牌识别方法以及电子设备、计算机可读存储介质 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN114140669A (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
CN109858438A (zh) | 一种基于模型拟合的车道线检测方法 | |
CN116052152A (zh) | 一种基于轮廓检测和深度神经网络的车牌识别系统 | |
CN105447457A (zh) | 一种基于自适应特征的车牌字符识别方法 | |
CN108520252B (zh) | 基于广义霍夫变换和小波变换的路标识别方法 | |
CN109447079B (zh) | 一种基于模板概率密度函数的车牌定位方法 | |
CN116434071A (zh) | 一种规整化建筑掩膜的确定方法、确定装置、设备及介质 | |
CN108647679B (zh) | 一种基于车窗粗定位的车标识别方法 |
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 |