CN111027544A - 一种基于视觉显著性检测的mser车牌定位方法及系统 - Google Patents
一种基于视觉显著性检测的mser车牌定位方法及系统 Download PDFInfo
- Publication number
- CN111027544A CN111027544A CN201911206430.8A CN201911206430A CN111027544A CN 111027544 A CN111027544 A CN 111027544A CN 201911206430 A CN201911206430 A CN 201911206430A CN 111027544 A CN111027544 A CN 111027544A
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- mser
- region
- candidate character
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000000007 visual effect Effects 0.000 title claims abstract description 24
- 230000004931 aggregating effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于视觉显著性检测的MSER车牌定位方法及系统,其通过获取待检测图像的显著性特征,对待检测图像进行分割以获取分割图像,对比显著性特征和分割图像提取待检测图像的目标主体数据,以得到目标主体图像;对目标主体图像进行边缘增强,提取目标主体图像的最大极值稳定区域;利用分类器判断所述最大极值稳定区域为字符区域的概率,概率大于预设阈值时,判断最大极值稳定区域为候选字符区域,聚合候选字符区域定位车牌位置,从而一方面采用显著性检测去除不包含车牌的背景信息,避免产生多余的非字符稳定区域;另一方面进行图像边缘增强,提升了字符MSER区域的效果,从而提高搜索字符区域的准确性,达到精准定位车牌的效果。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于视觉显著性检测的MSER车牌定位方法及系统。
背景技术
车牌识别是现代智能交通系统中的重要组成部分之一,应用十分广泛。其中车牌定位作为车牌识别过程中关键的一步,从复杂的车辆抓拍图片中,精准的定位出车牌区域,直接影响车牌识别的效果,因此车牌定位一直是车牌识别领域研究的热点。受车牌背景复杂、图片分辨率、车牌区域变形和光线不均匀等众多不利因素的影响,使车牌定位的难度增加,因此许多研究者提出了有关车牌定位的方法。
近年来部分研究者不断对传统车牌定位方法进行改进和融合,进而提高车牌定位的准确性,然而还是较依赖车牌的颜色、纹理、边缘信息,不能进行有效的定位,特别是当图片背景复杂、图片分辨率低、车牌失真情况下,各有一定的局限性。车牌定位主要的流程是先对车辆抓拍图片预处理,去掉一些噪声和污点,增强图片细节部分,然后根据车牌结构进行特征提取和搜索车牌区域,最后去掉干扰区域定位字符区域。所以在预处理、特征提取和字符定位这三个关键步骤中进行研究和改进,能够非常有效的提升车牌定位的准确性。
近年来,视觉显著性检测相关研究通过智能算法模拟人的视觉特点,提取图像中的显著区域。Radhakrishna Achanta等人提出的FT(Frequency-tuned salient RegionDetection)显著性检测,从频域角度分析处理图像,主要提取反映图像整体结构的低频信息,如物体的轮廓,使获得的显著图更能反映出图像的主体目标信息。Matas等人提出的MSER(Maximally Stable Extremal Regions)检测,作为一种检测图像中文本区域的方法,具有仿射不变性、强稳定性和鲁棒性,已被广泛应用于图像处理相关领域,Comaniciu等人提出Mean-shift分割提取图像聚类相似区域。而在车牌定位处理方面,采用MSER检测字符往往会受待检测图片的背景影响,导致产生冗余无效的非字符区域,影响到最终的车牌定位精确度。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于视觉显著性检测的MSER车牌定位方法及系统,其通过对比显著性特征和分割图像提取待检测图像的目标主体数据,对目标主体图像进行边缘增强,提取目标主体图像的最大极值稳定区域,判断所述最大极值稳定区域为候选字符区域,聚合候选字符区域定位车牌位置。
为实现上述目的,按照本发明的一个方面,提供了一种基于视觉显著性检测的MSER车牌定位方法,包括如下步骤:
S1.获取待检测图像的显著性特征,对待检测图像进行分割以获取分割图像,对比显著性特征和分割图像提取待检测图像的目标主体数据,以得到目标主体图像;
S2.对目标主体图像进行边缘增强,提取目标主体图像的最大极值稳定区域;
S3.利用分类器判断最大极值稳定区域为字符区域的概率,概率大于预设阈值时,判断最大极值稳定区域为候选字符区域,聚合候选字符区域定位车牌位置。
作为本发明的进一步改进,采用FT显著性检测方法获取待检测图像的显著性特征,其中,待检测图像的显著性特征S(x,y)为:
作为本发明的进一步改进,采用Mean-shift分析方法对待检测图像进行分割以获取分割图像,具体为:
利用模点搜索找到每个数据点的分类中心点,以分类中心点的颜色更换模点颜色,同时利用模点聚类合并相似区域。
作为本发明的进一步改进,步骤S2具体为:
对目标主体图像采用边缘增强,即采用Laplacian变换提取边缘图像,与原图叠加得到边缘增强图像,对边缘增强图像进行滤波后提取MSER区域,以得到目标主体图像的最大极值稳定区域。
作为本发明的进一步改进,对边缘增强图像进行滤波后提取MSER区域后,根据MSER区域的大小和设定的车牌字符大小对比进行粗筛选,去掉明显不符合车牌字符大小的区域,同时去掉字符区域的重叠部分,以得到目标主体图像的最大极值稳定区域。
作为本发明的进一步改进,步骤S3具体为:
采用训练好的字符分类器,对所述最大极值稳定区域进行分类判别,确定M所述最大极值稳定区域为字符的概率,筛选出概率大于预设阈值的最大极值稳定区域,将最大极值稳定区域判定为候选字符区域。
作为本发明的进一步改进,聚合候选字符区域定位车牌位置的具体过程为:根据确定的候选字符区域,计算最左和最右的候选字符区域的距离作为车牌可能的最小宽度,将候选字符区域中高度最大的作为车牌可能的最小高度,以最小宽度和最小高度最为候选字符区域的外边框,将所有的候选字符区域聚合在外边框内精准定位车牌。
为实现上述目的,按照本发明的另一个方面,提供了一种基于视觉显著性检测的MSER车牌定位系统,其包括目标主体图像获取模块、最大极值稳定区域获取模块和车牌位置定位模块,
目标主体图像获取模块用于获取待检测图像的显著性特征,对待检测图像进行分割以获取分割图像,对比显著性特征和分割图像提取待检测图像的目标主体数据,以得到目标主体图像;
最大极值稳定区域获取模块用于对目标主体图像进行边缘增强,提取目标主体图像的最大极值稳定区域;
车牌位置定位模块用于利用分类器判断最大极值稳定区域为字符区域的概率,概率大于预设阈值时,判断最大极值稳定区域为候选字符区域,聚合候选字符区域定位车牌位置,以使得该系统实现上述方法的步骤。
为实现上述目的,按照本发明的另一个方面,提供了一种终端设备,其包括至少一个处理单元、以及至少一个存储单元,其中,存储单元存储有计算机程序,当程序被处理单元执行时,使得处理单元执行上述方法的步骤。
为实现上述目的,按照本发明的另一个方面,提供了一种计算机可读介质,其存储有可由终端设备执行的计算机程序,当程序在终端设备上运行时,使得终端设备执行上方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明的一种基于视觉显著性检测的MSER车牌定位方法及系统,其通过对比显著性特征和分割图像提取待检测图像的目标主体数据,对目标主体图像进行边缘增强,提取目标主体图像的最大极值稳定区域,判断所述最大极值稳定区域为候选字符区域,聚合候选字符区域定位车牌位置,从而一方面采用显著性检测去除不包含车牌的背景信息,避免产生多余的非字符稳定区域;另一方面进行图像边缘增强,提升了字符MSER区域的效果,从而提高搜索字符区域的准确性,达到精准定位车牌的效果。
本发明的一种基于视觉显著性检测的MSER车牌定位方法及系统,其通过FT显著性特征检测获取显著图像,提取反映出图像主体目标特征显著图,采用Mean-shift分割方法,聚类局部相似区域,同时保留边缘差异较大的特征,联合显著图和分割图像,采用自适应阈值,提取目标主体区域,从而去除图片背景,然后进行图像边缘增强,起到抑制噪声和增加边缘对比度的作用,保留了车牌字符的梯度信息,进一步凸显车牌字符边缘特征,符合最大稳定极值区域的特性,有助于提取更有效的MSER区域。
本发明的一种基于视觉显著性检测的MSER车牌定位方法及系统,其通过粗筛选MSER区域,并采用字符分类器,判断MSER区域是字符的概率,提升字符定位的准确性。
附图说明
图1是本发明实施例的基于视觉显著性检测的MSER车牌定位方法的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
本发明相关术语解释如下:
MSER:Maximally Stable Extremal Regions,最大稳定极值区域。
图1是本发明实施例的基于视觉显著性检测的MSER车牌定位方法的示意图。如图1所示,一种基于视觉显著性检测的MSER车牌定位方法,其包括如下步骤:
S1.对待检测图像进行显著性特征检测以获取待检测图像的显著性特征,对待检测图像进行分割以获取分割图像,对比该显著性特征和分割图像提取待检测图像的目标主体数据,以得到目标主体图像;
作为一个优选的实施例,可以采取FT显著性检测方法获取待检测图像的显著性特征,作为示例,可以采用窗口大小为3×3的高斯滤波器,其中,待检测图像的显著性特征S(x,y)表示如下:
当然,FT显著性检测方法获取待检测图像的显著性特征仅为一个示例,也可以采取其他方式提取待检测图像的显著性特征,如LC算法、AC算法也可实现显著性特性提取。
作为一个优选的实施例,可以采用Mean-shift分析方法获取分割图像G(x,y),达到聚类局部相似区域,同时保留边缘差异较大特征的效果,具体为:
利用模点搜索找到每个数据点的分类中心点,以分类中心点的颜色更换模点颜色,同时利用模点聚类合并相似区域。通过模点搜索找到每个数据点的分类中心,以中心的颜色代替自己的颜色。但模点搜索得到的模点太多,并且很多模点挨得很近,如果将每个模点都作为一类的话,类别太多,容易产生过分割,然后在模点聚类合并掉一些模点,也就是合并相似区域。
S2.对目标主体图像进行边缘增强,提取目标主体图像的最大极值稳定区域;
具体地,对目标主体图像T采用边缘增强,先是Laplacian变换提取边缘图像Ts,然后与原图像Iu叠加,获取边缘增强图像M,对边缘增强图像进行滤波后提取MSER区域即为目标主体图像的最大极值稳定区域;
作为一个优选的方案,对边缘增强图像进行滤波后提取MSER区域后,根据MSER区域的大小和设定的车牌字符大小对比进行粗筛选,去掉明显不符合车牌字符大小的区域,同时去掉字符区域的重叠部分,以得到目标主体图像的最大极值稳定区域。
S3.利用分类器判断该最大极值稳定区域为字符区域的概率,该概率大于预设阈值时,判断该最大极值稳定区域为候选字符区域,聚合候选字符区域定位车牌位置。
作为一个示例,采用训练好的字符分类器,对粗选出的字符区域分类判别,确定MSER区域是字符的概率大小,筛选出概率大于预设阈值(作为一个示例,该阈值可以为0.9)的最大极值稳定区域,将最大极值稳定区域判定为候选字符区域;
如果仅采用MSER字符检测定位的候选字符区域,则会将其他非字符区域定位成了车牌字符,因而利用分类器可以有效地提升车牌定位的准确性。
作为一个示例,聚合候选字符区域定位车牌位置的具体过程为:根据确定的候选字符区域,计算最左和最右的候选字符区域的距离作为车牌可能的最小宽度,将候选字符区域中高度最大的作为车牌可能的最小高度,以最小宽度和最小高度最为候选字符区域的外边框,将所有的候选字符区域聚合在外边框内精准定位车牌。
一种基于视觉显著性检测的MSER车牌定位系统,其包括目标主体图像获取模块、最大极值稳定区域获取模块和车牌位置定位模块,其中,
目标主体图像获取模块用于获取待检测图像的显著性特征,对待检测图像进行分割以获取分割图像,对比显著性特征和分割图像提取待检测图像的目标主体数据,以得到目标主体图像;
作为一个优选的实施例,可以采取FT显著性检测方法获取待检测图像的显著性特征,作为示例,可以采用窗口大小为3×3的高斯滤波器,其中,待检测图像的显著性特征S(x,y)表示如下:
当然,FT显著性检测方法获取待检测图像的显著性特征仅为一个示例,也可以采取其他方式提取待检测图像的显著性特征,如LC算法、AC算法也可实现显著性特性提取。
作为一个优选的实施例,可以采用Mean-shift分析方法获取分割图像G(x,y),达到聚类局部相似区域,同时保留边缘差异较大特征的效果,具体为:
利用模点搜索找到每个数据点的分类中心点,以分类中心点的颜色更换模点颜色,同时利用模点聚类合并相似区域。通过模点搜索找到每个数据点的分类中心,以中心的颜色代替自己的颜色。但模点搜索得到的模点太多,并且很多模点挨得很近,如果将每个模点都作为一类的话,类别太多,容易产生过分割,然后在模点聚类合并掉一些模点,也就是合并相似区域。
最大极值稳定区域获取模块用于对目标主体图像进行边缘增强,提取目标主体图像的最大极值稳定区域;
具体地,对目标主体图像T采用边缘增强,先是Laplacian变换提取边缘图像Ts,然后与原图像Iu叠加,获取边缘增强图像M,对边缘增强图像进行滤波后提取MSER区域即为目标主体图像的最大极值稳定区域;
作为一个优选的方案,对边缘增强图像进行滤波后提取MSER区域后,根据MSER区域的大小和设定的车牌字符大小对比进行粗筛选,去掉明显不符合车牌字符大小的区域,同时去掉字符区域的重叠部分,以得到目标主体图像的最大极值稳定区域。
车牌位置定位模块用于利用分类器判断最大极值稳定区域为字符区域的概率,所述概率大于预设阈值时,判断最大极值稳定区域为候选字符区域,聚合候选字符区域定位车牌位置。
作为一个示例,采用训练好的字符分类器,对粗选出的字符区域分类判别,确定MSER区域是字符的概率大小,筛选出概率大于预设阈值(作为一个示例,该阈值可以为0.9)的最大极值稳定区域,将最大极值稳定区域判定为候选字符区域;
如果仅采用MSER字符检测定位的候选字符区域,则会将其他非字符区域定位成了车牌字符,因而利用分类器可以有效地提升车牌定位的准确性。
作为一个示例,聚合候选字符区域定位车牌位置的具体过程为:根据确定的候选字符区域,计算最左和最右的候选字符区域的距离作为车牌可能的最小宽度,将候选字符区域中高度最大的作为车牌可能的最小高度,以最小宽度和最小高度最为候选字符区域的外边框,将所有的候选字符区域聚合在外边框内精准定位车牌。
一种终端设备,其包括至少一个处理单元、以及至少一个存储单元,其中,存储单元存储有计算机程序,当程序被处理单元执行时,使得处理单元执行上述方法的步骤。
一种计算机可读介质,其存储有可由终端设备执行的计算机程序,当程序在终端设备上运行时,使得终端设备执行上方法的步骤。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于视觉显著性检测的MSER车牌定位方法,其特征在于,包括如下步骤:
S1.获取待检测图像的显著性特征,对待检测图像进行分割以获取分割图像,对比所述显著性特征和分割图像提取待检测图像的目标主体数据,以得到目标主体图像;
S2.对目标主体图像进行边缘增强,提取目标主体图像的最大极值稳定区域;
S3.利用分类器判断所述最大极值稳定区域为字符区域的概率,所述概率大于预设阈值时,判断所述最大极值稳定区域为候选字符区域,聚合候选字符区域定位车牌位置。
3.根据权利要求1或2所述的一种基于视觉显著性检测的MSER车牌定位方法,其特征在于,采用Mean-shift分析方法对待检测图像进行分割以获取分割图像,具体为:
利用模点搜索找到每个数据点的分类中心点,以分类中心点的颜色更换模点颜色,同时利用模点聚类合并相似区域。
4.根据权利要求1所述的一种基于视觉显著性检测的MSER车牌定位方法,其特征在于,步骤S2具体为:
对目标主体图像采用边缘增强,即采用Laplacian变换提取边缘图像,与原图叠加得到边缘增强图像,对边缘增强图像进行滤波后提取MSER区域,以得到目标主体图像的最大极值稳定区域。
5.根据权利要求4所述的一种基于视觉显著性检测的MSER车牌定位方法,其特征在于,对边缘增强图像进行滤波后提取MSER区域后,根据MSER区域的大小和设定的车牌字符大小对比进行粗筛选,去掉明显不符合车牌字符大小的区域,同时去掉字符区域的重叠部分,以得到目标主体图像的最大极值稳定区域。
6.根据权利要求1所述的一种基于视觉显著性检测的MSER车牌定位方法,其特征在于,步骤S3具体为:
采用训练好的字符分类器,对所述最大极值稳定区域进行分类判别,确定M所述最大极值稳定区域为字符的概率,筛选出概率大于预设阈值的最大极值稳定区域,将最大极值稳定区域判定为候选字符区域。
7.根据权利要求1所述的一种基于视觉显著性检测的MSER车牌定位方法,其特征在于,所述聚合候选字符区域定位车牌位置的具体过程为:根据确定的候选字符区域,计算最左和最右的候选字符区域的距离作为车牌可能的最小宽度,将候选字符区域中高度最大的作为车牌可能的最小高度,以最小宽度和最小高度最为候选字符区域的外边框,将所有的候选字符区域聚合在外边框内精准定位车牌。
8.一种基于视觉显著性检测的MSER车牌定位系统,其包括目标主体图像获取模块、最大极值稳定区域获取模块和车牌位置定位模块,其特征在于,
目标主体图像获取模块用于获取待检测图像的显著性特征,对待检测图像进行分割以获取分割图像,对比所述显著性特征和分割图像提取待检测图像的目标主体数据,以得到目标主体图像;
最大极值稳定区域获取模块用于对目标主体图像进行边缘增强,提取目标主体图像的最大极值稳定区域;
车牌位置定位模块用于利用分类器判断所述最大极值稳定区域为字符区域的概率,所述概率大于预设阈值时,判断所述最大极值稳定区域为候选字符区域,聚合候选字符区域定位车牌位置,以使得所述系统实现权利要求1~7任一权利要求所述方法的步骤。
9.一种终端设备,其特征在于,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行权利要求1~7任一权利要求所述方法的步骤。
10.一种计算机可读介质,其特征在于,其存储有可由终端设备执行的计算机程序,当所述程序在终端设备上运行时,使得所述终端设备执行权利要求1~7任一权利要求所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206430.8A CN111027544B (zh) | 2019-11-29 | 2019-11-29 | 一种基于视觉显著性检测的mser车牌定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206430.8A CN111027544B (zh) | 2019-11-29 | 2019-11-29 | 一种基于视觉显著性检测的mser车牌定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027544A true CN111027544A (zh) | 2020-04-17 |
CN111027544B CN111027544B (zh) | 2023-09-29 |
Family
ID=70207774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911206430.8A Active CN111027544B (zh) | 2019-11-29 | 2019-11-29 | 一种基于视觉显著性检测的mser车牌定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027544B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862190A (zh) * | 2020-07-10 | 2020-10-30 | 北京农业生物技术研究中心 | 自动测量离体植物软腐病斑面积的方法及装置 |
CN112580629A (zh) * | 2020-12-23 | 2021-03-30 | 深圳市捷顺科技实业股份有限公司 | 一种基于深度学习的车牌字符识别方法以及相关装置 |
CN114220101A (zh) * | 2021-11-25 | 2022-03-22 | 慧之安信息技术股份有限公司 | 减小自然光线变化对车牌标识物提取干扰的方法与系统 |
CN114743025A (zh) * | 2022-03-18 | 2022-07-12 | 北京理工大学 | 基于灰度稳定性的提高抗干扰性能的目标显著性检测方法 |
CN118657780A (zh) * | 2024-08-21 | 2024-09-17 | 闽南理工学院 | 一种印花瓶缺陷检测方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
US20120106802A1 (en) * | 2010-10-29 | 2012-05-03 | National Chiao Tung University | Vehicle license plate recognition method and system thereof |
CN104268550A (zh) * | 2014-09-18 | 2015-01-07 | 鲁路平 | 特征提取方法及装置 |
CN104834926A (zh) * | 2015-04-09 | 2015-08-12 | 孙晓航 | 一种字符区域提取方法及系统 |
US20160358035A1 (en) * | 2015-06-04 | 2016-12-08 | Omron Corporation | Saliency information acquisition device and saliency information acquisition method |
CN107122732A (zh) * | 2017-04-25 | 2017-09-01 | 福州大学 | 一种监控场景下高鲁棒性的快速车牌定位方法 |
WO2017162023A1 (zh) * | 2016-03-21 | 2017-09-28 | 杭州海康威视数字技术股份有限公司 | 一种车牌检测方法及装置 |
CN107688810A (zh) * | 2017-09-07 | 2018-02-13 | 湖北民族学院 | 一种伪牌照车贴检测方法 |
WO2018086233A1 (zh) * | 2016-11-08 | 2018-05-17 | 广州视源电子科技股份有限公司 | 一种字符分割方法和装置、及元件检测方法和装置 |
CN108154144A (zh) * | 2018-01-12 | 2018-06-12 | 江苏省新通智能交通科技发展有限公司 | 一种基于图像的船名字符定位方法及系统 |
WO2018145470A1 (zh) * | 2017-02-13 | 2018-08-16 | 广州视源电子科技股份有限公司 | 一种图像检测方法和装置 |
CN108765443A (zh) * | 2018-05-22 | 2018-11-06 | 杭州电子科技大学 | 一种自适应颜色阈值分割的标志增强处理方法 |
CN109389122A (zh) * | 2017-08-03 | 2019-02-26 | 杭州海康威视数字技术股份有限公司 | 一种车牌定位方法及装置 |
WO2019162970A1 (en) * | 2018-02-26 | 2019-08-29 | Videonetics Technology Private Limited | A system for real-time automated segmentation and recognition of vehicle's license plates characters from vehicle's image and a method thereof. |
CN110414411A (zh) * | 2019-07-24 | 2019-11-05 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
CN110516666A (zh) * | 2019-07-10 | 2019-11-29 | 西安电子科技大学 | 基于mser和isodata相结合的车牌定位方法 |
-
2019
- 2019-11-29 CN CN201911206430.8A patent/CN111027544B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
US20120106802A1 (en) * | 2010-10-29 | 2012-05-03 | National Chiao Tung University | Vehicle license plate recognition method and system thereof |
CN104268550A (zh) * | 2014-09-18 | 2015-01-07 | 鲁路平 | 特征提取方法及装置 |
CN104834926A (zh) * | 2015-04-09 | 2015-08-12 | 孙晓航 | 一种字符区域提取方法及系统 |
US20160358035A1 (en) * | 2015-06-04 | 2016-12-08 | Omron Corporation | Saliency information acquisition device and saliency information acquisition method |
WO2017162023A1 (zh) * | 2016-03-21 | 2017-09-28 | 杭州海康威视数字技术股份有限公司 | 一种车牌检测方法及装置 |
WO2018086233A1 (zh) * | 2016-11-08 | 2018-05-17 | 广州视源电子科技股份有限公司 | 一种字符分割方法和装置、及元件检测方法和装置 |
WO2018145470A1 (zh) * | 2017-02-13 | 2018-08-16 | 广州视源电子科技股份有限公司 | 一种图像检测方法和装置 |
CN107122732A (zh) * | 2017-04-25 | 2017-09-01 | 福州大学 | 一种监控场景下高鲁棒性的快速车牌定位方法 |
CN109389122A (zh) * | 2017-08-03 | 2019-02-26 | 杭州海康威视数字技术股份有限公司 | 一种车牌定位方法及装置 |
CN107688810A (zh) * | 2017-09-07 | 2018-02-13 | 湖北民族学院 | 一种伪牌照车贴检测方法 |
CN108154144A (zh) * | 2018-01-12 | 2018-06-12 | 江苏省新通智能交通科技发展有限公司 | 一种基于图像的船名字符定位方法及系统 |
WO2019162970A1 (en) * | 2018-02-26 | 2019-08-29 | Videonetics Technology Private Limited | A system for real-time automated segmentation and recognition of vehicle's license plates characters from vehicle's image and a method thereof. |
CN108765443A (zh) * | 2018-05-22 | 2018-11-06 | 杭州电子科技大学 | 一种自适应颜色阈值分割的标志增强处理方法 |
CN110516666A (zh) * | 2019-07-10 | 2019-11-29 | 西安电子科技大学 | 基于mser和isodata相结合的车牌定位方法 |
CN110414411A (zh) * | 2019-07-24 | 2019-11-05 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
Non-Patent Citations (1)
Title |
---|
肖意;姜军;: "基于最大稳定极值区域的车牌定位与字符分割", 计算机与数字工程, no. 12 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862190A (zh) * | 2020-07-10 | 2020-10-30 | 北京农业生物技术研究中心 | 自动测量离体植物软腐病斑面积的方法及装置 |
CN111862190B (zh) * | 2020-07-10 | 2024-04-05 | 北京农业生物技术研究中心 | 自动测量离体植物软腐病斑面积的方法及装置 |
CN112580629A (zh) * | 2020-12-23 | 2021-03-30 | 深圳市捷顺科技实业股份有限公司 | 一种基于深度学习的车牌字符识别方法以及相关装置 |
CN114220101A (zh) * | 2021-11-25 | 2022-03-22 | 慧之安信息技术股份有限公司 | 减小自然光线变化对车牌标识物提取干扰的方法与系统 |
CN114743025A (zh) * | 2022-03-18 | 2022-07-12 | 北京理工大学 | 基于灰度稳定性的提高抗干扰性能的目标显著性检测方法 |
CN118657780A (zh) * | 2024-08-21 | 2024-09-17 | 闽南理工学院 | 一种印花瓶缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111027544B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsieh et al. | Morphology-based license plate detection from complex scenes | |
CN111027544B (zh) | 一种基于视觉显著性检测的mser车牌定位方法及系统 | |
Wang et al. | An effective method for plate number recognition | |
Pan et al. | A robust system to detect and localize texts in natural scene images | |
Paunwala et al. | A novel multiple license plate extraction technique for complex background in Indian traffic conditions | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
Gilly et al. | A survey on license plate recognition systems | |
Dhar et al. | Bangladeshi license plate recognition using adaboost classifier | |
Sonavane et al. | Survey on automatic number plate recognition (anr) | |
Mol et al. | Text recognition using poisson filtering and edge enhanced maximally stable extremal regions | |
Aghajari et al. | A text localization algorithm in color image via new projection profile | |
Satish et al. | Edge assisted fast binarization scheme for improved vehicle license plate recognition | |
El Bahi et al. | Document text detection in video frames acquired by a smartphone based on line segment detector and dbscan clustering | |
Huang | A novel video text extraction approach based on Log-Gabor filters | |
Sathya et al. | Vehicle license plate recognition (vlpr) | |
Saidallah et al. | Classification and comparison of license plates localization algorithms | |
Ismail et al. | Detection and recognition via adaptive binarization and fuzzy clustering | |
Geetha et al. | Image text extraction and recognition using hybrid approach of region based and connected component methods | |
Shekar | Skeleton matching based approach for text localization in scene images | |
Safaei et al. | Robust search-free car number plate localization incorporating hierarchical saliency | |
Deb et al. | Vehicle license plate extraction based on color and geometrical features | |
Zhao et al. | Comparative analysis of several vehicle detection methods in urban traffic scenes | |
Sarma et al. | Automatic License Plate Detection and Recognition System for Security Purposes | |
Shekar et al. | Text localization in video/scene images using Kirsch Directional Masks | |
Nair et al. | A survey of techniques for license plate detection and recognition |
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 |