CN111160339B - 车牌矫正方法、图像处理设备及具有存储功能的装置 - Google Patents
车牌矫正方法、图像处理设备及具有存储功能的装置 Download PDFInfo
- Publication number
- CN111160339B CN111160339B CN201911351251.3A CN201911351251A CN111160339B CN 111160339 B CN111160339 B CN 111160339B CN 201911351251 A CN201911351251 A CN 201911351251A CN 111160339 B CN111160339 B CN 111160339B
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- inclination angle
- angle
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000006870 function Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 229920000642 polymer Polymers 0.000 claims 1
- 238000001228 spectrum Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 101150050759 outI gene Proteins 0.000 description 1
Images
Classifications
-
- 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
- G06V20/63—Scene text, e.g. street names
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车牌矫正方法、图像处理设备及具有存储功能的装置，该车牌矫正方法包括：对获取到的车牌图像进行处理以得到车牌图像的频谱图的二值化图像；计算二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合；对角度集合中的样本进行聚类处理而得到第一倾斜角度和第二倾斜角度；基于第一倾斜角度和第二倾斜角度而得到车牌图像中车牌的水平倾斜角和竖直倾斜角；基于水平倾斜角和竖直倾斜角对车牌图像进行矫正。本申请所提供的车牌矫正方法计算量小，准确性高，抗干扰性强。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种车牌矫正方法、图像处理设备及具有存储功能的装置。
背景技术
目前在高速公路车辆管理、电子收费、停车场管理中，车辆识别技术得到了广泛的应用。
其中在对车辆进行识别的过程中，由于摄像机安装角度以及车辆行驶等原因不可避免地会造成采集到的车牌图像中车牌存在一定倾斜，而倾斜的车牌会造成字符倾斜，从而影响最终识别结果的准确性。
发明内容
本申请主要解决的技术问题是提供一种车牌矫正方法、图像处理设备及具有存储功能的装置，能够对采集到的车牌图像进行矫正，且计算量小，准确性高，抗干扰性强。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种车牌矫正方法，所述方法包括：对获取到的车牌图像进行处理以得到所述车牌图像的频谱图的二值化图像；计算所述二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合；对所述角度集合中的样本进行聚类处理而得到第一倾斜角度和第二倾斜角度；基于所述第一倾斜角度和所述第二倾斜角度而得到所述车牌图像中车牌的水平倾斜角和竖直倾斜角；基于所述水平倾斜角和所述竖直倾斜角对所述车牌图像进行矫正。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种图像处理设备，包括处理器、存储器以及通信电路，所述处理器分别耦接所述存储器以及所述通信电路，所述处理器通过执行所述存储器内的程序数据实现上述方法中的步骤。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种具有存储功能的装置，存储有程序数据，所述程序数据能够被处理器执行以实现上述方法中的步骤。
本申请的有益效果是：本申请的车牌矫正方法首先对车牌图像进行处理而得到车牌图像的频谱图的二值化图像，然后计算二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合，而后对角度集合中的样本进行聚类处理而得到第一倾斜角度和第二倾斜角度，其中该第一倾斜角度和第二倾斜角度即为二值化图像中两条明显直线的倾斜角度，最后利用图像频谱的相关特征，根据第一倾斜角度、第二倾斜角度而计算出车牌图像中车牌的水平倾斜角和竖直倾斜角，实现对车牌图像的矫正，整个方法计算量小，相比现有技术中其他的车牌矫正方法，无需基于人工神经网络，不需要大量的标注数据做训练，准确性高，抗干扰性强。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请车牌矫正方法一实施方式的流程示意图；
图2是车牌图像；
图3是车牌图像的频谱图的二值化图像；
图4是车牌图像和其频谱图的二值化图像的重合图；
图5是图1中步骤S110的流程示意图；
图6是图1中步骤S130的流程示意图；
图7是图1中步骤S130的简化流程示意图；
图8是车牌图像的频谱图与车牌的倾斜角度关系图；
图9是本申请图像处理设备一实施方式的结构示意图；
图10是本申请图像处理设备一实施方式的结构示意图；
图11是本申请具有存储功能的装置一实施方式的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参阅图1，图1是本申请车牌矫正方法一实施方式的流程示意图，该方法包括：
S110：对获取到的车牌图像进行处理以得到车牌图像的频谱图的二值化图像。
在获取到车辆图像后，对车牌进行定位而后获得车牌图像，如图2所示。
根据图像频谱图的相关性质，频谱图像中的纹理方向垂直于原图像中的纹理方向，因此如图2至图4所示，当将车牌图像和其频谱图的二值化图像重合时，二值化图像中两条明显的直线方向(如图3和图4中的两条直线)分别垂直于车牌图像中车牌的水平倾斜方向和竖直倾斜方向。
S120：计算二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合。
在二值化图像中建立直角坐标系，而后计算二值化图像中的各点相对其图像中心点的倾斜角度而得到一角度集合。
S130：对角度集合中的样本进行聚类处理而得到第一倾斜角度和第二倾斜角度。
将聚类类别数设置为2而对步骤S120得到的角度集合进行聚类处理，最终得到的第一倾斜角度和第二倾斜角度为二值化图像中两条明显直线的倾斜角度。
S140：基于第一倾斜角度和第二倾斜角度而得到车牌图像中车牌的水平倾斜角和竖直倾斜角。
由于前述所提及到的二值化图像中两条明显的直线方向分别垂直于车牌图像中车牌的水平倾斜方向和竖直倾斜方向，因此根据第一倾斜角度和第二倾斜角度能够得到车牌图像中车牌的水平倾斜角和竖直倾斜角。
S150：基于水平倾斜角和竖直倾斜角对车牌图像进行矫正。
在得到车牌图像中车牌的水平倾斜角和竖直倾斜角后，对车牌图像进行矫正，使矫正后的车牌图像中的车牌不再倾斜。
本申请的车牌矫正方法首先对车牌图像进行处理而得到车牌图像的频谱图的二值化图像，然后计算二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合，而后对角度集合中的样本进行聚类处理而得到第一倾斜角度和第二倾斜角度，其中该第一倾斜角度和第二倾斜角度即为二值化图像中两条明显直线的倾斜角度，最后利用图像频谱的相关特征，根据第一倾斜角度、第二倾斜角度而计算出车牌图像中车牌的水平倾斜角和竖直倾斜角，实现对车牌图像的矫正，整个方法计算量小，相比现有技术中其他的车牌矫正方法，无需基于人工神经网络，不需要大量的标注数据做训练，准确性高，抗干扰性强。
在本实施方式中，如图5所示，步骤S110具体包括：
S111：对车牌图像进行灰度处理而得到车牌图像的灰度图像。
其中可采用例如分量法、最大值法或加权平均法对车牌图像进行灰度处理。
S112：对灰度图像进行二值化处理而得到灰度二值化图像。
在本实施方式中，采用大津法(Ostu)对灰度图像进行二值化处理。
具体地，采用大津法进行二值化处理，可以简化计算，且整个计算过程不受图像亮度和对比度的影响。
在其他实施方式中，还可以采用例如双峰法、P参数法、最大熵阈值法或迭代法等其他方法对灰度图像进行二值化处理。
S113：对灰度二值化图像依次进行离散傅里叶变换以及中心化处理而得到频谱图。
对于大小为M*N的车牌图像而言，利用如下公式对其灰度二值化图像f(x,y)进行离散傅里叶变换：
其中，F(u,v)为变换后的结果，而后对F(u,v)的图像进行中心化处理：取
的值而得到频谱图。
具体地，通过对F(u,v)的图像进行中心化处理，保证最终二值化图像中两条明显的直线位于图像的中部位置，便于后续计算第一倾斜角度和第二倾斜角度。
S114：对频谱图进行二值化处理而得到二值化图像。
在对频谱图进行二值化处理时，设定二值化阈值T，而后根据如下公式对频谱图进行二值化处理：
在本实施方式中，对频谱图进行二值化处理的过程具体如下：
A1：计算频谱图中数值分布的均值和标准差。
A2：以均值与标准差的两倍之和对频谱图进行二值化处理而得到二值化图像。
也就是说，在对频谱图进行二值化处理时，取二值化阈值T＝μ+2*std，其中，μ为频谱图中数值分布的均值，std为频谱图中数值分布的标准差。
在其他实时方式中，也可以取其他二值化阈值，在此不做限制。
参阅图6，在本实施方式中，步骤S130具体包括：
S131：从角度集合中随机抽取两个样本分别作为第一聚类中心以及第二聚类中心。
S132：计算角度集合中各样本与第一聚类中心差值的绝对值和相应样本相对二值化图像的图像中心点的距离倒数的乘积，而得到第一计算值。
S133：计算角度集合中各样本与第二聚类中心差值的绝对值和相应样本相对二值化图像的图像中心点的距离倒数的乘积，而得到第二计算值。
S134：比较角度集合中各样本对应的第一计算值和第二计算值的大小，若样本对应的第一计算值小于第二计算值，则将样本归入第一聚类中心所属的类别中，否则归入第二聚类中心的类别中，进而得到与第一聚类中心对应的第一类别集合以及与第二聚类中心对应的第二类别集合。
S135：将第一聚类中心更新为第一类别集合中样本的平均值，第二聚类中心更新为第二类别集合中样本的平均值。
S136：判断第一类别集合对应的前后两次聚类中心的差值是否小于第一差值阈值以及第二类别集合对应的前后两次聚类中心的差值是否小于第二差值阈值。
判断结果为是，进入步骤S137，判断结果为否，返回执行步骤S132。
S137：第一类别集合对应的最后一次聚类中心为第一倾斜角度，第二类别集合对应的最后一次聚类中心为第二倾斜角度。
结合图7，具体地，二值化图像中的各点(x,y)相对于其图像中心点(x0,y0)的倾斜角度
最终获得的角度集合为D＝(θ1,θ2,…，θn)；二值化图像中的各点(x,y)与其图像中心点(x0,y0)的距离
可以理解的是，此处所说的二值化图像中的各点(x,y)为二值化图像中值为1的点，即bw(x,y)＝1的点。
从角度集合D中随机抽取两个样本分别作为第一聚类中心u1和第二聚类中心u2。
考虑到距离图像中心越远的点，其越能表达处倾斜角度的趋势，因此以
作为聚类过程中计算距离的权重，也就是说，第i个样本到第j个聚类中心的距离计算公式表达为
由于聚类中心的数量为两个，因此对应同一个样本而言，其有两个距离值，定义j＝1时的计算值为第一计算值，j＝2时的计算值为第二计算值。
若样本所对应的第一计算值小于所对应的第二计算值，则将该样本归入第一聚类中心所述的类别中，若样本所对应的第一计算值大于所对应的第二计算值，则将该样本归入第二聚类中心所述的类别中，从而能够得到与第一聚类中心对应的第一类别集合以及与第二聚类中心对应的第二类别集合。
将第一聚类中心u1更新为第一类别集合中样本的平均值，第二聚类中心u2更新为第一类别集合中样本的平均值。
判断第一类别集合对应的前后两次聚类中心的差值是否小于第一差值阈值以及第二类别集合对应的前后两次聚类中心的差值是否小于第二差值阈值。
若判断结果为是，则第一类别集合对应的最后一次聚类中心为第一倾斜角度，第二类别集合对应的最后一次聚类中心为第二倾斜角度。
若判断结果为否，则以最新的第一聚类中心、第二聚类中心对角度集合进行重新聚类，直至第一类别集合对应的前后两次聚类中心的差值小于第一差值阈值以及第二类别集合对应的前后两次聚类中心的差值小于第二差值阈值。
具体地，本实施方式以
作为聚类过程中计算距离的权重，充分考虑到在二值化图像中，距离图像中心点越远的点越能够表达出倾斜角度的趋势，保证最终聚类得出的第一倾斜角度和第二倾斜角度的准确性。
其中第一差值阈值和第二差值阈值可以相同，也可以不同，由设计人员根据聚类的精准度进行设定。
在本实施方式中，如图3所示，在计算二值化图像中的各点相对其图像中心点的倾斜角度时，先以二值化图像的左上点为坐标原点、水平向右方向为X轴正方向、竖直向下方向为Y轴正方向建立直角坐标系，而后获取二值化图像中的各点在直角坐标系中的坐标，最后根据各点的坐标计算二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合。
当然在其他实施方式中，直角坐标系的建立方式还可以是其他方式，在此不做限制。
同时在本实施方式中，步骤S150具体包括：
B1：比较第一倾斜角度和第二倾斜角度的正切值，若第一倾斜角度的正切值小于第二倾斜角度的正切值，则将第一倾斜角度定义为θ1，第二倾斜角度定义为θ2，否则将第二倾斜角度定义为θ1，第一倾斜角度定义为θ2。
B2：按照如下公式得到车牌图像中车牌的水平倾斜角和竖直倾斜角：
θh＝θ2，
其中，θh为车牌图像中车牌的水平倾斜角，θv为车牌图像中车牌的竖直倾斜角。
具体地，从图8中可以看出θ1与θv、θ2与θh的关系，从而根据上述公式基于θ1与θ2得出车牌的水平倾斜角与竖直倾斜角。
同时在得到车牌的水平倾斜角与竖直倾斜角后，按照如下公式对车牌图像进行矫正：
具体地，按照上述公式对初始的车牌图像进行错切变化而得到矫正后的车牌图像，最终实现对车牌图像进行矫正。
参阅图9，图9是本申请图像处理设备一实施方式的结构示意图。该图像处理设备200包括处理器210、存储器220以及通信电路230，处理器210分别耦接存储器220以及通信电路230，处理器210通过执行存储器220内的程序数据实现上述车牌矫正方法中的步骤，其中详细的车牌矫正方法可参见上述实施方式，在此不再赘述。
本实施方式中的图像处理设备200可以是任一项具有图像处理功能的设备，例如手机、电脑等，在此不做限制。
参阅图10，图10是本申请图像处理设备一实施方式的结构示意图。该图像处理设备300包括处理模块310、计算模块320、聚类模块330、角度模块340以及矫正模块350。
处理模块310用于对获取到的车牌图像进行处理以得到车牌图像的频谱图的二值化图像。
计算模块320用于计算二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合。
聚类模块330用于对角度集合中的样本进行聚类处理而得到第一倾斜角度和第二倾斜角度。
角度模块340用于基于第一倾斜角度和第二倾斜角度而得到车牌图像中车牌的水平倾斜角和竖直倾斜角。
矫正模块350用于基于水平倾斜角和竖直倾斜角对车牌图像进行矫正。
在一实施方式中，聚类模块330具体用于从角度集合中随机抽取两个样本分别作为第一聚类中心以及第二聚类中心；计算角度集合中各样本与第一聚类中心差值的绝对值和相应样本相对二值化图像的图像中心点的距离倒数的乘积，而得到第一计算值；计算角度集合中各样本与第二聚类中心差值的绝对值和相应样本相对二值化图像的图像中心点的距离倒数的乘积，而得到第二计算值；比较角度集合中各样本对应的第一计算值和第二计算值的大小，若样本对应的第一计算值小于第二计算值，则将样本归入第一聚类中心所属的类别中，否则归入第二聚类中心所属的类别中，进而得到与第一聚类中心对应的第一类别集合以及与第二聚类中心对应的第二类别集合；将第一聚类中心更新为第一类别集合中样本的平均值，第二聚类中心更新为第二类别集合中样本的平均值；判断第一类别集合对应的前后两次聚类中心的差值是否小于第一差值阈值以及第二类别集合对应的前后两次聚类中心的差值是否小于第二差值阈值；若判断结果为是，则第一类别集合对应的最后一次聚类中心为第一倾斜角度，第二类别集合对应的最后一次聚类中心为第二倾斜角度；若判断结果为否，则返回执行计算角度集合中各样本与第一聚类中心差值的绝对值和相应样本相对二值化图像的图像中心点的距离倒数的乘积，而得到第一计算值的步骤。
在一实施方式中，计算模块320具体用于以二值化图像的左上点为坐标原点、水平向右方向为X轴正方向、竖直向下方向为Y轴正方向建立直角坐标系；获取二值化图像中的各点在直角坐标系中的坐标；根据二值化图像中的各点在直接坐标系中的坐标计算二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合。
在一实施方式中，角度模块340具体用于比较第一倾斜角度和第二倾斜角度的正切值，若第一倾斜角度的正切值小于第二倾斜角度的正切值，则将第一倾斜角度定义为θ1，第二倾斜角度定义为θ2，否则将第二倾斜角度定义为θ1，第一倾斜角度定义为θ2；然后按照如下公式得到车牌图像中车牌的水平倾斜角和竖直倾斜角：
θh＝θ2，
其中，θh为车牌图像中车牌的水平倾斜角，θv为车牌图像中车牌的竖直倾斜角。
在一实施方式中，矫正模块350具体用于按照如下公式对车牌图像进行矫正：
在一实施方式中，处理模块310具体用于对车牌图像进行灰度处理而得到车牌图像的灰度图像；对灰度图像进行二值化处理而得到灰度二值化图像；对灰度二值化图像进行离散傅里叶变换以及中心化处理而得到频谱图；对频谱图进行二值化处理而得到二值化图像。
在一实施方式中，处理模块310具体用于计算频谱图中数值分布的均值和标准差；以均值与标准差的两倍之和对频谱图进行二值化处理而得到二值化图像。
在一实施方式中，处理模块310具体用于利用大津法对灰度图像进行二值化处理而得到灰度二值化图像。
本实施方式中的图像处理设备300可以是任一项具有图像处理功能的设备，例如手机、电脑等，在此不做限制。
参阅图11，图11是本申请具有存储功能的装置一实施方式的结构示意图。该具有存储功能的装置400存储有程序数据410，程序数据410能够被处理器执行以实现上述车牌矫正方法中的步骤，其中详细的车牌矫正方法可参见上述实施方式，在此不再赘述。
其中具存储功能的装置400具体可以为U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等可以存储程序数据410的装置，或者也可以为存储有该程序指令410的服务器，该服务器可将存储的程序数据410发送给其他设备运行，或者也可以自运行该存储的程序数据410。
总而言之，本申请的车牌矫正方法首先对车牌图像进行处理而得到车牌图像的频谱图的二值化图像，然后计算二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合，而后对角度集合中的样本进行聚类处理而得到第一倾斜角度和第二倾斜角度，其中该第一倾斜角度和第二倾斜角度即为二值化图像中两条明显直线的倾斜角度，最后利用图像频谱的相关特征，根据第一倾斜角度、第二倾斜角度而计算出车牌图像中车牌的水平倾斜角和竖直倾斜角，实现对车牌图像的矫正，整个方法计算量小，相比现有技术中其他的车牌矫正方法，无需基于人工神经网络，不需要大量的标注数据做训练，准确性高，抗干扰性强。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种车牌矫正方法，其特征在于，所述方法包括：
对获取到的车牌图像进行处理以得到所述车牌图像的频谱图的二值化图像；
计算所述二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合，其中，所述二值化图像中的各点为所述二值化图像中值为1的点；
对所述角度集合中的样本进行聚类处理而得到第一倾斜角度和第二倾斜角度；
基于所述第一倾斜角度和所述第二倾斜角度而得到所述车牌图像中车牌的水平倾斜角和竖直倾斜角；
基于所述水平倾斜角和所述竖直倾斜角对所述车牌图像进行矫正；
其中，所述对所述角度集合中的样本进行聚类处理而得到第一倾斜角度和第二倾斜角度的步骤，包括：
从所述角度集合中随机抽取两个样本分别作为第一聚类中心以及第二聚类中心；
将其他所述样本中的部分归入所述第一聚类中心所属的类别中，部分归入所述第二聚类中心所属的类别中，进而得到与所述第一聚类中心对应的第一类别集合以及与所述第二聚类中心对应的第二类别集合；
将所述第一聚类中心更新为所述第一类别集合中样本的平均值，所述第二聚类中心更新为所述第二类别集合中样本的平均值；
根据所述第一类别集合对应的前后两次聚类中心的差值，确定所述第一倾斜角度，以及根据所述第二类别集合对应的前后两次聚类中心的差值，确定所述第二倾斜角度。
2.根据权利要求1所述的方法，其特征在于，所述将其他所述样本中的部分归入所述第一聚类中心所属的类别中，部分归入所述第二聚类中心所属的类别中的步骤，包括：
计算所述角度集合中各样本与所述第一聚类中心差值的绝对值和相应样本相对所述二值化图像的图像中心点的距离倒数的乘积，而得到第一计算值；
计算所述角度集合中各样本与所述第二聚类中心差值的绝对值和相应样本相对所述二值化图像的图像中心点的距离倒数的乘积，而得到第二计算值；
比较所述角度集合中各样本对应的所述第一计算值和所述第二计算值的大小，若所述样本对应的所述第一计算值小于所述第二计算值，则将所述样本归入所述第一聚类中心所属的类别中，否则归入所述第二聚类中心所属的类别中。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一类别集合对应的前后两次聚类中心的差值，确定所述第一倾斜角度，以及根据所述第二类别集合对应的前后两次聚类中心的差值，确定所述第二倾斜角度的步骤，包括：
判断所述第一类别集合对应的前后两次聚类中心的差值是否小于第一差值阈值以及所述第二类别集合对应的前后两次聚类中心的差值是否小于第二差值阈值；
若判断结果为是，则所述第一类别集合对应的最后一次聚类中心为所述第一倾斜角度，所述第二类别集合对应的最后一次聚类中心为所述第二倾斜角度。
4.根据权利要求1所述的方法，其特征在于，所述计算所述二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合的步骤，包括：
以所述二值化图像的左上点为坐标原点、水平向右方向为X轴正方向、竖直向下方向为Y轴正方向建立直角坐标系；
获取所述二值化图像中的各点在所述直角坐标系中的坐标；
根据所述二值化图像中的各点在所述直角坐标系中的坐标计算所述二值化图像中的各点相对于其图像中心点的倾斜角度而得到一角度集合。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第一倾斜角度和所述第二倾斜角度而得到所述车牌图像中车牌的水平倾斜角和竖直倾斜角的步骤，包括：
比较所述第一倾斜角度和所述第二倾斜角度的正切值，若所述第一倾斜角度的正切值小于所述第二倾斜角度的正切值，则将所述第一倾斜角度定义为
，所述第二倾斜角度定义为
，否则将所述第二倾斜角度定义为
，所述第一倾斜角度定义为
；
按照如下公式得到所述车牌图像中车牌的水平倾斜角和竖直倾斜角：
6.根据权利要求5所述的方法，其特征在于，所述基于所述水平倾斜角和所述竖直倾斜角对所述车牌图像进行矫正的步骤，包括：
按照如下公式对所述车牌图像进行矫正：
7.根据权利要求1所述的方法，其特征在于，所述对获取到的车牌图像进行处理以得到所述车牌图像的频谱图的二值化图像的步骤，包括：
对所述车牌图像进行灰度处理而得到所述车牌图像的灰度图像；
对所述灰度图像进行二值化处理而得到灰度二值化图像；
对所述灰度二值化图像依次进行离散傅里叶变换以及中心化处理而得到频谱图；
对所述频谱图进行二值化处理而得到所述二值化图像。
8.根据权利要求7所述的方法，其特征在于，所述对所述频谱图进行二值化处理而得到所述二值化图像的步骤，包括：
计算所述频谱图中数值分布的均值和标准差；
以所述均值与所述标准差的两倍之和对所述频谱图进行二值化处理而得到所述二值化图像。
9.根据权利要求7所述的方法，其特征在于，所述对所述灰度图像进行二值化处理而得到灰度二值化图像的步骤，包括：
利用大津法对所述灰度图像进行二值化处理而得到所述灰度二值化图像。
10.一种图像处理设备，其特征在于，包括处理器、存储器以及通信电路，所述处理器分别耦接所述存储器以及所述通信电路，所述处理器通过执行所述存储器内的程序数据实现如权利要求1-9任一项所述方法中的步骤。
11.一种具有存储功能的装置，其特征在于，存储有程序数据，所述程序数据能够被处理器执行以实现如权利要求1至9任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911351251.3A CN111160339B (zh) | 2019-12-24 | 2019-12-24 | 车牌矫正方法、图像处理设备及具有存储功能的装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911351251.3A CN111160339B (zh) | 2019-12-24 | 2019-12-24 | 车牌矫正方法、图像处理设备及具有存储功能的装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160339A CN111160339A (zh) | 2020-05-15 |
| CN111160339B true CN111160339B (zh) | 2023-05-16 |
Family
ID=70557969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911351251.3A Active CN111160339B (zh) | 2019-12-24 | 2019-12-24 | 车牌矫正方法、图像处理设备及具有存储功能的装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160339B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860492B (zh) * | 2020-06-12 | 2024-07-26 | 浙江大华技术股份有限公司 | 一种车牌倾斜矫正方法、装置、计算机设备和存储介质 |
| CN112507984B (zh) * | 2021-02-03 | 2021-05-11 | 苏州澳昆智能机器人技术有限公司 | 一种基于图像识别的输送物料异常识别方法、装置及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011090437A (ja) * | 2009-10-21 | 2011-05-06 | Sony Corp | 画像処理装置および方法、並びにプログラム |
| CN104103047A (zh) * | 2014-07-25 | 2014-10-15 | 上海理工大学 | 一种心电图像倾斜度校正方法 |
| CN104504908A (zh) * | 2015-01-14 | 2015-04-08 | 苏州科达科技股份有限公司 | 一种违章停车监控方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8160393B2 (en) * | 2008-09-18 | 2012-04-17 | Certifi Media Inc. | Method for image skew detection |
-
2019
- 2019-12-24 CN CN201911351251.3A patent/CN111160339B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011090437A (ja) * | 2009-10-21 | 2011-05-06 | Sony Corp | 画像処理装置および方法、並びにプログラム |
| CN104103047A (zh) * | 2014-07-25 | 2014-10-15 | 上海理工大学 | 一种心电图像倾斜度校正方法 |
| CN104504908A (zh) * | 2015-01-14 | 2015-04-08 | 苏州科达科技股份有限公司 | 一种违章停车监控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160339A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018219054A1 (zh) | 一种车牌识别方法、装置及系统 | |
| WO2021003824A1 (zh) | 基于图像识别的违章建筑识别方法、装置 | |
| CN111582054B (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
| CN111612841B (zh) | 目标定位方法及装置、移动机器人及可读存储介质 | |
| CN107169489B (zh) | 倾斜图像校正的方法和装置 | |
| CN112528868B (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
| CN111160339B (zh) | 车牌矫正方法、图像处理设备及具有存储功能的装置 | |
| CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
| CN109447117B (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
| CN102360503B (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
| WO2017161636A1 (zh) | 一种基于指纹的终端支付方法及装置 | |
| CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
| CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
| CN112085721A (zh) | 基于人工智能的水淹车定损方法、装置、设备及存储介质 | |
| CN111160260A (zh) | 一种sar图像目标检测方法及系统 | |
| CN117314793B (zh) | 基于bim模型的建筑施工数据采集方法 | |
| CN109584165A (zh) | 一种数字图像的矫正方法、装置、介质及电子设备 | |
| CN110956616B (zh) | 一种基于立体视觉的目标检测方法及系统 | |
| CN117392464A (zh) | 基于多尺度去噪概率模型的图像异常检测的方法、系统 | |
| CN105894544A (zh) | 一种检测图像中圆心位置的方法及装置 | |
| CN116542998B (zh) | 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质 | |
| CN116563254A (zh) | 一种电子元器件表面印刷图案的纹理检测与匹配方法 | |
| CN104063874A (zh) | 基于权值模型的灰度图像二值化算法定量评估方法 | |
| CN115330826B (zh) | 直线检测方法、装置、电子设备及计算机可读存储介质 | |
| CN116665113B (zh) | 基于不确定性量化的遥感场景识别方法、系统及介质 |
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 |