CN111401364B - 一种基于颜色特征和模板匹配相结合的车牌定位算法 - Google Patents
一种基于颜色特征和模板匹配相结合的车牌定位算法 Download PDFInfo
- Publication number
- CN111401364B CN111401364B CN202010189217.7A CN202010189217A CN111401364B CN 111401364 B CN111401364 B CN 111401364B CN 202010189217 A CN202010189217 A CN 202010189217A CN 111401364 B CN111401364 B CN 111401364B
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- color
- carrying
- template matching
- 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
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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Character Input (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于颜色特征和模板匹配相结合的车牌定位算法，首先，利用车牌的颜色特征对输入的包含车牌图像的二维彩色图像进行分析，获得候选车牌定位区域集；若由于车牌与车身颜色相近等情况导致无法利用车牌的颜色特征获得候选车牌定位区域集时，采用模板匹配的方法对包含车牌图像的二维彩色图像进行处理以获得候选车牌定位区域集；然后，利用车牌固有的长宽比特征以及字符个数特征对候选车牌定位区域集内的元素进行甄别，从而获得车牌定位区域。本发明提出了一种基于颜色特征和模板匹配相结合的车牌定位算法，不仅能够实现准确的车牌定位，而且对车牌背景图像的颜色干扰具有良好的适应性和鲁棒性，有效提高车牌定位的效率与精确度。
Description
技术领域
本发明属于智能交通技术领域，具体涉及一种基于颜色特征和模板匹配相结合的车牌定位算法。
背景技术
智慧城市是当今世界的一个热门话题，它可以提高城市的运行效率，而一个快速有效的智能车牌定位系统在智慧城市的建设浪潮中发挥着非常重要的作用。
当前车牌定位的方法有很多，其中基于颜色特征的车牌定位方法充分利用了颜色信息，快速的准确的识别出车牌所在位置，但是仍然存在着很多的不足之处，例如：当车牌底色与车身颜色相近时，基于颜色特征的车牌定位方法无法准确的提取出车牌位置。而目前较为热门的基于机器学习方向的车牌定位法对硬件方面要求较高，成本较高，且单一的基于颜色特征的车牌定位鲁棒性较差，故本专利提出了一种基于颜色特征和模板匹配相结合的方法实现车牌定位。
发明内容
本发明的目的在于，克服基于颜色特征实现车牌定位技术存在的缺陷，提供一种基于颜色特征和模板匹配相结合的车牌定位算法，可以在复杂场景的全景图中准确的定位车牌。
为实现上述目的，本发明提出了一种基于颜色特征和模板匹配相结合的车牌定位算法，其步骤如下：
1)利用车牌底色的颜色信息对输入的包含车牌图像的二维彩色图像进行车牌定位，然后采用车牌的长宽比及车牌字符分割个数对车牌进行判断，获取车牌；
2)如果通过颜色特征无法获得满足车牌长宽比条件的候选车牌，则对该图像进行裁剪并进行模板匹配，然后对其进行字符分割，通过分割所得字符个数进行判断，获取车牌。
本发明中通过颜色特征无法获得满足车牌长宽比条件的候选车牌，主要是指车身颜色与车牌颜色相近，使得利用颜色特征的定位出的车牌的数量为零，此时，采用模板匹配的方法进行车牌定位，然后利用车牌字符分割的个数进行车牌判别。
优选地，所述步骤1)中采用颜色特征对输入图像进行车牌定位，具体步骤如下：
1-1)将输入的图像统一大小，进行高斯模糊处理，并将图像的颜色空间从RGB转化为HSV空间；
1-2)对指定的颜色区域进行掩模二值化,属于指定颜色阈值范围内的像素值置为1，其余置为0；
1-3)对二值化的图像进行形态学处理，首先进行开运算，然后再进行闭运算；
1-4)对图像中的连通域提取轮廓，求最小外接矩；
1-5)统计获取的最小外接矩中长宽比T满足条件的矩形个数N；
1-6)如果满足条件的最小外接矩形的个数N≥1,，提取该区域作为候选车牌集；否则，转入利用模板匹配方法进行车牌定位；
1-7)对候选车牌区域进行字符分割并统计字符分割个数χ；
1-8)如果获取的字符个数χ≥n，输出该区域为车牌；否则，转入利用模板匹配方法进行车牌定位。
优选地，所述步骤1-5)中车牌的长宽比T在2-4之间；所述步骤1-8)中n的值根据具体要识别车牌字符的个数进行具体数值赋值。
优选地，所述步骤2)中采用车牌的模板对输入图像进行车牌定位，具体步骤如下：
2-1)首先建立模板库，所述的模板库由人在基于颜色特征和模板匹配相结合的车牌定位算法运行之前对所要检测的车辆图像进行车牌区域的截取，从而获得一定数量的模板，并从获取的模板中选择不同天气情况下的最为理想的模板当做最终模板，并赋予天气情况标签；
2-2)根据获取车辆图像的已知信息可知车牌区域一般被包含在车辆图像的下二分之一图像处，故对指定颜色掩模二值化后的图像截取下二分之一处含车牌的图像，然后根据掩模二值化后含车牌的感兴趣区域像素值不为零进一步截取图像，即由上而下统计行像素总和直到出现第一个零为止，截取感兴趣区域；
2-3)根据获取的天气情况所对应的天气情况从模板库中找到与获得的天气状况贴有相对应标签的模板，利用该模板对截取的感兴趣区域进行模板匹配，匹配方法为归一化平方匹配法；
2-4)对获取得匹配相似度较高的区域进行字符分割并统计分割的字符个数χ；
2-5)如果字符分割个数χ≥n，则认为是车牌区域，输出车牌区域；如果字符分割个数χ＜n，则认为不存在车牌。
优选地，模板匹配的限制条件为固定摄像机的高度、角度及固定的车牌到摄像机的距离一定；所述步骤2-5)中n的值根据具体要识别车牌字符的个数进行具体数值赋值。
本发明达到的有益效果：本发明完善了利用颜色特征进行车牌定位时，由于车身与车牌颜色相近而无法实现成功定位的缺陷。此外该算法在车牌定位时充分利用了车牌识别步骤中的字符分割和车牌定位两个步骤，为车牌识别节省了时间。
附图说明
图1是本发明车牌定位方法的算法流程图。
具体实施方式
为进一步了解本发明的内容，结合实施例对本发明作详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
结合附图1所示，一种基于颜色特征和模板匹配相结合的车牌定位算法，包括以下步骤：
1)采用车牌的颜色特征对输入图像进行车牌定位，然后采用车牌长宽比以及车牌字符分割个数对车牌进行判断，具体步骤如下：
1-1)将输入的图像统一大小为800*600，将图像颜色空间从RGB转换为HSV空间，同时进行高斯模糊处理，去除干扰噪声；
1-2)对预处理后的图像进行指定颜色掩模二值化处理；例如针对蓝色车牌，图像中的每个像素，如果H的值落在100-124之间且S值与V值分别落在50-255与50-255之间，则像素值设置为1，否则像素值为0；
1-3)对二值化后的图像进行形态学处理，首先进行开操作处理，然后再进行闭操作处理；
1-4)对形态学处理后的图像求取连通域，提取连通域的最小外接矩T；
1-5)根据车牌的长宽比初步进行过滤一些不合格的候选车牌；一般中国的车牌大小为440*140，长宽比为3.14，最新的新能源车牌为480*140，长宽比为3.42。如果候选车牌的长宽比在2-4之间，则保留该候选车牌，否则舍弃该候选车牌，并统计满足长宽比的候选车牌个数N；
1-6)如果满足长宽比的候选车牌个数N≥1，则进行下一步，否则，转入利用模板匹配方法进行车牌定位；
1-7)对候选车牌首先进行水平、垂直投影确定精确的车牌区域，根据垂直投影的波峰波谷进行字符分割并统计分割个数χ；
1-8)一般中国的车牌包括7个字符(新能源8个字符)以及1个起分隔符号的小圆点，所以如果分割个数χ≥8则认为是车牌区域，否则转入利用模板匹配方法进行车牌定位。
2)采用模板匹配对输入的图像进行车牌定位，然后利用车牌字符分割个数对车牌进行判断具体步骤如下：
2-1)首先建立模板库。所述的模板库由人在车牌定位算法运行之前对所要检测的车辆图像进行车牌区域的截取，从而获得一定数量的模板，并从获取的模板中选择不同天气情况(白天、黑夜、大雨、阴天等)下的最为理想的模板当做最终模板，并赋予天气情况标签。
2-2)根据获取车辆图像的已知信息可知车牌区域一般被包含在车辆图像的下二分之一图像处。故对指定颜色掩模二值化后的图像截取下二分之一处含车牌的图像，然后根据掩模二值化后含车牌的感兴趣区域像素值不为零进一步截取图像，即由上而下统计行像素总和直到出现第一个零为止，截取感兴趣区域
2-3)对已二值化后的图像进行裁剪；由于本实例中含车牌区域在图像的下二分之一处，故截取图像的下二分之一处，进一步地，由于截取的二分之一图像中存在与车牌颜色相近的车身，故该含有车牌区域二值化后为白色，即含有车牌区域的行像素值总和不为0，故从已截取的二分之一图像由上而下逐行统计行像素值总和从第一个不为0的行开始截取到截取开始之后第一个行像素值为0的行结束，从而获得最后的感兴趣区域；
2-4)根据获取的天气情况所对应的天气情况从模板库中找到与获得的天气状况贴有相对应标签的模板，利用该模板对截取的感兴趣区域进行模板匹配，匹配方法为归一化平方匹配法，由此获取的相似度最高的区域作为候选车牌区域；
2-5)对车牌候选区域首先进行水平、垂直投影确定精确的车牌区域，根据垂直投影的波峰波谷进行字符分割并统计字符分割个数χ；
2-6)如果字符分割个数χ≥8，则认为是车牌区域，输出车牌区域；如果字符分割个数χ＜8，则认为不存在车牌。
以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍属于本发明的专利涵盖范围之内。
Claims (3)
1.一种基于颜色特征和模板匹配相结合的车牌定位算法，其特征在于，其步骤如下：
1)利用车牌底色的颜色信息对输入的包含车牌图像的二维彩色图像进行车牌定位，然后采用车牌的长宽比及车牌字符分割个数对车牌进行判断，获取车牌；
2)如果通过颜色特征无法获得满足车牌长宽比条件的候选车牌，则对该图像进行裁剪并进行模板匹配，然后对其进行字符分割，通过分割所得字符个数进行判断，获取车牌；
所述步骤1）中采用颜色特征对输入图像进行车牌定位，具体步骤如下：
1-1)将输入的图像统一大小，对其进行高斯模糊去燥处理，并将图像的颜色空间从RGB空间转换为HSV空间；
1-2)对指定的颜色进行掩模二值化处理，属于指定颜色阈值范围内的像素值置为1，其余置为0；
1-3)对二值化后的图像进行形态学处理，首先进行开运算，然后再对其进行闭运算；
1-4)对图像中的连通域取轮廓，求取最小外接矩；
1-5)统计获取的最小外接矩长宽比T满足条件的矩形个数N；
1-6)如果满足条件的最小外接矩形的个数N≥1,提取该区域作为候选车牌集；否则，转入利用模板匹配方法进行车牌定位；
1-7)对候选车牌区域进行字符分割并统计字符分割个数χ；
1-8)如果获取的字符个数χ≥n，输出该区域为车牌；否则，转入利用模板匹配方法进行车牌定位；
所述步骤2）中采用车牌的模板对输入图像进行车牌定位，具体步骤如下：
2-1)首先建立模板库，所述的模板库由人在基于颜色特征和模板匹配相结合的车牌定位算法运行之前对所要检测的车辆图像进行车牌区域的截取，从而获得一定数量的模板，并从获取的模板中选择不同天气情况下的最为理想的模板当做最终模板，并赋予天气情况标签；
2-2)根据获取车辆图像的已知信息可知车牌区域一般被包含在车辆图像的下二分之一图像处，故对指定颜色掩模二值化后的图像截取下二分之一处含车牌的图像，然后根据掩模二值化后含车牌的感兴趣区域像素值不为零进一步截取图像，即由上而下统计行像素总和直到出现第一个零为止，截取感兴趣区域；
2-3)根据获取的天气情况所对应的天气情况从模板库中找到与获得的天气状况贴有相对应标签的模板，利用该模板对截取的感兴趣区域进行模板匹配，匹配方法为归一化平方匹配法；
2-4)对获取得匹配相似度较高的区域进行字符分割并统计分割的字符个数χ；
2-5）如果字符分割个数χ≥n，则认为是车牌区域，输出车牌区域；如果字符分割个数χ＜n，则认为不存在车牌。
2.根据权利要求1所述的一种基于颜色特征和模板匹配相结合的车牌定位算法，其特征在于：所述步骤1-5）中车牌的长宽比T在2-4之间；所述步骤1-8）中n的值根据具体要识别车牌字符的个数进行具体数值赋值。
3.根据权利要求1所述的一种基于颜色特征和模板匹配相结合的车牌定位算法，其特征在于：模板匹配的限制条件为固定摄像机的高度、角度及固定的车牌到摄像机的距离一定；所述步骤2-5）中n的值根据具体要识别车牌字符的个数进行具体数值赋值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010189217.7A CN111401364B (zh) | 2020-03-18 | 2020-03-18 | 一种基于颜色特征和模板匹配相结合的车牌定位算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010189217.7A CN111401364B (zh) | 2020-03-18 | 2020-03-18 | 一种基于颜色特征和模板匹配相结合的车牌定位算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111401364A CN111401364A (zh) | 2020-07-10 |
| CN111401364B true CN111401364B (zh) | 2023-07-25 |
Family
ID=71428899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010189217.7A Active CN111401364B (zh) | 2020-03-18 | 2020-03-18 | 一种基于颜色特征和模板匹配相结合的车牌定位算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401364B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652222A (zh) * | 2020-07-13 | 2020-09-11 | 深圳市智搜信息技术有限公司 | 车牌定位方法与装置和计算机设备及存储介质 |
| CN114821078B (zh) * | 2022-05-05 | 2023-03-14 | 北方工业大学 | 一种车牌识别方法、装置、电子设备及存储介质 |
| CN115542362A (zh) * | 2022-12-01 | 2022-12-30 | 成都信息工程大学 | 电力作业现场的高精度空间定位方法、系统、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116751A (zh) * | 2013-01-24 | 2013-05-22 | 河海大学 | 一种车牌字符自动识别方法 |
| CN108090484A (zh) * | 2016-11-23 | 2018-05-29 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
| CN109670498A (zh) * | 2018-11-10 | 2019-04-23 | 江苏网进科技股份有限公司 | 一种车牌定位方法 |
-
2020
- 2020-03-18 CN CN202010189217.7A patent/CN111401364B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116751A (zh) * | 2013-01-24 | 2013-05-22 | 河海大学 | 一种车牌字符自动识别方法 |
| CN108090484A (zh) * | 2016-11-23 | 2018-05-29 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法及装置 |
| CN109670498A (zh) * | 2018-11-10 | 2019-04-23 | 江苏网进科技股份有限公司 | 一种车牌定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111401364A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401364B (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
| CN101872416B (zh) | 对道路图像进行车牌识别的方法和系统 | |
| US11417124B2 (en) | System for real-time automated segmentation and recognition of vehicle's license plates characters from vehicle's image and a method thereof | |
| CN102163284B (zh) | 面向中文环境的复杂场景文本定位方法 | |
| CN104361336A (zh) | 一种水下视频图像的文字识别方法 | |
| Xu | Robust traffic sign shape recognition using geometric matching | |
| KR20130105952A (ko) | 차량 번호판 인식 방법과 그 장치 | |
| CN109215364B (zh) | 交通信号识别方法、系统、设备和存储介质 | |
| CN110032946B (zh) | 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法 | |
| CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
| Yang et al. | Real-time traffic sign detection via color probability model and integral channel features | |
| CN107195069A (zh) | 一种人民币冠字号自动识别方法 | |
| CN105335744A (zh) | 一种基于图像骨干抽取条带分布特征的一维码区域定位 | |
| CN105787475A (zh) | 一种复杂环境下的交通标志检测与识别方法 | |
| CN108960259A (zh) | 一种基于hsv的车牌预处理方法 | |
| CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
| CN105654140B (zh) | 面向复杂工业环境的铁路油罐车车号定位与识别方法 | |
| CN113989771A (zh) | 一种基于数字图像处理的交通信号灯识别方法 | |
| CN110046618B (zh) | 基于机器学习和最大极值稳定区域的车牌识别方法 | |
| Wang et al. | A method of fast and robust for traffic sign recognition | |
| Hommos et al. | Hd Qatari ANPR system | |
| Patel et al. | A novel approach for detecting number plate based on overlapping window and region clustering for Indian conditions | |
| CN111985482B (zh) | 一种基于深度学习的多模式多场景的自动车牌识别方法 | |
| Song et al. | Color-based traffic sign detection | |
| CN111507995B (zh) | 一种基于彩色图像金字塔和颜色通道分类的图像分割方法 |
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 |