CN111429462A - 一种基于边缘检测和数学形态学的车牌定位方法 - Google Patents

Abstract

本发明请求保护一种基于边缘检测和数学形态学的车牌定位方法，属于图像处理技术领域，其包括以下步骤：步骤S1、对车辆图像采用加权平均值法进行灰度化；步骤S2、对车辆图像进行二值化；步骤S3、采用Sobel边缘检测算子对二值化的车辆图像进行边缘的检测，得到粗定位车牌区域，在该Sobel边缘检测算子中引入局部区域做均值的操作，步骤S4、采用数学形态学的相关运算对粗定位出来的车牌区域再进行精确定位；步骤S5、标注精确定位后的连通区域同时显示出车牌区域；本发明对车牌的大小、车牌在图像中的位置限制很少，也不依赖准确的车牌边框形状，从而保证了较高的定位实效性。

Description

一种基于边缘检测和数学形态学的车牌定位方法

技术领域

本发明属于图像处理领域，尤其涉及车牌定位图像处理领域，具体是指一种基于图像处理技术实现车牌定位处理的方法。

背景技术

车牌定位就是将车牌区域从车辆图片中分割出来。现阶段比较成熟的车牌定位方法有：基于纹理分析的方法、基于边缘检测的方法、基于图像的彩色信息法、基于数学形态学的方法、基于神经网络的定位、基于遗传算法的定位等基于纹理分析的方法,需要在定位前对图像进行预处理，增大图像的对比度。由于我国车牌颜色多样，且受光照等影响，需要先将彩色图像转换为灰度图像，然后利用车牌区域的二维特性，将图像分为若干小块儿，计算出每个小块儿特征值，判断哪些小块属于车牌区域，从而对车牌进行定位。但是该方法处理背景复杂的图像时，容易将纹理丰富的部分也定位出来，因此该方法有待改进。

基于边缘检测的方法，是根据车牌字符区域灰度频繁变化的特点进行定位的，首先对图像进行边缘增强，然后将图像二值化后，利用投影法等进行车牌区域的定位。但是该方法对于车牌褪色或污染严重的图片，很难检测到车牌区域，因此该方法有待改进。

基于图像的彩色信息法，采用这种方法进行车牌定位，一般用图像空间对车牌的颜色进行判定。色彩空间从人的视觉出发，用色调、色饱和度和亮度来描述色彩。该方法是首先从图像中找出车牌底色区域来确定牌底颜色在空间中的各相关分量的阈值，然后利用颜色空间距离及相似度计算，进行图像颜色分割。但是该方法对于车牌区域颜色与附近区域颜色接近时，就可能会造成车牌区域的错误定位。

基于数学形态学的方法，采用这种方法进行车牌定位，首先把车牌图像转化为格式，然后进行灰度化，进而进行滤波处理等，最后运用数学形态学的膨胀、腐烛、开、闭运算等对图像进行分析处理，利用面积、车牌的长宽等从几个候选区域中定位出车牌。但是该方法对于图像中存在伪车牌时，定位的效果较差。

为了克服目前常用的车牌定位方法，易受颜色、光照条件、复杂背景下干扰的影响，文中提出了一种基于边缘检测和数学形态学的车牌定位方法。首先对车牌进行图像预处理，然后根据二值化的车牌图像进行Sobel算子边缘检测，为了解决边缘检测对车牌褪色或污染严重的图片，很难检测到车牌区域，本发明在Sobel算子处理的结果上对其进行数学形态学的膨胀、腐烛、开、闭运算等对图像进行分析处理，以达到对车牌的精确定位。

发明内容

本发明旨在解决现有技术中的问题。提出了一种基于边缘检测和数学形态学的车牌定位方法。本发明的技术方案如下：

一种基于边缘检测和数学形态学的车牌定位方法，其包括以下步骤：

步骤S1、对车辆图像采用加权平均值法进行灰度化；

步骤S2、对车辆图像进行二值化；

步骤S3、采用Sobel边缘检测算子对二值化的车辆图像进行边缘的检测，得到粗定位车牌区域,在该Sobel边缘检测算子中引入局部区域做均值的操作；

步骤S4、采用数学形态学的相关运算对粗定位出来的车牌区域再进行精确定位；

步骤S5、标注精确定位后的连通区域同时显示出车牌区域；

进一步的，所述步骤S1对车辆图像采用加权平均值法进行灰度化，具体为：

彩色图像使用的彩色模式以红(R)、绿(G)、蓝(B)三种颜色做为基色，按照不同比例配制成，也称作RGB图像，处理的就是RGB格式的位图，在RGB彩色空间中，任意彩色光F的配色方程为:

F＝r[R]+g[G]+b[B]

其中r、g、b为三色系数，r[R]、g[G]、b[B]为三色分量，将彩色图像转变为灰度图像，即彩色图像的灰度化，一加权平均值法：根据重要性或其它指标给R、G、B赋予不同的权值w_R、w_G、w_B，并使Gray等于它们值的加权和平均，即

Gray＝(w_R.R+w_G.G+w_B.B)/3

由于人眼睛对蓝色敏感度最低，对红色敏感度较高，对绿色敏感度最高，取w_R＝0.3、w_G＝0.59、w_B＝0.11时，在将彩色图像进行灰度化的处理之后，将三维彩色图像转换为二维图像，图像中每一个像素只有一个值，即像素的灰度值，并将灰度值保存在二维矩阵中。将图像灰度化以后，不存在彩色图像中的颜色差异，只是亮度上不同，灰度值的范围为0～255，其中灰度值255为代表白色，灰度值位为0代表黑色。

进一步的，所述步骤S2对车辆图像进行二值化，具体为：

将灰度图像转换为二值图像的过程称为图像的二值化，也就是将256个灰度级划分为2级，分别表示白色或者黑色，图像的二值化操作需要将图像分成两级，这两级分别用1和0表示，1代表白色，0代表黑色，这里分级的关键就是看灰度阈值的选取，要找到合适的阈值T来区分干扰和特征，如果原始图像f(x,y)的灰度级范围为(Z₁,Z_k),T是Z₁和Z_k之间的一个数值，那么二值化后的图像为g(x,y)可表示为：

进一步的，所述的步骤S3进行采用Sobel边缘检测算子对二值化的图像进行边缘的检测，具体为：

基于边缘特征算法就是通过图像中局部区域的亮度变化提取图像中的边缘信息，因此，该算法要把车牌图像进行预处理，将原始彩色图像用灰度操作转换成灰度图像，之后通过扫描操作，提取图像中每一行和每一列的车牌边缘信息，并且标记出他们的起点坐标、终点坐标和线段长，。它的目的是找到图像中亮度急剧变化像素点的集合，往往表现出来的都是轮廓信息；

通常采用Sobel边缘检测算子对灰度化的图像进行边缘的检测，它是通过离散数学中的拆分算子，计算图像里亮度的梯度函数的近似值域，在该算子中引入局部区域做均值的操作；

如上公式，g(x，y)为梯度图在(x，y)的灰度值,其中f(x,y)、f(x+1,y+1)、f(x,y+1)、f(x+1,y)分别为4区域的坐标值，Sobel算子包含两组3x3的算子模板，G_x表示检测水平边沿横向模板，G_y表示检测水平边沿横向模板。

计算梯度的大小通过求每个像素点的横向、纵向的梯度近似值，用以下公式表示：

然后再用以下公式计算梯度方向：

进一步的，所述步骤S4采用数学形态学的相关运算对粗定位出来的车牌区域再进行精确定位，具体包括：

选择1×1正方形结构元素对Sobel算子边缘检测图像执行腐蚀操作；

使用3×3正方形结构元素执行一次膨胀，膨胀主要用于扩展物体的边界点，可以把图像周围的背景点一起合并到物体中，膨胀可以填补分割后物体中的空洞；

选择2×2正方形结构元素进行闭操作，闭操作首先膨胀并腐蚀，这不仅有助于车牌区域的融合和连接区域的形成，还可以过滤掉一些较小的区域。

本发明的优点及有益效果如下：

本发明基于边缘检测和数学形态学的车牌定位方法，在传统车牌定位方法的基础上进行了改进和综合，充分利用了车牌区域的边缘特征提取，并利用数学形态学保证了车牌区域的实时准确定位。车牌的轮廓信息更加明显，图像被平滑，并且保留了车牌的有效信息。

实验仿真结果表明，本方法对车牌的大小、车牌在图像中的位置限制很少，也不依赖准确的车牌边框形状，从而保证了较高的定位实效性。

具体步骤是：

(1)车辆图像的二值化处理采用的是自适应阈值二值化，自适应阈值不需要定一个固定的阈值，而是可以根据对应的自适应方法，通过图像的局部特征自适应的设定阈值，做出二值化处理，这样做的好处在于每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的。

(2)采用数学形态学的相关运算对粗定位出来的车牌区域再进行精确定位，本文基于Sobel算子边缘检测到的车牌图像，首先选择1×1正方形结构元素对Sobel算子边缘检测图像执行腐蚀操作，再使用3×3正方形结构元素执行一次膨胀，膨胀可以填补分割后物体中的空洞。最后选择2×2正方形结构元素进行闭操作，闭操作不仅有助于车牌区域的融合和连接区域的形成，还可以过滤掉一些较小的区域。

该方法的优点：操作过程简单、具有强大的处理不同对象的能力。对车牌的大小、车牌在图像中的位置限制很少，也不依赖准确的车牌边框形状，同时它不需要一个庞大的训练集，也不需要一个耗时的训练阶段，从而保证了较高的定位实效性。

附图说明

图1是本发明的流程框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

如图1所示，本发明的车牌定位方法包括以下步骤：

步骤S1,获取车辆图片，在本发明的其中一实施例中，通过摄像头采集车辆的图片。

步骤S2，将步骤(1)采集到的图像转换为灰度图像。

步骤S3，采用自适应阈值方法对灰度图像进行二值化处理。

步骤S4，采用Sobel边缘检测算子对二值化的图像进行边缘的检测，Sobel边缘检测算子对灰度化的图像进行边缘的检测，它是通过离散数学中的拆分算子，计算图像里亮度的梯度函数的近似值域，若要对图像中的噪音进行很好的处理甚至消除噪音，就要在该算子中引入局部区域做均值的操作。与其他算子相比Sobel算子在每个像素点上坐了加权处理，因此在检测边缘上效果更好。

步骤S5，选择1×1正方形结构元素对Sobel算子边缘检测图像执行腐蚀操作，腐蚀主要用于消除物体的边界点，腐蚀可以将图像中小且无意义的物体去除。

步骤S6，使用3×3正方形结构元素执行一次膨胀，膨胀主要用于扩展物体的边界点，可以把图像周围的背景点一起合并到物体中。膨胀可以填补分割后物体中的空洞。

步骤S7，然后选择2×2正方形结构元素进行闭操作，闭操作首先膨胀并腐蚀，这不仅有助于车牌区域的融合和连接区域的形成，还可以过滤掉一些较小的区域。

综上所述，相较于现有技术，本发明采用一种基于边缘检测和数学形态学的车牌定位方法，即充分利用了车身边缘和车牌外框，同时又结合了数学形态学车牌定位法，可以在具有复杂背景的全景图中准确定位车牌。同时，相比于现有的机器学习车牌定位法和基于颜色车牌定位法，本发明的车牌定位方法更简单，节省了计算时间，提高了适应性和准确性。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于边缘检测和数学形态学的车牌定位方法，其特征在于，包括以下步骤：

步骤S1、对车辆图像采用加权平均值法进行灰度化；

步骤S2、对车辆图像进行二值化；

步骤S3、采用Sobel边缘检测算子对二值化的车辆图像进行边缘的检测，得到粗定位车牌区域，在该Sobel边缘检测算子中引入局部区域做均值的操作；

步骤S4、采用数学形态学的相关运算对粗定位出来的车牌区域再进行精确定位；

步骤S5、标注精确定位后的连通区域同时显示出车牌区域。

2.根据权利要求1所述的一种基于边缘检测和数学形态学的车牌定位方法，其特征在于，所述步骤S1对车辆图像采用加权平均值法进行灰度化，具体为：

彩色图像使用的彩色模式以红(R)、绿(G)、蓝(B)三种颜色做为基色，按照不同比例配制成，也称作RGB图像，处理的就是RGB格式的位图，在RGB彩色空间中，任意彩色光F的配色方程为：

F＝r[R]+g[G]+b[B]

其中r、g、b为三色系数，r[R]、g[G]、b[B]为三色分量，将彩色图像转变为灰度图像，即彩色图像的灰度化，一加权平均值法：根据重要性或其它指标给R、G、B赋予不同的权值w_R、w_G、w_B，并使Gray等于它们值的加权和平均，即

Gray＝(w_R.R+w_G.G+w_B.B)/3

由于人眼睛对蓝色敏感度最低，对红色敏感度较高，对绿色敏感度最高，取w_R＝0.3、w_G＝0.59、w_B＝0.11时；

在将彩色图像进行灰度化的处理之后，将三维彩色图像转换为二维图像，图像中每一个像素只有一个值，即像素的灰度值，并将灰度值保存在二维矩阵中。将图像灰度化以后，不存在彩色图像中的颜色差异，只是亮度上不同，灰度值的范围为0～255，其中灰度值255为代表白色，灰度值位为0代表黑色。

3.根据权利要求2所述的一种基于边缘检测和数学形态学的车牌定位方法，其特征在于，所述步骤S2对车辆图像进行二值化，具体为：

将灰度图像转换为二值图像的过程称为图像的二值化，也就是将256个灰度级划分为2级，分别表示白色或者黑色，图像的二值化操作需要将图像分成两级，这两级分别用1和0表示，1代表白色，0代表黑色，这里分级的关键就是看灰度阈值的选取，要找到合适的阈值T来区分干扰和特征，如果原始图像f(x，y)的灰度级范围为(Z₁，Z_k)，T是Z₁和Z_k之间的一个数值，那么二值化后的图像为g(x，y)可表示为：

4.根据权利要求3所述的一种基于边缘检测和数学形态学的车牌定位方法，其特征在于，所述的步骤S3进行采用Sobel边缘检测算子对二值化的图像进行边缘的检测，具体为：

基于边缘特征算法就是通过图像中局部区域的亮度变化提取图像中的边缘信息，因此，该算法要把车牌图像进行预处理，将原始彩色图像用灰度操作转换成灰度图像，之后通过扫描操作，提取图像中每一行和每一列的车牌边缘信息，并且标记出他们的起点坐标、终点坐标和线段长，它的目的是找到图像中亮度急剧变化像素点的集合，往往表现出来的都是轮廓信息；

通常采用Sobel边缘检测算子对灰度化的图像进行边缘的检测，它是通过离散数学中的拆分算子，计算图像里亮度的梯度函数的近似值域，在该算子中引入局部区域做均值的操作；

如上公式，g(x，y)为梯度图在(x，y)的灰度值，其中f(x，y)、f(x+1，y+1)、f(x，y+1)、f(x+1，y)分别为4区域的坐标值，Sobel算子包含两组3x3的算子模板，G_x表示检测水平边沿横向模板，G_y表示检测水平边沿横向模板；

计算梯度的大小通过求每个像素点的横向、纵向的梯度近似值，用以下公式表示：

然后再用以下公式计算梯度方向：

5.根据权利要求4所述的一种基于边缘检测和数学形态学的车牌定位方法，其特征在于，所述步骤S4采用数学形态学的相关运算对粗定位出来的车牌区域再进行精确定位，具体包括：

选择1×1正方形结构元素对Sobel算子边缘检测图像执行腐蚀操作；

使用3×3正方形结构元素执行一次膨胀，膨胀主要用于扩展物体的边界点，可以把图像周围的背景点一起合并到物体中，膨胀可以填补分割后物体中的空洞；

选择2×2正方形结构元素进行闭操作，闭操作首先膨胀并腐蚀，这不仅有助于车牌区域的融合和连接区域的形成，还可以过滤掉一些较小的区域。

Images