CN112906692A - 车牌定位方法、装置、计算机设备及存储介质 - Google Patents
车牌定位方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112906692A CN112906692A CN202110153965.4A CN202110153965A CN112906692A CN 112906692 A CN112906692 A CN 112906692A CN 202110153965 A CN202110153965 A CN 202110153965A CN 112906692 A CN112906692 A CN 112906692A
- Authority
- CN
- China
- Prior art keywords
- feature
- gray
- license plate
- regions
- value
- 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
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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种车牌定位方法,获取车辆的全景彩色图,对全景彩色图进行灰度化处理后再进行二值化处理,得到二值图;基于二值图的像素,提取跳变点;基于跳变点确定全景彩色图的多个跳变区域;基于多个跳变区域的尺寸,得到多个候选区域;提取各个候选区域的纹理特征、形状特征和颜色特征;基于纹理特征、形状特征和颜色特征,按照预设的评分方式计算特征评分;依据特征评分,从多个候选区域中确定车牌区域,由于纹理特征、尺寸特征和颜色特征计算简单快捷,且能够准确的反映车牌图像灰度值特点,纹理特征对于不同环境的全景彩色图的识别具有很好的鲁棒性,使得车牌定位方法能够适应不同环境,大大提高了车牌定位的速度和准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种车牌定位方法、装置、计算机设备及存储介质。
背景技术
车牌是车辆的一种识别符,车牌识别是智能交通管理系统的重要组成环节。由于车牌识别技术的不断发展,对车牌识别率的要求不断提高,基本要求在99.5%以上。车牌定位由于要对整幅图像处理,所以是车牌识别算法中比较耗时的部分,会降低车牌定位的实时性。
目前,比较热门的车牌定位方法有连通域定位法和模式识别定位法。然而,连通域定位方法效果较好,但耗时不稳定,比如路面上噪点较多时,连通域个数会较多,耗时迅速增大。模式识别算法,要针对不同类型的车牌分别进行扫描整图获取到全面样本,才能达到较好的效果,而国内车牌种类较多,耗时较大。因此,提供一种快速准确的车牌定位方法是本领域技术人员需要解决的技术问题。
发明内容
基于此,有必要针对上述问题,提出一种能够适应不同环境且快速准确定位车牌的车牌定位方法、装置、计算机设备及存储介质。
一种车牌定位方法,所述方法包括:
获取车辆的全景彩色图,对所述全景彩色图进行灰度化处理,得到灰度图,对所述灰度图进行二值化处理,得到二值图;
基于所述二值图的像素,提取跳变点,所述跳变点为所述二值图中与左右相邻位置的像素值不一致的像素点;
基于所述跳变点确定所述全景彩色图的多个跳变区域;
基于多个所述跳变区域的尺寸,将所述跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域;
提取各个所述候选区域的纹理特征、形状特征和颜色特征;
基于多个所述候选区域的所述纹理特征、形状特征和所述颜色特征,按照预设的评分方式计算各个所述候选区域的特征评分;
依据所述特征评分,从多个所述候选区域中确定车牌区域。
一种车牌定位装置,所述装置包括:
第一预处理模块,用于获取车辆的全景彩色图,对所述全景彩色图进行灰度化处理,得到灰度图,对所述灰度图进行二值化处理,得到二值图;
第二预处理模块,用于基于所述二值图的像素,提取跳变点,所述跳变点为所述二值图中与左右相邻位置的像素值不一致的像素点;
第三预处理模块,用于基于所述跳变点确定所述全景彩色图的多个跳变区域;
第四预处理模块,用于基于多个所述跳变区域的尺寸,将所述跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域;
提取模块,用于提取各个所述候选区域的纹理特征、形状特征和颜色特征;
评分模块,用于基于多个所述候选区域的所述纹理特征、形状特征和所述颜色特征,按照预设的评分方式计算各个所述候选区域的特征评分;
定位模块,用于依据所述特征评分,从多个所述候选区域中确定车牌区域。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
基于所述二值图的像素,提取跳变点,所述跳变点为所述二值图中与左右相邻位置的像素值不一致的像素点;
基于所述跳变点确定所述全景彩色图的多个跳变区域;
基于多个所述跳变区域的尺寸,将所述跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域;
提取各个所述候选区域的纹理特征、形状特征和颜色特征;
基于多个所述候选区域的所述纹理特征、形状特征和所述颜色特征,按照预设的评分方式计算各个所述候选区域的特征评分;
依据所述特征评分,从多个所述候选区域中确定车牌区域。
一种计算机可读介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
基于所述二值图的像素,提取跳变点,所述跳变点为所述二值图中与左右相邻位置的像素值不一致的像素点;
基于所述跳变点确定所述全景彩色图的多个跳变区域;
基于多个所述跳变区域的尺寸,将所述跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域;
提取各个所述候选区域的纹理特征、形状特征和颜色特征;
基于多个所述候选区域的所述纹理特征、形状特征和所述颜色特征,按照预设的评分方式计算各个所述候选区域的特征评分;
依据所述特征评分,从多个所述候选区域中确定车牌区域。
上述车牌定位方法、系统、计算机设备及存储介质,通过获取车辆的全景彩色图,对所述全景彩色图进行灰度化处理,得到灰度图,对所述灰度图进行二值化处理,得到二值图;基于所述二值图的像素,提取跳变点,所述跳变点为所述二值图中与左右相邻位置的像素值不一致的像素点;基于所述跳变点确定所述全景彩色图的多个跳变区域;基于多个所述跳变区域的尺寸,将所述跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域;提取各个所述候选区域的纹理特征、形状特征和颜色特征;基于多个所述候选区域的所述纹理特征、形状特征和所述颜色特征,按照预设的评分方式计算各个所述候选区域的特征评分;依据所述特征评分,从多个所述候选区域中确定车牌区域,通过提取车辆的全景彩色图的纹理特征和颜色特征进行计算定位,计算简单快捷,且由于纹理特征能够适应不同的环境,因此,能够适用不同环境,且大大提升了车牌定位的速度和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,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为一个实施例中车牌定位方法的流程图;
图2a为一个实施例中车辆的全景彩色图对应的灰度图,图2b为全景彩色图对应的二值图;
图3为一个实施例中标识有跳变线的二值图;
图4为一个实施例中对二值图进行滤波处理后的图像;
图5为一个实施例中车牌定位装置的结构框图;
图6为一个实施例中计算机设备的结构框图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,在一个实施例中,提供了一种车牌定位方法,该车牌定位方法既可以应用于终端,也可以应用于服务器,本实施例以应用于服务器举例说明。该车牌定位方法具体包括以下步骤:
步骤102,获取车辆的全景彩色图,对全景彩色图进行灰度化处理,得到灰度图,对灰度图进行二值化处理,得到二值图。
其中,全景彩色图彩色图是指通过摄像装置拍摄的包含有车辆的车牌信息的原始彩色图像,或者是预先存储在服务器上的包含有车辆的车牌信息的原始彩色图像。然后,将对全景彩色图进行灰度化处理,得到灰度图,二值化处理是指将灰度图上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。如图2b所示为全景彩色图对应的二值图。具体地,可以采用局部阈值二值化,对于不同的场景,选择不同的阈值,其中的阈值是当前点周围像素均值加上一个阈值,该阈值可以是[3,10]区间的一个数值。可以理解地,通过对全景彩色图进行二值化处理,减少了全景彩色图中数据量,凸显出全景彩色图的轮廓,以便后续基于二值图进行进一步处理。
步骤104,基于二值图的像素,提取跳变点,跳变点为二值图中与左右相邻位置的像素值不一致的像素点。
其中,跳变点为二值图中的像素值发生跳变的的像素点,也即一个像素点与左右一个相邻位置的像素值由0变为255,或者由255变为0。可以理解地,由于车牌图像中背景颜色与车牌字符颜色的不同,且车牌字符横向分布,因此考虑到车牌水平方向存在较多的跳变点的特点,因此,将二值图中与左右相邻位置的像素,也即水品方向的像素值不一致的像素点确定为跳变点,通过提取跳变点,以便后续根据跳变点快速准确的确定车牌区域。
步骤106,基于跳变点确定全景彩色图的多个跳变区域。
其中,跳变区域是指由多个跳变点组成的跳变区域。具体地,可以根据跳变点的分布情况,将跳变点合并成跳变线,并将跳变线合并得到跳变区域。
步骤108,基于多个跳变区域的尺寸,将跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域。
具体地,由于车牌的尺寸基本是固定的,为了减少无效的跳变区域的干扰,删除跳变区域尺寸不满足预设尺寸阈值的跳变区域,例如,高度太小,或宽高比太大的区域,则进行删除。判断保留下来的跳变区域是否满足合并条件,其中的合并条件可以是跳变区域的重合面积大于80%。本实施例中,通过删除无效的跳变区域,合并满足合并条件的跳变区域,形成候选区域,从而减少了无效的跳变区域,有利于提高车牌图像的定位的速度。
步骤110,提取各个候选区域的纹理特征、形状特征和颜色特征。
其中,纹理特征是指图像的灰度值的特征,例如,直方图特征、灰度差值特征或灰度均值特征等。形状特征是指候选区域的尺寸特征,如宽高比等。颜色特征是指反应车牌图像颜色信息的特征。国内常见车牌颜色为蓝色、黄色、绿色或者白色。可以理解地,通过提取候选区域的多个维度的特征,以保证候选区域的特征的丰富性,进而提高后续对候选区域的识别效率。
步骤112,基于多个候选区域的纹理特征、形状特征和颜色特征,按照预设的评分方式计算各个候选区域的特征评分。
其中,预设的评分方式是指预先设定的用于计算各个候选区域的特征评分的计算公式,例如,可以是根据各个特征的重要程度设定权重,进行加权计算确定各个候选区域的特征评分,实现对各个候选区域的量化。
步骤114,依据特征评分,从多个候选区域中确定车牌区域。
具体地,根据各个候选区域的特征评分,将分值最高的候选区域确定为车牌区域,实现了对车牌的定位。本实施例基于车牌图像的像素值特点,对全景彩色图进行了一系列预处理,然后对预处理后的图像提取出纹理特征、尺寸特征和颜色特征,对多种特征进行综合评分,识别出车牌图像,由于纹理特征、尺寸特征和颜色特征计算简单快捷,且能够准确的反映车牌图像灰度值特点,纹理特征对于不同环境(如光照影响、无损影响等)的全景彩色图的识别具有很好的鲁棒性,使得车牌定位方法能够适应不同环境的全景彩色图,大大提高了车牌定位的速度和准确性。
上述车牌定位方法,通过获取车辆的全景彩色图,对全景彩色图进行灰度化处理,得到灰度图,对灰度图进行二值化处理,得到二值图;基于二值图的像素,提取跳变点,跳变点为所述二值图中与左右相邻位置的像素值不一致的像素点;基于跳变点确定全景彩色图的多个跳变区域;基于多个跳变区域的尺寸,将跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域;提取各个候选区域的纹理特征、形状特征和颜色特征;基于多个候选区域的纹理特征、形状特征和颜色特征,按照预设的评分方式计算各个候选区域的特征评分;依据特征评分,从多个候选区域中确定车牌区域,由于纹理特征、尺寸特征和颜色特征计算简单快捷,且能够准确的反映车牌图像灰度值特点,纹理特征对于不同环境的全景彩色图的识别具有很好的鲁棒性,使得车牌定位方法能够适应不同环境的全景彩色图,大大提高了车牌定位的速度和准确性。
如图2所示,在一个实施例中,基于跳变点确定全景彩色图的多个跳变区域,包括:将跳变点进行连接,生成多条跳变线;对多条跳变线进行合并,构成多个跳变区域。
在这个实施例中,将多个跳变点进行连接,得到一条跳变线,由于二值图中的跳变点数量较多,因此,可以得到较多的跳变线。然后将该跳变线进行合并,继而构成跳变区域。如图3所示,为标识有跳变线的灰度图,其中的浅色线条即为跳变线。
在一个实施例中,对多条跳变线进行合并,构成多个跳变区域,包括:计算相邻两行的跳变线在水平方向上的重合度;在重合度满足预设重合阈值时,将相邻两行的跳变线进行合并,得到跳变区域。
具体地,当相邻两行的跳变线在水平方向上重合度满足预设重合阈值时,例如,相邻两行的跳变线在水平方向上重合部分于两者中较长者的30%时,则进行合并,从而得到跳变区域。
在一个实施例中,纹理特征包括直方图特征、灰度差值特征及灰度均值特征,提取各个候选区域的纹理特征、形状特征和颜色特征,包括:确定候选区域的直方图,将直方图中的两个波峰之间的间距确定为直方图特征;获取各个候选区域的水平中线,从水平中线选出灰度值满足预设灰度阈值范围的目标中线,将目标中线平均划分为第一目标中线和第二目标中线,计算第一目标中线中预设区域的灰度值发生变化的第一数量,计算第二目标中线中所述预设区域的灰度值发生变化的第二数量,并统计第一数量中灰度变化值的绝对值满足预设变化阈值的第一变化数量和第二数量中灰度变化值的绝对值满足预设变化阈值的第二变化数量,根据第一数量、第二数量、第一变化数量和第二变化数量确定灰度差值特征;确定候选区域的背景区域,将背景区域划分为多个子区域,计算每个子区域的灰度平均值,比较各个灰度平均值的差值,根据各个差值确定确定灰度均值特征;计算区域的宽高比例值,根据宽高比例值确定形状特征;获取背景区域的灰度值,计算灰度值与预设颜色阈值的灰度差值,根据灰度差值确定颜色特征。
具体地,确定候选区域的直方图,将直方图中的两个波峰之间的间距确定为直方图特征,由于车牌的前景颜色和背景颜色比较分明,候选区域的直方图可以得到两个明显的波峰。如果两个波峰之间的间距越大,则表明前景和背景部分占据的比例较大,则颜色直方图特征对应的分值越高。
水平中线是指候选区域的位于中间区域的一条水平线,例如,当候选区域的宽度为170个像素点时,则该水平线的宽度也为170个像素点,高度为1个像素点,可以理解地,车牌图像中的字符通常位于车牌中间区域,因此,获取各个候选区域的水平中线,不仅能够快速确定车牌区域,且排除了非车牌区域的干扰。接着,从水平中线选出灰度值满足预设灰度阈值范围的目标中线,即找出水平中线中灰度值变化最大的区域,例如100个像素范围区域,从而进一步减少干扰,进而减小纹理特征的计算量。然后,将目标中线平均划分为第一目标中线和第二目标中线,例如,第一目标中线和第二目标中线的宽度均为50个像素,分别计算第一目标中线和第二目标中线中预设区域的灰度值发生变化的第一数量和第二数量,例如,对于车牌图像的候选区域,假设有6个字符,第一目标中线和第二目标中线中均包含有3个字符,其中的预设区域可以是一个字符的区域,因此,字符与车牌背景颜色的灰度值变化的数量则为3个区域。进一步地,统计第一数量中灰度变化值的绝对值满足预设变化阈值的第一变化数量和第二数量中灰度变化值的绝对值满足预设变化阈值的第二变化数量,即统计第一目标中线和第二目标中线中,从左到右的像素点的灰度变化,比如车牌字符是白色,车牌背景是蓝色,从字符移动到背景时,可以计算得到一个灰度变化值,从背景移动到字符时,可以计算得到一个灰度值,由于车牌颜色是一种,字符颜色也是一种,理想情况下,灰度变化值的绝对值相同,但是考虑到环境以及光照变化等影响,将绝对值在满足预设范围的情况下,确定对应的水平中线为车牌区域,也即第一数量和第二数量越接近,且第一变化数量和第二变化数量越接近,确定候选区域分布越均匀,灰度差值特征对应的分数越高。值得说明的是,该灰度差值特征能够较好的反映车牌区域特征,为了进一步提高车牌定位的准确性,可以将该灰度差值特征对应的权值设置为较高权重。
确定候选区域的背景区域,将背景区域划分为多个子区域,计算每个子区域的灰度平均值,比较各个灰度平均值的差值,根据各个差值确定确定灰度均值特征;计算区域的宽高比例值,根据宽高比例值确定形状特征。国内单层蓝牌,单层黄牌,单层白牌,宽高比大致为3.3:1,绿牌大致为3.4:1。可以设置一个分数表,当宽高比例值3.3-3.4的时候分数达到最大,并向两边逐渐递减。也即宽高比例值越接近3.3或者3.4,则形状特征对应的分值越高。
获取背景区域的灰度值,计算灰度值与预设颜色阈值的灰度差值,根据灰度差值确定颜色特征。分别计算蓝色,黄色,绿色对应的灰度值作为对应颜色的预设颜色阈值,当灰度值与其中的一个预设颜色阈值的差值越小,颜色特征对应的评分越高。进一步地,为了提升颜色特征的提取速度,可以选取背景区域的中线,将中线的灰度值作为背景区域的颜色灰度值。并且,本实施例中通过选取背景区域,减少了车牌中字符颜色的干扰,从而更进一步提高了提取颜色特征的速度和准确性。
在一个实施例中,按照预设的评分方式计算各个候选区域的特征评分,包括:分别获取直方图特征、灰度差值特征、灰度均值特征、形状特征和颜色特征及相应的权重;基于直方图特征、灰度差值特征、灰度均值特征、形状特征和颜色特征及相应的权重进行加权求和计算,得到特征评分。
在这个实施例中,根据直方图特征、灰度差值特征、灰度均值特征、形状特征和颜色特征确定相应的权重,例如,直方图特征、灰度差值特征、灰度均值特征、形状特征和颜色特征对应的权重分别是0.15,0.25,0.15,0.25,0.2,对应的分值分别为10,20,20,20,35,则该候选区域的特征评分即为0.15×10+0.25×20+0.15×20+0.25×20+0.2×35=21.5。
在一个实施例中,在基于二值图的像素,提取跳变点之前,还包括:对二值图进行滤波处理。
其中,滤波处理是指去除二值图中噪点。为了提高跳变点提取的准确性,可以对二值图像进行滤波处理,以减少噪点干扰,进一步提高跳变起点提取的准确性。
在一个实施例中,对二值图进行滤波处理,包括:获取二值图中的当前像素点的像素值,针对像素值为二值中较大值的像素点,则统计周围八个相邻像素的像素值一致的像素点的个数;若个数小于预设个数阈值,则删除当前像素点。
具体地,获取二值图中的当前像素点的像素值,由于二值图中各个像素点的像素值为两种值,0与1,或者0与255,可以理解地,二值图中像素值为0的像素点为黑色像素点,不需要进行处理,因此,当像素值为二者中较大值(例如1或者255)时,即为白点,则统计该像素点八邻域像素值一致的像素点的个数,当个数小于预设个数阈值时,则删除当前像素点。例如,当前像素点是白点,且周围的8个像素点有6个像素点也为白色,则保留当前白点,否则删除当前白点。如图4所示,为对二值图进行滤波处理后的图像。
如图5所示,在一个实施例中,提出了一种车牌定位装置,所述装置包括:
第一预处理模块502,用于获取车辆的全景彩色图,对所述全景彩色图进行灰度化处理,得到灰度图,对所述灰度图进行二值化处理,得到二值图;
第二预处理模块504,用于基于所述二值图的像素,提取跳变点,所述跳变点为所述二值图中与左右相邻位置的像素值不一致的像素点;
第三预处理模块506,用于基于所述跳变点确定所述全景彩色图的多个跳变区域;
第四预处理模块508,用于基于多个所述跳变区域的尺寸,将所述跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域;
提取模块510,用于提取各个所述候选区域的纹理特征、形状特征和颜色特征;
评分模块512,用于基于多个所述候选区域的所述纹理特征、形状特征和所述颜色特征,按照预设的评分方式计算各个所述候选区域的特征评分;
定位模块514,用于依据所述特征评分,从多个所述候选区域中确定车牌区域。
在一个实施例中,第三预处理模块包括:
连接单元,用于将所述跳变点进行连接,生成多条跳变线;
合并单元,用于对所述多条跳变线进行合并,构成多个所述跳变区域。
在一个实施例中,合并单元包括:
计算子单元,用于计算相邻两行的所述跳变线在水平方向上的重合度;
合并子单元,用于在所述重合度满足预设重合阈值时,将相邻两行的所述跳变线进行合并,得到所述跳变区域。
在一个实施例中,提取模块包括:
第一确定单元,用于确定所述候选区域的直方图,将所述直方图中的两个波峰之间的间距确定为所述直方图特征;
第二确定单元,用于获取各个所述候选区域的水平中线,从所述水平中线选出灰度值满足预设灰度阈值范围的目标中线,将所述目标中线平均划分为第一目标中线和第二目标中线,计算所述第一目标中线中预设区域的灰度值发生变化的第一数量,计算所述第二目标中线中所述预设区域的灰度值发生变化的第二数量,并统计所述第一数量中所述灰度变化值的绝对值满足预设变化阈值的第一变化数量和所述第二数量中所述灰度变化值的绝对值满足预设变化阈值的第二变化数量,根据所述第一数量、第二数量、第一变化数量和第二变化数量确定所述灰度差值特征;
第三确定单元,用于确定所述候选区域的背景区域,将所述背景区域划分为多个子区域,计算每个所述子区域的灰度平均值,比较各个所述灰度平均值的差值,根据各个差值确定确定所述灰度均值特征;
第四确定单元,用于计算所述区域的宽高比例值,根据所述宽高比例值确定所述形状特征;
第五确定单元,用于获取所述背景区域的灰度值,计算所述灰度值与预设颜色阈值的灰度差值,根据所述灰度差值确定所述颜色特征。
在一个实施例中,评分模块包括:
获取单元,用于分别获取所述直方图特征、所述灰度差值特征、所述灰度均值特征、所述形状特征和所述颜色特征及相应的权重;
评分单元,用于基于所述直方图特征、所述灰度差值特征、所述灰度均值特征、所述形状特征和所述颜色特征及相应的权重进行加权求和计算,得到所述特征评分。
在一个实施例中,车牌定位装置还包括:滤波模块,用于对所述二值图进行滤波处理。
在一个实施例中,滤波模块包括:
确定单元,用于获取所述二值图中的当前像素点的像素值与周围像素的像素值一致的像素点的个数;
删除单元,用于若所述个数小于预设个数阈值,则删除所述当前像素点。
图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器,所述服务器包括但不限于高性能计算机和高性能计算机集群。如图6所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现车牌定位方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行车牌定位方法。本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的车牌定位方法可以实现为一种计算机程序的形式,计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成车牌定位装置的各个程序模板。比如,第一预处理模块502,第二预处理模块504,第三预处理模块506,第四预处理模块508,提取模块510,评分模块512,定位模块514。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
获取车辆的全景彩色图,对所述全景彩色图进行灰度化处理,得到灰度图,对所述灰度图进行二值化处理,得到二值图;基于所述二值图的像素,提取跳变点,所述跳变点为所述二值图中与左右相邻位置的像素值不一致的像素点基于所述跳变点确定所述全景彩色图的多个跳变区域;基于多个所述跳变区域的尺寸,将所述跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域;提取各个所述候选区域的纹理特征、形状特征和颜色特征;基于多个所述候选区域的所述纹理特征、形状特征和所述颜色特征,按照预设的评分方式计算各个所述候选区域的特征评分;依据所述特征评分,从多个所述候选区域中确定车牌区域。
在一个实施例中,所述基于所述跳变点确定所述全景彩色图的多个跳变区域,包括:将所述跳变点进行连接,生成多条跳变线;对所述多条跳变线进行合并,构成多个所述跳变区域。
在一个实施例中,对所述多条跳变线进行合并,构成多个所述跳变区域,包括:计算相邻两行的所述跳变线在水平方向上的重合度;在所述重合度满足预设重合阈值时,将相邻两行的所述跳变线进行合并,得到所述跳变区域。
在一个实施例中,所述纹理特征包括直方图特征、灰度差值特征及灰度均值特征,所述提取各个所述候选区域的纹理特征、形状特征和颜色特征,包括:确定所述候选区域的直方图,将所述直方图中的两个波峰之间的间距确定为所述直方图特征;获取各个所述候选区域的水平中线,从所述水平中线选出灰度值满足预设灰度阈值范围的目标中线,将所述目标中线平均划分为第一目标中线和第二目标中线,计算所述第一目标中线中预设区域的灰度值发生变化的第一数量,计算所述第二目标中线中所述预设区域的灰度值发生变化的第二数量,并统计所述第一数量中所述灰度变化值的绝对值满足预设变化阈值的第一变化数量和所述第二数量中所述灰度变化值的绝对值满足预设变化阈值的第二变化数量,根据所述第一数量、第二数量、第一变化数量和第二变化数量确定所述灰度差值特征;确定所述候选区域的背景区域,将所述背景区域划分为多个子区域,计算每个所述子区域的灰度平均值,比较各个所述灰度平均值的差值,根据各个差值确定确定所述灰度均值特征;计算所述区域的宽高比例值,根据所述宽高比例值确定所述形状特征;获取所述背景区域的灰度值,计算所述灰度值与预设颜色阈值的灰度差值,根据所述灰度差值确定所述颜色特征。
在一个实施例中,所述按照预设的评分方式计算各个所述候选区域的特征评分,包括:分别获取所述直方图特征、所述灰度差值特征、所述灰度均值特征、所述形状特征和所述颜色特征及相应的权重;基于所述直方图特征、所述灰度差值特征、所述灰度均值特征、所述形状特征和所述颜色特征及相应的权重进行加权求和计算,得到所述特征评分。
在一个实施例中,在所述基于所述二值图的像素,提取跳变点之前,还包括:对所述二值图进行滤波处理。
在一个实施例中,所述对所述二值图进行滤波处理,包括:获取所述二值图中的当前像素点的像素值,针对像素值为二值中较大值的像素点,则统计周围八个相邻像素的像素值一致的像素点的个数;若所述个数小于预设个数阈值,则删除所述当前像素点。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如下步骤:
获取车辆的全景彩色图,对所述全景彩色图进行灰度化处理,得到灰度图,对所述灰度图进行二值化处理,得到二值图;基于所述二值图的像素,提取跳变点,所述跳变点为所述二值图中与左右相邻位置的像素值不一致的像素点基于所述跳变点确定所述全景彩色图的多个跳变区域;基于多个所述跳变区域的尺寸,将所述跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域;提取各个所述候选区域的纹理特征、形状特征和颜色特征;基于多个所述候选区域的所述纹理特征、形状特征和所述颜色特征,按照预设的评分方式计算各个所述候选区域的特征评分;依据所述特征评分,从多个所述候选区域中确定车牌区域。
在一个实施例中,所述基于所述跳变点确定所述全景彩色图的多个跳变区域,包括:将所述跳变点进行连接,生成多条跳变线;对所述多条跳变线进行合并,构成多个所述跳变区域。
在一个实施例中,对所述多条跳变线进行合并,构成多个所述跳变区域,包括:计算相邻两行的所述跳变线在水平方向上的重合度;在所述重合度满足预设重合阈值时,将相邻两行的所述跳变线进行合并,得到所述跳变区域。
在一个实施例中,所述纹理特征包括直方图特征、灰度差值特征及灰度均值特征,所述提取各个所述候选区域的纹理特征、形状特征和颜色特征,包括:确定所述候选区域的直方图,将所述直方图中的两个波峰之间的间距确定为所述直方图特征;获取各个所述候选区域的水平中线,从所述水平中线选出灰度值满足预设灰度阈值范围的目标中线,将所述目标中线平均划分为第一目标中线和第二目标中线,计算所述第一目标中线中预设区域的灰度值发生变化的第一数量,计算所述第二目标中线中所述预设区域的灰度值发生变化的第二数量,并统计所述第一数量中所述灰度变化值的绝对值满足预设变化阈值的第一变化数量和所述第二数量中所述灰度变化值的绝对值满足预设变化阈值的第二变化数量,根据所述第一数量、第二数量、第一变化数量和第二变化数量确定所述灰度差值特征;确定所述候选区域的背景区域,将所述背景区域划分为多个子区域,计算每个所述子区域的灰度平均值,比较各个所述灰度平均值的差值,根据各个差值确定确定所述灰度均值特征;计算所述区域的宽高比例值,根据所述宽高比例值确定所述形状特征;获取所述背景区域的灰度值,计算所述灰度值与预设颜色阈值的灰度差值,根据所述灰度差值确定所述颜色特征。
在一个实施例中,所述按照预设的评分方式计算各个所述候选区域的特征评分,包括:分别获取所述直方图特征、所述灰度差值特征、所述灰度均值特征、所述形状特征和所述颜色特征及相应的权重;基于所述直方图特征、所述灰度差值特征、所述灰度均值特征、所述形状特征和所述颜色特征及相应的权重进行加权求和计算,得到所述特征评分。
在一个实施例中,在所述基于所述二值图的像素,提取跳变点之前,还包括:对所述二值图进行滤波处理。
在一个实施例中,所述对所述二值图进行滤波处理,包括:获取所述二值图中的当前像素点的像素值,针对像素值为二值中较大值的像素点,则统计周围八个相邻像素的像素值一致的像素点的个数;若所述个数小于预设个数阈值,则删除所述当前像素点。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车牌定位方法,其特征在于,所述方法包括:
获取车辆的全景彩色图,对所述全景彩色图进行灰度化处理,得到灰度图,对所述灰度图进行二值化处理,得到二值图;
基于所述二值图的像素,提取跳变点,所述跳变点为所述二值图中与左右相邻位置的像素值不一致的像素点;
基于所述跳变点确定所述全景彩色图的多个跳变区域;
基于多个所述跳变区域的尺寸,将所述跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域;
提取各个所述候选区域的纹理特征、形状特征和颜色特征;
基于多个所述候选区域的所述纹理特征、形状特征和所述颜色特征,按照预设的评分方式计算各个所述候选区域的特征评分;
依据所述特征评分,从多个所述候选区域中确定车牌区域。
2.根据权利要求1所述的车牌定位方法,其特征在于,所述基于所述跳变点确定所述全景彩色图的多个跳变区域,包括:
将所述跳变点进行连接,生成多条跳变线;
对所述多条跳变线进行合并,构成多个所述跳变区域。
3.根据权利要求1所述的车牌定位方法,其特征在于,对所述多条跳变线进行合并,构成多个所述跳变区域,包括:
计算相邻两行的所述跳变线在水平方向上的重合度;
在所述重合度满足预设重合阈值时,将相邻两行的所述跳变线进行合并,得到所述跳变区域。
4.根据权利要求1所述的车牌定位方法,其特征在于,所述纹理特征包括直方图特征、灰度差值特征及灰度均值特征,所述提取各个所述候选区域的纹理特征、形状特征和颜色特征,包括:
确定所述候选区域的直方图,将所述直方图中的两个波峰之间的间距确定为所述直方图特征;
获取各个所述候选区域的水平中线,从所述水平中线选出灰度值满足预设灰度阈值范围的目标中线,将所述目标中线平均划分为第一目标中线和第二目标中线,计算所述第一目标中线中预设区域的灰度值发生变化的第一数量,计算所述第二目标中线中所述预设区域的灰度值发生变化的第二数量,并统计所述第一数量中所述灰度变化值的绝对值满足预设变化阈值的第一变化数量和所述第二数量中所述灰度变化值的绝对值满足预设变化阈值的第二变化数量,根据所述第一数量、第二数量、第一变化数量和第二变化数量确定所述灰度差值特征;
确定所述候选区域的背景区域,将所述背景区域划分为多个子区域,计算每个所述子区域的灰度平均值,比较各个所述灰度平均值的差值,根据各个差值确定确定所述灰度均值特征;
计算所述区域的宽高比例值,根据所述宽高比例值确定所述形状特征;
获取所述背景区域的灰度值,计算所述灰度值与预设颜色阈值的灰度差值,根据所述灰度差值确定所述颜色特征。
5.根据权利要求4所述的车牌定位方法,其特征在于,所述按照预设的评分方式计算各个所述候选区域的特征评分,包括:
分别获取所述直方图特征、所述灰度差值特征、所述灰度均值特征、所述形状特征和所述颜色特征及相应的权重;
基于所述直方图特征、所述灰度差值特征、所述灰度均值特征、所述形状特征和所述颜色特征及相应的权重进行加权求和计算,得到所述特征评分。
6.根据权利要求1所述的车牌定位方法,在所述基于所述二值图的像素,提取跳变点之前,还包括:
对所述二值图进行滤波处理。
7.根据权利要求6所述的车牌定位方法,其特征在于,所述对所述二值图像进行滤波处理,包括:
获取所述二值图中的当前像素点的像素值,针对像素值为二值中较大值的像素点,则统计周围八个相邻像素的像素值一致的像素点的个数;
若所述个数小于预设个数阈值,则删除所述当前像素点。
8.一种车牌定位装置,其特征在于,所述车牌定位装置包括:
第一预处理模块,用于获取车辆的全景彩色图,对所述全景彩色图进行灰度化处理,得到灰度图,对所述灰度图进行二值化处理,得到二值图;
第二预处理模块,用于基于所述二值图的像素,提取跳变点,所述跳变点为所述二值图中与左右相邻位置的像素值不一致的像素点;
第三预处理模块,用于基于所述跳变点确定所述全景彩色图的多个跳变区域;
第四预处理模块,用于基于多个所述跳变区域的尺寸,将所述跳变区域中尺寸不满足预设尺寸阈值的跳变区域进行删除,并将满足合并条件的跳变区域进行合并处理,得到多个候选区域;
提取模块,用于提取各个所述候选区域的纹理特征、形状特征和颜色特征;
评分模块,用于基于多个所述候选区域的所述纹理特征、形状特征和所述颜色特征,按照预设的评分方式计算各个所述候选区域的特征评分;
定位模块,用于依据所述特征评分,从多个所述候选区域中确定车牌区域。
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述车牌定位方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述车牌定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153965.4A CN112906692B (zh) | 2021-02-04 | 2021-02-04 | 车牌定位方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153965.4A CN112906692B (zh) | 2021-02-04 | 2021-02-04 | 车牌定位方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906692A true CN112906692A (zh) | 2021-06-04 |
CN112906692B CN112906692B (zh) | 2022-03-22 |
Family
ID=76122238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110153965.4A Active CN112906692B (zh) | 2021-02-04 | 2021-02-04 | 车牌定位方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906692B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334836A (zh) * | 2008-07-30 | 2008-12-31 | 电子科技大学 | 一种融合色彩、尺寸和纹理特征的车牌定位方法 |
CN102254152A (zh) * | 2011-06-17 | 2011-11-23 | 东南大学 | 基于彩色跳变点和颜色密度的车牌定位方法 |
CN102375982A (zh) * | 2011-10-18 | 2012-03-14 | 华中科技大学 | 一种融合多字符特征的车牌定位方法 |
CN107016389A (zh) * | 2017-04-07 | 2017-08-04 | 广东工业大学 | 一种车牌定位的方法以及装置 |
-
2021
- 2021-02-04 CN CN202110153965.4A patent/CN112906692B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334836A (zh) * | 2008-07-30 | 2008-12-31 | 电子科技大学 | 一种融合色彩、尺寸和纹理特征的车牌定位方法 |
CN102254152A (zh) * | 2011-06-17 | 2011-11-23 | 东南大学 | 基于彩色跳变点和颜色密度的车牌定位方法 |
CN102375982A (zh) * | 2011-10-18 | 2012-03-14 | 华中科技大学 | 一种融合多字符特征的车牌定位方法 |
CN107016389A (zh) * | 2017-04-07 | 2017-08-04 | 广东工业大学 | 一种车牌定位的方法以及装置 |
Non-Patent Citations (3)
Title |
---|
王云龙: "机动车号牌识别系统的算法研究及实现", 《中国优秀硕士论文全文数据库》 * |
赵薇: "基于纹理特征的动态车牌识别二次快速定位技术研究", 《机械设计与制造》 * |
陈振学: "基于特征显著性的目标识别方法及其应用研究", 《中国博士论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112906692B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232349B (zh) | 模型训练方法、图像分割方法及装置 | |
CN108280829A (zh) | 焊缝图像识别方法、计算机装置及计算机可读存储介质 | |
WO2022134996A1 (en) | Lane line detection method based on deep learning, and apparatus | |
CN114998317B (zh) | 镜头遮挡检测方法、装置、摄像装置和存储介质 | |
CN111178224B (zh) | 物体规则判断方法、装置、计算机设备和存储介质 | |
CN116612280A (zh) | 车辆分割方法、装置、计算机设备和计算机可读存储介质 | |
JP2008251029A (ja) | 文字認識装置、ナンバープレート認識システム | |
CN111445487A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN112906692B (zh) | 车牌定位方法、装置、计算机设备及存储介质 | |
CN113763412A (zh) | 图像处理方法、装置及电子设备、计算机可读存储介质 | |
CN117496109A (zh) | 一种图像比对分析方法、装置、电子设备及存储介质 | |
CN111695550B (zh) | 一种文字提取方法、图像处理设备和计算机可读存储介质 | |
CN111445411A (zh) | 图像去噪方法、装置、计算机设备和存储介质 | |
CN114445814B (zh) | 一种字符区域提取方法、计算机可读存储介质 | |
CN110895849A (zh) | 冠字号切割定位方法、装置、计算机设备及存储介质 | |
CN111325199A (zh) | 一种文字倾斜角度检测方法及装置 | |
CN112052859B (zh) | 一种自由场景下的车牌精准定位方法及装置 | |
CN115272421A (zh) | 前背景提取方法、装置、计算机设备和存储介质 | |
CN113673362A (zh) | 对象的运动状态确定方法、装置、计算机设备和存储介质 | |
CN114529570A (zh) | 图像分割方法、图像识别方法、用户凭证补办方法及系统 | |
CN115965759B (zh) | 一种利用激光雷达进行建筑物数字建模的方法 | |
CN111259744B (zh) | 一种基于皮肤模型和svm分类器的人脸检测方法及其装置 | |
CN111476308A (zh) | 基于先验几何约束的遥感影像分类方法、装置和电子设备 | |
JP2005149395A (ja) | 文字認識装置、ナンバープレート認識システム | |
CN117934588A (zh) | 道路中心线的提取方法、计算机设备及存储介质 |
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 |