TWI240213B - Method for abstracting license plate area from vehicle image - Google Patents
Method for abstracting license plate area from vehicle image Download PDFInfo
- Publication number
- TWI240213B TWI240213B TW93104400A TW93104400A TWI240213B TW I240213 B TWI240213 B TW I240213B TW 93104400 A TW93104400 A TW 93104400A TW 93104400 A TW93104400 A TW 93104400A TW I240213 B TWI240213 B TW I240213B
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- gradient
- image
- license plate
- vertical
- Prior art date
Links
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Description
1240213 1、發明說明: 【發明所屬之技術領域】 本發明係_-種從車娜像巾掏取車牌區_方法,特別是可 應用於車牌自動韻系統及交通監控、車輛門禁的車牌區域影像之切 取。 【先前技術】 按,車輛影像中之車牌區域的定位及切取是車牌自動辨識的前置 處理程序,因此其準確性影響車牌自軸識的整雛能;此外,在交 通監控上乃至於車輛«管理上,f理人員f要透過攝影機及顯示= 觀看來往車輛的車牌號碼,若能自動將車牌區朗影像切取並顯示出 來’將可方便管理人員觀看。因此,如何自動且有效的從車輛影像中 找出車牌的位置所在、切取出來,便是車牌自動辨識系統及交通監控、 車輛門禁等應用的重要課題。 先前技術對於車輛影像巾之車牌輯的定位及切取,-般係使用 像素明暗度(Intensity)來運算處理並騎有像素之運算結果的可能 情形綠出柱狀圖(Histogram)再從柱狀圖中計算出欲將所有像素之運 算結果二值化所需的臨界值(ThreshGld),所以很容易因柱狀圖上下起 落無跡可循而無法找到合適之臨界值以致二值化效果不佳而影塑車牌 區域定位及切取鱗钮;此外,由於絲技術多核可能的車牌區 域分析其高值像素的分布情形,以致找出錯誤之車牌區域 【發明内容】 本發明之目_在_供—種鱗姉料齡轉區域的方 1240213 法,可應胁車牌自動賴及交通監控、車輛門禁。 本發明主要係使祕素之明暗度(Intensity)或對數明暗度 (Logarithmic intensity)來運算處理並顧有鮮之㈣結果的可能 情形繪出累積域圖(cumulative histQ卿),並從累齡狀圖中計 异出將所有像素之運算結果二航所界值(Threshold);因為累 積柱狀_呈遞增上升狀_不會有__般柱㈣上下起落無跡可循的 現象,較易計算出欲將所有像素之運算結果二值化所需的臨界值本 發明以逼近法獲得累齡狀圖遞增上升轉折或趨緩最_的_處做為 二值化的臨界值,可得到較佳的二值化結果。 此外’本發明對每個車牌候選區域分別切成數個小區塊並分析所 有小區塊所包含之高值像素的平均個數及標準差(Standard deviation),車牌候選區域之區塊高值個數標準差太高者,可被剔除 而不認定為車牌區域。 【實施方式】 茲為便於貴審查委員能更進一步對本發明之構造、使用及其特 徵有更深一層,明確、詳實的認識與瞭解,發明人舉出較佳之實施例, 配合圖式詳細說明如下: 首先請參閱圖一所示係本發明之實施例流程圖,主要係由以下步 驟所組成: (1)計算水平梯度1 ··計算車輛影像之水平梯度(Horizontal gradient)來產生水平梯度影像;其計算水平梯度的方式係將相鄰的像 素之明暗度相減或將明暗度取對數後成為對數明暗度再相減。 6 1240213 ⑵水平梯度二值化2:接著將水平梯度影像予以二值化成水平梯 度二值化影像使得影像中每個像素的數值只為高值㈤油加此)或低 值(Low value),可行的做法是計算水平梯度影像之所有可能之水平梯 纽的出現次數鱗出水平梯度值的累積柱狀圖,累積柱狀圖的橫轴 是所有水平梯度值由小到大依序排列,_是對每_水平梯度值而言 小於或等於該水平梯度值的累積出現缝,在最低水平梯度值與最高 水平梯度值之職-水平梯度值,使得以最低水平梯度值的純:欠 數、小於或等於此水平梯度值的累積出現次數、小於或等於最大水平# 梯度值的累積出現次數三者所構成眺性折線與水平梯度值累積柱狀 圖的差距最小(即最逼近累積柱狀圖),將此水平梯度值定為水平梯度 值的二值化臨界值並將大於臨界值的水平梯度值定為高值、小於或等 於臨界值的水平梯度值定為低值。 (3) 計算垂直梯度3:計算車婦像之垂直梯度(Vertiealgradient) 來產生垂直梯度影像;其計算垂直梯度的方式係將相鄰的像素之明暗 度相減或將明暗度取對數後成為對數明暗度再相減。 擊 (4) 垂直梯度二值化4 :並將垂直梯度影像予以二值化成垂直梯度 一值化影像使得影像中每個像素的數值只為高值或低值;做法是計算 垂直梯度影像之所有可能之垂直梯度值的出現次數以繪出垂直梯度值 的累積柱狀圖,累積柱狀圖的橫軸是所有垂直梯度值由小到大依序排 列,縱軸是對每一垂直梯度值而言小於或等於該垂直梯度值的累積出 現次數’在最低垂直梯度值與最高垂直梯度值之間找一垂直梯度值, 7 1240213 使得以最低垂直梯度值的出現次數、小於或等於此垂直梯度值的累積 出現次數、小於或等於最大垂直梯度值的累積出現次數三者所構成的 線性折線與垂直梯度值累積柱狀圖的差距最小(即最逼近累積柱狀 圖),將此垂直梯度值定為垂直梯度值的二值化臨界值並將大於臨界值 的垂直梯度值定為高值、小於或等於臨界值的垂直梯度值定為低值。 (5)合併水平梯度二值化影像與垂直梯度二值化影像5 :將水平梯 度二值化影像及垂直梯度二值化影像合併成整合梯度二值化影像,可 行做法為將水平梯度二值化影像及垂直梯度二值化影像做▼運 算’亦即水平梯度二值化影像與垂直梯度二值化影像中同-座標位置 的兩個像素只要有-個是呈現高值,職合梯度二值化影像中同一座 標位置的像素亦呈現高值;若水平梯度二值化影像無直梯度二值化 〜像中同-座標位置的兩個像素皆呈現低值,則整合梯度二值化影像 中同一座標位置的像素亦呈現低值。 ()將鄰近的回值像素群聚成車牌候選區域6 :將整合梯度二值化 〜像中鄰近的南值像素群聚成車牌候選區域似遍伽 region):可 仃做法為整合梯度二值化影像巾之高值像素_距離若小於一特定 值’則將㈣减像素標示相同之標籤,再將相同標籤之所有像素的 所在區域定為車牌候選區域。 .(加高值像素的分布情形來確定車牌㈣區域是否為車牌區域 將母個車牌候選區域依照其區域内之高值像素的分布情形來確定是 否為車牌區域.@三所邱切每個轉輯區域分別城數個小區 1240213 塊並刀析所有小區塊所包含之高值像素的平均個數及標準差的實施例 不心圖車牌候選區域之區塊高值個數標準差太高者,可被剔除而不 認定為車牌n域,並產出較後的車賴域影像。 本創作之另-實補,如圖四_,可只針對車姉像的水平梯 度來二值化影像,主要包含以下步驟: (1)計算水平做i:計算車姉像之水平梯度.iz〇耐 gradient)來產生水平梯度影像;其計算水平梯度的方式係將相鄰的像 素之明暗度相減或㈣暗度取雜後成為雌财度再相減。 ⑵水平梯度二值化2 :接著將水平梯度付二值化成水平梯 度二值化影像使得影像十每個像素的數值只為高值(High抑㈣或低 值(Low value),可行的做法是計算水平梯度影像之所有可能之水平梯 f值的出現次數轉出水平梯度值的累積柱狀圖,累積柱狀圖的橫抽 是所有水平梯度值由小到大依序排列,縱軸是對每—水平梯度值而言 小於或等於該水平梯度值的累積出現次數,在最低水平梯度值與最高 水平梯度值之_-水平梯度值,使得以最低水平梯度值的出現次 數、小於或等於此水平梯度_累積出現次數、小於鱗於最大水平 梯度值的累積出現次數三者所構成的線性折線與水平梯度值累積柱狀 圖的差距最小(即最逼近累積域圖),將此水平梯度值定為水平梯度 值的二值化臨界值並將大於臨界值的水平梯度值定為高值、小於或等 於臨界值的水平梯度值定為低值。 (3)將鄰近的高值像素群聚成車牌候選輯6 :將整合梯度二值化 1240213 衫像中鄰近的咼值像素群聚成車牌候選區域(Candidate region);可 行做法為整合梯度二值化影像中之高值像素間的距離若小於一特定 值,則將這些高值像素標示相同之標籤,再將相同標籤之所有像素的 所在區域定為車牌候選區域。 (4)以高值像素的分布情形來確定車牌候選區域是否為車牌區域 7:將每個車牌候選區域依照其區域内之高值像素的分布情形來確定是 否為車牌區域:圖三所示的是將每個車牌候賴域分別切成數個小區 塊並分析所有小區塊所包含之高值像素的平均個數及標準差的實施例 不思圖’車牌候選區域之區塊高值個數鮮差太高者,可被剔除而不 涊定為車牌區域,並產出確定後的車牌區域影像。 本創作之又一實施例,如圖五所示,可只針對車輛影像的垂直梯 度來二值化影像,主要包含以下步驟: (1) 计算垂直梯度3:計算車輛影像之垂直梯度(Vertical gradient) 來產生垂直梯度f彡像;其計算垂直梯度的方式係將相㈣像素之明暗 度相減或將明暗度取對數後成為對數明暗度再相減。 (2) 垂直梯度二值化4 :將垂直梯度影像予以二值化成垂直梯度二 值化影像使得影像巾每個像素的數值只為紐或低值;做法是計算垂 直梯度讀之所有可能之垂直梯度值的出現次數讀出垂直梯度值的 累積柱狀圖’累積柱狀圖的橫軸是所有垂直梯度值由小到大依序排 歹J縱轴疋對每-垂直梯度值而言小於或等於該垂直梯度值的累積出 現★數’在最低垂細度值與最高垂細度值H垂直梯度值, 1240213 使得以最低垂直梯度值的出現次數、小於或等於此垂直梯度值的累積 出現次數、小於或等於最大垂直梯度值的累積出現次數三者所構成的 線性折線與垂直梯度值累積柱狀圖的差距最小(即最逼近累積柱狀 圖),將此垂直梯度值疋為垂直梯度值的二值化臨界值並將大於臨界值 的垂直梯度值定為高值、小於鱗於臨界值_直梯度值定為低值。 (3)將鄰近的高值像素群聚成車牌候選區域6 :將整合梯度二值化 影像中鄰近的高值像素群聚成車牌候選區域(Candidate regi〇n);可 行做法為整合梯度二值化影像中之高值像素間的距離若小於一特定 值’則將14麵值像素標示姻之賊,再_同賴之所有像素的 所在區域定為車牌候選區域。 ⑷以高值像素的分布情形來確定車牌候賴域枝為車牌區域 7 :將每個車賴親雜照其區_之高值像素的分树形來確定是 否為車牌區域:圖三所補是將每個轉候輕域分別切成數個小區 塊並分析财小區塊所包奴高值像素的平均錄及鮮差的實施例 示意圖,車牌候親域之區塊高值個數標準差太高者,可被剔除而不 说定為車牌區域,並產出確定後的車牌區域影像。 本發明所提供之從車姉像中擷取車輕_方法,與其它習用 技術相互比較時,具有以下的優點: 1.以逼近法獲得累積錄B遞增场轉折或趨緩最_的一處做 為二值化的臨界值,可得到較佳的影像二值化結果。 對車牌候賴域分析其高值像麵分布情形,得到錯誤之車牌 1240213 區域的機會較小。 准以上所述者,僅為本發明之較佳實施例而已,當不能以此限定 本發明實%之範圍’即大凡依本發明申請專利範圍及發明說明書内容 所作之簡單的等效變化與修飾,皆應仍屬本發明專利涵蓋之範圍内。 綜由上對本發明之論結構詳_述,本發明之構造確實能達到 獲传較佳之影像二值化效果的目的,且未見於業界相關產品當中,應 符合發明專利之要件,申請人爰依專利法之規定,向鈞局提起發曰月 專利之巾請,請早日齡本案專利,實錢惠。 # 【圖式簡單說明】 请參閱以下有關本發明一較佳實施例之詳細說明及其附圖,將可 進-步瞭解本發明之技術内容及其目的功效;有_實施例之附圖為: 圖一為本發明從車輛影像中擷取車牌區域的方法之實施例流程 圖;以及 圖二為本發明從水平梯度值(或垂直梯度值)的累積柱狀圖得出水 平梯度值(或垂直梯度值)之二值化臨界值的實施例示意圖;以肇 及 圖二為本發明對每個車牌候選區域分別切成數個小區塊並分析所 有小區塊所包含之高值像素的平均個數及標準差的實施例示意 圖。 圖四為本發明從車輛影像的水平梯度來擷取車牌區域的方法之實 施例流程圖; 圖五為本發明從車輛影像的垂直梯度來擷取車牌區域的方法之實 12 1240213 施例流程圖; 【圖式中之符號說明】 1 一計算水平梯度 2— 水平梯度二值化 3— 計算垂直梯度 4一垂直梯度二值化 5— 合併水平梯度二值化影像與垂直梯度二值化影像 6— 將鄰近的高值像素群聚成車牌候選區域 7— 以高值像素的分布情形來確定車牌候選區域是否為車牌區域
13
Claims (1)
1240213 拾、申請專利範圍: 1. -種從車姉像巾擷取車賴_方法,主要包含町步驟: ⑴計算水平财:計算車姉像之水平做(HQriz〇ntal gradient) 來產生水平梯度影像; ⑵水平梯度二值化:接魏水平做f彡軒以二值化成水平梯度二值 化影像使娜像巾每辣素的數H高值(High value)或低值(L〇w value) (3)計算垂直梯度:計算車輛影像之垂直梯度(μ—㈣㈣)來 產生垂直梯度影像; ⑷垂直梯度二值化··並將垂直梯度影像予以二值化成垂直梯度二值化 影像使得影像中每個像素的數值只為高值或低值; (5) 合併水平梯度二值化影像與垂直梯度二值化影像··將水平梯度二值 化影像及垂直梯度二值化影像合併成整合梯度二值化影像; (6) 將鄰近的高值像素群聚成車牌候選區域:然後將整合梯度二值化影 像中鄰近的高值像素群聚成車牌候選區域; (7) 以高值像素的分布情形來確定車牌候選區域是否為車牌區域:最後 將每個車牌候選區域依照其區域内之高值像素的分布情形來確定是否 為車牌區域並產出確定後的車牌區域影像。 2·如申睛專利範圍第1項所述的從車輛影像中擷取車牌區域的方法,其 中,該步驟(1)中計算水平梯度的方式係將相鄰的像素之明暗度相減。 3·如申請專利範圍第1項所述的從車輛影像中擷取車牌區域的方法,其 特徵為步驟(1)中計鼻水平梯度的方式係將相鄰的像素之明暗度取對 14 1240213 數後成為對數明暗度再相減。 4. 如申請專利範圍第1項所述的從車輛影像中擷取車牌區域的方法,其 中,該步驟⑵中計算水平梯度影像之所有可能之水平梯度值的出現次 數以繪出水平梯度值的累積柱狀圖,累積柱狀_橫軸是所有水平梯 度值由小到大依序排列,縱轴是對每一水平梯度值而言小於或等於該 水平梯度值的累積出現次數,在最低水平梯度值與最高水平梯度值之 間找-水平梯度值,使得以最低水平梯度值的出現次數、小於或等於 此水平梯度值的累積ifc現次數、小於鱗於最大水平梯度值的累積出 現次數三者所構成的線性折線與水伟度值累積柱狀圖的差距最小 (即最逼近累餘狀圖),將此水平梯度值定為水平梯度值的二值化臨 界值並將大舰界_水平梯餘定為高值、小於鱗於臨界值 平梯度值定為低值。 5. 如申請專利範圍第i項所述的從車補影像中摘取車牌區域的方法其 中,該步驟⑶中計算水平梯度的方式係將相鄰的像素之明暗度相減。 6. 如申請專利範圍第丨項所述的從車辅影像中嫩車牌區域的方法其 中,該步驟⑶中計算垂直梯度的方式係將相鄰的像素之明暗度取對數 後成為對數明暗度再相減。 7. 如申請專纖圍第丨顧述的從車_像中車輕_方法盆 中,該步驟⑷中計算刪度影像之所有可能之《梯度值的出歡 數以緣出垂直梯度值的累積柱狀圖,累積柱狀圖的橫軸是所有垂直梯 度值由小到大依序排列,縱轴是對每—垂直梯度值而言小於或等於該 15 1240213 垂直梯度值的累積出現次數,在最低垂直梯度值與最高垂直梯度值之 間找一垂直梯度值,使得以最低垂直梯度值的出現次數、小於或等於 此垂直梯度值的累積出現次數、小於或等於最大垂直梯度值的累積出 現次數三者所構成的線性折線與垂直梯度值累積柱狀圖的差距最小 (即最逼近累積柱狀圖),將此垂直梯度值定為垂直梯度值的二值化臨 界值並將大於臨界值_雜度值定為高值、小於或等於臨界值的垂 直梯度值定為低值。 8·如申請專利顧第1項所述的從車姉像巾#|取車牌區域的方法,其 特徵為步驟⑸中將水平梯度二值化影像及垂直梯度二值化影像做 0R運算,亦即水平梯度二值化影像與垂直梯度二值化影像中同一座 標位置的兩個像素只要有一個是呈現高值,則整合梯度二值化影像中 同-座標位像素亦呈現高值;若水平梯度二值化影像與垂直梯度 二值化影像中同-座標位置的兩個像素皆呈現低值,職合梯度二值 化影像中同一座標位置的像素亦呈現低值。 9.如申請專利範圍第i項所述的從車輛影像中擷取車牌區域的方法,其 特徵為步驟(6)中整合梯度二值化影像中之高值像素間的距離若小於 特疋值,廳⑨些祕像素標示相同之賊,再將侧減之所有 像素的所在區域定為車牌候選區域。 ίο.如申請專利範圍第1項所述的從車輛影像中棟取車牌區域的方法,其 特徵為步驟(7)中將每個車牌候選區域分別切成數個小區塊並計算所 有小區塊所包含之高值像素的平均個數及標準差,車牌候選區域之區 1240213 塊高值個數標準差太高者,被剔除而不認定為車牌區域,並產出確定 後的車牌區域影像。 11.-種從車姉像巾齡車賴_方法主要包含町步驟: 十算Jc平梯度.4算車輛影像之水平梯度(Horizontal gradient) 來產生水平梯度影像; (2) 水平梯度二航:接著將水平梯度雜相二航成水平梯度二值 化影像使得影像中每個像素的數值只為高值(High value)或低值(L〇w value) ; · (3) 將鄰近的咼值像素群聚成車牌候選區域··然後將水平梯度二值化影 像中鄰近的高值像素群聚成車牌候選區域; (4) 以高值像素的分布情形來確定車牌候選區域是否為車牌區域:最後 將每個車牌候選區域依照其區域内之高值像素的分布情形來確定是否 為車牌區域並產出確定後的車牌區域影像。 12· —種從車輛影像中擷取車牌區域的方法,主要包含以下步驟: (1) 计真垂直梯度·计真車輛影像之垂直梯度(υ〇Γιζοη^ι · 來產生垂直梯度影像; (2) 垂直梯度二值化:接著將垂直梯度影像予以二值化成垂直梯度二值 化影像使得影像中每個像素的數值只為高值(High value)或低值(Low value); (3)將鄰近的高值像素群聚成車牌候選區域:然後將垂直梯度二值化影 像中鄰近的高值像素群聚成車牌候選區域; 17 1240213 (4)以高值像素的分布情形來確定車牌候選區域是否為車牌區域:最後 將每個車牌候選區域依照其區域内之高值像素的分布情形來確定是否 為車牌區域並產出確定後的車牌區域影像。
18
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW93104400A TWI240213B (en) | 2004-02-23 | 2004-02-23 | Method for abstracting license plate area from vehicle image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW93104400A TWI240213B (en) | 2004-02-23 | 2004-02-23 | Method for abstracting license plate area from vehicle image |
Publications (2)
Publication Number | Publication Date |
---|---|
TW200529092A TW200529092A (en) | 2005-09-01 |
TWI240213B true TWI240213B (en) | 2005-09-21 |
Family
ID=37007693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW93104400A TWI240213B (en) | 2004-02-23 | 2004-02-23 | Method for abstracting license plate area from vehicle image |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI240213B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093181B (zh) * | 2011-11-01 | 2016-04-27 | 青岛海信网络科技股份有限公司 | 一种车牌图像定位的方法和装置 |
-
2004
- 2004-02-23 TW TW93104400A patent/TWI240213B/zh not_active IP Right Cessation
Also Published As
Publication number | Publication date |
---|---|
TW200529092A (en) | 2005-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fabrizio et al. | Text segmentation in natural scenes using toggle-mapping | |
Luo et al. | An ultrasmall bolt defect detection method for transmission line inspection | |
CN103439348B (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN103077407A (zh) | 车标定位识别方法及系统 | |
CN105718912B (zh) | 一种基于深度学习的车辆特征物检测方法 | |
CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
Pereira et al. | Semantic segmentation of paved road and pothole image using u-net architecture | |
Shang et al. | Automatic Pixel-level pavement sealed crack detection using Multi-fusion U-Net network | |
CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统 | |
Jin et al. | Multi-traffic scene perception based on supervised learning | |
CN115294483A (zh) | 输电线路复杂场景的小目标识别方法及系统 | |
Jiang et al. | Research on 3D point cloud object detection algorithm for autonomous driving | |
Hsieh et al. | Morphology-based license plate detection in images of differently illuminated and oriented cars | |
Ma et al. | ISOD: improved small object detection based on extended scale feature pyramid network | |
CN117523503A (zh) | 基于厚膜电路板的制备设备安全监控方法及系统 | |
TWI240213B (en) | Method for abstracting license plate area from vehicle image | |
Zhenhai et al. | Research on an image-based crack detection method for subway tunnels based on feature analysis | |
CN111639672B (zh) | 一种基于多数投票的深度学习城市功能区分类方法 | |
CN117351462A (zh) | 施工作业检测模型训练方法、装置、设备及存储介质 | |
CN108470175A (zh) | 基于神经网络的车牌识别系统及识别方法 | |
CN115240172B (zh) | 基于深度学习的缓解阀丢失检测方法 | |
CN116503494A (zh) | 一种红外图像生成方法、装置、设备以及存储介质 | |
CN114864106A (zh) | 一种公交车疫情监测系统及方法 | |
Kaur et al. | Text Extraction from Natural Scene using PCA. | |
Jiang et al. | Fast Traffic Accident Identification Method Based on SSD Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |