專利名稱：：一種復(fù)雜背景下的車牌定位方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及車牌定位技術(shù)，尤其是一種復(fù)雜背景下的車牌定位方法。
背景技術(shù)：
：我國當(dāng)前很多城市都已經(jīng)建立了交通控制中心，視頻監(jiān)控己經(jīng)成為交通管理的主要手段，這同時也意味著車牌識別(LicensePlateRecognition,LPR)技術(shù)將會扮演越來越重要的角色。車牌自動識別系統(tǒng)可以廣泛應(yīng)用于以下場合高速公路、橋梁、隧道等收費管理系統(tǒng)；城市交通車輛管理、電子警察、海關(guān)邊境交通監(jiān)控；智能小區(qū)、智能停車場管理；車牌驗證、車流統(tǒng)計等。在以上場合使用該技術(shù)，都可以實現(xiàn)實時、高效地監(jiān)控車輛的動態(tài)，使不停車收費、實時的失竊車輛與黑牌機(jī)動車查詢、監(jiān)控違章等功能的實現(xiàn)成為可能，同時獲取的車牌信息可以讓管理部門很快地從后臺管理系統(tǒng)中得到有關(guān)該車輛的一切資料，為他們的工作提供很多便利?？傊?，對車牌識別技術(shù)的研究及相關(guān)應(yīng)用系統(tǒng)的開發(fā)具有重要的現(xiàn)實意義，也具有廣闊的市場和巨大的商業(yè)應(yīng)用前景。車牌識別系統(tǒng)一般可順序地分為車輛圖像獲取、車牌定位、車牌字符分割和車牌字符識別4個基本部分。車體檢測是第一步也是非常重要的一步，是后續(xù)工作的前提和基礎(chǔ)。隨著計算機(jī)和圖像處理技術(shù)的不斷發(fā)展，利用機(jī)器視覺檢測成為了車輛檢測的發(fā)展趨勢。車牌定位是否準(zhǔn)確直接影響到后續(xù)車牌的識別，是整個車牌識別技術(shù)中的關(guān)鍵和基礎(chǔ)部分。車牌定位的研究國外起步比較早，現(xiàn)有比較好的牌照定位方法主要有J.Barroso等提出的基于水平線搜尋的定位方法；R.Parisi等提出的基于DFT變換的頻域分析方法；CharlCoetzee提出的基于Niblack二值化算法及自適應(yīng)邊界搜索算法的定位方法；J.Bulas-Cruz等人提出的基于掃描行的車牌提取方法。國內(nèi)比較好的定位算法有基于車牌文字變化特征的自動掃描識別算法；基于特征的車輛牌照定位算法；基于變換函數(shù)提取車牌的算法；基于視覺的車輛牌照檢測，還有同濟(jì)大學(xué)的廖金周、宣國榮提出的基于字符串的車輛牌照分割方法。目前已有的車牌定位方法實際效果并不理想，主要存在以下問題(1)、傳統(tǒng)車牌識別技術(shù)在復(fù)雜背景下效果不佳，而當(dāng)今許多實際應(yīng)用場合，如在繁忙交通路口對欠稅費、報廢、掛失等車輛的稽査，監(jiān)視區(qū)域比較復(fù)雜，背景有廣告牌、樹木、建筑物、斑馬線以及各種背景文字等；(2)、對采集的圖像質(zhì)量較敏感，魯棒性不高。實際應(yīng)用中車牌識別系統(tǒng)大多利用攝像機(jī)室外拍攝汽車圖案，存在光線干擾、車牌污損、圖像傾斜等許多客觀因素的干擾，導(dǎo)致車牌定位效果不理想；(3)、傳統(tǒng)方法大多基于灰度圖像進(jìn)行定位分割處理，雖然在一定程度上降低了算法復(fù)雜度，但是同時也丟失了豐富的色彩信息。
發(fā)明內(nèi)容為了克服已有車牌定位方法的不能適應(yīng)復(fù)雜背景、可靠性差、色彩損失較多的不足，本發(fā)明提供一種適應(yīng)復(fù)雜背景下的車牌定位方法，從視頻中提取車體，最大程度去除復(fù)雜背景的干擾，并綜合應(yīng)用彩色圖像和灰度圖像進(jìn)行車牌定位，定位準(zhǔn)確率更高，魯棒性更高。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種復(fù)雜背景下的車牌定位方法，包括以下步驟1)截取車輛視頻中相鄰的兩幀，采用改進(jìn)的瞬時差分法，為滿足實時性要求，設(shè)計以點為中心的固定大小的范圍作為差分區(qū)域，取該區(qū)域的灰度均值進(jìn)行差分計算，對差分圖像進(jìn)行濾波及膨脹操作，根據(jù)連通域外接矩形的面積進(jìn)行過濾并定位車體；2)對車體區(qū)域圖像進(jìn)行預(yù)處理，包括車體圖像的灰度化、梯度信息增強(qiáng)、采用平均值加標(biāo)準(zhǔn)差作為閾值進(jìn)行二值化；3)對經(jīng)過處理的車體圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)運算，用線型結(jié)構(gòu)元進(jìn)行膨脹處理，再進(jìn)行腐蝕操作，將小的區(qū)域加以合并得到若干個連通區(qū)域，利用車牌寬高范圍、寬高比率以及連通域的填充度進(jìn)行過濾，剔除不符合寬高比要求、填充度低于閾值的連通域，得到若干個候選車牌區(qū)域；4)對候選車牌區(qū)域的彩色圖像進(jìn)行預(yù)處理，將圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間，轉(zhuǎn)換公式如下^=卩(TS一max(i，G，—min(凡G，(2)—max(及+G+5)一2550=cos一1G)+(及-刑/2^/(及一G)2+(及一5)(G—5)(4)其中，色度/Z用角度-;r;r或02;r來度量，對應(yīng)于顏色輪上的角度；亮度F是指顏色明暗程度，通常用百分比度量，從黑0%到白100%;飽和度S指顏色的深淺，用百分比來度量，從0%到完全飽和的100%，與光強(qiáng)度無關(guān)。HSV顏色空間更加接近人眼的視覺，在自然光下更加穩(wěn)定；5)對候選車牌圖像進(jìn)行基于區(qū)域色彩距離的彩色邊緣檢測，利用BP神經(jīng)網(wǎng)絡(luò)對HSV彩色空間的候選車牌圖像進(jìn)行顏色識別，通過計算某一像素點兩相鄰區(qū)域的平均色彩距離來進(jìn)行彩色邊緣檢測，若色彩距離大于某一個閾值"則認(rèn)為該像素是一個邊緣點，定義區(qū)域平均色彩距離的計算公式如下其中，(^^A片r,)分別是兩相鄰區(qū)域的仏S、F顏色分量的平均值；6)采用邊緣顏色對的思想，對車牌圖像彩色邊緣進(jìn)行篩選，判別各邊緣點的邊緣顏色對是否符合我國標(biāo)準(zhǔn)車牌的顏色搭配，若符合，則作為真實邊緣點保留；否則，作為虛假邊緣去除；7)結(jié)合車牌的紋理特征進(jìn)行車牌的最終定位。作包含連通區(qū)域的最小外接矩形，取矩形區(qū)域的水平中位線，對稱地向上或者向下橫向掃描各個候選區(qū)域，可知此中位線或其上下水平線中，必有一條或多條橫穿字符區(qū)域，且每一水平線與車牌邊緣篩選所得彩色邊緣有多個交點，所以通過判斷水平線與邊緣的交點個數(shù)，得到真實的車牌區(qū)域。作為優(yōu)選的一種方案，對于步驟l)中述及的從車輛視頻中截取相鄰的兩幀，采用改進(jìn)的瞬時差分法，并對差分圖像進(jìn)行濾波及膨脹操作，過濾并定位出車體，具體描述如下(1.1)從視頻中進(jìn)行車體定位的思想在于將瞬間變化的運動的對象從相對靜止的背景中分離出來，基于圖像間的差分。從視頻中截取相鄰的第k幀與第k-l幀圖像，并進(jìn)行灰度化；(1.2)對經(jīng)典的瞬時差分法進(jìn)行改進(jìn)，選取以點為中心的3x3框架作為差分區(qū)域，取該區(qū)域的灰度均值做差分，并取差分的平方，以加強(qiáng)運動像素與非運動像素的灰度反差，計算公式如下<formula>formulaseeoriginaldocumentpage10</formula>其中，力"》為該點第A:幀圖像差分區(qū)域的灰度均值，Ux，"為第^/幀圖像差分區(qū)域的灰度均值；(1.3)對差分圖像進(jìn)行濾波及膨脹操作，消除差分圖像中細(xì)小的噪聲影響，并通過膨脹操作使得目標(biāo)區(qū)域增大，空洞減小，填補(bǔ)目標(biāo)圖像中的空洞，形成連通區(qū)域；(1.4)根據(jù)連通域外接矩形的面積進(jìn)行過濾，定位分割出車體，并將車體部分圖像進(jìn)行大小歸一化。對于各連通區(qū)域的外接矩形，面積大于設(shè)定的閾值即判定為車體，再針對不同的車體模塊，分別進(jìn)行后續(xù)的處理。進(jìn)一步，對于步驟2)中述及的車體區(qū)域圖像進(jìn)行預(yù)處理，包括車體圖像的灰度化、梯度信息增強(qiáng)和二值化，具體描述如下(2.1)對步驟(1)中取得的車體圖像進(jìn)行灰度化，計算公式是Gray=0.229J+0.587G+0.1145(7)(2.2)在車牌區(qū)域中，字符部分比較亮而背景部分則相對較暗，加上車牌區(qū)域規(guī)則的紋理結(jié)構(gòu)特征，使得在車牌區(qū)域中水平方向的梯度特征比較明顯，因此對車牌區(qū)域的梯度信息進(jìn)行加強(qiáng)，便于后續(xù)的分割工作，方法如下<formula>formulaseeoriginaldocumentpage11</formula>(8)其中O(!'，力為輸出圖像；/(,，/)為原始圖像；S、及、d為與車牌大小相關(guān)的常數(shù)。(2.3)在進(jìn)行二值化時，采用平均值加標(biāo)準(zhǔn)差作為閾值來進(jìn)行二值化，二值化的閾值選取如下<formula>formulaseeoriginaldocumentpage11</formula>(9)<formula>formulaseeoriginaldocumentpage11</formula>(10)<formula>formulaseeoriginaldocumentpage11</formula>(ii)其中，r為閾值，五為均值，^為標(biāo)準(zhǔn)差，/"》為圖像像素灰度值，w、/z分別為圖像寬度和高度。進(jìn)一步，對于步驟3)中述及的對經(jīng)過處理的車體圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)運算得到若干個連通區(qū)域，利用車牌結(jié)構(gòu)特征等進(jìn)行過濾，選取若干個候選車牌區(qū)域，具體描述如下(3.1)進(jìn)行數(shù)學(xué)形態(tài)學(xué)運算，先用一個"結(jié)構(gòu)元素"對車體圖像進(jìn)行腐蝕運算以去除獨立的噪點，其次用閉運算，即先膨脹后腐蝕，來填補(bǔ)圖像中的微小孔洞并且平滑邊界，形成若干個連通區(qū)域；(3.2)車牌圖像寬高比一般在1.53.5之間，以寬高比為標(biāo)準(zhǔn)對各個連通區(qū)域進(jìn)行初次分類，剔除不符合條件的連通區(qū)域，得到若干候選車牌區(qū)域。進(jìn)一步，對于步驟5)中述及的利用BP神經(jīng)網(wǎng)絡(luò)對HSV彩色空間的候選車牌圖像進(jìn)行顏色識別，通過計算某一像素點兩相鄰區(qū)域的平均色彩距離來進(jìn)行彩色邊緣檢測，具體描述如下(5.1)設(shè)計BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)由三層BP網(wǎng)絡(luò)和一層競爭網(wǎng)絡(luò)組成。定義神經(jīng)網(wǎng)絡(luò)輸入層有24個節(jié)點，分別對應(yīng)某一個像素點8鄰域像素的/f、S、F值。隱含層設(shè)置60個節(jié)點，輸出層有6個節(jié)點，分別對應(yīng)白、黑、紅、黃、藍(lán)和其他色共六種顏色，最后由競爭網(wǎng)絡(luò)選擇輸出層6個輸出值的最大值所對應(yīng)的顏色作為最后的像素顏色。隱含層和輸出層的激活轉(zhuǎn)移函數(shù)都選擇Sigmoid函數(shù)U—,=1/(1+廣))；(5.2)以C(i，力為中心取一個大小為(2"+l)(2"+l)的窗口，其中"為大于等于1的整數(shù)。在窗口內(nèi)過C(/J)作一條與垂直方向夾角為風(fēng)0《^;r)的線段L,使窗口劃分為W和^兩部分。設(shè)『,和W內(nèi)各包含W個像素，則^和『2內(nèi)像素的平均色彩函數(shù)值分別為<formula>formulaseeoriginaldocumentpage12</formula>其中，C,和C^分別是^和^內(nèi)的第X個和第y個向量像素；i/^，S,'，r,'分別是W(片l,2)內(nèi)iV個向量像素//、S、F分量的平均值；(5.3)所定義的區(qū)域平均色彩距離隨風(fēng)0^^)的改變而改變，逆時針轉(zhuǎn)動線段L，必定存在一個;9角，使得1)取得最大值/)_。顯而易見A^值越大，邊緣的強(qiáng)度越大，用D,來作為判斷邊緣點的度量；(5.4)選擇一個合理的閾值"如果某一個像素的/)_",我們就認(rèn)為這個像素是一個邊緣點。閾值f的選取，在于選取區(qū)域窗口最佳的《值。通過確定一個尺度范圍，用大、中、小多個尺度進(jìn)行邊緣檢測以改善檢測效果。選取三種尺度的A^之和的平均來作為方向區(qū)域距離的測度A^:<formula>formulaseeoriginaldocumentpage13</formula>(14)其中max,、max2、ma^分別代表小尺度、中尺度和大尺度，根據(jù)先驗知識，在進(jìn)行邊緣檢測時，A^近似為高斯分布，若設(shè)A^均值為;/，標(biāo)準(zhǔn)方差為cr，則閾值f可近似表示為<formula>formulaseeoriginaldocumentpage13</formula>(15)進(jìn)一步，對于步驟6)中述及的基于邊緣顏色對思想對彩色邊緣進(jìn)行篩選，具體描述如下(6.1)車牌有藍(lán)色、白色、黑色、紅色、黃色和其他色共六類，而車牌底色和字符則有固定的色彩搭配，若用1-6來分別代表上述6類顏色，則所有車牌的邊緣色彩搭配如下<formula>formulaseeoriginaldocumentpage13</formula>(16)其中(2,3)=(3,2)。(6.2)對各個邊緣像素點運用步驟5)中的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行邊緣顏色對檢測。如檢測到的邊緣顏色對符合co/w集合中的色彩搭配，則認(rèn)為該點是真實車牌邊緣點，否則認(rèn)為是多余邊緣除去。該步驟將去除絕大部分甚至全部的多余候選車牌區(qū)域。本發(fā)明的有益效果主要表現(xiàn)在1、采用改進(jìn)的瞬時差分法進(jìn)行車體定位，用固定大小的范圍作為差分區(qū)域，取該區(qū)域的灰度均值進(jìn)行差分計算，滿足精確度和實時性要求，并同時可用于多車體定位；2、運用HSV彩色空間的邊緣顏色對概念進(jìn)行車牌定位，受光線干擾小，定位準(zhǔn)確，且在此得到的車牌顏色信息可以為車型判別等提供信息來源；3、能夠有效適應(yīng)復(fù)雜背景、算法復(fù)雜度低、處理效率高、可靠性強(qiáng)。圖1是從視頻中截取車體圖像的示意圖，其中圖1(a)是第6-/幀圖像；圖1(b)是第&幀圖像；圖l(c)是相鄰兩幀圖像的差分圖；圖l(d)是差分圖的濾波及膨脹效果；圖1(e)是車體定位分割結(jié)果。圖2是對車牌圖像進(jìn)行初步處理的過程示意。其中圖2(a)原始車體圖像；圖2(b)是二值化效果；圖2(c)是數(shù)學(xué)形態(tài)學(xué)運算得到連通區(qū)域；圖2(d)是利用車牌結(jié)構(gòu)特征得到候選車牌區(qū)域。圖3是用于識別HSV色彩的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。圖4是彩色邊緣檢測及基于邊緣顏色對判別。其中圖4(a)和圖4(d)是候選車牌區(qū)域，圖4(b)和圖4(e)是彩色邊緣檢測結(jié)果，圖4(c)和圖4(f)是基于邊緣顏色對的篩選結(jié)果。圖5是本發(fā)明的整體流程圖。具體實施方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。參照圖1圖5，一種復(fù)雜背景下的車牌定位方法，包括以下步驟1)截取車輛視頻中相鄰的兩幀，采用改進(jìn)的瞬時差分法，為滿足實時性要求，設(shè)計以點為中心的固定大小(如3x3)的范圍作為差分區(qū)域，取該區(qū)域的灰度均值進(jìn)行差分計算，對差分圖像進(jìn)行濾波及膨脹操作，根據(jù)連通域外接矩形的面積進(jìn)行過濾并定位車體；2)、對車體區(qū)域圖像進(jìn)行預(yù)處理，主要包括車體圖像的灰度化、梯度信息增強(qiáng)、采用平均值加標(biāo)準(zhǔn)差作為閾值進(jìn)行二值化，提升圖像質(zhì)量；3)、對經(jīng)過處理的車體圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)運算，用線型結(jié)構(gòu)元進(jìn)行膨脹處理，再進(jìn)行腐蝕操作，將小的區(qū)域加以合并得到若干個連通區(qū)域，利用車牌寬高范圍、寬高比率以及連通域的填充度進(jìn)行過濾，剔除不符合寬高比要求、填充度低于閾值的連通域，得到若干個候選車牌區(qū)域；4)、對候選車牌區(qū)域的彩色圖像進(jìn)行預(yù)處理，將圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間，轉(zhuǎn)換公式如下<formula>formulaseeoriginaldocumentpage15</formula>(4)其中，色度/Z用角度-;r;r或02;r來度量，對應(yīng)于顏色輪上的角度；亮度K是指顏色明暗程度，通常用百分比度量，從黑0%到白100%;飽和度S指顏色的深淺，用百分比來度量，從0%到完全飽和的100%,與光強(qiáng)度無關(guān)，HSV顏色空間更加接近人眼的視覺，在自然光下更加穩(wěn)定；5)、對候選車牌圖像進(jìn)行基于區(qū)域色彩距離的彩色邊緣檢測。利用BP神經(jīng)網(wǎng)絡(luò)對HSV彩色空間的候選車牌圖像進(jìn)行顏色識別，通過計算某一像素點兩相鄰區(qū)域的平均色彩距離來進(jìn)行彩色邊緣檢測。若色彩距離大于某一個閾值f，則認(rèn)為該像素是一個邊緣點。定義區(qū)域平均色彩距離的計算公式如下<formula>formulaseeoriginaldocumentpage16</formula>(5)其中，(i/,，S,，^V,)分別是兩相鄰區(qū)域的//、S、r顏色分量的平均值。6)、由于我國車牌具有固定的色彩搭配，因此采用邊緣顏色對的思想，對車牌圖像彩色邊緣進(jìn)行篩選，判別各邊緣點的邊緣顏色對是否符合我國標(biāo)準(zhǔn)車牌的顏色搭配，若符合，則作為真實邊緣點保留；否則，作為虛假邊緣去除，以此可以減少大量邊緣信息；7)、結(jié)合車牌的紋理特征進(jìn)行車牌的最終定位。由于我國車牌通常情況下為7個字符的，字符和底色之間存在著顏色的跳變，這就意味著在車牌區(qū)域，橫向方向上存在著大量的邊緣點。假設(shè)7個字符均為數(shù)字"1"，加上兩側(cè)邊框，則至少應(yīng)該存在18個邊緣點。作包含連通區(qū)域的最小外接矩形，取矩形區(qū)域的水平中位線，對稱地向上或者向下橫向掃描各個候選區(qū)域，可知此中位線或其上下水平線中，必有一條或多條橫穿字符區(qū)域，且每一水平線與車牌邊緣篩選所得彩色邊緣有多個交點，所以通過判斷水平線與邊緣的交點個數(shù)，得到真實的車牌區(qū)域。本實施例充分考慮了復(fù)雜背景下各種干擾因素以及高速度、大范圍、實時性等應(yīng)用要求的基礎(chǔ)上，從實用角度來研究車牌的定位方法，提出一種魯棒性高和準(zhǔn)確高效的車牌定位方法。該方法充分運用彩色圖像的豐富信息，克服復(fù)雜背景的影響、天氣情況的干擾以及拍攝中的噪聲影響等不利因素，實現(xiàn)實時視頻圖像中的車牌定位分割。該方法包括以下幾個步驟第一步圖像采集通過視頻采集接口捕獲攝像頭拍攝的視頻圖像，截取其中的第&幀圖像與第W幀圖像。將圖像轉(zhuǎn)換為灰度圖像，如圖1(a)和1(b)所示，并實時傳送到車牌定位系統(tǒng)進(jìn)行處理，進(jìn)一步對運動的車體目標(biāo)進(jìn)行檢測。第二步車體區(qū)域定位分割從視頻中定位動態(tài)車體區(qū)域的原理是檢測并提取序列圖像中與背景存在相對運動的前景，并根據(jù)灰度、邊緣、紋理等二維圖像特征將運動前景進(jìn)一步分割為若干獨立目標(biāo)，即從相鄰的兩幀或幾幀圖像中檢測出存在相對運動的區(qū)域。一個好的目標(biāo)檢測和分割算法，應(yīng)該能適用于各種環(huán)境，通常應(yīng)具有以下的特征(l)對環(huán)境的緩慢變化(如光照變化等)不敏感；(2)對于復(fù)雜背景和復(fù)雜目標(biāo)有效；(3)能適應(yīng)場景中個別物體運動的干擾(如樹木的搖晃，水面的波動等)；(4)能夠去除目標(biāo)陰影的影響；(5)檢測和分割的結(jié)果應(yīng)滿足后續(xù)處理(如跟蹤等)的精度要求。經(jīng)典的瞬時差分法是基于點差異的變化檢測的，提取目標(biāo)的精度以及完整性不能令人滿意。本發(fā)明設(shè)計一種改進(jìn)的瞬時差分法，即改以往基于點差異的變化檢測為基于固定大小(3x3)的塊差分的變化檢測，并且取差分的平方，以加強(qiáng)運動像素與非運動像素的灰度反差。圖1(C)是采取本文方法進(jìn)行査分運算后的結(jié)果示意圖，差分圖中主體部分已經(jīng)是車體，但是仍舊因為樹木搖晃等各種原因存在少量零散的干擾點。差分圖像主體部分為車體區(qū)域，干擾點大多是零散分布的，因此可以通過數(shù)學(xué)形態(tài)學(xué)運算，用于去除干擾點，并形成有效區(qū)域?？梢允褂煤线m的結(jié)構(gòu)元素對差分圖像進(jìn)行一次開運算，即先進(jìn)行一次腐蝕操作，進(jìn)而進(jìn)行一次膨脹操作。腐蝕操作的效果在于使目標(biāo)縮小，空洞增大，可以有效消除孤立噪聲點或較小的圖像；膨脹操作的效果在于將與目標(biāo)物體接觸的背景點均合并到物體中，使得目標(biāo)增大，空洞減小，可以用來填補(bǔ)目標(biāo)圖像中的空洞，形成連通域。因此上述運算能夠有效減少孤立噪聲干擾，并形成車體部分的連通區(qū)域。在實際應(yīng)用中，我們考慮運算效率，可以將某個二維結(jié)構(gòu)元素5^分為水平和垂直兩個一維元素ZU和^來運算。形態(tài)學(xué)運算的結(jié)果如圖l(d)所示。確定連通區(qū)域的外接矩形，按照面積大小進(jìn)行過濾并定位車體。通過上述步驟的處理，已經(jīng)成功去除復(fù)雜背景，成功的將車體部分檢測并分割出來，如圖1(e)所示。如果圖像中包括多個車輛，可以基于同樣的方法進(jìn)行檢測。第三步車體區(qū)域圖像預(yù)處理對車體圖像的預(yù)處理，包括灰度化、圖像梯度信息增強(qiáng)以及改進(jìn)的二值化方法，使得圖象信息更加適用于后期處理，提高車牌定位的準(zhǔn)確率與效率。在車牌區(qū)域中，字符部分比較亮而背景部分則相對較暗，加上車牌區(qū)域規(guī)則的紋理結(jié)構(gòu)特征，使得在車牌區(qū)域中水平方向的梯度特征比較明顯。有很多車牌區(qū)域定位算法都是基于車牌區(qū)域中明顯的梯度特征進(jìn)行的，因此進(jìn)行圖像梯度信息增強(qiáng)。二值化目的在于為了突出字符進(jìn)行統(tǒng)計分割。目前采用的二值化的方法基本上有固定閾值法、全局動態(tài)閾值法及局部動態(tài)閾值法，這些方法對光線敏感，運算的時間太長，計算量過大。在進(jìn)行閾值選擇時，常用的方法有Ostu法和熵函數(shù)法，但是都需要運算較長的時間。本發(fā)明采用車牌圖像采取平均值的辦法進(jìn)行二值化，這里采用平均值加標(biāo)準(zhǔn)差作為閾值。<formula>formulaseeoriginaldocumentpage18</formula>其中，r為閾值，五為均值，^為標(biāo)準(zhǔn)差，/"力為圖像像素灰度值，w、/2分別為圖像寬度和高度。圖2(a)是原始車輛圖像；圖2(b)是經(jīng)過上述處理的車牌圖像，效果較常規(guī)方法更好。第四步車牌區(qū)域定位此時經(jīng)過處理的車輛圖像是二值化圖像，對其進(jìn)行形態(tài)學(xué)閉運算，用線型結(jié)構(gòu)元進(jìn)行膨脹處理，再進(jìn)行腐蝕操作，將小的區(qū)域加以合并，得到一個或幾個連通區(qū)域，如圖2(c)所示。考慮到我國的車牌尺寸相對固定，因此，盡管視頻中的車輛圖像因為拍攝角度等各種原因存在一定程度的傾斜，但車牌區(qū)域的寬高比還是在一定的范圍內(nèi)。按照先驗知識，通常認(rèn)為車牌圖像寬高比在1.53.5之間。按照車牌這一結(jié)構(gòu)特征，對前面得到的若干個連通區(qū)域進(jìn)行篩選，剔除不符合條件的連通區(qū)域，實現(xiàn)車牌圖像的初步分割，得到若干個候選車牌區(qū)域，如圖2(d)所示。進(jìn)行初次分割的目的在于可以因此減少部分無效區(qū)域，節(jié)約后續(xù)的處理時間。對于剩余的若干個車牌候選區(qū)域，我們采用基于邊緣顏色對的方法來進(jìn)行車牌的再定位。傳統(tǒng)車牌定位方法通常使用灰度圖像，因為灰度圖像提供了車牌紋理、結(jié)構(gòu)等特征以用于車牌定位，但是去除了色彩信息，目的在于降低算法復(fù)雜度，節(jié)約處理時間。但是去除的色彩信息中包含了車牌的顏色，在我國車牌不同的色彩搭配代表不同的車型，而車型信息對于養(yǎng)路費征收等應(yīng)用領(lǐng)域還是其存在意義的。本發(fā)明考慮到這些可能的應(yīng)用場合，加之之前的步驟中已經(jīng)去除了大部分虛假車牌區(qū)域，因此采用彩色圖像來進(jìn)行車牌定位也不會耗費過多的時間?；诓噬珗D像的車牌定位，首先進(jìn)行色彩空間的轉(zhuǎn)化，將RGB彩色空間轉(zhuǎn)化為HSV彩色空間，原因在于HSV顏色空間更加接近人眼的視覺，在自然光下更加穩(wěn)定。由于我國車牌的底色為藍(lán)色、黃色、黑色和白色，在HSV顏色空間中，要辨別這4種顏色，僅需充分利用//、S、F三個分量。在該模型下，僅用/Z和S兩個分量就可以講藍(lán)色和黃色兩種顏色區(qū)域找出來，而且不考慮r分量，排除了光照條件，對于光照不穩(wěn)定的彩色車牌圖像分割具有很大的意義。另一方面，只用r分量就能夠分辨出黑色和白色。因此，選用HSV彩色空間很適合彩色車牌處理。對于候選的車牌區(qū)域，需要進(jìn)行彩色邊緣檢測，本發(fā)明采用區(qū)域平均色彩距離的方法來進(jìn)行檢測。到目前為止，對于邊緣并沒有一個嚴(yán)格的定義，我們可以認(rèn)為邊緣是圖像不同區(qū)域的邊界，反映了圖像局部的不連續(xù)性，比如灰度的突變和顏色的突變等。彩色邊緣是圖像色彩函數(shù)具有邊緣特征的不連續(xù)點的集合，它描述色彩函數(shù)在局部區(qū)域的突變。很容易理解，當(dāng)兩個區(qū)域的顏色存在一定程度的差異，在邊界上存在的明顯的色彩突變，若用一種有效的色彩距離來描述這種色彩突變，則一像素點的色彩距離大于某一閾值時，就可以認(rèn)為該像素是一個邊緣點。要進(jìn)行基于區(qū)域顏色距離的彩色邊緣檢測，就首先需要對區(qū)域色彩進(jìn)行識別，本發(fā)明通過設(shè)計BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行色彩識別。圖3給出了BP神經(jīng)網(wǎng)絡(luò)的設(shè)計結(jié)構(gòu)輸入層24個節(jié)點，分別對應(yīng)一個像素點8鄰域像素的//、S、F值；隱含層設(shè)置60個節(jié)點；輸出層有6個節(jié)點，分別對應(yīng)白、黑、紅、黃、藍(lán)和其他色共六種顏色；最后由競爭網(wǎng)絡(luò)選擇輸出層6個輸出值的最大值所對應(yīng)的顏色作為最后的像素顏色。成功進(jìn)行色彩識別后，根據(jù)步驟(5)中所述及的，選取三個不同尺度，得到不同的區(qū)域色彩距離Z)，取三者的平均值D^作為色彩距離的最終結(jié)果，當(dāng)它大于某個閾值f時，就認(rèn)為此像素點是一個邊緣點。彩色圖像的邊緣點檢測，會檢測出許多與車牌無關(guān)的邊緣，如圖4(a)的車燈圖像，由于它的寬高比接近于車牌圖像而得以保留下來，經(jīng)過彩色邊緣檢測的結(jié)果如圖4(b)所示。車燈圖像與車牌圖像邊緣的主要區(qū)別在于邊緣點兩側(cè)的色彩搭配以及紋理不同，因此后續(xù)的車牌區(qū)域的最終定位，就基于這兩種差異?；谶吘夘伾珜Φ倪吘夵c篩選，基礎(chǔ)在于我國車牌背景色與字符顏色的固定搭配，我國的車牌顏色搭配種類如下黃底黑字、藍(lán)底白字、白底黑字、白底紅字、黑底白字；顏色總共6種藍(lán)色、白色、黑色、紅色、黃色和其他色。若對顏色進(jìn)行編碼，用數(shù)字l-6分別對應(yīng)上述顏色，那么車牌的顏色搭配也就可對應(yīng)歸納為co/or—(2，3)，(2，4)，(l，2),(3，2),(5，3"。此時對檢測出的邊緣點，運用前面述及的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行相鄰區(qū)域的顏色對識別，如果邊緣顏色對屬于前面的集合其中之一，那么該邊緣點就認(rèn)為是真實的車牌車牌邊緣得以保留，否則就將該邊緣點舍棄。在圖4(c)中給出了車燈圖像邊緣顏色對檢測結(jié)果，由于車燈區(qū)域因為本身原因和光照等原因，存在著部分符合②/or顏色集的顏色對，因此邊緣點經(jīng)過篩選之后，還是存在少數(shù)的殘余。圖4(f)中，車牌區(qū)域圖像邊緣點經(jīng)過篩選后，去除了一些多余的邊緣點。因此，邊緣顏色對檢測能夠去除大部分的非車牌區(qū)域圖像，減少車牌區(qū)域的無關(guān)邊緣點。經(jīng)過上述各步驟處理之后，此時留下的邊緣點主要包括車牌區(qū)域、少數(shù)符合邊緣顏色對的邊緣點以及車身裝飾，如廣告語、標(biāo)牌等。此時運用車牌圖像的紋理特征來進(jìn)行車牌區(qū)域的最終定位。由于我國的車牌固定是7個字符的，因此不難想象，假設(shè)車牌7個字符均為"1"，那么底色與字符顏色的跳變至少應(yīng)該有14次。若加上車牌圖像兩側(cè)的邊框，那跳變次數(shù)應(yīng)該至少有18次。基于這一特征，只需對剩下的邊緣圖像進(jìn)行一次橫向掃描，就可以對殘留區(qū)域再進(jìn)行一次篩選。如圖4(c)所示，雖然車燈區(qū)域部分邊緣點由于符合邊緣顏色對而得以殘留，但是這些邊緣點顯而易見并不符合車牌圖像的紋理特征。同時，需要指出的是，殘留的邊緣點中，車身上的廣告語或者標(biāo)牌這類干擾信息往往具有與車牌圖像非常類似的長寬比結(jié)構(gòu)特征，也可以有類似的色彩搭配，甚至在紋理特征方面都可以非常類似。在面對相似程度特別高的偽車牌圖像時，本發(fā)明并不能完全解決，這些干擾信息還需要在后續(xù)的字符識別等過程中進(jìn)行再一次的篩選。權(quán)利要求1、一種復(fù)雜背景下的車牌定位方法，其特征在于該方法包括以下步驟1)截取車輛視頻中相鄰的兩幀，采用改進(jìn)的瞬時差分法，設(shè)計以點為中心的固定大小的范圍作為差分區(qū)域，取該區(qū)域的灰度均值進(jìn)行差分計算，對差分圖像進(jìn)行濾波及膨脹操作，根據(jù)連通域外接矩形的面積進(jìn)行過濾并定位車體；2)對車體區(qū)域圖像進(jìn)行預(yù)處理包括車體圖像的灰度化、梯度信息增強(qiáng)、采用平均值加標(biāo)準(zhǔn)差作為閾值進(jìn)行二值化；3)對經(jīng)過處理的車體圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)運算，用線型結(jié)構(gòu)元進(jìn)行膨脹處理，再進(jìn)行腐蝕操作，將小的區(qū)域加以合并得到若干個連通區(qū)域，利用車牌寬高范圍、寬高比率以及連通域的填充度進(jìn)行過濾，剔除不符合寬高比要求、填充度低于閾值的連通域，得到若干個候選車牌區(qū)域；4)對候選車牌區(qū)域的彩色圖像進(jìn)行預(yù)處理，將圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間，轉(zhuǎn)換公式如下<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>H</mi><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mi>θ</mi></mtd><mtd><mi>if</mi></mtd><mtd><mi>G</mi><mo>≥</mo><mi>B</mi></mtd></mtr><mtr><mtd><mn>2</mn><mi>π</mi><mo>-</mo><mi>θ</mi></mtd><mtd><mi>if</mi></mtd><mtd><mi>G</mi><mo><</mo><mi>B</mi></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math></maths><mathsid="math0002"num="0002"><math><![CDATA[<mrow><mi>S</mi><mo>=</mo><mfrac><mrow><mi>max</mi><mrow><mo>(</mo><mi>R</mi><mo>,</mo><mi>G</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow><mo>-</mo><mi>min</mi><mrow><mo>(</mo><mi>R</mi><mo>,</mo><mi>G</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow></mrow><mrow><mi>max</mi><mrow><mo>(</mo><mi>R</mi><mo>+</mo><mi>G</mi><mo>+</mo><mi>B</mi><mo>)</mo></mrow></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>]]></math></maths><mathsid="math0003"num="0003"><math><![CDATA[<mrow><mi>V</mi><mo>=</mo><mfrac><mrow><mi>max</mi><mrow><mo>(</mo><mi>R</mi><mo>,</mo><mi>G</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow></mrow><mn>255</mn></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>]]></math></maths><mathsid="math0004"num="0004"><math><![CDATA[<mrow><mi>θ</mi><mo>=</mo><msup><mi>cos</mi><mrow><mo>-</mo><mn>1</mn></mrow></msup><mo>[</mo><mfrac><mrow><mo>[</mo><mrow><mo>(</mo><mi>R</mi><mo>-</mo><mi>G</mi><mo>)</mo></mrow><mo>+</mo><mrow><mrow><mo>(</mo><mi>R</mi><mo>-</mo><mi>B</mi><mo>)</mo></mrow></mrow><mo>]</mo><mo>/</mo><mn>2</mn></mrow><msqrt><msup><mrow><mo>(</mo><mi>R</mi><mo>-</mo><mi>G</mi><mo>)</mo></mrow><mn>2</mn></msup><mo>+</mo><mrow><mo>(</mo><mi>R</mi><mo>-</mo><mi>B</mi><mo>)</mo></mrow><mrow><mo>(</mo><mi>G</mi><mo>-</mo><mi>B</mi><mo>)</mo></mrow></msqrt></mfrac><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>]]></math></maths>其中，色度H用角度-π～π或0～2π來度量，對應(yīng)于顏色輪上的角度；亮度V是指顏色明暗程度，通常用百分比度量，從黑0％到白100％；飽和度S指顏色的深淺，用百分比來度量，從0％到完全飽和的100％，與光強(qiáng)度無關(guān)；5)對候選車牌圖像進(jìn)行基于區(qū)域色彩距離的彩色邊緣檢測，利用BP神經(jīng)網(wǎng)絡(luò)對HSV彩色空間的候選車牌圖像進(jìn)行顏色識別，通過計算某一像素點兩相鄰區(qū)域的平均色彩距離來進(jìn)行彩色邊緣檢測；若色彩距離大于某一個閾值t，則認(rèn)為該像素是一個邊緣點，定義區(qū)域平均色彩距離的計算公式如下<mathsid="math0005"num="0005"><math><![CDATA[<mrow><mi>D</mi><mo>=</mo><msqrt><msup><mrow><mo>(</mo><msub><mi>H</mi><msub><mi>nβW</mi><mn>1</mn></msub></msub><mo>-</mo><msub><mi>H</mi><msub><mi>nβW</mi><mn>2</mn></msub></msub><mo>)</mo></mrow><mn>2</mn></msup><mo>+</mo><msup><mrow><mo>(</mo><msub><mi>S</mi><msub><mi>nβW</mi><mn>1</mn></msub></msub><mo>-</mo><msub><mi>S</mi><msub><mi>nβW</mi><mn>2</mn></msub></msub><mo>)</mo></mrow><mn>2</mn></msup><mo>+</mo><msup><mrow><mo>(</mo><msub><mi>V</mi><msub><mi>nβW</mi><mn>1</mn></msub></msub><mo>-</mo><msub><mi>V</mi><msub><mi>nβW</mi><mn>2</mn></msub></msub><mo>)</mo></mrow><mn>2</mn></msup></msqrt><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>]]></math></maths>其中，id="icf0006"file="A2008100604130003C2.tif"wi="30"he="6"top="48"left="37"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>分別是兩相鄰區(qū)域的H、S、V顏色分量的平均值；6)采用邊緣顏色對的思想，對車牌圖像彩色邊緣進(jìn)行篩選，判別各邊緣點的邊緣顏色對是否符合我國標(biāo)準(zhǔn)車牌的顏色搭配，若符合，則作為真實邊緣點保留；否則，作為虛假邊緣去除；7)結(jié)合車牌的紋理特征進(jìn)行車牌的最終定位，作包含連通區(qū)域的最小外接矩形，取矩形區(qū)域的水平中位線，對稱地向上或者向下橫向掃描各個候選區(qū)域，通過判斷水平中位線與邊緣的交點個數(shù)，得到真實的車牌區(qū)域。1、一種復(fù)雜背景下的車牌定位方法，其特征在于該方法包括以下步驟1)截取車輛視頻中相鄰的兩幀，采用改進(jìn)的瞬時差分法，設(shè)計以點為中心的固定大小的范圍作為差分區(qū)域，取該區(qū)域的灰度均值進(jìn)行差分計算，對差分圖像進(jìn)行濾波及膨脹操作，根據(jù)連通域外接矩形的面積進(jìn)行過濾并定位車體；2)對車體區(qū)域圖像進(jìn)行預(yù)處理包括車體圖像的灰度化、梯度信息增強(qiáng)、采用平均值加標(biāo)準(zhǔn)差作為閾值進(jìn)行二值化；3)對經(jīng)過處理的車體圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)運算，用線型結(jié)構(gòu)元進(jìn)行膨脹處理，再進(jìn)行腐蝕操作，將小的區(qū)域加以合并得到若干個連通區(qū)域，利用車牌寬高范圍、寬高比率以及連通域的填充度進(jìn)行過濾，剔除不符合寬高比要求、填充度低于閾值的連通域，得到若干個候選車牌區(qū)域；4)對候選車牌區(qū)域的彩色圖像進(jìn)行預(yù)處理，將圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間，轉(zhuǎn)換公式如下<formula>formulaseeoriginaldocumentpage2</formula>其中，色度i/用角度-;r;r或02;r來度量，對應(yīng)于顏色輪上的角度；亮度F是指顏色明暗程度，通常用百分比度量，從黑0%到白100%;飽和度S指顏色的深淺，用百分比來度量，從0%到完全飽和的100%，與光強(qiáng)度無關(guān)；5)對候選車牌圖像進(jìn)行基于區(qū)域色彩距離的彩色邊緣檢測，利用BP神經(jīng)網(wǎng)絡(luò)對HSV彩色空間的候選車牌圖像進(jìn)行顏色識別，通過計算某一像素點兩相鄰區(qū)域的平均色彩距離來進(jìn)行彩色邊緣檢測；若色彩距離大于某一個閾值/，則認(rèn)為該像素是一個邊緣點，定義區(qū)域平均色彩距離的計算公式如下<formula>formulaseeoriginaldocumentpage3</formula>(5)其中，(A^，&^，p;^)分別是兩相鄰區(qū)域的w、s、r顏色分量的平均值；6)采用邊緣顏色對的思想，對車牌圖像彩色邊緣進(jìn)行篩選，判別各邊緣點的邊緣顏色對是否符合我國標(biāo)準(zhǔn)車牌的顏色搭配，若符合，則作為真實邊緣點保留；否則，作為虛假邊緣去除；7)結(jié)合車牌的紋理特征進(jìn)行車牌的最終定位，作包含連通區(qū)域的最小外接矩形，取矩形區(qū)域的水平中位線，對稱地向上或者向下橫向掃描各個候選區(qū)域，通過判斷水平中位線與邊緣的交點個數(shù)，得到真實的車牌區(qū)域。2、如權(quán)利要求1所述的一種復(fù)雜背景下的車牌定位方法，其特征在于所述的步驟l)中，從視頻中定位車體區(qū)域，具體步驟如下(1.1)從視頻中進(jìn)行車體定位的思想在于將瞬間變化的運動的對象從相對靜止的背景中分離出來，基于圖像間的差分，從視頻中截取相鄰的第A:幀與第A-7幀圖像，并進(jìn)行灰度化；(1.2)對經(jīng)典的瞬時差分法進(jìn)行改進(jìn)，選取以點為中心的3x3框架作為差分區(qū)域，取該區(qū)域的灰度均值做差分，并取差分的平方，以加強(qiáng)運動像素與非運動像素的灰度反差，計算公式如下<formula>formulaseeoriginaldocumentpage3</formula>(6)其中，/Jx，力為該點第t幀圖像差分區(qū)域的灰度均值，力-,(w)為第^幀圖像差分區(qū)域的灰度均值；(1.3)對差分圖像進(jìn)行濾波及膨脹操作，消除差分圖像中細(xì)小的噪聲影響，并通過膨脹操作使得目標(biāo)區(qū)域增大，空洞減小，填補(bǔ)目標(biāo)圖像中的空洞，形成連通區(qū)域；(1.4)根據(jù)連通域外接矩形的面積進(jìn)行過濾，定位分割出車體，并將車體部分圖像進(jìn)行大小歸一化，對于各連通區(qū)域的外接矩形，面積大于設(shè)定的閾值即判定為車體，再針對不同的車體模塊，分別進(jìn)行后續(xù)的處理。3、如權(quán)利要求1或2所述的一種復(fù)雜背景下的車牌定位方法，其特征在于所述的步驟2)中車體圖像的預(yù)處理，具體步驟如下(2.1)對步驟l)中取得的車體圖像進(jìn)行灰度化，計算公式是<formula>formulaseeoriginaldocumentpage4</formula>(7)(2.2)在車牌區(qū)域中，字符部分比較亮而背景部分則相對較暗，加上車牌區(qū)域規(guī)則的紋理結(jié)構(gòu)特征，使得在車牌區(qū)域中水平方向的梯度特征比較明顯，因此對車牌區(qū)域的梯度信息進(jìn)行加強(qiáng)，方法如下<formula>formulaseeoriginaldocumentpage4</formula>(8)其中0(f,/)為輸出圖像；/0'，j')為原始圖像；S、i、d為與車牌大小相關(guān)的常數(shù)。(2.3)在進(jìn)行二值化時，采用平均值加標(biāo)準(zhǔn)差作為閾值來進(jìn)行二值化，二值化的閾值選取如下<formula>formulaseeoriginaldocumentpage4</formula>(9)<formula>formulaseeoriginaldocumentpage4</formula>(io)其中，r為閾值，￡為均值，J為標(biāo)準(zhǔn)差，/(力為圖像像素灰度值，w、/z分別為圖像寬度和高度。4、如權(quán)利要求3所述的一種復(fù)雜背景下的車牌定位方法，其特征在于所述的步驟3)中初步選取候選車牌區(qū)域，具體步驟如下(3.1)進(jìn)行數(shù)學(xué)形態(tài)學(xué)運算，先用一個"結(jié)構(gòu)元素"對車體圖像進(jìn)行腐蝕運算以去除獨立的噪點，其次用閉運算，即先膨脹后腐蝕，來填補(bǔ)圖像中的微小孔洞并且平滑邊界，形成若干個連通區(qū)域；(3.2)車牌圖像寬高比在L53.5之間，以寬高比為標(biāo)準(zhǔn)對各個連通區(qū)域進(jìn)行初次分類，剔除不符合條件的連通區(qū)域，得到若干候選車牌區(qū)域。5、如權(quán)利要求4所述的一種復(fù)雜背景下的車牌定位方法，其特征在于所述的步驟5)中BP神經(jīng)網(wǎng)絡(luò)對HSV彩色空間的顏色識別及基于區(qū)域平均色彩距離來進(jìn)行彩色邊緣檢測，具體步驟如下(5.1)設(shè)計BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)由三層BP網(wǎng)絡(luò)和一層競爭網(wǎng)絡(luò)組成；定義神經(jīng)網(wǎng)絡(luò)輸入層有24個節(jié)點，分別對應(yīng)某一個像素點8鄰域像素的H、S、K值；隱含層設(shè)置60個節(jié)點，輸出層有6個節(jié)點，分別對應(yīng)白、黑、紅、黃、藍(lán)和其他色共六種顏色，最后由競爭網(wǎng)絡(luò)選擇輸出層6個輸出值的最大值所對應(yīng)的顏色作為最后的像素顏色；隱含層和輸出層的激活轉(zhuǎn)移函數(shù)都選擇S—函數(shù)(/地m。^)"/(l+廣))；(5.2)以C(/，/)為中心取一個大小為(2+1)(2"+1)的窗口，其中"為大于等于1的整數(shù)；在窗口內(nèi)過C仏y)作一條與垂直方向夾角為風(fēng)(^;^;r)的線段丄，使窗口劃分為^和『2兩部分；設(shè)W和^內(nèi)各包含W個像素，則^和W內(nèi)像素的平均色彩函數(shù)值分別為<formula>formulaseeoriginaldocumentpage5</formula><formula>formulaseeoriginaldocumentpage5</formula>其中，c^^和c;^,分別是w和w內(nèi)的第x個和第y個向量像素；//w,s,',rw分別是^;.(/=1,2)內(nèi)^個向量像素//、s、r分量的平均值；(5.3)所定義的區(qū)域平均色彩距離隨風(fēng)(^々《;r)的改變而改變，逆時針轉(zhuǎn)動線段丄，必定存在一個"角，使得Z)取得最大值D^;用Z),來作為判斷邊緣點的度量；(5.4)選擇一個閾值f，如果某一個像素的A^"，我們就認(rèn)為這個像素是一個邊緣點；閾值f的選取，在于選取區(qū)域窗口最佳的《值；通過確定一個尺度范圍，用大、中、小多個尺度迸行邊緣檢測以改善檢測效果；選取三種尺度的Dmax之和的平均來作為方向區(qū)域距離的測度￡>aVg:其中max,、max2、ma^分別代表小尺度、中尺度和大尺度，根據(jù)先驗知識，在進(jìn)行邊緣檢測時，Z)^近似為高斯分布，若設(shè)Z^均值為//，標(biāo)準(zhǔn)方差為C7，則閾值f表示為<formula>formulaseeoriginaldocumentpage6</formula>6、如權(quán)利要求5所述的一種復(fù)雜背景下的車牌定位方法，其特征在于所述的步驟6)中，基于邊緣顏色對的彩色邊緣檢測，具體步驟如下(6.1)車牌有藍(lán)色、白色、黑色、紅色、黃色和其他色共六類，而車牌底色和字符則有固定的色彩搭配，若用1-6來分別代表上述6類顏色，則所有車牌的邊緣色彩搭配如下co/w={(2，3),(2，4)，(1,2)，(3，2),(5，3)}(16)其中(2,3)=(3，2)。(6.2)對各個邊緣像素點運用步驟5)中的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行邊緣顏色對檢測；如檢測到的邊緣顏色對符合"/or集合中的色彩搭配，則認(rèn)為該點是真實車牌邊緣點，否則認(rèn)為是多余邊緣除去。全文摘要一種復(fù)雜背景下的車牌定位方法，包括以下步驟1)、用固定大小的區(qū)域的灰度均值進(jìn)行差分，從視頻中提取車體；2)、對車體圖像進(jìn)行灰度化、梯度信息增強(qiáng)、二值化等預(yù)處理；3)、對經(jīng)過處理的車體圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)運算，結(jié)合車牌的結(jié)構(gòu)特征進(jìn)行初步篩選，得到若干候選車牌區(qū)域；4)、將得到的候選車牌區(qū)域彩色圖像轉(zhuǎn)化為HSV彩色空間圖像；5)、利用BP神經(jīng)網(wǎng)絡(luò)對HSV彩色空間的候選車牌圖像進(jìn)行顏色識別，通過計算某一像素點兩相鄰區(qū)域的平均色彩距離來進(jìn)行彩色邊緣檢測；6)、對邊緣點進(jìn)行邊緣顏色對判斷，剔除虛假車牌邊緣；7)、結(jié)合車牌紋理特征進(jìn)行車牌最終定位。本發(fā)明適應(yīng)復(fù)雜背景，定位準(zhǔn)確率更高，魯棒性更高。文檔編號G06T7/00GK101408942SQ20081006041公開日2009年4月15日申請日期2008年4月17日優(yōu)先權(quán)日2008年4月17日發(fā)明者俞偉廣,徐慧英,朱信忠,胡承懿,趙建民申請人:浙江師范大學(xué)