一種基于仿射校正的多尺度車牌精準(zhǔn)定位方法
【專利摘要】本發(fā)明公開了一種基于仿射校正的多尺度車牌精準(zhǔn)定位方法，首先利用車牌紋理信息和顏色特征檢測(cè)出候選的“車牌斑塊”，然后對(duì)每個(gè)候選“車牌”進(jìn)行仿射校正，接著定義能量函數(shù)精準(zhǔn)定位車牌位置，最后去除噪聲并反算回原圖車牌位置。本發(fā)明能從復(fù)雜環(huán)境下的多尺度影像中精準(zhǔn)定位車牌，而且具有較高的魯棒性、準(zhǔn)確性和高速性，車牌的漏檢率接近零。本發(fā)明還別具一格地引入了仿射校正，很好地解決了因圖像視角帶來的車牌定位難題，也為車牌準(zhǔn)確的定位奠定了基礎(chǔ)。同時(shí)，本發(fā)明還原創(chuàng)性地定義了能量函數(shù)來評(píng)價(jià)和精準(zhǔn)定位車牌，這種方法利用了更多有利于車牌定位的深層次信息，讓車牌定位更加準(zhǔn)確，更加穩(wěn)定，更加可靠。
【專利說明】一種基于仿射校正的多尺度車牌精準(zhǔn)定位方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于模式識(shí)別與計(jì)算機(jī)視覺領(lǐng)域，尤其涉及一種基于仿射校正的多尺度車牌精準(zhǔn)定位方法。
【背景技術(shù)】
[0002]車牌檢測(cè)定位技術(shù)是計(jì)算機(jī)視覺、數(shù)字圖像處理與模式識(shí)別技術(shù)在智能交通領(lǐng)域應(yīng)用的重要研究課題之一，它被廣泛應(yīng)用于道路交通監(jiān)測(cè)、高速公路自動(dòng)收費(fèi)系統(tǒng)、停車場(chǎng)管理系統(tǒng)等許多交通管理系統(tǒng)。隨著近年來街景地圖產(chǎn)品的快速發(fā)展，出于保護(hù)隱私的考慮需要檢測(cè)定位車牌并模糊化，因此更高效、魯棒的車牌檢測(cè)定位技術(shù)成為了熱點(diǎn)研究課題。
[0003]目前車牌檢測(cè)定位方法主要有兩種技術(shù)路線，一是基于空間信息的灰度圖像處理方法，另一種是基于顏色特征的彩色圖像處理方法。
[0004]基于空間信息的灰度圖像處理方法。由于車牌區(qū)域在垂直方向存在豐富的邊緣信息，因此可利用這一特征檢測(cè)定位車牌。這是一種基于紋理信息的方法，對(duì)光照具有一定的穩(wěn)定性，但是在環(huán)境復(fù)雜時(shí)，很難去掉非車牌因素的干擾，效果不理想。
[0005]基于顏色特征的彩色圖像處理方法。利用車牌底色與車牌字符顏色的固有搭配來檢測(cè)定位車牌區(qū)域。這種方法受光照、天氣、拍攝視角影響很大，而且車牌顏色和種類繁多，這種方法有明顯的局限性。
[0006]同時(shí)，一些基于統(tǒng)計(jì)和學(xué)習(xí)的方法也有人提出，但是效率和準(zhǔn)確率很難平衡，并且漏檢率和錯(cuò)誤率較高，很難滿足實(shí)際需求。由于車牌檢測(cè)定位的實(shí)際環(huán)境比較復(fù)雜，且存在車牌視角變化、光照變化、氣候條件、運(yùn)動(dòng)模糊等干擾，車牌快速準(zhǔn)確的檢測(cè)定位面臨很大挑戰(zhàn)。同時(shí)部分影像中具有多個(gè)車牌且圖像尺寸較大，車牌所占區(qū)域分辨率低，存在部分遮擋，這也給車牌檢測(cè)定位帶來了困難。

【發(fā)明內(nèi)容】

[0007]為了解決上述技術(shù)問題，能快速、穩(wěn)定、準(zhǔn)確地從復(fù)雜環(huán)境中檢測(cè)定位出車牌，本發(fā)明提供了一種基于仿射校正的多尺度車牌精準(zhǔn)定位方法。
[0008]本發(fā)明所采用的技術(shù)方案是:一種基于仿射校正的多尺度車牌精準(zhǔn)定位方法，其特征在于，包括以下步驟:
[0009]步驟1:獲取原始車牌圖像A ；
[0010]步驟2:對(duì)所述的原始車牌圖像A進(jìn)行粗檢測(cè)，利用原始車牌圖像A豐富的垂直紋理信息和鮮明的顏色特征檢測(cè)出候選的“車牌斑塊”集，然后利用原始車牌圖像的幾何特征對(duì)所述的候選的“車牌斑塊”進(jìn)行初步過濾，得到“車牌斑塊”集B，并進(jìn)行下述處理；
[0011]步驟3:對(duì)所述的“車牌斑塊”集B進(jìn)行車牌校正，依次對(duì)“車牌斑塊”集B中每個(gè)“車牌斑塊”Bi進(jìn)行仿射校正，得到校正后的車牌圖像Ci ；
[0012]步驟4:對(duì)所述的校正后的車牌圖像Ci進(jìn)行車牌精準(zhǔn)定位，利用車牌水平垂直梯度投影峰值，進(jìn)行組合得到一系列矩形框，然后定義能量函數(shù)，通過評(píng)價(jià)矩形框能量的得分選出最佳矩形框，其位置就代表車牌位置；
[0013]步驟5:利用車牌校正的參數(shù)，將所述的車牌位置反算得到在所述的原始車牌圖像A中的位置，最佳矩形框通過反算得到“車牌框”；
[0014]步驟6:判斷，“車牌斑塊”集B中每個(gè)“車牌斑塊”是否都處理完畢？
[0015]若是，則執(zhí)行下述步驟7;
[0016]若否，則回轉(zhuǎn)執(zhí)行所述的步驟3 ；
[0017]步驟7:利用非極大值抑制方法剔去部分偽車牌，在每個(gè)“車牌框”周圍的預(yù)設(shè)范圍內(nèi)，選取能量最大的“車牌框”視為車牌，其余的“車牌框”視為偽車牌，將其丟棄；
[0018]步驟8:結(jié)果后處理，利用車牌本身的固有特性和車牌間的空間特性，來進(jìn)一步剔除偽車牌；
[0019]步驟9:輸出結(jié)果。
[0020]作為優(yōu)選，步驟2中所述的利用原始車牌圖像A豐富的垂直紋理信息和鮮明的顏色特征檢測(cè)出候選的“車牌斑塊”，其具體實(shí)現(xiàn)包括以下子步驟:
[0021]步驟2.1:對(duì)所述的原始車牌圖像A進(jìn)行邊緣信息檢測(cè)，利用原始車牌圖像A的紋理信息對(duì)所述的原始車牌圖像A進(jìn)行檢測(cè)，得到車牌邊緣候選斑塊圖；
[0022]步驟2.2:對(duì)所述的原始車牌圖像A進(jìn)行顏色概率檢測(cè)，得到車牌顏色候選斑塊圖；
[0023]步驟2.3:對(duì)所述的車牌邊緣候選斑塊圖和車牌顏色候選斑塊圖求交集；
[0024]步驟2.4:去掉長(zhǎng)寬比和面積不合要求的斑塊，得到候選的“車牌斑塊”。
[0025]作為優(yōu)選，步驟2.1中所述的對(duì)原始車牌圖像A進(jìn)行邊緣信息檢測(cè)，得到車牌邊緣候選斑塊圖，其具體實(shí)現(xiàn)包括以下子步驟:
[0026]步驟2.1.1:首先將所述的原始車牌圖像A進(jìn)行局部增強(qiáng)，然后進(jìn)行灰度化處理，得到灰度圖A1 ；
[0027]步驟2.1.2:利用梯度算子卷積灰度圖A1，求得灰度圖A1的X、Y方向梯度圖，分別對(duì)X、Y方向梯度圖先進(jìn)行歸一化處理，然后設(shè)定合理閾值T1，進(jìn)行二值化處理，可分別得到二值圖A2x和Α2Υ，對(duì)所得的二值圖A2x進(jìn)行高斯平滑處理得到邊緣信息密度圖，剔除二值圖中邊緣密度小于預(yù)設(shè)閾值T2的部分，剔除后的二值圖作為車牌邊緣候選斑塊圖的初始邊緣檢測(cè)結(jié)果圖A3;
[0028]步驟2.1.3:利用所述的二值圖A2x和A2y，進(jìn)行形態(tài)學(xué)閉運(yùn)算，然后均值濾波，選取合適閾值T3進(jìn)行二值化處理，將得到的兩圖像先進(jìn)行“與運(yùn)算”后進(jìn)行形態(tài)學(xué)膨脹運(yùn)算，得到新的二值圖A4，利用所述的新的二值圖A4約束所述的初始邊緣檢測(cè)結(jié)果圖A3 ；
[0029]步驟2.1.4:將灰度圖A1進(jìn)行邊緣輪廓檢測(cè)，去掉長(zhǎng)度大于預(yù)設(shè)范圍T4的邊緣輪廓線，計(jì)算每條邊緣輪廓線的最小外接矩形，去掉長(zhǎng)寬大于預(yù)設(shè)范圍T5和面積大于預(yù)設(shè)范圍T6的最小外接矩形，將邊緣輪廓檢測(cè)保留下來的部分，進(jìn)行形態(tài)學(xué)閉運(yùn)算，得到的范圍視作車牌候選區(qū)A5，利用所述的車牌候選區(qū)A5約束所述的初始邊緣檢測(cè)結(jié)果圖A3 ；
[0030]步驟2.1.5:將約束過后的初始邊緣檢測(cè)結(jié)果圖A3，進(jìn)行形態(tài)學(xué)閉運(yùn)算，得到車牌邊緣候選斑塊圖。
[0031]作為優(yōu)選，步驟2.2中所述的對(duì)原始車牌圖像A進(jìn)行顏色概率檢測(cè)，得到車牌顏色候選斑塊圖，其具體實(shí)現(xiàn)包括以下子步驟:
[0032]步驟2.2.1:利用顏色統(tǒng)計(jì)模型分別對(duì)原始車牌圖像A計(jì)算諸如藍(lán)色、黃色類各色車牌的背景和前景顏色概率分布圖；
[0033]步驟2.2.2:將所得的諸如藍(lán)色、黃色類各色車牌的背景和前景顏色概率分布圖進(jìn)行高斯平滑和形態(tài)學(xué)運(yùn)算，然后選取合適閾值T7進(jìn)行二值化，得到每種顏色車牌的背景和前景兩張二值圖，分別對(duì)每種顏色車牌的背景和前景兩張二值圖進(jìn)行“與運(yùn)算”，其結(jié)果分別代表每種顏色車牌候選區(qū)域；
[0034]步驟2.2.3:將每種顏色車牌候選區(qū)域進(jìn)行并集運(yùn)算，并且進(jìn)行膨脹處理，得到車牌顏色候選斑塊圖。
[0035]作為優(yōu)選，步驟3中所述的對(duì)所述的“車牌斑塊”集B進(jìn)行車牌校正，依次對(duì)“車牌斑塊”集B中每個(gè)“車牌斑塊”Bi進(jìn)行仿射校正，得到校正后的車牌圖像Ci ;其具體實(shí)現(xiàn)包括以下子步驟:
[0036]步驟3.1:確定仿射校正區(qū)域；首先依次取出“車牌斑塊"Bi,計(jì)算其最小外接矩形，將所述的最小外接矩形進(jìn)行區(qū)域擴(kuò)充，將擴(kuò)充完成的矩形區(qū)域原圖取出，進(jìn)行灰度化處理，作為仿射變換區(qū)域圖B1 ；
[0037]步驟3.2:將所述的仿射變換區(qū)域圖B1進(jìn)行旋轉(zhuǎn)變換；將所述的仿射變換區(qū)域圖B1進(jìn)行高斯平滑處理，去掉部分圖像噪聲，然后利用梯度算子進(jìn)行卷積處理，計(jì)算出每像素X、Y方向梯度，求得每像素點(diǎn)的梯度方向，利用直方圖統(tǒng)計(jì)梯度方向信息，計(jì)算出梯度主方向，根據(jù)該主方向?qū)λ龅姆律渥儞Q區(qū)域圖B1進(jìn)行旋轉(zhuǎn)變換，得到圖B2 ；
[0038]步驟3.3:將所述的圖B2進(jìn)行錯(cuò)切變換；將所述的圖B2,按照步驟3.2的方法計(jì)算其梯度主方向，然后利用主方向?qū)DB2在X方向進(jìn)行錯(cuò)切變換；
[0039]步驟3.4:計(jì)算仿射變換矩陣；根據(jù)旋轉(zhuǎn)變換和錯(cuò)切變換參數(shù)，得到仿射變換矩陣；
[0040]步驟3.5:利用該矩陣對(duì)“車牌斑塊”Bi進(jìn)行校正，得到校正后的車牌圖像Q。
[0041]作為優(yōu)選，步驟4中所述的對(duì)仿射校正后的車牌圖像Ci進(jìn)行車牌精準(zhǔn)定位，其具體實(shí)現(xiàn)包括以下子步驟:
[0042]步驟4.1:確定車牌圖像Ci的矩形框組合；根據(jù)車牌圖像Ci的乂、￥方向梯度投影峰值，確定可能的矩形框組合:首先將校正好的車牌圖像Ci灰度化，計(jì)算其X、Y方向梯度圖，然后在水平和垂直方向進(jìn)行投影，統(tǒng)計(jì)X、Y方向投影峰值，組合這些峰值點(diǎn)，得到的點(diǎn)集作為矩形框的頂點(diǎn)集，任意選取不同兩點(diǎn)可構(gòu)成一系列矩形框，選取其中面積和長(zhǎng)寬比合適的矩形框參與后續(xù)計(jì)算；
[0043]步驟4.2:從第一個(gè)矩形框開始，定義能量函數(shù)，計(jì)算所述的矩形框的能量項(xiàng)；其能量項(xiàng)包括以下四項(xiàng)，
[0044]邊緣得分:邊緣得分的計(jì)算公式為:
[0045]Scoreedge= (px X fx X py X fy)1/4 (式壹)
[0046]其中，px表示水平梯度精確率或查準(zhǔn)率，Py表示垂直梯度精確率或查準(zhǔn)率，fx表示水平梯度綜合評(píng)價(jià)指標(biāo)或F度量，fy表示垂直梯度綜合評(píng)價(jià)指標(biāo)或F度量,查準(zhǔn)率P和F度量f的計(jì)算公式為:
【權(quán)利要求】
1.一種基于仿射校正的多尺度車牌精準(zhǔn)定位方法，其特征在于，包括以下步驟: 步驟1:獲取原始車牌圖像A ; 步驟2:對(duì)所述的原始車牌圖像A進(jìn)行粗檢測(cè)，利用原始車牌圖像A豐富的垂直紋理信息和鮮明的顏色特征檢測(cè)出候選的“車牌斑塊”集，然后利用原始車牌圖像的幾何特征對(duì)所述的候選的“車牌斑塊”進(jìn)行初步過濾，得到“車牌斑塊”集B，并進(jìn)行下述處理； 步驟3:對(duì)所述的“車牌斑塊”集B進(jìn)行車牌校正，依次對(duì)“車牌斑塊”集B中每個(gè)“車牌斑塊”Bi進(jìn)行仿射校正，得到校正后的車牌圖像Ci ； 步驟4:對(duì)所述的校正后的車牌圖像Ci進(jìn)行車牌精準(zhǔn)定位，利用車牌水平垂直梯度投影峰值，進(jìn)行組合得到一系列矩形框，然后定義能量函數(shù)，通過評(píng)價(jià)矩形框能量的得分選出最佳矩形框，其位置就代表車牌位置； 步驟5:利用車牌校正的參數(shù)，將所述的車牌位置反算得到在所述的原始車牌圖像A中的位置，最佳矩形框通過反算得到“車牌框”; 步驟6:判斷，“車牌斑塊”集B中每個(gè)“車牌斑塊”是否都處理完畢？ 若是，則執(zhí)行下述步驟7; 若否，則回轉(zhuǎn)執(zhí)行所述的步驟3 ； 步驟7:利用非極大值抑制方法剔去部分偽車牌，在每個(gè)“車牌框”周圍的預(yù)設(shè)范圍內(nèi)，選取能量最大的“車牌框”視為車牌，其余的“車牌框”視為偽車牌，將其丟棄； 步驟8:結(jié)果后處理，利用車牌本身的固有特性和車牌間的空間特性，來進(jìn)一步剔除偽車牌； 步驟9:輸出結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于仿射校正的多尺度車牌精準(zhǔn)定位方法，其特征在于:步驟2中所述的利用原始車牌圖像A豐富的垂直紋理信息和鮮明的顏色特征檢測(cè)出候選的“車牌斑塊”，其具體實(shí)現(xiàn)包括以下子步驟: 步驟2.1:對(duì)所述的原始車牌圖像A進(jìn)行邊緣信息檢測(cè)，利用原始車牌圖像A的紋理信息對(duì)所述的原始車牌圖像A進(jìn)行檢測(cè)，得到車牌邊緣候選斑塊圖； 步驟2.2:對(duì)所述的原始車牌圖像A進(jìn)行顏色概率檢測(cè)，得到車牌顏色候選斑塊圖； 步驟2.3:對(duì)所述的車牌邊緣候選斑塊圖和車牌顏色候選斑塊圖求交集； 步驟2.4:去掉長(zhǎng)寬比和面積不合要求的斑塊，得到候選的“車牌斑塊”。
3.根據(jù)權(quán)利要求2所述的基于仿射校正的多尺度車牌精準(zhǔn)定位方法，其特征在于:步驟2.1中所述的對(duì)原始車牌圖像A進(jìn)行邊緣信息檢測(cè)，得到車牌邊緣候選斑塊圖，其具體實(shí)現(xiàn)包括以下子步驟: 步驟2.1.1:首先將所述的原始車牌圖像A進(jìn)行局部增強(qiáng)，然后進(jìn)行灰度化處理，得到灰度圖A1 ； 步驟2.1.2:利用梯度算子卷積灰度圖A1，求得灰度圖A1的X、Y方向梯度圖，分別對(duì)X、Y方向梯度圖先進(jìn)行歸一化處理，然后設(shè)定合理閾值T1，進(jìn)行二值化處理，可分別得到二值圖A2x和Α2Υ，對(duì)所得的二值圖A2x進(jìn)行高斯平滑處理得到邊緣信息密度圖，剔除二值圖中邊緣密度小于預(yù)設(shè)閾值T2的部分，剔除后的二值圖作為車牌邊緣候選斑塊圖的初始邊緣檢測(cè)結(jié)果圖A3 ； 步驟2.1.3:利用所述的二值圖A2x和A2y，進(jìn)行形態(tài)學(xué)閉運(yùn)算，然后均值濾波，選取合適閾值T3進(jìn)行二值化處理，將得到的兩圖像先進(jìn)行“與運(yùn)算”后進(jìn)行形態(tài)學(xué)膨脹運(yùn)算，得到新的二值圖A4，利用所述的新的二值圖A4約束所述的初始邊緣檢測(cè)結(jié)果圖A3 ； 步驟2.1.4:將灰度圖A1進(jìn)行邊緣輪廓檢測(cè)，去掉長(zhǎng)度大于預(yù)設(shè)范圍T4的邊緣輪廓線，計(jì)算每條邊緣輪廓線的最小外接矩形，去掉長(zhǎng)寬大于預(yù)設(shè)范圍T5和面積大于預(yù)設(shè)范圍T6的最小外接矩形，將邊緣輪廓檢測(cè)保留下來的部分，進(jìn)行形態(tài)學(xué)閉運(yùn)算，得到的范圍視作車牌候選區(qū)A5，利用所述的車牌候選區(qū)A5約束所述的初始邊緣檢測(cè)結(jié)果圖A3 ； 步驟2.1.5:將約束過后的初始邊緣檢測(cè)結(jié)果圖A3，進(jìn)行形態(tài)學(xué)閉運(yùn)算，得到車牌邊緣候選斑塊圖。
4.根據(jù)權(quán)利要求2所述的基于仿射校正的多尺度車牌精準(zhǔn)定位方法，其特征在于:步驟2.2中所述的對(duì)原始車牌圖像A進(jìn)行顏色概率檢測(cè)，得到車牌顏色候選斑塊圖，其具體實(shí)現(xiàn)包括以下子步驟: 步驟2.2.1:利用顏色統(tǒng)計(jì)模型分別對(duì)原始車牌圖像A計(jì)算諸如藍(lán)色、黃色類各色車牌的背景和前景顏色概率分布圖； 步驟2.2.2:將所得的諸如藍(lán)色、黃色類各色車牌的背景和前景顏色概率分布圖進(jìn)行高斯平滑和形態(tài)學(xué)運(yùn)算，然后選取合適閾值T7進(jìn)行二值化，得到每種顏色車牌的背景和前景兩張二值圖，分別對(duì)每種顏色車牌的背景和前景兩張二值圖進(jìn)行“與運(yùn)算”，其結(jié)果分別代表每種顏色車牌候選區(qū)域； 步驟2.2.3:將 每種顏色車牌候選區(qū)域進(jìn)行并集運(yùn)算，并且進(jìn)行膨脹處理，得到車牌顏色候選斑塊圖。
5.根據(jù)權(quán)利要求1所述的基于仿射校正的多尺度車牌精準(zhǔn)定位方法，其特征在于:步驟3中所述的對(duì)所述的“車牌斑塊”集B進(jìn)行車牌校正，依次對(duì)“車牌斑塊”集B中每個(gè)“車牌斑塊”Bi進(jìn)行仿射校正，得到校正后的車牌圖像Ci ;其具體實(shí)現(xiàn)包括以下子步驟: 步驟3.1:確定仿射校正區(qū)域；首先依次取出“車牌斑塊"Bi,計(jì)算其最小外接矩形，將所述的最小外接矩形進(jìn)行區(qū)域擴(kuò)充，將擴(kuò)充完成的矩形區(qū)域原圖取出，進(jìn)行灰度化處理，作為仿射變換區(qū)域圖B1 ； 步驟3.2:將所述的仿射變換區(qū)域圖B1進(jìn)行旋轉(zhuǎn)變換；將所述的仿射變換區(qū)域圖B1進(jìn)行高斯平滑處理，去掉部分圖像噪聲，然后利用梯度算子進(jìn)行卷積處理，計(jì)算出每像素X、Y方向梯度，求得每像素點(diǎn)的梯度方向，利用直方圖統(tǒng)計(jì)梯度方向信息，計(jì)算出梯度主方向，根據(jù)該主方向?qū)λ龅姆律渥儞Q區(qū)域圖B1進(jìn)行旋轉(zhuǎn)變換，得到圖B2 ； 步驟3.3:將所述的圖B2進(jìn)行錯(cuò)切變換；將所述的圖B2,按照步驟3.2的方法計(jì)算其梯度主方向，然后利用主方向?qū)DB2在X方向進(jìn)行錯(cuò)切變換； 步驟3.4:計(jì)算仿射變換矩陣；根據(jù)旋轉(zhuǎn)變換和錯(cuò)切變換參數(shù)，得到仿射變換矩陣； 步驟3.5:利用該矩陣對(duì)“車牌斑塊”Bi進(jìn)行校正，得到校正后的車牌圖像Q。
6.根據(jù)權(quán)利要求1所述的基于仿射校正的多尺度車牌精準(zhǔn)定位方法，其特征在于:步驟4中所述的對(duì)仿射校正后的車牌圖像Ci進(jìn)行車牌精準(zhǔn)定位，其具體實(shí)現(xiàn)包括以下子步驟: 步驟4.1:確定車牌圖像Ci的矩形框組合；根據(jù)車牌圖像Ci的X、Y方向梯度投影峰值，確定可能的矩形框組合:首先將校正好的車牌圖像Ci灰度化，計(jì)算其Χ、Υ方向梯度圖，然后在水平和垂直方向進(jìn)行投影，統(tǒng)計(jì)X、Y方向投影峰值，組合這些峰值點(diǎn)，得到的點(diǎn)集作為矩形框的頂點(diǎn)集，任意選取不同兩點(diǎn)可構(gòu)成一系列矩形框，選取其中面積和長(zhǎng)寬比合適的矩形框參與后續(xù)計(jì)算； 步驟4.2:從第一個(gè)矩形框開始，定義能量函數(shù)，計(jì)算所述的矩形框的能量項(xiàng)；其能量項(xiàng)包括以下四項(xiàng)， 邊緣得分:邊緣得分的計(jì)算公式為:
Scoreedge= (px X fx X py X fy)1/4 (式壹) 其中，Px表示水平梯度精確率或查準(zhǔn)率，Py表示垂直梯度精確率或查準(zhǔn)率，fx表示水平梯度綜合評(píng)價(jià)指標(biāo)或F度量,fy表示垂直梯度綜合評(píng)價(jià)指標(biāo)或F度量,查準(zhǔn)率P和F度量f的計(jì)算公式為:

7.根據(jù)權(quán)利要求1所述的基于仿射校正的多尺度車牌精準(zhǔn)定位方法，其特征在于:步驟7中所述的利用非極大值抑制方法剔去部分偽車牌，在每個(gè)“車牌框”周圍的一定范圍內(nèi)，選取能量最大的“車牌框”視為正確車牌，其余的“車牌框”視為偽車牌，將其丟棄；其具體實(shí)現(xiàn)包括以下子步驟: 步驟7.1:從第一個(gè)“車牌框”開始，逐個(gè)取出“車牌框”，計(jì)算其最小外接矩形； 步驟7.2:將該最小外接矩形擴(kuò)大預(yù)設(shè)范圍，在該范圍搜索有沒有其他“車牌框”； 步驟7.3:將搜索得到的 “車牌框”按照其綜合能量得分進(jìn)行排序，保留綜合能量得分最高的“車牌框”，去掉綜合能量得分低的“車牌框”，去掉的“車牌框”不參與后述的計(jì)算；步驟7.4:判斷，所述的“車牌框”是否都處理完畢？ 若是，則執(zhí)行下述步驟7.5; 若否，則回轉(zhuǎn)執(zhí)行所述的步驟7.1 ； 步驟7.5:保存結(jié)果，流程結(jié)束。
8.根據(jù)權(quán)利要求1所述的基于仿射校正的多尺度車牌精準(zhǔn)定位方法，其特征在于:步驟8中所述的車牌本身的固有特性和車牌間的空間特性，其車牌本身的固有特性為車牌本身長(zhǎng)寬比、面積、傾角范圍等，其車牌本身的空間特性為空間上遠(yuǎn)處車牌比近處小。
【文檔編號(hào)】G06K9/32GK103793708SQ201410077985
【公開日】2014年5月14日 申請(qǐng)日期:2014年3月5日 優(yōu)先權(quán)日:2014年3月5日
【發(fā)明者】姚劍, 張考, 賀通, 朱颯 申請(qǐng)人:武漢大學(xué)