本發(fā)明涉及計(jì)算機(jī)視覺(jué)領(lǐng)域，特指一種基于積分通道特征的車牌定位方法。

背景技術(shù)：

隨著現(xiàn)代化交通的發(fā)展，車輛牌照自動(dòng)識(shí)別技術(shù)越來(lái)越受到人們的重視，是近年來(lái)計(jì)算機(jī)視覺(jué)與模式識(shí)別技術(shù)在智能交通領(lǐng)域的重要研究課題之一。車輛牌照自動(dòng)識(shí)別系統(tǒng)可用于公路收費(fèi)站、停車場(chǎng)、十字路口等場(chǎng)所的車輛管理，對(duì)于道路交通和停車場(chǎng)車輛管理具有重要的促進(jìn)作用。

車牌識(shí)別技術(shù)包括車牌定位、字符分割和字符識(shí)別3個(gè)基本環(huán)節(jié)，其中車牌定位是字符分割和字符識(shí)別的前提，也是牌照識(shí)別的難點(diǎn)。在這方面已有很多學(xué)者做了研究，提出了多種車牌定位方法。大體分成以下幾類：1)基于車牌底色的定位方法。對(duì)車牌底色進(jìn)行加強(qiáng)，再用投影方法確定車牌位置。2)基于車牌紋理特征的定位方法。由于車牌區(qū)域字符比較集中，其紋理特征有別于其他區(qū)域，通過(guò)小波變換、邊緣增強(qiáng)等方法提取該特征，實(shí)現(xiàn)車牌定位；3)基于灰度跳變的定位方法。根據(jù)車牌內(nèi)字符較為集中，灰度跳變頻率較高且有一定的規(guī)律這一特征，對(duì)圖像進(jìn)行行掃描，從而確定車牌位置；4)基于多重特征的定位方法。對(duì)車牌顏色(紋理)進(jìn)行提取，確定若干候選區(qū)域，對(duì)候選區(qū)域進(jìn)行紋理(顏色)分析得到車牌區(qū)域；5)基于彩色邊緣的定位方法。對(duì)彩色圖像求取邊緣，并結(jié)合數(shù)學(xué)形態(tài)學(xué)方法得到若干候選區(qū)域，通過(guò)大小、長(zhǎng)寬比例等幾何特征確定牌照區(qū)域。方法1—3均基于車牌區(qū)域的單一特征，當(dāng)背景中出現(xiàn)近似紋理或顏色時(shí)，定位難度大大增加；方法4、5綜合考慮了車牌的紋理和顏色特征，定位效果要優(yōu)于其他基于單一特征的定位方法。但方法4對(duì)車牌顏色和紋理特征的提取是順序進(jìn)行的，即先分割出車牌顏色，再進(jìn)行紋理分析，或先進(jìn)行紋理分析，再進(jìn)行顏色分割，這樣就導(dǎo)致了定位時(shí)間的增加；方法5雖然采用了彩色邊緣檢測(cè)算子，但實(shí)際上并沒(méi)有利用車牌特有的顏色特征，而且得到的干擾邊緣較多，增加了定位的難度。在彩色圖像中，大多數(shù)圖像的邊緣是由顏色差異造成的，也就是說(shuō)邊緣是依賴于顏色差異而存在的。

基于上述方法都存在一些原理性的弊端，本發(fā)明提出了一種基于積分通道特征的車牌定位方法。積分通道特征其基本思想是通過(guò)對(duì)輸入圖形進(jìn)行各種線性和非線性的變換,圖像的很多常用特征,例如局部求和、直方圖、Haar以及它們的變種,可以借助積分圖來(lái)快速、高效地計(jì)算。該方法通常用于需要高精度的行人跟蹤檢測(cè)，因其本身方法的特征，受外部條件影響相較上述通用方法較小，且由于利用了多個(gè)量化的梯度方向，通過(guò)原始圖像建立的多通道圖像訓(xùn)練出相應(yīng)的檢測(cè)器，從而對(duì)車牌識(shí)別程度高，定位精度好，遠(yuǎn)高于傳統(tǒng)定位方法精度，魯棒性好，能獲得較好的檢測(cè)性能。同時(shí)該方法還能保持高效率，實(shí)時(shí)性也能滿足需求。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題在于：針對(duì)傳統(tǒng)的車牌定位方法定位不準(zhǔn)確，定位精度不理想，魯棒性較差等這些特定問(wèn)題，為了提高監(jiān)控系統(tǒng)的車牌識(shí)別定位準(zhǔn)確程度，并使其滿足實(shí)時(shí)性需求，提出一種基于積分通道特征的車牌定位方法，該車牌定位方法技術(shù)方案具體如下：

包括如下步驟：

1、一種基于積分通道特征的車牌定位方法，包括以下步驟：

S1)訓(xùn)練車牌樣本特征提取及特征組織；

S2)車牌檢測(cè)定位，得出定位車牌結(jié)果。

作為本發(fā)明的進(jìn)一步優(yōu)化，所述步驟S1)具體包括：

S1.1)手動(dòng)獲取原始車牌圖像，手動(dòng)摳取出任意正常國(guó)標(biāo)車牌；

S1.2)對(duì)摳取出的車牌圖像提取積分通道特征；

S1.3)基于Adaboost算法訓(xùn)練檢測(cè)器；

所述步驟S2)具體包括：

S2.1)對(duì)目標(biāo)圖像進(jìn)行掃描，獲取初定位車牌圖像；

S2.2)將檢測(cè)器輸出的圖像進(jìn)行非極大值抑制處理后的初定位結(jié)果進(jìn)行傾斜校正；

S2.3)將輸出的二次定位后的車牌輸入檢測(cè)器，得出最終定位車牌結(jié)果。

作為本發(fā)明的進(jìn)一步優(yōu)化，所述步驟S1.2)中，積分通道特征提取為三個(gè)通道特征提取，用以下公式分別計(jì)算通道特征：

S1.2.1)LUV通道的建立，將圖像從RGB顏色空間轉(zhuǎn)為L(zhǎng)UV顏色空間，RGB轉(zhuǎn)LUV通道公式如下：

最后計(jì)算得到LUV色彩空間中的L、U、V通道；

S1.2.2)梯度幅值通道的建立，一副圖像中每個(gè)像素點(diǎn)具有八領(lǐng)域和四個(gè)邊緣檢測(cè)方向，采用在窗口中分別計(jì)算X方向、Y方向、Z方向的一階偏導(dǎo)有限差分均值來(lái)確定像素點(diǎn)的梯度幅值，四個(gè)方向梯度幅值計(jì)算公式如下：

M[i,j]＝(|P_x[i,j]|+|P_45°[i,j]|+|P_y[i,j]|+|P_135°[i,j]|)

其中I[i,j]是坐標(biāo)為3×3窗口中心像素點(diǎn)的灰度值，M[i,j]為中心像素點(diǎn)的梯度幅值，由上述公式最后得到整幅圖像的梯度幅值圖；

S1.2.3)梯度直方圖通道的建立，梯度直方圖特征提取過(guò)程步驟如下：

S1.2.3.1)以圖像I[i,j]為中心取3×3的像素鄰域作為采樣窗口；

S1.2.3.2)計(jì)算該像素點(diǎn)的梯度方向θ[i,j]和梯度幅值M[i,j]，

θ[i,j]＝arctan(I[i,j+1]-I[i,j-1])/I[i+1,j]-I[i-1,j]

S1.2.3.3)將梯度方向分為6個(gè)方向，即將180°平均分成6份，平均間隔30°；按照橢圓圈的高斯加權(quán)范圍將該像素鄰域上所有點(diǎn)梯度方向角度相同像素點(diǎn)梯度幅值相加；

S1.2.3.4)最后統(tǒng)計(jì)6個(gè)方向上的梯度幅值累加和，得到整幅圖像6個(gè)方向上的梯度幅值圖。

作為本發(fā)明的進(jìn)一步優(yōu)化，所述步驟S1.3)包括：

訓(xùn)練階段，利用Adaboost對(duì)提取的積分通道特征訓(xùn)練出強(qiáng)分類器；從大量特征中挑選出最優(yōu)特征并制作成弱分類器，再通過(guò)弱分類器集成獲得高精度的強(qiáng)分類器；

弱分類器的定義為：

其中，f_j表示一個(gè)特征，p_j表示不等式方向，θ_j表示閾值；

判別階段，計(jì)算檢測(cè)出定位車牌窗口的積分通道特征，運(yùn)用強(qiáng)分類器進(jìn)行“打分”，即是判別車牌位置的自信度，自信度是識(shí)別的時(shí)候系統(tǒng)可信程度，最后存儲(chǔ)一段視頻中分?jǐn)?shù)最高的那一幀或者幾幀圖像；

具體訓(xùn)練算法如下：

S1.3.1)給定n個(gè)樣本圖像，x_i是輸入樣本圖像，y_i是類別標(biāo)志，其中y_i＝0表示為負(fù)樣本，y_i＝1表示為正樣本；

S1.3.2)初始化權(quán)重：

其中m和l分別為非正確車牌樣本和正確車牌樣本的數(shù)量，n＝m+l；

S1.3.3)For t＝1,2,3,…,T

S1.3.3.1)歸一化權(quán)重：其中ω_t為統(tǒng)計(jì)分布；

S1.3.3.2)隨機(jī)選擇積分通道特征j：

隨機(jī)選擇通道索引bin_k(k＝1,2,…,10)；

隨機(jī)選擇矩形區(qū)域Rect_j并計(jì)算像素值之和；

S1.3.3.3)對(duì)每個(gè)特征j，訓(xùn)練一個(gè)弱分類器h_j，計(jì)算相應(yīng)的ω_t的錯(cuò)誤率：

ε_j＝∑_iω_i|h_j(x_i)-y_i|；

S1.3.3.4)選擇最小錯(cuò)誤率ε_t的弱分類器h_t；

S1.3.3.5)更新權(quán)重：其中，當(dāng)x_i被正確分類時(shí)，e_i＝0，反之，e_i＝1；

S1.3.4)最終強(qiáng)分類器為h(x):

其中，

作為本發(fā)明的進(jìn)一步優(yōu)化，所述步驟S2.1)中，根據(jù)國(guó)內(nèi)車牌的固定比例設(shè)定一個(gè)固定大小的滑窗，從獲取視頻圖像頂端開(kāi)始進(jìn)行逐一掃描，將每次掃描截取的圖像進(jìn)行積分通道特征計(jì)算，與AdaBoost算法訓(xùn)練出的強(qiáng)檢測(cè)器進(jìn)行比對(duì)，得到相似度最高的圖像區(qū)域，即初步判定為車牌位置，截取該圖像區(qū)域初定位圖像并輸出檢測(cè)器。

作為本發(fā)明的進(jìn)一步優(yōu)化，所述步驟S2.1)中，采用基于貪心策略的非極大值抑制方法，所述非極大值抑制方法步驟如下：

S2.1.1)將初始檢測(cè)窗口按照檢測(cè)分?jǐn)?shù)從高到低排序；

S2.1.2)將第1個(gè)初始檢測(cè)窗口作為當(dāng)前的抑制窗口；

S2.1.3)非極大值抑制。將所有檢測(cè)分?jǐn)?shù)比當(dāng)前抑制窗口低的初始窗口作為被抑制窗口。計(jì)算當(dāng)前抑制窗口與被抑制窗口的重合面積比率：面積的交集/面積的并集。剔除重合面積比率高于設(shè)定閾值的窗口；

S2.1.4)如果只剩最后一個(gè)初始檢測(cè)窗口則結(jié)束，否則按照排好的順序，取下一個(gè)未被抑制的窗口作為抑制窗口，轉(zhuǎn)到步驟S2.1.3)。

相對(duì)于現(xiàn)有技術(shù)而言，本發(fā)明的有益效果在于：

本發(fā)明應(yīng)用了積分通道特征思想，通過(guò)對(duì)輸入圖形進(jìn)行各種線性和非線性的變換,借助積分圖來(lái)快速、高效地計(jì)算圖像特征，受外部條件影響較小，且由于利用了多個(gè)量化的梯度方向，通過(guò)原始圖像建立的多通道圖像訓(xùn)練出相應(yīng)的檢測(cè)器，從而對(duì)車牌識(shí)別程度高，定位精度好，遠(yuǎn)高于傳統(tǒng)定位方法精度，魯棒性好，能獲得較好的檢測(cè)性能。同時(shí)該方法還能保持高效率，實(shí)時(shí)性也能滿足需求。

附圖說(shuō)明

圖1是本發(fā)明整體算法流程圖；

圖2是本發(fā)明車牌圖像三種積分特征通道圖像；

圖3是本發(fā)明四個(gè)方向梯度算子示意圖；

圖4是本發(fā)明像素點(diǎn)方向示意圖；

圖5是本發(fā)明基于霍夫變換的傾斜校正以后的車牌圖像對(duì)比圖。

具體實(shí)施方式

以基于積分特征通道的車牌定位為例，結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步詳細(xì)說(shuō)明。

S1.訓(xùn)練車牌樣本特征提取及特征組織；

S1.1手動(dòng)摳取出任意正常國(guó)標(biāo)車牌；

S1.2對(duì)摳取出的車牌圖像進(jìn)行積分通道特征提?。?/p>

積分通道特征由Dollár P等人在2009年提出,最早通常用于行人檢測(cè),是目前評(píng)估效果較好的檢測(cè)算子。其基本思想是通過(guò)對(duì)輸入圖形進(jìn)行各種線性和非線性的變換,圖像的很多常用特征,例如局部求和、直方圖、Haar以及它們的變種,可以借助積分圖來(lái)快速、高效地計(jì)算。給定一個(gè)輸入圖像矩陣I，其對(duì)應(yīng)的通道指的是原始輸入圖像的某種輸出響應(yīng)。對(duì)于灰度圖，其對(duì)應(yīng)的通道矩陣C＝I,即原圖本身；

對(duì)于彩圖,其每個(gè)顏色通道都對(duì)應(yīng)一個(gè)通道。其他類似的通道可以通過(guò)各種線性和非線性的方法計(jì)算得到。令Ω代表圖像的某種通道計(jì)算函數(shù),則對(duì)應(yīng)的通道C＝Ω(I)。

在計(jì)算中，不同的變換可以形成不同的通道類型，本發(fā)明中選取3種不同的通道作為積分通道特征，以保證其準(zhǔn)確性。其中LUV顏色通道能夠很好地描述車牌亮度及色度變化，梯度幅值通道很好地反映了車牌的輪廓，梯度直方圖通道則從不同梯度方向上綜合對(duì)車牌位置姿態(tài)變化進(jìn)行描述。3種通道變換如圖2所示。

S1.2.1LUV通道的建立

在圖像處理中，LUV色彩空間(全稱CIE1976(L*，U*，V*))優(yōu)于RGB色彩空間。LUV色彩空間的目的是建立與人的視覺(jué)統(tǒng)一的色彩空間，具備一致性和均勻性且各色彩分量之間不相關(guān)。在LUV色彩空間中，L表示亮度，U、V表示色度。一般圖像顏色都是RGB顏色空間的，通過(guò)下面的公式可以轉(zhuǎn)換到LUV顏色空間中。

最后計(jì)算得到LUV色彩空間中的L、U、V通道。

S1.2.2梯度幅值通道

梯度幅值是一種用于圖像邊緣檢測(cè)的描述方法。一幅圖像中每個(gè)像素點(diǎn)具有八鄰域以及四個(gè)邊緣檢測(cè)方向。為了能夠在像素點(diǎn)X方向、Y方向、Z方向上檢測(cè)邊緣，本文使用在窗口中分別計(jì)算X方向Y方向、Z方向的一階偏導(dǎo)數(shù)有限差分均值來(lái)確定像素點(diǎn)的梯度幅值的方法。四個(gè)方向的梯度算子分別為圖3所示。其中I[i,j]是坐標(biāo)為3×3窗口中心像素點(diǎn)的灰度值，M[i,j]為中心像素點(diǎn)的梯度幅值，其計(jì)算公式如下所示，對(duì)應(yīng)四個(gè)方向上的計(jì)算公式為：

M[i,j]＝(|P_x[i,j]|+|P_45°[i,j]|+|P_y[i,j]|+|P_135°[i,j]|)

由上述公式最后得到整幅圖像的梯度幅值圖。

S1.2.3梯度直方圖通道

梯度直方圖思想來(lái)源于梯度方向直方圖(Histograms of Oriented Gradients，HOG)是2005年Dalal等人將它用于行人識(shí)別而得名。HOG作為一種局部特征描述子，對(duì)方向、尺度、光照不敏感。后來(lái)Deniz等人將HOG成功應(yīng)用于人臉識(shí)別，得到了比較好的效果。梯度直方圖特征提取過(guò)程如下：

步驟1以圖像I[i,j]為中心取3×3的像素鄰域作為采樣窗口。

步驟2計(jì)算該像素點(diǎn)的梯度方向θ[i,j]和梯度幅值M[i,j]。

θ[i,j]＝arctan(I[i,j+1]-I[i,j-1])/I[i+1,j]-I[i-1,j]

如圖4所示，箭頭代表該像素點(diǎn)的方向。

步驟3將梯度方向分為6個(gè)方向，即將180°平均分成6份，平均間隔30°。按照橢圓圈的高斯加權(quán)范圍將該鄰域上所有點(diǎn)梯度方向角度相同像素點(diǎn)梯度幅值相加。

步驟4最后統(tǒng)計(jì)6個(gè)方向上的梯度幅值累加和，得到整幅圖像6個(gè)方向上的梯度幅值圖。

最后得到的10個(gè)通道的圖像如圖2所示。

S1.3基于Adaboost算法訓(xùn)練檢測(cè)器

訓(xùn)練階段，利用Adaboost對(duì)提取的積分通道特征訓(xùn)練出強(qiáng)分類器，在判別階段，計(jì)算檢測(cè)出定位車牌窗口的積分通道特征，運(yùn)用強(qiáng)分類器進(jìn)行“打分”，即是判別車牌位置的自信度，自信度是識(shí)別的時(shí)候系統(tǒng)可信程度，最后存儲(chǔ)一段視頻中分?jǐn)?shù)最高的那一幀或者幾幀圖像。

AdaBoost算法由Schapire、Freund等人于1996年提出,其實(shí)質(zhì)是弱分類器的分類學(xué)習(xí)過(guò)程,是集成機(jī)器學(xué)習(xí)方法的一種,具有計(jì)算效率高、調(diào)節(jié)參數(shù)少、針對(duì)弱分類器的構(gòu)造兼容性強(qiáng),且對(duì)樣本先驗(yàn)知識(shí)和數(shù)據(jù)格式要求低等優(yōu)點(diǎn)，因此，得到廣泛推廣。AdaBoost中每個(gè)特征都對(duì)應(yīng)一個(gè)弱分類器,但并不是每一個(gè)特征都能很好地描述前景目標(biāo)的特點(diǎn)。如何從大量特征中挑選出最優(yōu)特征并制作成弱分類器,再通過(guò)弱分類器集成,最終獲得高精度的強(qiáng)分類器，是AdaBoost算法訓(xùn)練過(guò)程所要解決的關(guān)鍵問(wèn)題。

弱分類器的定義為：

其中，f_j表示一個(gè)特征，p_j表示不等式方向，θ_j表示閾值。

具體訓(xùn)練算法如下：

S1.3.1)給定n個(gè)樣本圖像，x_i是輸入樣本圖像，y_i是類別標(biāo)志，其中y_i＝0表示為負(fù)樣本，y_i＝1表示為正樣本；

S1.3.2)初始化權(quán)重：

其中m和l分別為非正確車牌樣本和正確車牌樣本的數(shù)量，n＝m+l；

S1.3.3)For t＝1,2,3,…,T

S1.3.3.1)歸一化權(quán)重：其中ω_t為統(tǒng)計(jì)分布；

S1.3.3.2)隨機(jī)選擇積分通道特征j：

隨機(jī)選擇通道索引bin_k(k＝1,2,…,10)；

隨機(jī)選擇矩形區(qū)域Rect_j并計(jì)算像素值之和；

S1.3.3.3)對(duì)每個(gè)特征j，訓(xùn)練一個(gè)弱分類器h_j，計(jì)算相應(yīng)的ω_t的錯(cuò)誤率：ε_j＝∑_iω_i|h_j(x_i)-y_i|；

S1.3.3.4)選擇最小錯(cuò)誤率ε_t的弱分類器h_t；

S1.3.3.5)更新權(quán)重：其中，當(dāng)x_i被正確分類時(shí)，e_i＝0，反之，e_i＝1；

S1.3.4)最終強(qiáng)分類器為h(x):

其中，

S2.車牌的檢測(cè)定位；

S2.1用滑窗法對(duì)目標(biāo)圖像進(jìn)行掃描，獲取初定位車牌圖像；

本發(fā)明方法根據(jù)國(guó)內(nèi)車牌的固定比例，設(shè)定一個(gè)固定大小的滑窗，從獲取視頻圖像頂端開(kāi)始進(jìn)行逐一掃描，為了提高掃描準(zhǔn)確度，通常設(shè)置滑窗步長(zhǎng)為4個(gè)像素，將每次掃描截取的圖像進(jìn)行積分通道特征計(jì)算，與AdaBoost算法訓(xùn)練出的強(qiáng)檢測(cè)器進(jìn)行比對(duì)，得到得分最高的(即相似度最高的)圖像區(qū)域，即初步判定為車牌位置，截取該區(qū)域初定位圖像并輸出檢測(cè)器。

S2.2將檢測(cè)器輸出的圖像進(jìn)行非極大值抑制處理后的初定位結(jié)果進(jìn)行基于霍夫變換的傾斜校正得到二次定位后的車牌圖像；

非極大值抑制在物體檢測(cè)中應(yīng)用十分廣泛，主要目的是為了消除多余干擾因素，找到最佳的物體檢測(cè)的位置。非極大值抑制是檢測(cè)的后處理過(guò)程，是關(guān)鍵環(huán)節(jié)之一。

啟發(fā)式窗口融合算法對(duì)非重合目標(biāo)檢測(cè)效果很好，但對(duì)于車輛車牌檢測(cè)并不適合。啟發(fā)式窗口融合算法，將初始檢測(cè)窗口劃分為若干個(gè)不重合的子集，然后計(jì)算每個(gè)子集的中心，最后每個(gè)子集只保留一個(gè)檢測(cè)窗口，顯然該算法容易造成大量漏檢。

Dalal等提出了均值漂移非極大值抑制，這種方法不僅計(jì)算復(fù)雜，需要將檢測(cè)窗口在3維空間(橫坐標(biāo)，縱坐標(biāo)，尺度)表示，檢測(cè)分?jǐn)?shù)轉(zhuǎn)換，計(jì)算不確定性矩陣，迭代優(yōu)化，而且還需要調(diào)整很多與檢測(cè)器的步長(zhǎng)等相關(guān)聯(lián)的參數(shù)，因此，目前較少使用。

當(dāng)前，大多數(shù)的目標(biāo)檢測(cè)普遍使用基于貪心策略的非極大值抑制算法，因?yàn)樗?jiǎn)單高效，主要步驟如下：

S2.1.1)將初始檢測(cè)窗口按照檢測(cè)分?jǐn)?shù)從高到低排序，相似度越高則分?jǐn)?shù)越高；

S2.1.2)將第1個(gè)初始檢測(cè)窗口作為當(dāng)前的抑制窗口；

S2.1.3)非極大值抑制。將所有檢測(cè)分?jǐn)?shù)比當(dāng)前抑制窗口低的初始窗口作為被抑制窗口，相似度越高，分?jǐn)?shù)越高。計(jì)算當(dāng)前抑制窗口與被抑制窗口的重合面積比率：面積的交集/面積的并集。剔除重合面積比率高于設(shè)定閾值的窗口；

S2.1.4)如果只剩最后一個(gè)初始檢測(cè)窗口則結(jié)束，否則按照排好的順序，取下一個(gè)未被抑制的窗口作為抑制窗口，轉(zhuǎn)到步驟S2.1.3)。

本發(fā)明同樣使用的是簡(jiǎn)單高效的基于貪心策略的非極大值抑制算法。經(jīng)過(guò)非極大值抑制處理后的車牌圖像再進(jìn)行基于霍夫變換的傾斜校正。

霍夫變換是一種強(qiáng)有力的特征提取方法，它利用局部圖像信息有效的積累所有可能的模型實(shí)例的依據(jù)，這使得它既能方便的從外部數(shù)據(jù)中獲得額外的信息，又能敏銳的從只有一部分的實(shí)例中呈現(xiàn)出有效信息?；舴蜃儞Q普遍應(yīng)用在計(jì)算機(jī)視覺(jué)中形狀，位置，幾何變換參數(shù)的判斷中。自霍夫變換提出以來(lái)，其得到了廣泛的應(yīng)用。近些年，專家學(xué)者們對(duì)霍夫變換的理論性質(zhì)與應(yīng)用方法又進(jìn)行了進(jìn)一步的探討?；舴蜃儞Q作為一種有效的識(shí)別直線的算法，具有良好的抗干擾性及魯棒性。

霍夫變換方法包含一個(gè)從圖像空間中的特征到參數(shù)空間中點(diǎn)的集合的映射。每一個(gè)參數(shù)空間中的點(diǎn)表征著圖像空間中模型的一個(gè)實(shí)例，圖像特征利用一個(gè)函數(shù)被映射到參數(shù)空間當(dāng)中去，這個(gè)函數(shù)產(chǎn)生能夠兼容觀察到的圖像特征與假設(shè)的模型的所有的參數(shù)組合。每一個(gè)圖像特征將在多維的參數(shù)空間中產(chǎn)生一個(gè)不同的平面，但是由所有圖像特征產(chǎn)生的屬于同一個(gè)模型的實(shí)例的一切平面都會(huì)相交在描繪共同的實(shí)例的點(diǎn)?；舴蜃儞Q的根本是產(chǎn)生這些平面并且識(shí)別與之相交的參數(shù)點(diǎn)。

經(jīng)過(guò)基于霍夫變換的傾斜校正后的車牌圖像為系統(tǒng)二次定位后的圖像。霍夫變換傾斜校正的車牌圖像示例如圖5所示。

S2.3將輸出的二次定位后的車牌輸入強(qiáng)檢測(cè)器，得出最終定位車牌結(jié)果。

將經(jīng)過(guò)上述兩種車牌圖像后處理后的圖像輸出后再次進(jìn)行積分通道特征提取后輸入強(qiáng)檢測(cè)器進(jìn)行二次定位。定位后輸出最終的定位結(jié)果。

本發(fā)明中提出的方法實(shí)際上可嵌入FPGA實(shí)現(xiàn)，運(yùn)用于具有實(shí)時(shí)輸出圖像功能的車牌定位識(shí)別功能的相機(jī)或攝像機(jī)中。

本領(lǐng)域技術(shù)人員將清楚本發(fā)明的范圍不限制于以上討論的示例，有可能對(duì)其進(jìn)行若干改變和修改，而不脫離所附權(quán)利要求書(shū)限定的本發(fā)明的范圍。盡管己經(jīng)在附圖和說(shuō)明書(shū)中詳細(xì)圖示和描述了本發(fā)明，但這樣的說(shuō)明和描述僅是說(shuō)明或示意性的，而非限制性的。本發(fā)明并不限于所公開(kāi)的實(shí)施例。

通過(guò)對(duì)附圖，說(shuō)明書(shū)和權(quán)利要求書(shū)的研究，在實(shí)施本發(fā)明時(shí)本領(lǐng)域技術(shù)人員可以理解和實(shí)現(xiàn)所公開(kāi)的實(shí)施例的變形。在權(quán)利要求書(shū)中，術(shù)語(yǔ)“包括”不排除其他步驟或元素，而不定冠詞“一個(gè)”或“一種”不排除多個(gè)。在彼此不同的從屬權(quán)利要求中引用的某些措施的事實(shí)不意味著這些措施的組合不能被有利地使用。權(quán)利要求書(shū)中的任何參考標(biāo)記不構(gòu)成對(duì)本發(fā)明的范圍的限制。