專利名稱：一種融合色彩、尺寸和紋理特征的車牌定位方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及車牌識別技術(shù)中的復(fù)雜背景中的車牌定位方法。
技術(shù)背景智能交通是當前交通管理發(fā)展的主要方向，是目前世界交通運輸領(lǐng)域的前沿研究課題。 汽車牌照自動識別技術(shù)則是智能交通系統(tǒng)的核心。它是解決高速公路管理問題的重要手段， 是計算機圖像處理技術(shù)和模式識別技術(shù)在智能交通領(lǐng)域的應(yīng)用。該技術(shù)在解決高速公路的諸 多問題，如車輛收費和管理，交通流量檢測，停車場收費管理，違章車輛監(jiān)控，假牌照車輛 識別等具體問題中應(yīng)用廣泛，具有巨大的經(jīng)濟價值和現(xiàn)實意義。同時，它在城市道路、港口 和機場等項目管理中占有重要地位。隨著計算機性能的提高和圖像處理技術(shù)的發(fā)展，車牌識 別系統(tǒng)已經(jīng)日趨成熟。車牌定位是車牌識別中至關(guān)重要的一步。作為整個車牌識別的第一步，車牌的成功定位 與否直接影響到后續(xù)的步驟，從而決定了系統(tǒng)的速度和識別率。為了準確、快速地定位出車 牌區(qū)域，人們已經(jīng)研究了許多定位方法。但在現(xiàn)實應(yīng)用中，由于受背景的復(fù)雜性、光照條件 的不均勻性和天氣變換的不確定性等環(huán)境因素，以及車牌本身傾斜程序、受污染程度等因素 的影響，目前的多數(shù)車牌分割方法只是在一定程度上解決了特定條件下從復(fù)雜背景中提取車 牌的問題，要把這些研究成果應(yīng)用于實際當中，還有很多可以改善的地方。因此，如何在現(xiàn) 有所有有價值的研究成果之上，提高車牌分割系統(tǒng)的通用性、縮短定位時間和提高分割精度 將成為我們當前研究的主要方向?，F(xiàn)在通常使用的車牌定位方法有(1) 基于灰度特'征的車牌分割方法。它利用了汽車牌照中文字筆劃變化頻率比較穩(wěn)定的 特點，在設(shè)定恰當?shù)拈y值后，通過掃描確定上下界位置和左右邊界位置。這樣在已縮小的范 圍內(nèi)再用上述方法進行遞歸檢測，直到牌照位置比較穩(wěn)定為止。該方法在攝入角度、距離、 光線都有很大調(diào)整的情況下，能夠快速準確定位車牌。不足之處在于，對于那種引入文字背 景的原始圖像會出現(xiàn)很多錯誤。同時，筆劃間隔的象素是一個相對的概念，對于大小不同的 車牌是不同的，此外，對字符斷裂和模糊的容忍度也很低，因此該算法對原始圖像的標準化 要求很高。詳見文獻劉智勇，劉迎建.車牌識別中的圖像提取及分割[I].微型電腦應(yīng)用，1999,7。(2) 基于數(shù)學形態(tài)學的車牌定位方法。該方法將小波分析與數(shù)學形態(tài)學相結(jié)合，通過小波多尺度分解提取出紋理清晰且具有不同空間分辨率、不同方向的邊緣子圖像，其水平方向 低頻、垂直方向高頻的這一細節(jié)分量，主要代表車牌的目標區(qū)域。然后，用數(shù)學形態(tài)學方法 對小波分解得到的細節(jié)圖像進行一系列膨脹和腐蝕運算，有效的消除細小的物體，增強目標 區(qū)域內(nèi)的連通性，從而在結(jié)果圖像中只留下了車牌這一待尋的目標。詳見文獻袋青云，余英 林.一種基于小波與形態(tài)學的車牌圖像分割方法.中國圖像圖形學報，2005.5 (5): 411-415。(3)基于顏色信息的車牌定位方法。 一種利用顏色信息進行車牌定位分割的方法是基于 邊緣顏色對的車牌定位方法。它首先進行彩色邊緣檢測，然后以每一邊緣點為中心，垂直于 邊緣切線方向取線形窗口，在窗口內(nèi)檢測邊緣點兩側(cè)像素的顏色是否與車牌的底色/字符色相 符合，并保留符合該特征的車牌邊緣點，然后進行濾波，最后采用紋理特征的分析以確定車 牌位置。詳見文獻李文舉等.基于邊緣顏色對的車牌定位新方法.計算機學報，2004.27 (2)。上述的三種車牌定位方法的共同點是這些方法都是針對車牌的某個特定的特征，容易 受氣象條件、背景、光照等因素的限制，魯棒性不好。 一旦條件發(fā)生變化，它們的分割準確 率就會發(fā)生較大的波動，從而使整個車牌識別系統(tǒng)的性能大大降低。發(fā)明內(nèi)容本發(fā)明的任務(wù)是提供一種融合色彩、尺寸和紋理特征的車牌定位方法，它具有在照明不 均勻環(huán)境下定位準確率高和誤識率低的特點。本發(fā)明提供一種基于車牌色彩、尺寸和紋理三類特征相融合的車牌定位方法，首先把含 有車牌信息的源彩色圖像轉(zhuǎn)換到色度、飽和度和亮度(HSI)色彩格式，實現(xiàn)顏色信息與亮度 信息的分離；接著把得到的飽和度分量圖和亮度分量圖采用自適應(yīng)閾值進行二值化；然后， 基于車牌色彩信息對源圖像的像素進行分類，依據(jù)分類結(jié)果獲得車牌定位模板二值圖，并采 用數(shù)學形態(tài)學運算對車牌定位模板二值圖去除噪聲；隨后，用區(qū)域生長法提取車牌定位模板 二值圖中的每個連通區(qū)域并進行車牌尺寸檢査，通過尺寸檢査的連通區(qū)域成為候選車牌區(qū)域； 在采用Hough變換對傾斜車牌進行矯正之后，進一步利用車牌豎直紋理特征檢查每個候選車 牌區(qū)域，去除偽候選區(qū)；最后，對候選車牌區(qū)域進行粗略的車牌字符個數(shù)檢查，進一步提高 本方法的置信度，并把車牌從源圖像中分割出來。采用本發(fā)明提出的基于車牌色彩、尺寸和 紋理特征融合的車牌分割方法，可以有效地提高系統(tǒng)的通用性和定位精度等性能。本發(fā)明的技術(shù)方案如下一種融合色彩、尺寸和紋理特征的車牌定位方法，包含下列步驟 步驟1.顏色格式轉(zhuǎn)換。為了更好地利用車牌的顏色特征，需先將紅、綠、藍格式(即RGB格式)的車牌源圖像轉(zhuǎn)換到色度、飽和度、亮度(即his格式)格式，使得車牌源圖像的彩色信息(色度和飽和 度)與灰度信息(亮度)分離開來，從而使車牌定位過程對環(huán)境光照的強弱不敏感。紅、綠、 藍(rgb)格式的圖像轉(zhuǎn)換成hsi格式的圖像采用如下公式<formula>formula see original document page 8</formula>這里i ,G，萬分別是RGB格式的車牌源圖像的紅、綠、藍分量值，值域為[O，l]。 H，S,/分 別是對應(yīng)的HIS格式的車牌源圖像的色度、飽和度和亮度，色度的值域為
。顏色格式轉(zhuǎn)換的結(jié)果，是得到三幅分量圖，分別是色度分量圖，飽和度分量圖和亮度分量圖。步驟2.對飽和度分量圖與亮度分量圖進行二值化處理。采用自適應(yīng)閾值r對飽和度分量圖與亮度分量圖進行二值化，得到僅由像素值0和1構(gòu) 成的二值化飽和度分量圖和亮度分量圖。其中，自適應(yīng)閾值r的算法如下 步驟2-i.選擇自適應(yīng)閾值r的任意一個初始估計值。步驟2-2.采用自適應(yīng)閾值r對飽和度分量圖或亮度分量圖進行飽和度和亮度的像素值 分類，得到兩組像素G,由所有飽和度值或灰度值大于自適應(yīng)閾值r的像素組成，而q由所 有飽和度值或灰度值小于或等于自適應(yīng)閾值r的像素組成。步驟2-3.計算q像素組的飽和度值或灰度值的平均值/v并計算《像素組的飽和度值或灰度值的平均值//2。步驟2-4.計算新的自適應(yīng)閾值r: r = (//1 + //2)/2。步驟2-5.重復(fù)步驟2-2到步驟2-4，直到逐次迭代所得的自適應(yīng)閾值r小于自適應(yīng)閾值r 的容差值j;為止。使用該算法需要指定兩個參數(shù)，第一個是閾值初始值r，第二個是控制迭代過程結(jié)束的容差值r。。計算飽和度子圖和亮度子圖的閾值時，初始值r也可取為飽和度分量圖或亮度分量圖的 飽和度或亮度平均值，自適應(yīng)閾值r的容差值r。的取值范圍為[4， 6]。步驟3.利用步驟1所得的色度分量圖與步驟2所得的二值化飽和度分量圖和二值化亮度分量圖建立車牌定位模板二值圖。采用如下的判別算法進行車牌定位模板的構(gòu)建-若祝we麵《//(x，力S祝^咖x ，且S(JC,力-1 ，那么像素(x,力被識別為藍色車牌底色像素， 定位模板(;c，力位置的像素值設(shè)為1;若!W/0Wmin S 《IW/0Wmax ，且S(x，力=1 ，那么像素O,;;)被識別為黃色車牌底色像素，定位模板OC，力位置的像素值設(shè)為1;若S(x，力-0，且/(1，>0 = 1 ，那么像素(x,力被識別為藍色車牌字符像素，定位模板(x,力 位置的像素值設(shè)為1;若S(x，力^，且/(1，>0 = 0，那么像素(x,力被識別為黃色車牌字符像素，定位模板(x,力 位置的像素值設(shè)為1;否則像素Oc，力被識別為非車牌對象，定位模板(;c,力位置的像素值設(shè)為0。這里，x和；;分別是像素點的行坐標和列坐標，/f(x,力，S(x,力和/(x，力分別是在(x,力坐標處色度分量圖、飽和度分量圖和亮度分量圖的像素值。說we,和祝恥，分別是藍色車牌色度的下限和上限，和^//om;自分別是黃色車牌色度的下限和上限。在對圖像中所有像素完成以上的判別之后，得到一幅與源圖像大小完全相同的車牌定位 模板圖像，該模板圖像是一幅像素值只有0和1兩種可能的二值圖。 步驟4.運用數(shù)學形態(tài)學對車牌定位模板去除噪聲。由于實際圖像環(huán)境復(fù)雜，上一步驟中得到的車牌定位模板往往存在大量的噪聲像素，因 此需要采用恰當?shù)姆椒▽δ０暹M行去噪。本方法使用數(shù)學形態(tài)學的膨脹和腐蝕運算對車牌定 位模板二值圖去噪。下面首先簡要介紹一下數(shù)學形態(tài)學膨脹和腐蝕運算。圖像集合A用結(jié)構(gòu)元素B來膨脹，記做^①S，其定義為其中，》表示B的映像，即與萬關(guān)于原點對稱的集合。上式表明，用B對^進行膨脹的 過程首先對萬作關(guān)于原點的映射，再將其映像平移x，當J與B映像的交集不為空集時，S的原點就是膨脹集合的像素。也就是說，用B來膨脹^得到的集合，是》的位移與^至少有 一個非零元素相交時萬的原點的位置的集合。腐蝕運算是膨脹運算的對偶，圖像集合J用結(jié)構(gòu)元素B來腐蝕記做^05，其定義為^05 = ￡ X} = {尤I 5 + Z G爿}上式表明，Z用S來腐蝕的結(jié)果是所有滿足將5平移;c后，萬仍全部包含在j中的x的 集合，從直觀上看，就是S經(jīng)過平移后全部包含在v4中的原點組成的集合。 車牌定位模板的去噪過程可描述為r，/她=(((r，/她 A) " "這里，remp/ate是二值化的車牌定位模板圖像，S,是一個l行3列的結(jié)構(gòu)元素，爲是一 個7行1列的結(jié)構(gòu)元素，^是一個1行7列的結(jié)構(gòu)元素。用A進行膨脹的目的是填充定位模板中車牌字符像素與車牌背景像素之間的細小縫隙。用萬2和A各進行一次腐蝕的目的是去除模板中散布的面積較小的噪聲像素。使用數(shù)學形態(tài)學去噪之后得到的車牌定位模板二值圖將在下一步驟中使用。步驟5.采用區(qū)域生長法提取車牌定位模板二值圖中的每個連通區(qū)域。步驟6.對步驟5所得的車牌定位模板二值圖中的每個連通區(qū)域，利用實際車牌的尺寸特征進行檢査。這里使用的尺寸特征算法可表示如下若、gi0n ^ 、一 '且wregion ^ w畫ip ，且M"ominlp ^ wregion//7region《m"o,ip ，那么連通區(qū)域region通過尺寸檢查，成為車牌候選區(qū)域；否則連通區(qū)域region未通過尺寸檢查，不被后續(xù)步驟考慮。這里，Wr，和/^，分別是連通區(qū)域region的寬度和高度(單位像素)，氣,和/u,p分別是實際的最小車牌寬度和最小車牌高度(單位像素)，ra^自,p和ra"^—分別是實際的最小車牌寬高比和最大車牌寬高比。當某個連通區(qū)域通過如上所示的尺寸檢查之后，該區(qū)域就作為車牌候選區(qū)域，繼續(xù)送入 下述步驟作進一步的識別；否則，該連通區(qū)域被認為無效區(qū)域，被算法丟棄。步驟7.從車牌源圖像的亮度分量圖中把車牌候選區(qū)域提取出來，再對該車牌候選區(qū)域亮度圖進行二值化處理，得到車牌候選區(qū)域二值圖。步驟8.對傾斜的候選車牌區(qū)域進行矯正。當源圖像中的車輛正在轉(zhuǎn)彎行駛時，車牌在源 圖像中通常不是水平放置的，而是存在一定的傾斜角度，算法需要對這樣的傾斜車牌進行矯 正，使分割出來的車牌盡可能水平放置。本方法所使用的傾斜車牌矯正算法可表述如下步驟8-l利用Hough變換檢測出車牌傾斜角度。具體過程是建立一個二維累加器矩陣M，它的第一維為距離，第二維為角度；把矩陣M的每個累 加器單元都初始化為0;遍歷車牌候選區(qū)域二值圖，對其中的每個1值像素(;c,力，計算A=xc0s(《)+ >;sin(S)，這里《從變化到&ax ，每次計算出新/ ,后，使累加器單元M[A][《]增加1;遍歷累加器矩陣M，找到其中的最大累加值PWm^及其所在的角度值^; 若&A皿> ^^resh ，那么車牌傾斜角度為e;否則車牌傾斜角度為0。 這里，6L和《^分別是預(yù)先設(shè)定的傾斜角度范圍的下限和上限，r"/thresh是一個預(yù)定義的累加閾值。只有當最大累加值"/mM比F";^更大時，^才被認為有效并被作為車牌傾斜角度返回。步驟8-2利用檢測出的車牌傾斜角度，對車牌候選區(qū)域二值圖進行矯正。具體過程是 若車牌傾斜角度^>0 ，那么將候選車牌區(qū)域二值圖的第/列的像素上移 =tan(0x(Weand-/)個像素；若車牌傾斜角度0<0,那么將候選車牌區(qū)域二值圖的第/列 的像素上移0_^",=-tan(e)x/個像素；其中，l"SWeand， w^d是車牌候選區(qū)域二值圖的寬度(單位像素)。步驟9.利用車牌紋理特征對經(jīng)過傾斜角度矯正的所有候選車牌區(qū)域進行檢查，去除紋理密度未達到要求的候選車牌區(qū)域。具體步驟是步驟9-1利用4鄰域分析法構(gòu)建經(jīng)過傾斜角度矯正的候選車牌區(qū)域二值圖的邊緣圖像。 一個坐標為(x,力的像素的4鄰域是由坐標分別為(x —1，力,(x + l,力,(x,;; —1)和(x,y + l)的4個像素組成的像素集合。對經(jīng)過傾斜角度矯正的所有車牌候選區(qū)域二值圖的每個1值像素的 4鄰域進行分析，若其4鄰域存在至少一個0值像素，則該l值像素就是邊緣點；否則，該l 值像素不是邊緣點。構(gòu)建一個與候選車牌區(qū)域二值圖相同大小的二值化邊緣圖，若候選車牌 區(qū)域二值圖中坐標為(x，力的1值像素通過4鄰域分析被判定為邊緣點，則把邊緣圖中對應(yīng)位置的像素值設(shè)為1，否則把邊緣圖中對應(yīng)位置的像素值為O。步驟9-2對步驟9-1所得的二值化邊緣圖進行輸血形態(tài)學的腐蝕處理，即 5roc/^/^/ge-五^e0^，這里，Edge是步驟9-1中得到的二值化邊緣圖像，而^是一個3行1列的結(jié)構(gòu)元素，五raAcffidge是經(jīng)過腐蝕運算后的結(jié)果圖像。步驟9-3把^/ge圖像和五rocfec^Wge圖像進行逐像素比較，確定候選車牌區(qū)域二值圖的 豎直紋理的豐富程度，并以此判別候選車牌區(qū)域是否滿足車牌紋理特征要求。具體的過程可表述如下設(shè)置兩個計數(shù)器ec和eec ，并把它們初始化為0，掃描和五wAc/^ige圖像的每個像 素0,力，若￡^ge(jc，力=五rafifetffic/ge(;c,力，且^E^ge(;c,力=1 ，那么ec和eec計數(shù)器均增加1; 若^^(x,;;)^五racfecffi汆e(x,力，且五Jge(JC,;;) = 1 ，那么僅"計數(shù)器增加1。完成掃描后， 計算比值ra^t,eec/ec，若ra"ott > m"'omintt ，那么候選車牌區(qū)域通過紋理豐富程度檢査，成為最終定位出的車牌區(qū)域；否則候選車牌區(qū)域未通過紋理豐富程度檢査，被認為不包含車牌。 這里，五t/ge(x,力和&o^^ffi"ge(x,力分別是邊緣圖五^e和經(jīng)過腐蝕運算后的結(jié)果圖五m^tffi^e在坐標為(;c，力位置的像素值，rariomintt是一個根據(jù)實際應(yīng)用情況預(yù)設(shè)的紋理比值閾值。需要說明的是 1. 步驟1把輸入的源圖像轉(zhuǎn)換成色度、飽和度和亮度(HSI)色彩格式，達到了把圖像 色彩信息(色度和飽和度)同亮度信息分離的目的，使本方法對光照條件不敏感，提高了本 方法對復(fù)雜場景的適應(yīng)性。2. 步驟2和步驟7中，本方法使用了自適應(yīng)的闡值計算算法，該算法基于灰度圖像本身 的灰度分布情況采用迭代的方法逐漸逼近最優(yōu)閾值。使用自適應(yīng)算法而不使用固定閾值使本 方法能夠適應(yīng)具有復(fù)雜背景的真實圖像。3. 步驟5采用區(qū)域生長法分離二值圖像中的1值像素連通區(qū)域。區(qū)域生長算法屬于遞歸 算法的范疇，因此在實現(xiàn)時應(yīng)注意控制遞歸的終止條件，避免出現(xiàn)無窮遞歸。4. 步驟8-l中設(shè)定了一個累加器閾值^/t^h，并規(guī)定只有當矩陣似中的最大累加單元值r^^大于^^h^時才認為^w合理。這一檢查有效地提高了車牌傾斜角度的正確檢測率。5. 步驟9-l種采用了4鄰域分析法獲得二值圖像的邊緣圖，這種方法與常規(guī)的基于數(shù)學 形態(tài)學的邊緣提取方法相比，執(zhí)行速度更快。本發(fā)明的創(chuàng)新之處在于本發(fā)明采用一種基于多種車牌特征(包括色彩、尺寸和紋理特征)相融合的車牌分割方 法，既充分利用了車牌背景和車牌字符顏色對比鮮明的特點，同時又結(jié)合了車牌具有規(guī)定大 小和車牌字符引入豐富紋理的特點，從而克服了傳統(tǒng)方法僅依賴單項特征進行車牌分割的缺陷，具有很高的定位精度。采用HSI色彩格式使本方法對環(huán)境光照條件不敏感，使本方法可 順利應(yīng)用于光照較暗的場景；自適應(yīng)二值化算法的采用使本方法對環(huán)境的依賴性降至最低， 大大提高了本方法的通用性；基于區(qū)域生長法的連通區(qū)域提取能夠快速有效地分離出二值圖 像中的連通區(qū)域，從而能夠快速地定位出車牌候選區(qū)域；Hough變換可以準確地檢測出候選 車牌的傾斜角度，使本方法能夠?qū)ζ溥M行矯正，從而給后續(xù)的字符分割任務(wù)帶來便利，提高 了整個系統(tǒng)的識別性能。
具體實施方式
采用本發(fā)明的方法，首先編寫車牌定位軟件；然后在高速公路的入口處、收費站和其他 任何合適位置采用攝像裝置自動拍攝車輛的原始圖像；接著把拍攝到的車輛原始圖像作為源 數(shù)據(jù)輸入到車牌定位軟件中進行處理；定位出的車牌以位圖(BMP)格式保存到硬盤上。本發(fā)明的方法充分利用車牌的色彩、尺寸和紋理特征，從而實現(xiàn)快速準確地從所提供的 輸入源圖像中分割出車牌區(qū)域。根據(jù)該方法實現(xiàn)的一個實際系統(tǒng)中，對于各種成像條件下的 車輛照片數(shù)據(jù)集(包括了不確定背景下，雨天、霧天、晴天等不同天氣和車牌水平、車牌傾 斜、車輛運動、車輛靜止等不同狀態(tài)的一系列照片)的測試表明，該方法對于復(fù)雜場景下車 牌定位準確率達到96.3%。
權(quán)利要求
1、一種融合色彩、尺寸和紋理特征的車牌定位方法，包含下列步驟步驟1顏色格式轉(zhuǎn)換將紅、綠、藍格式，即RGB格式的車牌源圖像轉(zhuǎn)換到色度、飽和度、亮度格式，即HIS格式，使得車牌源圖像的色度信息、飽和度信息與亮度信息分離開來；RGB格式的圖像轉(zhuǎn)換成HSI格式的圖像采用如下公式其中<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><mi>θ</mi><mo>=</mo><mi>arccos</mi><mo>{</mo><mfrac> <mrow><mfrac> <mn>1</mn> <mn>2</mn></mfrac><mo>[</mo><mrow> <mo>(</mo> <mi>R</mi> <mo>-</mo> <mi>G</mi> <mo>)</mo></mrow><mo>+</mo><mrow> <mo>(</mo> <mi>R</mi> <mo>-</mo> <mi>B</mi> <mo>)</mo></mrow><mo>]</mo> </mrow> <mrow><mo>[</mo><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><msup> <mrow><mo>(</mo><mi>G</mi><mo>-</mo><mi>B</mi><mo>)</mo> </mrow> <mrow><mn>1</mn><mo>/</mo><mn>2</mn> </mrow></msup><mo>]</mo> </mrow></mfrac><mo>}</mo><mo>;</mo> </mrow>]]></math> id="icf0002" file="A2008100456860002C2.tif" wi="78" he="19" top= "110" left = "37" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>這里R，G，B分別是RGB格式的車牌源圖像的紅、綠、藍分量值，值域為
；H，S，I分別是對應(yīng)的HIS格式的車牌源圖像的色度、飽和度和亮度；色度的值域為[0°，360°)，飽和度和亮度的值域為
；顏色格式轉(zhuǎn)換的結(jié)果，是得到色度分量圖、飽和度分量圖和亮度分量圖；步驟2對飽和度分量圖與亮度分量圖進行二值化處理，得到僅由像素值0和1構(gòu)成的二值化飽和度分量圖和亮度分量圖；步驟3利用步驟1所得的色度分量圖與步驟2所得的二值化飽和度分量圖和二值化亮度分量圖建立車牌定位模板二值圖，具體采用如下的判別算法進行車牌定位模板的構(gòu)建若Bluemin≤H(x，y)≤Bluemax，且S(x，y)＝1，那么像素(x，y)被識別為藍色車牌底色像素，定位模板(x，y)位置的像素值設(shè)為1；若Yellowmin≤H(x，y)≤Yellowmax，且S(x，y)＝1，那么像素(x，y)被識別為黃色車牌底色像素，定位模板(x，y)位置的像素值設(shè)為1；若S(x，y)＝0，且I(x，y)＝1，那么像素(x，y)被識別為藍色車牌字符像素，定位模板(x，y)位置的像素值設(shè)為1；若S(x，y)＝1，且I(x，y)＝0，那么像素(x，y)被識別為黃色車牌字符像素，定位模板(x，y)位置的像素值設(shè)為1；否則像素(x，y)被識別為非車牌對象，定位模板(x，y)位置的像素值設(shè)為0；這里，x和y分別是像素點的行坐標和列坐標，H(x，y)，S(x，y)和I(x，y)分別是在(x，y)坐標處色度分量圖、飽和度分量圖和亮度分量圖的像素值；Bluemin和Bluemax分別是藍色車牌色度的下限和上限，Yellowmin和Yellowmax分別是黃色車牌色度的下限和上限；步驟4運用數(shù)學形態(tài)學對車牌定位模板二值圖去除噪聲，具體采用數(shù)學形態(tài)學的膨脹和腐蝕運算對車牌定位模板二值圖去噪<maths id="math0002" num="0002" ><math><![CDATA[ <mrow><mi>Template</mi><mo>=</mo><mrow> <mo>(</mo> <mrow><mo>(</mo><mrow> <mo>(</mo> <mi>Template</mi> <mo>⊕</mo> <msub><mi>B</mi><mn>1</mn> </msub> <mo>)</mo></mrow><mi>Θ</mi><msub> <mi>B</mi> <mn>2</mn></msub><mo>)</mo> </mrow> <mi>Θ</mi> <msub><mi>B</mi><mn>3</mn> </msub> <mo>)</mo></mrow> </mrow>]]></math></maths>這里，Template是車牌定位模板二值圖，B1是一個1行3列的結(jié)構(gòu)元素，B2是一個7行1列的結(jié)構(gòu)元素，B3是一個1行7列的結(jié)構(gòu)元素；符號“ id="icf0004" file="A2008100456860003C2.tif" wi="3" he="3" top= "118" left = "126" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>”代表膨脹運算，符號“Θ”代表腐蝕運算；步驟5采用區(qū)域生長法提取車牌定位模板二值圖中的每個連通區(qū)域；步驟6對步驟5所得的車牌定位模板二值圖中的每個連通區(qū)域，利用實際車牌的尺寸特征進行檢查，具體過程如下若hregion≥hminlp，且wregion≥wminlp，且ratiominlp≤wregion/hregion≤ratiomaxlp，那么連通區(qū)域region通過尺寸檢查，成為車牌候選區(qū)域；否則連通區(qū)域region未通過尺寸檢查，不被后續(xù)步驟考慮；wregion和hregion分別是連通區(qū)域region的寬度和高度，wminlp和hminlp分別是實際的最小車牌寬度和最小車牌高度，ratiominlp和ratiomaxlp分別是實際的最小車牌寬高比和最大車牌寬高比；步驟7從車牌源圖像的亮度分量圖中把車牌候選區(qū)域提取出來，再對該車牌候選區(qū)域亮度圖進行二值化處理，得到車牌候選區(qū)域二值圖；步驟8對傾斜的候選車牌區(qū)域進行矯正，具體傾斜車牌矯正過程如下步驟8-1利用Hough變換檢測出車牌傾斜角度，具體過程是建立一個二維累加器矩陣M，它的第一維為距離，第二維為角度；把矩陣M的每個累加器單元都初始化為0；遍歷車牌候選區(qū)域二值圖，對其中的每個1值像素(x，y)，計算ρi＝xcos(θi)+ysin(θi)，這里θi從θmin變化到θmax，每次計算出新ρi后，使累加器單元M[ρi][θi]增加1；遍歷累加器矩陣M，找到其中的最大累加值Valmax及其所在的角度值θ；若Valmax＞Valthresh，那么車牌傾斜角度為θ；否則車牌傾斜角度為0；這里，θmin和θmax分別是預(yù)先設(shè)定的傾斜角度范圍的下限和上限，Valthresh是一個預(yù)定義的累加閾值；只有當最大累加值Valmax比Valthresh更大時，θ才被認為有效并被作為車牌傾斜角度返回；步驟8-2利用檢測出的車牌傾斜角度，對車牌候選區(qū)域二值圖進行矯正，具體過程是若車牌傾斜角度θ＞0，那么將候選車牌區(qū)域二值圖的第i列的像素上移offseti＝tan(θ)×(wcand-i)個像素；若車牌傾斜角度θ＜0，那么將候選車牌區(qū)域二值圖的第i列的像素上移offseti＝-tan(θ)×i個像素；其中，1≤i≤wcand，wcand是車牌候選區(qū)域二值圖的寬度；步驟9利用車牌紋理特征對經(jīng)過傾斜角度矯正的所有候選車牌區(qū)域進行檢查，去除紋理密度未達到要求的候選車牌區(qū)域，具體步驟是步驟9-1利用4鄰域分析法構(gòu)建經(jīng)過傾斜角度矯正的候選車牌區(qū)域二值圖的邊緣圖像對經(jīng)過傾斜角度矯正的所有車牌候選區(qū)域二值圖的每個1值像素的4鄰域進行分析，若其4鄰域存在至少一個0值像素，則該1值像素就是邊緣點；否則，該1值像素不是邊緣點；構(gòu)建一個與經(jīng)過傾斜角度矯正的候選車牌區(qū)域二值圖相同大小的二值化邊緣圖，若候選車牌區(qū)域二值圖中坐標為(x，y)的1值像素通過4鄰域分析被判定為邊緣點，則把邊緣圖中對應(yīng)位置的像素值設(shè)為1，否則把邊緣圖中對應(yīng)位置的像素值為0；步驟9-2對步驟9-1所得的二值化邊緣圖進行輸血形態(tài)學的腐蝕處理，即ErodedEdge＝EdgeΘB4，這里，Edge是步驟9-1中得到的二值化邊緣圖像，而B4是一個3行1列的結(jié)構(gòu)元素，ErodedEdge是經(jīng)過腐蝕運算后的結(jié)果圖像；步驟9-3把Edge圖像和ErodedEdge圖像進行逐像素比較，確定候選車牌區(qū)域二值圖的豎直紋理的豐富程度，并以此判別候選車牌區(qū)域是否滿足車牌紋理特征要求，具體的過程可表述如下設(shè)置兩個計數(shù)器ec和eec，并把它們初始化為0，掃描Edge和ErodedEdge圖像的每個像素(x，y)，若Edge(x，y)＝ErodedEdge(x，y)，且Edge(x，y)＝1，那么ec和eec計數(shù)器均增加1；若Edge(x，y)≠ErodedEdge(x，y)，且Edge(x，y)＝1，那么僅ec計數(shù)器增加1；完成掃描后，計算比值ratiott＝eec/ec，若ratiott＞ratiomintt，那么候選車牌區(qū)域通過紋理豐富程度檢查，成為最終定位出的車牌區(qū)域；否則候選車牌區(qū)域未通過紋理豐富程度檢查，被認為不包含車牌；這里，Edge(x，y)和ErodedEdge(x，y)分別是邊緣圖Edge和經(jīng)過腐蝕運算后的結(jié)果圖ErodedEdge在坐標為(x，y)位置的像素值，ratiomintt是一個根據(jù)實際應(yīng)用情況預(yù)設(shè)的紋理比值閾值。
2、 根據(jù)權(quán)利要求1所述的融合色彩、尺寸和紋理特征的車牌定位方法，其特征在于，步驟2中對飽和度分量圖與亮度分量圖進行二值化處理時，采用自適應(yīng)閾值r對飽和度分量圖 與亮度分量圖進行二值化，其中，自適應(yīng)閾值r的算法如下 步驟2-i.選擇自適應(yīng)閾值r的任意一個初始估計值；步驟2-2.采用自適應(yīng)閾值r對飽和度分量圖或亮度分量圖進行飽和度和亮度的像素值 分類，得到兩組像素G,由所有飽和度值或灰度值大于自適應(yīng)閾值r的像素組成，而q由所 有飽和度值或灰度值小于或等于自適應(yīng)閾值r的像素組成；步驟2-3.計算q像素組的飽和度值或灰度值的平均值/v并計算《像素組的飽和度值或灰度值的平均值//2;步驟2-4.計算新的自適應(yīng)閾值r: r = (//1+//2)/2;步驟2-5.重復(fù)步驟2-2到步驟2-4，直到逐次迭代所得的自適應(yīng)閾值r小于自適應(yīng)閾值r 的容差值r。為止；計算飽和度子圖和亮度子圖的閾值時，初始值r也可取為飽和度分量圖或亮度分量圖的 飽和度或亮度平均值，自適應(yīng)閾值r的容差值7;的取值范圍為[4， 6]。
3、 根據(jù)權(quán)利要求i所述的融合色彩、尺寸和紋理特征的車牌定位方法，其特征在于，步 驟7中對該車牌候選區(qū)域亮度圖進行二值化處理時，采用自適應(yīng)閾值r法進行二值化處理。
全文摘要
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及車牌識別技術(shù)中的復(fù)雜背景中的車牌定位方法。首先把RBG格式的車牌源圖像轉(zhuǎn)換到HSI格式，實現(xiàn)顏色信息與亮度信息的分離；接著把得到的飽和度分量圖和亮度分量圖進行二值化；然后，基于車牌色彩信息對源圖像的像素進行分類，依據(jù)分類結(jié)果獲得車牌定位模板二值圖，并采用數(shù)學形態(tài)學運算對車牌定位模板二值圖去除噪聲；隨后，用區(qū)域生長法提取車牌定位模板二值圖中的每個連通區(qū)域并進行車牌尺寸檢查，通過尺寸檢查的連通區(qū)域成為候選車牌區(qū)域；在采用Hough變換對傾斜車牌進行矯正之后，進一步利用車牌豎直紋理特征檢查每個候選車牌區(qū)域，去除偽候選區(qū)。采用本發(fā)明可以有效地提高系統(tǒng)的通用性和定位精度。
文檔編號G08G1/017GK101334836SQ20081004568
公開日2008年12月31日 申請日期2008年7月30日 優(yōu)先權(quán)日2008年7月30日
發(fā)明者嘉 李, 梅 解 申請人:電子科技大學