本发明专利技术公开了一种基于容错率和纹理特征的车牌定位方法，属于图像处理技术领域，整体步骤如下：首先对图像进行预处理，利用受限自适应边缘直方图结合图像亮度均值得到边缘纹理图像；然后依据车牌的纹理特征并按车牌行特征提取算法对图像进行扫描，得到车牌行线段簇集；再对车牌行线段按设计的定位算法原理进行归并，在遍历扫描归并过程中通过融合容错率方法定位出车牌的所有可能区域；最后构造了纹理密度函数来精定位左右边缘、去除伪车牌。本发明专利技术通过在车牌定位算法中融合容错率，能有效提高在污染、磨损、对比度差等多种复杂情况下车牌的定位率；通过构建密度函数，在精定位车牌左右边界的同时还去掉了大部分伪车牌，降低了耗时和误捡率。
【技术实现步骤摘要】
本专利技术涉及一种定位方法，尤其涉及一种基于容错率和纹理特征的车牌定位方法，属于图像处理
技术介绍
车牌识别技术作为交通管理自动化的重要手段和车辆检测系统的一个重要环节，经过车牌定位、字符分割和字符识别等一系列算法运算，识别出车辆牌照号码，从而使车辆的电脑化监控和管理成为现实。其中，车牌定位是车牌自动识别技术中的一个关键问题，目前许多学者都在研究发展多种车牌定位方法。从根本上讲，目前车牌定位的算法主要分为三类，一类是基于边缘的定位方法，一类是基于颜色的定位方法，一类是基于机器学习的定位方法。基于边缘的定位方法，主要利用了车牌边缘纹理的致密性纹理特征和图像二值化算法。该方法在车牌对比度较好，且车牌高度大于某一数量像素行时，车牌定位准确度较高，其计算简单，能很好地满足实时性要求。但在车牌对比度低的复杂环境下，因边缘损失以及二值化算法鲁棒性不够等造成了车牌区域特征消失，造成该种情况下车牌的定位率不高，同时对倾斜车牌定位不全现象的概率较高。基于颜色的车牌定位方法，主要运用了颜色模型和纹理分析来进行车牌定位。该方法利用了HIS、YIQ或者HSV等颜色模型来定位车牌，但对处于对比度很低环境下的车牌、与车身颜色相近的车牌、污染、颜色严重损失的车牌定位率并不高。基于机器学习的定位方法，一般具有定位率高、抗噪声能力强的优点，但该方法需要数十万的训练样本来训练数据文件，其训练样本需尽可能的多样化，且运算量非常大。在I5的电脑上对1080P图片全图车牌检测耗时有时竟达到秒级，其实时性不好造成了实用性不强。以上定位方法的侧重点都不同，或利用图像二值化寻找车牌纹理，或利用车牌的底色，或通过机器学习，或多种方法相结合。但在车牌自身污染和磨损以及对比度很低的复杂环境下，以上各种定位算法均存在车牌区域的细节特征丢失，这对车牌定位带来了一定程度的困难。
技术实现思路
为了解决上述技术所存在的不足之处，本专利技术提供了一种基于容错率和纹理特征的车牌定位方法，其技术方案的具体步骤如下：A、图像预处理：对抓拍的图像进行图像预处理，得到图像亮度均值；B、求取边缘纹理图像：通过设计一种受限自适应直方图，得到垂直边缘纹理图，其特征为：（i）、利用公式Ⅰ得到垂直边缘图像，其中，e(I,j)为边缘图像矩阵；g(I,j)为灰度图像矩阵；公式Ⅰ（ii）、对垂直边缘图像做增强处理，然后结合图像的亮度，设置自适应阈值过滤边缘强度较小的边缘点；通过一个尺寸为1*n窗口选取边缘图像矩阵中每行的连续边缘点平均强度最大的窗口中心点作为边缘点；（iii）、利用受限边缘直方图得到其灰度图像；为了突出车牌字符的边缘，抑制或者减少非车牌边缘对车牌定位的影响，利用公式Ⅱ求得边缘直方图的均值，并判断图像是否为低对比度；其中：hist(i,j)为边缘灰度直方图、ave0为图像亮度均值；通过判断是否为低对比度图像分别利用公式Ⅲ求得对比度低的锐化阈值，利用公式IV得到正常对比度图像的锐化阈值；利用thre通过灰度边缘直方图锐化求得纹理图像；C、提取车牌行特征，得到车牌行簇集：根据实际图片中的最大车牌的尺寸设计字符间距的最大阈值和车牌行长度的最小最大阈值，得到车牌行簇集，其特征为：（i）、根据字符间距设置最大宽阈值、最小被检测车牌宽阈值、最大车牌宽阈值，三者分别表示为（ii）、遍历纹理图片，根据公式Ⅴ得到符合车牌特征得到车牌行线段；其中是图像矩阵中的行号；line(n)中n为第i行中的第n根车牌行线段；p(i,n,s,e)为line(n)中该线段的首尾点的位置及其距离；q(i,n,s,e)、q(i,n,s,e)分别为线段起始端、结束端位置；根据上述步骤中的阈值对每行的边缘点进行限定，当边缘点间距小于时，记录为该行的起始点；当间距大于maxCharW时，记录为该行的第一个结束点，并判断该线段大小是否大于最小检测的车牌宽minplateW，且小于最大检测的车牌宽maxplateW；如满足则记录为该行的第一个车牌行pLine(I,n)，并记录各边缘点的位置，否则不记录；重复本步骤直至图片遍历完；D、车牌定位：利用垂直边缘图像、相关阈值，以及容错率方案，对边缘图像进行车牌定位，其特征为：（i）、得到车牌区域：根据车牌行集中的原则，利用上述步骤中设置的阈值，按公式Ⅵ、公式Ⅶ对边缘图像中的车牌行进行归属判断：其中，为某一车牌区域所有线段的位置均值；先从图像的第一行进行扫描，如果检测到车牌行线段尺寸满足大于minplateW且小于maxplateW，则把该线段归入到车牌区域的第一个车牌行线段，记为rect(0)=(pLine(0,0),…；如果同一行中还有类似的车牌行线段，则新增一个区域，并把它作为第一个车牌行线段，记为rect(1)=(pLine(0,1),…，如此一直到行尾；紧接着扫描图像第行，如果检测到了车牌行，则求得该车牌行的两端与前面已得到的所有车牌区域中对应的所有车牌行的两端位置坐标均值的欧式距离值，得到距离集Dis(i)；从该欧式距离值集中取最小值，如果该最小距离中左右两端的距离均满足小于maxCharW预设条件，则该行并入到与最小距离值对应的那个区域中；否则把该车牌行作为一个新的区域的第一行，重复检测车牌行线段到行尾；（ii）、按上述步骤逐行扫描，一直到图像结束，形成多个车牌区域；为提高复杂环境下车牌的定位率，构造基于连续非零车牌行容错率，其最大容错率表示为maxTh1；总非车牌线段行的容错率th2，其最大容错率表示为maxTh2，并将它们融合在定位算法中；在步骤D（i）中，将新检测到的行标记与之前所有检测到的区域中的最后一行做比较；若其差值大于maxTh1，则该车牌行线段不参与欧式距离计算；若新检测到的行标记与距离值集中的最小欧式距离值所在区域内最后一行的行标记之差大于1而小于maxTh1，则把该车牌线段所在行标记与该区域最后一行的行标记之差累积到所属区域的连续非车牌行线段容错率th1上；当该差值大于maxTh1时，新建一个区域，把该车牌行线段的两端点计入到新的区域中，否则判断总非车牌线段行的容错率th2是否大于阈值maxTh2，小于则并入到最小欧式距离值所在的那个区域，同时该差值累积到总非车牌线段行的容错率th2上；（iii）、对车牌区域中的伪车牌进行初步排除：设置车牌行数最小阈值、宽高比置信度区间来初步排除伪车牌；宽高比置信度区间指的是车牌宽高比应基本满足交通部制定的长宽比比例，设置一个最大值、最小值作为车牌置信度区域，不在该置信度区间内的区域将被删除；E、车牌精定位：通过设计两种基于灰度边缘的自适应密度函数对定位出来的车牌进行去伪存真，并精定位车牌左右边缘，其特征为：（i）、获得灰度密度函数：首先在灰度图像中利用定位得到的车牌区域把车牌截取出来，利用公式Ⅷ对该边缘车牌图像e(i,j)进行积分，得到密度函数den(x)；其中，是一个1*n的窗口；取窗口内的数据样本的累加值作为离散点的密度幅值den(x)，其中n为车牌区域高h乘以一权值系数w(w＜1），此窗口大小的设置应使累加区间的长度尽量与车牌字符之间的水平像素个数长度一致；（ii）、对密度函数den(x)求一阶导数，得到函数der(x)；然后对该导数函数的离散值求其绝对值均值aveDer；用der(x)中的各个本文档来自技高网...
【技术保护点】
一种基于容错率和纹理特征的车牌定位方法，其特征在于：所述方法的具体步骤如下：A、图像预处理：对抓拍的图像进行图像预处理，得到图像亮度均值；B、求取边缘纹理图像：通过设计一种受限自适应直方图，得到垂直边缘纹理图，其特征为：（i）、利用公式Ⅰ得到垂直边缘图像，其中，为边缘图像矩阵；为灰度图像矩阵；公式Ⅰ（ii）、对垂直边缘图像做增强处理，然后结合图像的亮度，设置自适应阈值过滤边缘强度较小的边缘点；通过一个尺寸为窗口选取边缘图像矩阵中每行的连续边缘点平均强度最大的窗口中心点作为边缘点；（iii）、利用受限边缘直方图得到其灰度图像；为了突出车牌字符的边缘，抑制或者减少非车牌边缘对车牌定位的影响，利用公式Ⅱ求得边缘直方图的均值，并判断图像是否为低对比度；其中：为边缘灰度直方图、为图像亮度均值；通过判断是否为低对比度图像分别利用公式Ⅲ求得对比度低的锐化阈值，利用公式IV得到正常对比度图像的锐化阈值；利用thre通过灰度边缘直方图锐化求得纹理图像；公式Ⅱ公式Ⅲ公式ⅣC、提取车牌行特征，得到车牌行簇集：根据实际图片中的最大车牌的尺寸设计字符间距的最大阈值和车牌行长度的最小最大阈值，得到车牌行簇集，其特征为：（i）、根据字符间距设置最大宽阈值、最小被检测车牌宽阈值、最大车牌宽阈值，三者分别表示为；（ii）、遍历纹理图片，根据公式Ⅴ得到符合车牌特征得到车牌行线段；公式Ⅴ其中是图像矩阵中的行号；中n为第i行中的第n根车牌行线段；中该线段的首尾点的位置及其距离；分别为线段起始端、结束端位置；根据上述步骤中的阈值对每行的边缘点进行限定，当边缘点间距小于时，记录为该行的起始点；当间距大于时，记录为该行的第一个结束点，并判断该线段大小是否大于最小检测的车牌宽，且小于最大检测的车牌宽；如满足则记录为该行的第一个车牌行，并记录各边缘点的位置，否则不记录；重复本步骤直至图片遍历完；D、车牌定位：利用垂直边缘图像、相关阈值，以及容错率方案，对边缘图像进行车牌定位，其特征为：（i）、得到车牌区域：根据车牌行集中的原则，利用上述步骤中设置的阈值，按公式Ⅵ、公式Ⅶ对边缘图像中的车牌行进行归属判断：其中，为某一车牌区域所有线段的位置均值；先从图像的第一行进行扫描，如果检测到车牌行线段尺寸满足大于，则把该线段归入到车牌区域的第一个车牌行线段，记为；如果同一行中还有类似的车牌行线段，则新增一个区域，并把它作为第一个车牌行线段，记为，如此一直到行尾；紧接着扫描图像第行，如果检测到了车牌行，则求得该车牌行的两端与前面已得到的所有车牌区域中对应的所有车牌行的两端位置坐标均值的欧式距离值，得到距离集；从该欧式距离值集中取最小值，如果该最小距离中左右两端的距离均满足小于预设条件，则该行并入到与最小距离值对应的那个区域中；否则把该车牌行作为一个新的区域的第一行，重复检测车牌行线段到行尾；（ii）、按上述步骤逐行扫描，一直到图像结束，形成多个车牌区域；为提高复杂环境下车牌的定位率，构造基于连续非零车牌行容错率th1，其最大容错率表示为；总非车牌线段行的容错率th2，其最大容错率表示为，并将它们融合在定位算法中；在步骤D（i）中，将新检测到的行标记与之前所有检测到的区域中的最后一行做比较；若其差值大于maxTh1，则该车牌行线段不参与欧式距离计算；若新检测到的行标记与距离值集中的最小欧式距离值所在区域内最后一行的行标记之差大于1而小于maxTh1，则把该车牌线段所在行标记与该区域最后一行的行标记之差累积到所属区域的连续非车牌行线段容错率th1上；当该差值大于maxTh1时，新建一个区域，把该车牌行线段的两端点计入到新的区域中，否则判断总非车牌线段行的容错率th2是否大于阈值maxTh2，小于则并入到最小欧式距离值所在的那个区域，同时该差值累积到总非车牌线段行的容错率th2上；（iii）、对车牌区域中的伪车牌进行初步排除：设置车牌行数最小阈值、宽高比置信度区间来初步排除伪车牌；宽高比置信度区间指的是车牌宽高比应基本满足交通部制定的长宽比比例，设置一个最大值、最小值作为车牌置信度区域，不在该置信度区间内的区域将被删除；E、车牌精定位：通过设计两种基于灰度边缘的自适应密度函数对定位出来的车牌进行去伪存真，并精定位车牌左右边缘，其特征为：（i）、获得灰度密度函数：首先在灰度图像中利用定位得到的车牌区域把车牌截取出来，利用公式Ⅷ对该边缘车牌图像e(i,j)进行积分，得到密度函数den(x)；公式Ⅷ其中，是一个1* n的窗口；取窗口内的数据样本的累加值作为离散点的密度幅值 den(x)，其中n 为车牌区域高 h 乘以一权值系数w(w＜1），此窗口大小的设置应使累加区间的长度尽量与车牌字符之间的水平像素个数长度一致；（ii）、对密度函数 den(x) 求一阶导数，得到函数 der(x)；然后对该导数函数的...
【技术特征摘要】
1.一种基于容错率和纹理特征的车牌定位方法，其特征在于：所述方法的具体步骤如下：A、图像预处理：对抓拍的图像进行图像预处理，得到图像亮度均值；B、求取边缘纹理图像：通过设计一种受限自适应直方图，得到垂直边缘纹理图，其特征为：（i）、利用公式Ⅰ得到垂直边缘图像，其中，为边缘图像矩阵；为灰度图像矩阵；公式Ⅰ（ii）、对垂直边缘图像做增强处理，然后结合图像的亮度，设置自适应阈值过滤边缘强度较小的边缘点；通过一个尺寸为窗口选取边缘图像矩阵中每行的连续边缘点平均强度最大的窗口中心点作为边缘点；（iii）、利用受限边缘直方图得到其灰度图像；为了突出车牌字符的边缘，抑制或者减少非车牌边缘对车牌定位的影响，利用公式Ⅱ求得边缘直方图的均值，并判断图像是否为低对比度；其中：为边缘灰度直方图、为图像亮度均值；通过判断是否为低对比度图像分别利用公式Ⅲ求得对比度低的锐化阈值，利用公式IV得到正常对比度图像的锐化阈值；利用thre通过灰度边缘直方图锐化求得纹理图像；公式Ⅱ公式Ⅲ公式ⅣC、提取车牌行特征，得到车牌行簇集：根据实际图片中的最大车牌的尺寸设计字符间距的最大阈值和车牌行长度的最小最大阈值，得到车牌行簇集，其特征为：（i）、根据字符间距设置最大宽阈值、最小被检测车牌宽阈值、最大车牌宽阈值，三者分别表示为；（ii）、遍历纹理图片，根据公式Ⅴ得到符合车牌特征得到车牌行线段；公式Ⅴ其中是图像矩阵中的行号；中n为第i行中的第n根车牌行线段；中该线段的首尾点的位置及其距离；分别为线段起始端、结束端位置；根据上述步骤中的阈值对每行的边缘点进行限定，当边缘点间距小于时，记录为该行的起始点；当间距大于时，记录为该行的第一个结束点，并判断该线段大小是否大于最小检测的车牌宽，且小于最大检测的车牌宽；如满足则记录为该行的第一个车牌行，并记录各边缘点的位置，否则不记录；重复本步骤直至图片遍历完；D、车牌定位：利用垂直边缘图像、相关阈值，以及容错率方案，对边缘图像进行车牌定位，其特征为：（i）、得到车牌区域：根据车牌行集中的原则，利用上述步骤中设置的阈值，按公式Ⅵ、公式Ⅶ对边缘图像中的车牌行进行归属判断：其中，为某一车牌区域所有线段的位置均值；先从图像的第一行进行扫描，如果检测到车牌行线段尺寸满足大于，则把该线段归入到车牌区域的第一个车牌行线段，记为；如果同一行中还有类似的车牌行线段，则新增一个区域，并把它作为第一个车牌行线段，记为，如此一直到行尾；紧接着扫描图像第行，如果检测到了车牌行，则求得该车牌行的两端与前面已得到的所有车牌区域中对应的所有车牌行的两端位置坐标均值的欧式距离值，得到距离集；从该欧式距离值集中取最小值，如果该最小距离中左右两端的距离均满足小于预设条件，则该行并入到与最小距离值对应的那个区域中；否则把该车牌行作为一个新的区域的第一行，重复检测车牌行线段到行尾；（ii）、按上述步骤逐行扫描，一直到图像结束，形成多个车牌区域；为提高复杂环境下车牌的定位率，构造基于连续非零车牌行容错率th1，其最大容错率表示为；总非车牌线段行的容错率th2，其最大容错率表示为，并将它们融合在定位算法中；在步骤D（i）中，将新检测到的行标记与之前所有检测到...
【专利技术属性】
技术研发人员：刘黎明，魏为，
申请(专利权)人：中防通用河北电信技术有限公司，
类型：发明
国别省市：河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。