一种基于HSV的车牌阴影检测和去除方法技术

本发明专利技术公开了一种基于HSV的车牌阴影检测和去除方法。它是一种针对处理车牌阴影的阴影检测和去除方法，它首先通过处理车牌S、V通道确定车牌背景阴影区域，然后通过阴影边缘点集提取、筛选、连接和补充操作，得到完整阴影边缘，最后根据阴影区域和非阴影区域的平均灰度比，对H、S、V通道进行阴影去除，同时还利用基于筛选的中值滤波方法对阴影边缘区域进行修正，保证图像过度自然。

A method of license plate shadow detection and removal based on HSV

The invention discloses a license plate shadow detection and removal method based on HSV. It is a kind of treatment for license plate detection method and shadow shadow removal, it begins by processing license plate S and V channels of the plate background shadow zone, and then through the shadow edge points extraction, screening, connection and complement operation, get the complete edge of the shadow, according to the average gray shadow area and non shadow area ratio. For H, S, V channel shadow removal, but also the use of median filtering method based on the edge of the shadow area were modified to ensure image over the natural.

【技术实现步骤摘要】
一种基于HSV的车牌阴影检测和去除方法
本专利技术涉及智能交通
，具体涉及一种基于HSV的车牌阴影检测和去除方法。
技术介绍
车牌识别系统是智能交通系统的重要组成部分，车牌预处理是车牌识别系统的重要环节，预处理的质量高低直接影响最终识别结果。而当下，车牌存在阴影是拉低预处理质量最主要的因素，因此去除车牌阴影，提高车牌的可识别率是车牌识别系统亟待解决的问题。由于图像阴影严重影响目标检测、图像切割以及图像识别等算法的处理效果，因此阴影检测和去除是近几年较热门的一个研究点。阴影检测的方法大致可分为以下几种：基于分类的方法、基于边缘检测的方法和基于自学习特征的方法。基于分类的方法根据不同特征设计分类方法或分类器，以实现区域级或像素级的阴影分类，主要用到的特征包括亮度、纹理、颜色以及通道特性；基于边缘检测的方法利用阴影边缘区域的颜色、梯度、亮度变化特征进行阴影边缘检测，同时通过阴影区域判别方法确定阴影区域；基于自学习特征的方法通过引入深度学习算法自动学习阴影特征用于阴影检测，这种方法无需任何前提假设且鲁棒性较好。目前已有的阴影去除方法步骤大多类似，首先计算阴影区域和非阴影区域的亮度比，然后以重新点亮阴影区域的方法实现阴影去除，计算亮度比的方式可分为基于多通道的方法和基于亮度模型的方法。目前大多阴影检测和去除的算法主要研究复杂场景下的阴影问题，算法的鲁棒性较好，但复杂性过高，不适用于处理颜色和结构较为简单的车牌图像，因此本文通过分析车牌的结构和通道特性，提出了一种基于HSV的阴影检测和去除方法。
技术实现思路
针对现有技术中存在的上述问题，本专利技术的目的在于提供一种基于HSV的车牌阴影检测和去除方法。它可以处理蓝底白字和黄底黑字且由于车辆自遮挡造成的阴影车牌，在该类阴影车牌中，阴影区域和非阴影区域上下分布，且阴影下边界曲线较为平滑。所述的一种基于HSV的车牌阴影检测和去除方法，其特征在于包括如下步骤：步骤1：对获取的车牌阴影图像D进行图像预处理，得到二值化图像Db，其中，车牌图像的宽度为W，高度为H，单位为像素，图像预处理过程具体如下：步骤1.1：对图像D的S通道进行OTSU二值化和膨胀操作，得到二值化图D2；步骤1.2：对图像D的V通道进行中值滤波操作，得到灰度图D3；步骤1.3：根据公式(1)和(2)获得字符区域的灰度值集合E1和背景区域的灰度值集合E2，并利用OTSU计算E2的最佳阈值，设为thE2，然后根据公式(3)得到图像D3的二值化图像D4；E1＝{PD3(x,y)|PD2(x,y)＝255,0≤x＜W,0≤y＜H}(1)E2＝{PD3(x,y)|PD2(x,y)＝0,0≤x＜W,0≤y＜H}(2)其中，表示图像D2中坐标(x,y)处的像素的灰度值，表示图像D3中坐标(x,y)处的像素的灰度值，表示图像D4中坐标(x,y)处的像素的灰度值；步骤1.4：去除图像D4中轮廓面积小于A的小团块，得到用于阴影边缘检测的二值化图像Db，其中A表示预先设置的轮廓面积最小阈值；步骤2：对图像Db进行阴影边缘提取，确定车牌阴影边缘点坐标集B，具体为：步骤2.1：根据图像Db构建集合B1＝{(xi,yi)|i＝0,1,…,Nb1-1}，其中，Nb1表示集合B1中元素的个数，(xi,yi)表示像素的坐标且须满足式(4)；且其中，表示图像Db中坐标(xi,yi)处的像素的灰度值；步骤2.2：从坐标集B1中剃除那些满足255∈N8D2((xi,yi))的(xi,yi)，其中N8D2((xi,yi))表示图像D2中坐标(xi,yi)处的像素的8邻域的灰度值集合；步骤2.3：对B1中的元素进行聚类，得到满足式(5)～(7)的Nh个坐标子集的集合H＝{Hj|j＝0,1,…,Nh-1}，其中第j个子集为表示子集Hj中元素的个数；且当p≠q时Hp∩Hq＝φ(5)对于任意存在使对于任意不存在使且i≠j(7)其中，表示坐标的8邻域的坐标集合；步骤2.4：将集合H中的子集按子集第一个元素的横坐标从小到大进行排序，然后从H中找到元素个数最多的子集并将其标记为正确的，最后根据如下步骤从坐标集B1中剔除那些位置跳变的坐标点：步骤2.4.1：从H中找到被标记为正确的子集，设为Hk，若k>0且Hk-1未标记过，令Hc＝Hk-1，转步骤2.4.2；否则，若k<Nh-1且Hk+1为未标记过，令Hc＝Hk+1，转步骤2.4.2；直至H中不存在满足上述两个条件之一的Hk转步骤2.5；步骤2.4.2：找到Hc与Hk两个子集中横坐标距离最近的坐标，分别设为和若满足且则判定子集Hc中都为跳变坐标点，将包含在子集Hc中的元素从集合B1中剔除，同时从H集合中剔除Hc，转步骤2.4.1；否则将Hc标记为正确的，转步骤2.4.1；步骤2.5：顺序遍历坐标集B1中下标满足式(8)的相邻坐标点对每组这样的相邻三个坐标点用B样条二次曲线法进行连接，得到一条连接集合B1中所有坐标点的连续曲线，并将这条曲线经过的所有坐标重新保存为坐标集B2＝{(xi,yi)|i＝0,1,…,Nb2-1}，其中Nb2表示集合B2中元素的个数；步骤2.6：若B2中或则不再执行下面步骤，阴影检测失败；否则，根据式(9)和(10)依次确定0≤ai＜x0以及的残缺边缘坐标点(ai,bi)和(ak,bk)，并将这些坐标点依次加入到新的坐标集合B3中；步骤2.7：合并集合B2和B3得到边缘点坐标集B＝{(xi,yi)|i＝0,1,…,Nb-1}，其中Nb表示集合B中元素的个数，并将集合B按yi从小到大进行排序；步骤3：对车牌图像D进行分通道阴影去除，得到去除阴影后的车牌彩图DR，具体为：步骤3.1：记车牌图像D的V通道为图像Dv，对Dv的阴影区域进行灰度值调整，首先计算图像Dv中阴影区域和非阴影区域的平均灰度比值，然后根据平均灰度比值对阴影区域进行灰度值调整，并对阴影边缘进行灰度值修正，具体为：步骤3.1.1：得到Dv中所有坐标(x,y)满足式(11)的像素的灰度值集合M1＝{pi|i＝0,1,…,Nm1-1}，其中Nm1表示集合M1中元素的个数；将集合M1按照pi从小到大进行排序，并根据式(12)计算M1对应的平均灰度值pvb；存在(xi,yi)∈B，使x＝xi且且PD2(x,y)＝0(11)步骤3.1.2：对Dv中所有坐标(x,y)满足式(13)的像素进行聚类，得到满足式(14)～(15)的Nu个子集其中，表示像素在Dv中的坐标，表示像素的灰度值，表示集合Ui中元素的个数；将每个Ui中的元素按照从小到大进行排序，并根据式(15)得到各个集合Ui对应的平均灰度值存在(xi,yi)∈B,使x＝xi且y＜yi且PD2(x,y)＝0(13)存在(xz,yz),(xk,yk)∈B,使不存在(xz,yz),(xk,yk)∈B,使其中，γ表示预先设置的像素个数的最小阈值；步骤3.1.3：顺序遍历i＝0,1,…,Nu-1，若则找到某个并令其中，不等于-1且离距离最近，此处距离表示为|t-i|；步骤3.1.4：依次对Dv中坐标(x,y)满足式(17)的像素的灰度值根据式(18)进行调整；存在(xi,yi)∈B,使x＝xi且y＜yi(17)(xk,yk)∈B且xk＝x(18)步骤3.1.5：构建集合O＝{本文档来自技高网...

【技术保护点】
一种基于HSV的车牌阴影检测和去除方法，其特征在于包括如下步骤：步骤1：对获取的车牌阴影图像D进行图像预处理，得到二值化图像Db，其中，车牌图像的宽度为W，高度为H，单位为像素；步骤2：对图像Db进行阴影边缘提取，确定车牌阴影边缘点坐标集B，具体为：步骤2.1：根据图像Db构建集合B1＝{(xi,yi)|i＝0,1,…,Nb1‑1}，其中，Nb1表示集合B1中元素的个数，(xi,yi)表示像素的坐标且须满足式(4)；

【技术特征摘要】
1.一种基于HSV的车牌阴影检测和去除方法，其特征在于包括如下步骤：步骤1：对获取的车牌阴影图像D进行图像预处理，得到二值化图像Db，其中，车牌图像的宽度为W，高度为H，单位为像素；步骤2：对图像Db进行阴影边缘提取，确定车牌阴影边缘点坐标集B，具体为：步骤2.1：根据图像Db构建集合B1＝{(xi,yi)|i＝0,1,…,Nb1-1}，其中，Nb1表示集合B1中元素的个数，(xi,yi)表示像素的坐标且须满足式(4)；且其中，表示图像Db中坐标(xi,yi)处的像素的灰度值；步骤2.2：从坐标集B1中剃除那些满足255∈N8D2((xi,yi))的(xi,yi)，其中N8D2((xi,yi))表示图像D2中坐标(xi,yi)处的像素的8邻域的灰度值集合；步骤2.3：对B1中的元素进行聚类，得到满足式(5)～(7)的Nh个坐标子集的集合H＝{Hj|j＝0,1,…,Nh-1}，其中第j个子集为表示子集Hj中元素的个数；且当p≠q时Hp∩Hq＝φ(5)对于任意存在使对于任意不存在使且i≠j(7)其中，表示坐标的8邻域的坐标集合；步骤2.4：将集合H中的子集按子集第一个元素的横坐标从小到大进行排序，然后从H中找到元素个数最多的子集并将其标记为正确的，最后根据如下步骤从坐标集B1中剔除那些位置跳变的坐标点：步骤2.4.1：从H中找到被标记为正确的子集，设为Hk，若k>0且Hk-1未标记过，令Hc＝Hk-1，转步骤2.4.2；否则，若k<Nh-1且Hk+1为未标记过，令Hc＝Hk+1，转步骤2.4.2；直至H中不存在满足上述两个条件之一的Hk转步骤2.5；步骤2.4.2：找到Hc与Hk两个子集中横坐标距离最近的坐标，分别设为和若满足且则判定子集Hc中都为跳变坐标点，将包含在子集Hc中的元素从集合B1中剔除，同时从H集合中剔除Hc，转步骤2.4.1；否则将Hc标记为正确的，转步骤2.4.1；步骤2.5：顺序遍历坐标集B1中下标满足式(8)的相邻坐标点对每组这样的相邻三个坐标点用B样条二次曲线法进行连接，得到一条连接集合B1中所有坐标点的连续曲线，并将这条曲线经过的所有坐标重新保存为坐标集B2＝{(xi,yi)|i＝0,1,…,Nb2-1}，其中Nb2表示集合B2中元素的个数；1步骤2.6：若B2中或则不再执行下面步骤，阴影检测失败；否则，根据式(9)和(10)依次确定0≤ai＜x0以及的残缺边缘坐标点(ai,bi)和(ak,bk)，并将这些坐标点依次加入到新的坐标集合B3中；步骤2.7：合并集合B2和B3得到边缘点坐标集B＝{(xi,yi)|i＝0,1,…,Nb-1}，其中Nb表示集合B中元素的个数，并将集合B按yi从小到大进行排序；步骤3：对车牌图像D进行分通道阴影去除，得到去除阴影后的车牌彩图DR，具体为：步骤3.1：记车牌图像D的V通道为图像Dv，对Dv的阴影区域进行灰度值调整，首先计算图像Dv中阴影区域和非阴影区域的平均灰度比值，然后根据平均灰度比值对阴影区域进行灰度值调整，并对阴影边缘进行灰度值修正，具体为：步骤3.1.1：得到Dv中所有坐标(x,y)满足式(11)的像素的灰度值集合M1＝{pi|i＝0,1,…,Nm1-1}，其中Nm1表示集合M1中元素的个数；将集合M1按照pi从小到大进行排序，并根据式(12)计算M1对应的平均灰度值pvb；存在(xi,yi)∈B，使x＝xi且且PD2(x,y)＝0(11)步骤3.1.2：对Dv中所有坐标(x,y)满足式(13)的像素进行聚类，得到满足式(14)～(15)的Nu个子集其中，表示像素在Dv中的坐标，表示像素的灰度值，表示集合Ui中元素的个数；将每个Ui中的元素按照从小到大进行排序，并根据式(15)得到各个集合Ui对应的平均灰度值存在(xi,yi)∈B,使x＝xi且y＜yi且PD2(x,y)＝0(13)存在(xz,yz),(xk,yk)∈B,使不存在(xz,yz),(xk,yk)∈B,使其中，γ表示预先设置的像素个数的最小阈值；步骤3.1.3：顺序遍历若则找到某个并令其中，不等于-1且离距离最近，此处距离表示为|t-i|；步骤3.1.4：依次对Dv中坐标(x,y)满足式(17)的像素的灰度值根据式(18)进行调整；存在(xi,yi)∈B,使x＝xi且y＜...

【专利技术属性】
技术研发人员：高飞，徐云静，蔡益超，卢书芳，毛家发，肖刚，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33