一种应用于公路视频图像车牌定位的方法技术

本发明专利技术公开一种应用于公路视频图像的车牌定位的技术方法，包括以下步骤：步骤一、对于采集到的图像进行灰度预处理；步骤二、计算灰度图像的Sobel特征的纵向梯度；步骤三、对步骤二计算得到的Sobel图像进行二值化；步骤四、对二值化后的Sobel图像进行左右平移累加；步骤五、对步骤四中计算得到的图像进行二值化处理；步骤六、针对每一块疑似车牌区域计算其面积、宽高比、矩形度、区域最小外接矩形的中心在X方向上相对于原始图像中心的偏离量、区域最小外接矩形的中心在Y方向上相对于整张图像底部的偏离量、区域包含有效像素的饱和度；步骤七、对步骤六中计算出来的特征归一化之后进行加权获得。本发明专利技术能够在公路视频图像中有效的定位车辆车牌的区域。

【技术实现步骤摘要】
一种应用于公路视频图像车牌定位的方法
本专利技术属于人工智能和图像处理
，涉及一种应用于公路视频图像车牌定位的方法。
技术介绍
近年来，智能交通领域受到越来越多的国内外研究人员关注。算法方面：车辆检测、跟踪，车辆自动驾驶以车牌定位识别成为研究热点，对于在这些领域应用的算法，能够鲁棒的、准确的提取车牌号，可以大幅度减少人工工作的复杂度，在一定程度避免人工视觉疲劳带来的误判，并为后续的准确识别提供了保障。目前车牌的定位算法基本是在距离车辆固定位置并打光的情况下采用蓝色以及矩形来定位，这种方法容易受到拍摄角度和环境的影响。
技术实现思路
本专利技术公开一种应用于公路视频图像车牌定位的方法，在拍摄光线不好，场景图像模糊的情况下，提出一种准确鲁棒的算法，该算法能够在公路视频图像中有效的定位车辆车牌的区域。为达到上述目的，本专利技术实施的技术方案提供:一种应用于公路视频图像的车牌定位的技术方法，包括以下步骤：步骤一、对于采集到的图像进行灰度预处理；步骤二、计算灰度图像的Sobel特征的纵向梯度，Sobel特征的纵向梯度的计算由原灰度图像与卷积模板Gy进行卷积来实现，其中，步骤三、对步骤二计算得到的Sobel图像进行二值化；步骤四、对步骤三中二值化后的Sobel图像进行左右平移累加，得到描述图像Sobel纵向梯度特征密集程度的图像；步骤五、对步骤四中计算得到的图像进行二值化处理，小于阈值的记为0，反之记为255，将二值图像中的每一个连通域作为一个车牌疑似区域；步骤六、针对每一块疑似车牌区域计算其面积、宽高比、矩形度、区域最小外接矩形的中心在X方向上相对于原始图像中心的偏离量、区域最小外接矩形的中心在Y方向上相对于整张图像底部的偏离量、区域包含有效像素的饱和度；步骤七、对步骤六中计算出来的特征归一化之后进行加权，得分最高的区域被认为是车牌所在区域。在本专利技术的一个优选实施例中，步骤一中采集到的图像为RGB图像，将RGB图像转为灰度图。在本专利技术的一个优选实施例中，利用大津法对步骤五中的图像进行二值化处理。在本专利技术的一个优选实施例中，所述步骤六中疑似车牌区域的计算如下：步骤6.1、统计每一个连通域内的像素总数，即为每一块区域的面积，记为area；步骤6.2：计算每一个连通域的最小外接矩形，得到最小外接矩形的宽width,高height,计算宽高比,记为aspectRatioaspectRatio＝width/height步骤6.3：计算矩形度rectangularity:rectangularity＝area/(width*height)步骤6.4：计算每一个连通域内像素值的总和sum，并利用该值计算区域包含像素的饱和度saturability：saturability＝sum/(width*height*255)步骤6.5：计算每一个连通域的最小外接矩形的中心(centerX,centerY)相对于图像中心在X方向的偏移，记为：offsetX＝abs(centerX-cols/2)步骤6.6：计算每一个连通域的最小外接矩形的中心相对于图像底部在Y方向的偏移,记为：offsetY＝abs(centerY-rows)。在本专利技术的一个优选实施例中，所述步骤六中的图像左右偏移的距离设为整张图像宽度的1/5。在本专利技术的一个优选实施例中，针对步骤七的实现方式如下：人为设定面积权重0.1，X方向上相对图像中心的偏移的权重0.1，Y方向上相对于图像底部的偏移为0.3，矩形度的权重0.1，宽高比权重0.2，像素饱和度的权重为0.2，加权和Score越大越表明是车牌区域。与现有车牌定位的技术相比，本专利技术的技术方案具有如下优点：本专利技术的技术方案不局限拍摄的角度和光线环境，在给定的公路视频中可快速准确定位车牌的区域，方便车牌号识别。附图说明图1为本专利技术的工作原理框图。具体实施方式一种应用于公路视频图像的车牌定位的技术方法，包括以下步骤：步骤一、对于采集到的图像进行灰度预处理；步骤二、计算灰度图像的Sobel特征的纵向梯度，Sobel特征的纵向梯度的计算由原灰度图像与卷积模板Gy进行卷积来实现，其中，步骤三、对步骤二计算得到的Sobel图像进行二值化；步骤四、对步骤三中二值化后的Sobel图像进行左右平移累加，得到描述图像Sobel纵向梯度特征密集程度的图像；步骤五、对步骤四中计算得到的图像进行二值化处理，小于阈值的记为0，反之记为255，将二值图像中的每一个连通域作为一个车牌疑似区域；步骤六、针对每一块疑似车牌区域计算其面积、宽高比、矩形度、区域最小外接矩形的中心在X方向上相对于原始图像中心的偏离量、区域最小外接矩形的中心在Y方向上相对于整张图像底部的偏离量、区域包含有效像素的饱和度；步骤七、对步骤六中计算出来的特征归一化之后进行加权，得分最高的区域被认为是车牌所在区域。更进一步地，步骤一中采集到的图像为RGB图像，将RGB图像转为灰度图。更进一步地，利用大津法对步骤五中的图像进行二值化处理。具体地，所述步骤六中疑似车牌区域的计算如下：步骤6.1、统计每一个连通域内的像素总数，即为每一块区域的面积，记为area；步骤6.2：计算每一个连通域的最小外接矩形，得到最小外接矩形的宽width,高height,计算宽高比,记为aspectRatioaspectRatio＝width/height步骤6.3：计算矩形度rectangularity:rectangularity＝area/(width*height)步骤6.4：计算每一个连通域内像素值的总和sum，并利用该值计算区域包含像素的饱和度saturability：saturability＝sum/(width*height*255)步骤6.5：计算每一个连通域的最小外接矩形的中心(centerX,centerY)相对于图像中心在X方向的偏移，记为：offsetX＝abs(centerX-cols/2)步骤6.6：计算每一个连通域的最小外接矩形的中心相对于图像底部在Y方向的偏移,记为：offsetY＝abs(centerY-rows)。在本专利技术的一个优选实施例中，所述步骤六中的图像左右偏移的距离设为整张图像宽度的1/5。具体地，针对步骤七的实现方式如下：人为设定面积权重0.1，X方向上相对图像中心的偏移的权重0.1，Y方向上相对于图像底部的偏移为0.3，矩形度的权重0.1，宽高比权重0.2，像素饱和度的权重为0.2，加权和Score越大越表明是车牌区域。实施例1：如图1所示，本专利技术研究主要应用于公路视频图像中车牌区域有效的定位，本专利技术的实现步骤如下：步骤1：读本文档来自技高网...

【技术保护点】
1.一种应用于公路视频图像的车牌定位的技术方法，其特征在于，包括以下步骤：/n步骤一、对于采集到的图像进行灰度预处理；/n步骤二、计算灰度图像的Sobel特征的纵向梯度，Sobel特征的纵向梯度的计算由原灰度图像与卷积模板Gy进行卷积来实现，其中，

【技术特征摘要】
1.一种应用于公路视频图像的车牌定位的技术方法，其特征在于，包括以下步骤：
步骤一、对于采集到的图像进行灰度预处理；
步骤二、计算灰度图像的Sobel特征的纵向梯度，Sobel特征的纵向梯度的计算由原灰度图像与卷积模板Gy进行卷积来实现，其中，
步骤三、对步骤二计算得到的Sobel图像进行二值化；
步骤四、对步骤三中二值化后的Sobel图像进行左右平移累加，得到描述图像Sobel纵向梯度特征密集程度的图像；
步骤五、对步骤四中计算得到的图像进行二值化处理，小于阈值的记为0，反之记为255，将二值图像中的每一个连通域作为一个车牌疑似区域；
步骤六、针对每一块疑似车牌区域计算其面积、宽高比、矩形度、区域最小外接矩形的中心在X方向上相对于原始图像中心的偏离量、区域最小外接矩形的中心在Y方向上相对于整张图像底部的偏离量、区域包含有效像素的饱和度；
步骤七、对步骤六中计算出来的特征归一化之后进行加权，得分最高的区域被认为是车牌所在区域。


2.根据权利要求1所述的一种应用于公路视频图像的车牌定位的技术方法，其特征在于，步骤一中采集到的图像为RGB图像，将RGB图像转为灰度图。


3.根据权利要求1所述的一种应用于公路视频图像的车牌定位的技术方法，其特征在于，利用大津法对步骤五中的图像进行二值化处理。


4.根据权利要求1所述的一种应用于公路视频图像的车牌定位的技术方法，其特征在于，所述步骤六中疑似车牌区域的计算如下：
步骤6.1、统计每一个连通域内的像素总数，即为每一块区...

【专利技术属性】
技术研发人员：张荣荣，
申请(专利权)人：陕西土豆数据科技有限公司，
类型：发明
国别省市：陕西;61