基于差分和颜色对特征点的车牌定位方法技术

针对复杂背景的车牌定位问题，提出了一种基于差分和颜色对特征点的车牌定位方法。首先进行差分求得图像的垂直梯度，将垂直梯度大于一定阈值的点提取出来作为纹理特征点。然后在色调饱和度亮度空间（ＨＳＶ空间）对图像所有的点进行颜色判断，检测每一个纹理特征点两侧像素的颜色是否分别匹配车牌的底色与字符颜色，若是，则保留为候选颜色对特征点。接下来，用一个矩形窗在图像中滑动，统计窗中包含的颜色对特征点数目，最后找到点数最多的区域作为车牌区域，并进一步精确确定车牌边界。该方法考虑了车牌背景与字符具有固定颜色搭配的重要特点，综合利用了车牌的纹理特征和颜色特征，提高了车牌定位的可靠性。

【技术实现步骤摘要】

技术介绍
车牌识别系统是智能交通系统的重要组成部分。而车牌定位的准确度对车牌识别的结果又有很重要的影响，因而在智能交通系统中具有重要地位。
技术实现思路
本文构造了一种新的车牌定位方法，在算法的第一步，通过求垂直梯度确定纹理 特征点；然后对纹理特征点进行彩色分析，提取既符合纹理特征又符合车牌颜色特征的点 作为颜色边缘点；接下来考虑车牌背景与字符的固定颜色搭配，在颜色边缘点中寻找颜色 对特征点；最后通过搜索颜色对特征点集中的区域米定位车牌并判断车牌颜色。该算法充 分利用了车牌本身的纹理、边缘和颜色配对等信息，能适应复杂的道路背景，对车牌的大小 也有一定的自适应能力。具体实施例方式输入RGB的彩色车牌图像，先进行灰度化并开辟一块新空间保存灰度图像。对整 个灰度图像进行差分以求得图像的垂直梯度。在这里，我们选择垂直梯度而不是水平梯度 的原因是因为车牌区域的纹理变化主要集中在垂直方向上。计算整幅图像的垂直梯度的均 值，凡是梯度低于两倍均值的点皆置为0，梯度大于两倍均值的点作为纹理特征点，并全部 赋值为255保留下来。求取垂直梯度的差分计算公式如下m = |f(i, j)-f(i, j-1)η = f(i, j)-f(i, j+1)g(i, j) = m+n其中，f表示(i，j)点的灰度值，g表示(i，j)点的垂直梯度。得到纹理特征点后，我们可以发现，车牌区域外还存在很多干扰点。而我国车牌颜 色的重要特点是车牌背景与字符具有固定的颜色搭配，即白底黑字(白牌)、蓝底白字(蓝 牌)、黑底白字(黑牌)和黄底黑字(黄牌)。下面根据这一特点尽量排除干扰以精确保留 车牌特征。一般彩色图像常采用RGB模型，需要将这个模型转化到另外一个空间中去HSV模 型。H表示色调，S表示饱和度，V表示亮度。HSV颜色模型各分量h，s，ν与RGB颜色模型 各分量r，g，b的关系如下设 y = max {r, g，b}，χ = min (r, g, b}则v= y/255s = 0，当 y = 0 时s = (y_x)/y，，当 y 乒 时 根据HSV空间各个分量判断像素的颜色时，应考虑将判决条件放松，以适应不同 的光照、天气情况，综合以后，得到彩色判断条件如下如果s < 0. 1且ν > 0. 5则该点为白色如果s < 0. 1且ν < 0. 5则该点为黑色如果220 < h < 250且s > 0. 1则该点为蓝色如果20 < h < 60且s > 0. 1则该点为黄色不符合以上条件的点视为无效点。如果一个纹理特征点同时满足蓝色条件，则作为蓝色边缘点，同理，还可以分别标 记出黄色边缘点、白色边缘点和黑色边缘点。开辟四块新空间，用以分别保存蓝色边缘点、 黄色边缘点、白色边缘点和黑色边缘点。如前所述，我国车牌背景与字符具有四种固定的颜色搭配。以蓝底白字的车牌为 例，遍历图像每一点，按如下规则确定颜色对特征点如果某点为蓝色边缘点，则检查该点右侧的点，一旦右侧的点为白色边缘点，则将 该点标记为蓝白特征点；如果某点为白色边缘点，则检查该点右侧的点，一旦右侧的点为蓝色边缘点，则将 该点也标记为蓝白特征点；同理，我们还可以标记出黄黑特征点和白黑特征点。得到的三种颜色对特征点也 是分别保存在三个不同空间中。通过之前的步骤分别保留下来了三种颜色对特征点，车牌区域由于字符密集，必 然存在大量颜色对特征点，这些特征点集中在一个接近矩形的区域内。于是考虑用一个矩形窗分别在蓝白、黄黑和白黑三个颜色对特征点图像中滑动， 并检查矩形窗中的颜色对特征点数目以提取车牌候选区域。矩形窗大小为32X 128。选取 矩形窗在图像中χ方向滑动的步长是8个像素，y方向的步长是4个像素。每滑动一步，都 把窗的起点位置和窗区域内包含的特征点数目保存下来。找到包含蓝白特征点数目最多的 窗，设为窗a记下窗的起始位置和其所包含特征点的数目。同样的，分别找到到包含黄黑特 征点数目最多的窗b和包含白黑特征点数目最多的窗C。比较a、b和c各自包含的特征点 数目，找到特征点数目最多的一个，即将其确认为车牌区域。例如本文附图说明图1是蓝底白字车 牌，最终得到的三个窗中，窗a包含的蓝白特征点数多于窗b的黄黑特征点数，也多于窗c 的白黑特征点数，于是窗a被提取作为车牌区域。确定了车牌所在窗区域后，只是确定了提取出来的窗包围的区域属于车牌区域， 但并不确定该窗一定就覆盖了整个车牌，很有可能该窗只是车牌的一部分。为准确划定车牌区域的边界，以蓝底白字车牌为例，采用如下步骤首先搜索左边界，从窗的左边界left开始，每行向左移4个像素，即将整个窗向 左扩展32X4的区域；如果这个区域内的蓝白特征点数大于5，则将这个区域也归入车牌区 域，即车牌的左边界变为left-4。每行继续向左移4个像素，直到扩展区域内的颜色对点数 不大于5，则停止扩展，此时的边界就是车牌的左边界。 右边界的搜索从窗的右边界right开始，每行向右移4个像素，采用与左边界搜索 相同的方法确定车牌右边界。接下来搜索上边界，从窗的上边界top开始，每列向上移2个像素；如果这个区域 内的蓝白特征点数大于5，则将这个区域也归入车牌区域。每行继续向上移2个像素，直到 扩展区域内的颜色对点数不大于5，则停止扩展，此时的边界就是车牌的上边界。下边界的搜索从窗的下边界bottom开始，每列向下移2个像素，采用与上边界搜 索相同的方法确定车牌下边界。最后，车牌的上下左右四个边界全部确定后，从原输入图像1中准确提取出车牌， 可供倾斜校正和字符分割等后续步骤使用该方法考虑了车牌背景与字符具有固定颜色搭配的重要特点，综合利用了车牌的 纹理特征和颜色特征，对车牌的大小、汽车在图像中位置以及图像背景的限制较少，具有很 好的定位效果。权利要求将输入的彩色图像转化为灰度图，对灰度图进行差分求得图像的垂直梯度，计算整幅图像的垂直梯度的均值，将垂直梯度大于两倍均值的点提取出来作为纹理特征点。2.针对原彩色图像，在色调饱和度亮度空间(HSV空间)对图像所有的点进行颜色判 断，判断依据为如果s < 0. 1且v > 0. 5则该点为白色如果s < 0. 1且v < 0. 5则该点为黑色如果220 < h < 250且s > 0. 1则该点为蓝色如果20 < h < 60且s > 0. 1则该点为黄色不符合以上条件的点视为无效点。3.如果一个纹理特征点同时满足蓝色条件，则作为蓝色边缘点，同理，还可以分别标记 出黄色边缘点、白色边缘点和黑色边缘点。4.遍历图像每一点，按如下规则确定颜色对特征点如果某点为蓝色边缘点，则检查 该点右侧的点，一旦右侧的点为白色边缘点，则将该点标记为蓝白特征点；如果某点为白 色边缘点，则检查该点右侧的点，一旦右侧的点为蓝色边缘点，则将该点也标记为蓝白特征 点；同理，我们还可以标记出黄黑特征点和白黑特征点。蓝白特征点，黄黑特征点和白黑特 征点就是车牌定位方法中需要提取的三种颜色对特征点。5.用一个矩形窗分别在蓝白、黄黑和白黑三个颜色对特征点图像中滑动，用一个矩形 窗在图像中滑动，统计窗中包含的颜色对特征点数目，最后找到点数最多的区域作为车牌 本文档来自技高网...

【技术保护点】
将输入的彩色图像转化为灰度图，对灰度图进行差分求得图像的垂直梯度，计算整幅图像的垂直梯度的均值，将垂直梯度大于两倍均值的点提取出来作为纹理特征点。

【技术特征摘要】

【专利技术属性】
技术研发人员：付丽娜，韩道宁，牟磊，
申请(专利权)人：付丽娜，韩道宁，牟磊，
类型：发明
国别省市：31[中国|上海]