本发明专利技术公开了一种车牌定位方法，包括(1)对原始车辆图像I(x，y)进行预处理，得到增强后的车辆图像I1(x，y)；(2)修正车辆图像I1(x，y)中各点的颜色值，得到修正后的车辆图像I2(x，y)；(3)扫描修正后的车辆图像I2(x，y)，提取出蓝色和黄色集中的区域作为车牌候选区域；(4)校验车牌区域，即判断当前区域大小，如果区域在设定的范围之内，则认为是车牌区域，完成车牌定位。本发明专利技术提出的车牌定位方法，不仅能够对一般条件下获取的车辆图像准确定位车牌，而且能够光线弱、雨、雪、烟雾等复杂条件下拍摄的车辆图像进行车牌定位，在车牌识别中具有重要的实用价值。
【技术实现步骤摘要】
本专利技术属于计算机图像识别领域，具体涉及。
技术介绍
车牌识别(licenseplate recognition,LPR)技术是智能交通系统(intelligent transport system, ITS)管理的重要手段，其任务是通过采集、分析、处理图像来自动定位和识别车辆车牌。UR系统可广泛用于治安卡口、停车场管理、道路违章管理、公路稽查、监测黑牌车辆等重要场合。车牌识别系统中的车牌定位是车牌分割、字符识别的基础，也是提高车牌识别率的关键步骤。许多学者都在进行车牌定位方面的探索和研究。目前，车牌定位的方法主要分为基于灰度图像的和基于彩色图像的两大类。基于灰度图像的车牌定位方法，先是将设备采集到的彩色图像转换成灰度图像， 丢弃图像的颜色信息，再综合考虑车牌区域的灰度、纹理、边缘等信息，实现车牌的定位的。 这种定位方法简单、快速，特别是针对图像清晰，背景不复杂的车牌图像，准确率较高，但针对于背景复杂、对比度弱的车牌图像，这种定位方法定位车牌就比较困难。鉴于此，学者们将研究重点转到不丢弃图像颜色信息的基于彩色图像的车牌定位方法上来。这种方法是直接使用设备采集到的彩色图像，实现车牌定位的，充分利用了采集到的图像信息，提高了车牌定位的准确率，但是，由于图像采集设备的不同和受外界因素影响，使得采集到的图像质量难以精确度量和预测，而基于彩色图像的车牌定位方法受图像质量影响较大，特别是针对图像对比度不强、偏暗的情况，很难准确定位车牌。根据Retinex理论，物体的颜色是由物体对长波、中波和短波的反射能力共同决定的，而物体在某个波段内的反射能力是物体本身固有的属性，与光源没有依赖关系。
技术实现思路
针对以上问题，本专利技术提供了一种基于彩色图像的车牌定位方法，通过考虑光线强弱对车辆图像的影响和彩色图像车牌定位方法的需求，调整车辆图像中照射分量和反射分量比例，实现对车牌的识别定位。实现本专利技术的目的所采用的具体计算方案如下步骤一、对原始车辆图像I (X，y)进行预处理，得到增强后的图像Il (X，y)；步骤二、修正图像Il(x，y)中各点的颜色值，得到修正后车辆图像I2(x，y)；步骤三、扫描图像I2(x，y)，提取出蓝色、黄色集中的区域作为车辆候选区域。步骤四、校验车辆区域。判断当前区域大小，如果区域在设定的范围之内，则认为是车牌区域，否则舍去。本专利技术综合考虑了光线强弱车辆图像的影响和彩色图像车辆定位方法的需求，调整了车辆图像中照射分量和反射分量比例，提高了图像全局对比度和局部对比度，增强车辆图像阴暗部分细节，克服了传统基于彩色图像车牌定位方法不能准确定位光照差、对比度不强图像的问题，扩大了基于彩色图像定位车牌的使用范围，提升了车牌定位的准确性。附图说明图1为本专利技术整体流程图；图2为图像预处理流程图；图3为实例用车辆图像；图4为调整照射分量和反射分量后的车辆图像；图5为修正颜色后的车辆图像；图6为本专利技术方法定位的车牌。具体实施例方式下面结合附图和具体实施方式对本专利技术作进一步详细描述。步骤一、图像预处理，流程如图2所示，处理结果如图4所示。(1)将车辆图像(如图3所示)函数表示成如下形式I(x, y) = R(x, y)L(x, y)其中(χ，y)为图像中点的位置，I表示原始车辆图像，R表示反射光分量，表示照射光分量，照射光分量L描述周围环境的亮度，与景物无关；而反射光分量是R指景物反射能力，与照明无关，它包含了景物的细节信息。(2)对函数两边取对数，进而将照射光分量和反射光分量表示成和的形式LogI = Log (R. L) = LogR+LogL(3)用η个不同尺度的高斯模板对原图像I做卷积，每次卷积相当于对原图像做一次低通滤波，可得到η幅低通滤波后的图像Dp D2, DfDn，F(x，y) 表示尺度为σ i高斯滤波函数，ie (本实施例中优选η = 3，σ ^ ο 2、ο 3优选分别为10、50、M0)1(χ2 + ν2) οF(x,y)a_ =^^exp(-V \ J) (r2 =x2+y2)A^G12σιD1 (x,y) = I (x,y) *F(x,y)a_(4)在对数域中，用原图像与每幅低通滤波后的图像相减，便可得到η幅高频增强的图像Ri (x, y) = LogI (χ, y) -LogDi (χ, y)(5)对(4)中得到的η幅高频增强图像加权求和ηηIl(x,y) = Σ ωιΚι (χ^)Σωι =11=1 1=1COi为第i幅高频增强图像的权重，Il (x, y)即为增强后的车辆图像(本例中Q1 =ω2 = ω 3 = 1/3)。步骤二、修正图像Il(x，y)中各点的颜色值得到12 (x，y)，修正后的结果如图5所7J\ ο(1)将图像从RGB空间转化到HSV空间中，HSV颜色模型中各分量h、s、v和RGB颜色模型中r、g、b分量的对应关系如式(1)-(3)所示。亮度分量ν为ν = kmax/255(1)饱和度分量s为权利要求1.，具体包括如下步骤(1)对原始车辆图像I(X，y)进行预处理，得到增强后的车辆图像Il (X，y)；(2)修正车辆图像Il(x，y)中各点的颜色值，得到修正后的车辆图像I2(x，y)；(3)扫描修正后的车辆图像I2(x，y)，提取出蓝色和黄色集中的区域作为车牌候选区域；(4)校验车牌区域，即判断当前区域大小，如果区域在设定的范围之内，则认为是车牌区域，完成车牌定位。2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，进行预处理的具体过程为(1)将车牌图像函数I(χ，y)表示成如下形式 I(x, y) = R(χ, y)L(x, y)其中(x，y)为图像中点的位置坐标，I (x，y)表示原始车辆图像，R(x，y)表示反射光分量，L(x，y)表示照射光分量。(2)对车牌图像函数I(x，y)的表达式两边取对数，进而将照射光分量和反射光分量表示成和的形式LogI = Log(R. L) = LogR+LogL(3)用η个不同尺度的高斯模板分别对原图像I(x，y)做卷积，得到相应的η幅低通滤波后的图像Di(X，y)，其中，i e ，η为正整数:F(x,y)Ci =^=^exp(-(x' + 2y2)) (r2 = x2+y2)D1(X5Y) = I(X5y)^F(X5y)ai式中，F(x,y) σι表示尺度为σ i的高斯滤波函数；(4)在对数域中，用原图像I(x，y)与每幅低通滤波后的图像Di(x，y)相减，便可得到η 幅高频增强的图像Ri (X，y) = LogI (x, y) -LogDi (χ, y)(5)对⑷中得到的η幅高频增强图像加权求和，即得到增强后的车辆图像Il(x，y)Il(X5y) = XwiR1(X5y)i=lη其中，COi为第i幅高频增强图像的权重，ΣΑ=1。3.根据权利要求1或2所述的方法，其特征在于，所述步骤中，对车辆图像Ι1(χ， y)中各点的颜色值进行修正的具体过程为(1)将图像从RGB空间转化到HSV空间中；(2)选取黑、白、蓝、黄4种颜色作为基准颜色，计算Il(x，y)中每个像素颜色值与4种基准颜色的距离，与该像素距离最小的基准颜色即为该点新的颜色值；所述像素点颜色值更新完成后即得到修正后的车辆图像12 (X，y)。4.根据权本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：喻莉，张彦，钟刚，周鹏，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
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。