CN103123684A - 车牌定位方法 - Google Patents

Abstract

本发明公开了一种车牌定位方法，其包括：用Sobel垂直算子提取输入图像的垂直边缘得到垂直边缘图像；利用一维列卷积核对所述垂直边缘图像进行卷积处理得到卷积图像；设定一个长n个像素的行窗口，该行窗口在卷积图像的一行像素上逐个像素的滑动，该行窗口的中心像素的差分值为所述行窗口内的n个像素的卷积值的和，在行窗口遍历所述卷积图像后，得到了每个像素的差分值，从而得到差分图像，n为大于1的整数；在差分图像的基础上进行车牌定位。这样，在本发明中用一维列卷积核进行卷积，之后再对行进行累积，这样取代了原来的混合高斯模型的二维卷积，省略掉了原有大量的乘法操作，节省了计算量。

Description

车牌定位方法

【技术领域】

本发明涉及图像处理领域，尤其涉及车牌定位方法。

【背景技术】

车牌识别是智能交通系统，车辆管理系统的重要组成部分之一。车牌定位是车牌识别系统的基础。现实应用中，车辆的背景一般都较为复杂。全天候环境下正常使用，光照条件也更为复杂。在复杂背景和复杂光照下的车牌精确定位一直是车牌识别系统的瓶颈。

近年来，已经提出了很多种种车牌定位的方法。在车牌区域存在着密集的垂直边缘，一般认为这是车牌区域最显著的特征。基于车牌的边缘密度特征的定位方法得到了广泛的发展，在简单背景下的定位得到了良好的结果。但是仅仅使用边缘信息，在复杂背景下的结果并不理想，需要结合车牌的其他特征来提高定位的准确率。

车牌的彩色信息是比较明显的特征。通过模拟人的视觉辨别过程来区分车牌和背景是比较合理的手段。结合车牌的RGB(Red，Green，Blue)和HIS(Hue，Saturation，Intensity)颜色空间的彩色信息，例如彩色边缘，颜色差异等特征可以实现车牌定位。然而，为了适应车牌和不同背景的颜色差异以及不同光照条件下的差异，建立一个鲁棒性很高的颜色模型比较困难，定位的精确度不高，是目前基于颜色定位的主要攻克方向。

利用数学形态学进行车牌定位是一种已经相对成熟的算法。首先提取车牌的垂直边缘，然后通过数学形态学的膨胀，腐蚀以及相对应的开闭操作，来形成一些连通区域。在这些连通区域中通过跳变数，车牌长宽比来确定车牌的备选区域。数学形态学确定的车牌备选区域一般较多，尤其在负责背景下无法精确定位。在筛选备选区域还需要参考其他的信息才能定位。数学形态学的操作时间负责度也很高。

将霍夫(Hough)变换用于车牌定位是一种新的尝试。这种方法分析车牌具有明显的矩形边框，利用Hough变换检测区域边界实现定位。它要求车牌的边缘必须清晰完整，不能有污垢或者损坏。另外，这种方法的时间计算复杂度也较高。

神经网络的方法在车牌定位等图像处理领域得到了广泛的应用。例如脉冲耦合神经网络(Pulse Coupled Neural Network，简称PCNN)，时间延迟神经网络(Time Delay Neural Network，简称TDNN)和离散时间细胞神经网络(Discrete Time Cellular Neural Networks，DTCNN)等神经网络。对图片的各像素，用事先定义好的分类器来进行分类，在和训练样本库进行比对，从而得到车牌的备选区域。通过不断增加边缘特征，纹理特征等来训练神经网络，来提高识别的准确率。

遗传算法也被应用于车牌定位中。先用最大类间方差法(OTSU)对车牌图像进行二值化，然后利用遗传算法对全图进行车牌特征匹配搜索，结合区域特征向量构造的适应度函数，最终找到车牌区域的最佳定位参量。这种算法的鲁棒性较高，但是基于遗传算法的搜索计算的时间复杂度相对较高，无法满足实时的要求。

现有技术存在的缺点：纵观以上这些车牌定位的算法，颜色定位精度不够；数学形态学备选区域多，时间复杂度较高；Hough变换对车牌质量的要求很高；神经网络和遗传算法虽然定位精度较高，鲁棒性也很强，但是计算很复杂，时间复杂度很高，无法满足实际应用对实时性的要求。

因此，有必要开发出一种可以改进的车牌定位方法来克服上述问题。

【发明内容】

本发明要解决的技术问题之一在于提供一种车牌定位方法，其可以减少计算量，并且能准确定位到车牌区域。

为了解决上述问题，根据本发明的一个方面，本发明提供了一种车牌定位方法，其包括：用Sobel垂直算子提取输入图像的垂直边缘得到垂直边缘图像；利用一维列卷积核对所述垂直边缘图像进行卷积处理得到卷积图像；设定一个长n个像素的行窗口，该行窗口在卷积图像的一行像素上逐个像素的滑动，该行窗口的中心像素的差分值为所述行窗口内的n个像素的卷积值的和，在行窗口遍历所述卷积图像后，得到了每个像素的差分值，从而得到差分图像，n为大于1的整数；和在差分图像的基础上进行车牌定位。

进一步的，所述一维列卷积核为：

$h\left(y\right)=\left\{\begin{array}{cc}-1,& y\∈[0,\frac{m}{3})\∪(\frac{2m}{3},m]\\ 2,& y\∈[\frac{m}{3},\frac{2m}{3}]\end{array}\right.,$ 其中m为该一维列卷积核中元素的个数，m为大于1的整数。

进一步的，设定一个高m个像素的列窗口，该列窗口在垂直边缘图像的一列像素上逐个像素的滑动，该列窗口的中心像素的卷积值为所述列窗口内的m个像素的像素值分别与所述一维列卷积核中的m个元素相乘后累积在一起的值，在列窗口遍历所述垂直边缘图像后，得到了每个像素的卷积值，从而得到卷积图像。

进一步的，每滑动一次行窗口，该行窗口的新中心像素的差分值通过加上右边新进行窗口的像素的卷积值再减去行窗口刚移出行窗口的像素的卷积值得到。

与现有技术相比，在本发明中用一维的列卷积核进行卷积，之后再对行进行累积，这样取代了原来的二维卷积，省略掉了原有大量的乘法操作，节省了计算量。

关于本发明的其他目的，特征以及优点，下面将结合附图在具体实施方式中详细描述。

【附图说明】

结合参考附图及接下来的详细描述，本发明将更容易理解，其中同样的附图标记对应同样的结构部件，其中：

图1为本发明中的车牌定位方法在一个实施例中的示意图。

【具体实施方式】

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明的详细描述主要通过程序、步骤、逻辑块、过程或其他象征性的描述来呈现，其直接或间接地模拟本发明中的技术方案的运作。所属领域内的技术人员使用此处的这些描述和陈述向所属领域内的其他技术人员有效的介绍他们的工作本质。

此处所称的“一个实施例”或“实施例”是指与所述实施例相关的特定特征、结构或特性至少可包含于本发明至少一个实现方式中。在本说明书中不同地方出现的“在一个实施例中”并非必须都指同一个实施例，也不必须是与其他实施例互相排斥的单独或选择实施例。此外，表示一个或多个实施例的方法、流程图或功能框图中的模块顺序并非固定的指代任何特定顺序，也不构成对本发明的限制。

步骤110，用索贝尔(Sobel)垂直算子提取输入图像的垂直边缘得到垂直边缘图像。

选取较小的阈值来最大限度保存车牌的特性，因为Sobel算法的鲁棒性很好，可以忽略噪声的干扰。

步骤120，利用一维列卷积核对所述垂直边缘图像进行卷积处理得到卷积图像。

所述一维列卷积核为：

$h\left(y\right)=\left\{\begin{array}{cc}-1,& y\∈[0,\frac{m}{3})\∪(\frac{2m}{3},m]\\ 2,& y\∈[\frac{m}{3},\frac{2m}{3}]\end{array}\right.,$ 其中m为该一维列卷积核中元素的个数，m为大于1的整数。

在一个实施例中，设定一个高m个像素的列窗口，该列窗口在垂直边缘图像的一列像素上逐个像素的滑动，该列窗口的中心像素的卷积值为所述列窗口内的m个像素的像素值分别与所述一维列卷积核中的m个元素相乘后累积在一起的值。在列窗口遍历所述垂直边缘图像后，得到了每个像素的卷积值，从而得到卷积图像。由于一维卷积核中的元素为-1或2，因此像素的像素值与对应的元素之间的乘法可以用加法代替，比如像素值与2的相乘可以用该像素值在加一次该像素值来代替，比如像素值与-1的相乘只需要改变一下符号。

步骤130，设定一个长n个像素的行窗口，该行窗口在卷积图像的一行像素上逐个像素的滑动，该行窗口的中心像素的差分值为所述行窗口内的n个像素的卷积值的和。在行窗口遍历所述卷积图像后，得到了每个像素的差分值，从而得到差分图像。n为大于1的整数。

可以按照如下公式进行计算得到所述差分图像：

$I_{n/2}^{\′}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_i$

$I_i^{\′}=I_{i-1}^{\′}+(I_{i+\frac{n}{2}+1}-I_{i-\frac{n}{2}-1}),$ $i=\frac{n}{2},...,w-\frac{n}{2}$

其中I′_i为差分图像的一行像素I′的第i个像素的像素值，X_i为卷积图像的一行像素X的第i个像素，w为图像的宽度。

每次滑动一次行窗口，该行窗口的新中心像素的差分值可以通过加上右边新进行窗口的像素的卷积值再减去行窗口刚移出行窗口的像素的卷积值得到，这样可以明显的减少计算量。

步骤140，在差分图像的基础上进行车牌定位。

此步骤中，利用数学形态学进行车牌区域定位。一般的，在通过响应值，长宽比，备选区域的跳变次数等传统的方法之后，找到真正的备选区域。然后取备选区域的两倍长和宽来包含完整的车牌区域。再通过数学形态学来找出精确的车牌区域。

文献中的算法，最关键的是混合高斯函数，模拟了车牌的特征，当一个像素的周围的特性和离散混合高斯核特征吻合时，卷积结果会得到较强的响应(即卷积值很大)。

在对垂直边缘图进行高斯模糊之后，车牌区域中无垂直边缘的像素也被填充了值，这样车牌区域便成了一块相对明显的亮区域。对这块区域卷积，便得到了一块突出的车牌区域。

分析以上的算法，具体到每个像素点来说，由于车牌区域相对较大，只要这个像素点周围的数据吻合混合高斯核，就会有一个很大的输出值。这个像素自己本身值的大小并不影响结果，即使不用高斯模糊，直接在垂直边缘图上用混合高斯函数卷积，应该也会有很好的效果。

由于混合高斯函数存在大量的乘法操作，我们设计了一个新的整型的特征核取代混合高斯核。新的整型核只有纵向上的变化，横向上没有变化。利用这个特点，

在垂直边缘图中，车牌区域是明显的密集亮区域。而车牌的上下边缘，一般只有水平边缘，所以在垂直边缘图中表现为相对较暗，甚至是全0的区域。混合高斯函数模拟了这个特征，卷积过程中在车牌区域会有一个很强烈的响应。而非车牌区域中一些杂乱的背景会在约束下变为负值或相对较小的值，而全白区域会在约束下变为0。

普通的离散混合高斯核实际应用时存在着大量的乘法操作，时间消耗很大。总结车牌的特征提出了下面的整型特征核，同时还要能在复杂的背景下抑制干扰。因此，新设计的离散混合高斯核表示如下：

$h(x,y)=\left\{\begin{array}{cc}-1,& y\∈[0,\frac{m}{3})\∪(\frac{2m}{3},m],x\∈[0,n]\\ 2,& y\∈[\frac{m}{3},\frac{2m}{3}],x\∈[0,n]\end{array}\right.---\left(1\right)$

此离散混合高斯核的中间正值区域模拟车牌的亮区域。两边的负值区域模拟车牌的上下暗区域，吻合车牌特征。卷积之后可以抑制杂乱的背景，消除全白的亮区域。

分析新的离散混合高斯核，在Y方向上没有变化，在X方向上满足混合高斯的变化。卷积的定义如下：如果a和b是两个离散变量n₁和n₂的函数，则关于a和b的二维卷积运算数学公式为：

$C(n_1,n_2)=\underset{k_1=-\∞}{\overset{\∞}{\mathrm{\Σ}}}\underset{k_2=-\∞}{\overset{\∞}{\mathrm{\Σ}}}a(k_1,k_2)b(n_1-k_1,n_2-k_2)$

因此，在本发明中可以先在步骤120中取新的混合高斯核的一列元素形成一维列卷积核进行卷积，随后进行步骤130中的差分运算。经过这两个步骤后的图像在效果上等价于直接用原始的离散混合高斯核(公式(1))来对垂直图像做卷积。经过以上的步骤新的卷积核只有加法操作，完全取代了乘法操作。

上文对本发明进行了足够详细的具有一定特殊性的描述。所属领域内的普通技术人员应该理解，实施例中的描述仅仅是示例性的，在不偏离本发明的真实精神和范围的前提下做出所有改变都应该属于本发明的保护范围。本发明所要求保护的范围是由所述的权利要求书进行限定的，而不是由实施例中的上述描述来限定的。

Claims (4)

1.一种车牌定位方法，其特征在于，其包括：

用Sobel垂直算子提取输入图像的垂直边缘得到垂直边缘图像；

利用一维列卷积核对所述垂直边缘图像进行卷积处理得到卷积图像；

设定一个长n个像素的行窗口，该行窗口在卷积图像的一行像素上逐个像素的滑动，该行窗口的中心像素的差分值为所述行窗口内的n个像素的卷积值的和，在行窗口遍历所述卷积图像后，得到了每个像素的差分值，从而得到差分图像，n为大于1的整数；和

在差分图像的基础上进行车牌定位。

2.根据权利要求1所述的车牌定位方法，其特征在于，所述一维列卷积核为：

$h\left(y\right)=\left\{\begin{array}{cc}-1,& y\∈[0,\frac{m}{3})\∪(\frac{2m}{3},m]\\ 2,& y\∈[\frac{m}{3},\frac{2m}{3}]\end{array}\right.,$ 其中m为该一维列卷积核中元素的个数，m为大于1的整数。

3.根据权利要求2所述的车牌定位方法，其特征在于，设定一个高m个像素的列窗口，该列窗口在垂直边缘图像的一列像素上逐个像素的滑动，该列窗口的中心像素的卷积值为所述列窗口内的m个像素的像素值分别与所述一维列卷积核中的m个元素相乘后累积在一起的值，在列窗口遍历所述垂直边缘图像后，得到了每个像素的卷积值，从而得到卷积图像。

4.根据权利要求1所述的车牌定位方法，其特征在于，每滑动一次行窗口，该行窗口的新中心像素的差分值通过加上右边新进行窗口的像素的卷积值再减去行窗口刚移出行窗口的像素的卷积值得到。