本发明涉及一种定位方法，特别是涉及一种车标定位方法。
背景技术：
随着经济的飞速发展，全球汽车保有量已突破十亿大关，其中中国汽车保有量已接近一亿。汽车数量的陡然上升，不仅导致排放污染物急剧上升，同时导致城市交通严重超荷载，进而导致交通事故数量的不断增多。因此，通过高科技手段缓解交通阻塞，提高道路运输能力，节约人力资源，减少交通事故的智能交通系统应运而生。
在智能交通领域，目前国内的研究机构主要立足于车牌识别技术，涉足于车标识别方面的研究较少。而车标是车辆的一个重要属性，不同于车牌，车标难以更换、涂改，它在盗抢车辆追查、违章车辆自动记录、停车场无人管理、桥梁路口自动收费等领域都有广泛的应用，具有重大的经济价值和现实意义。
在现有技术中，车标定位的方法主要有：基于先验知识的车牌定位方法、基于模板匹配的定位方法、基于能量增强和形态滤波的车标定位方法、基于主成分分析的车标定位方法等。上述几种车标定位方法具有一定可行性，然而很多算法只考虑相对简单情况，没有综合考虑背景复杂、光照不均、大小形状不一等情况。例如：对于汽车散热网的分析，由于设计上的不断创新，汽车的散热网形状各异，有水平纹理、垂直纹理等，若统一用一种算法处理，则效果较差。
技术实现要素：
针对现有技术的缺点，本发明提供一种车标定位方法，该方法能不受光照不均、车标种类不同、车标形状不一和周围散热网等因素的影响，有效地提高车标定位的准确率。
一种车标定位方法，包括如下步骤：
1)车牌的定位及车标的粗定位，
2)区分车标周围散热网类型，
3)排除散热网的干扰，
4)图像分块去除背景孤立点，
5)数学形态学操作及求外接矩形，
6)尺寸验证，完成车标精定位，
通过上述步骤就能定位车标。
步骤1)中，先定位出车牌的位置，利用车牌位置与车标位置相对固定的先验知识，设定位到的车牌宽高分别为w,h,提取车牌垂直正上方宽度为w，高度为3*h的矩形区域图像作为粗定位图像。
步骤2)中，对步骤1)的粗定位图像进行灰度化，拍摄获得的图像含有一定的噪声，使用邻域平均法对图像进行平滑去噪，保留图像的特征，得到平滑去噪的车标粗定位图像，利用定义水平梯度的sobel算子，对平滑去噪的车标粗定位图像进行滤波处理，获得垂直边缘检测图像，然后在垂直方向上进行积分投影，即：
式中，vgradh(x)为垂直积分投影的值，x的范围为0≤x≤width，width,height分别为图像的宽和高，设投影的均值为m，则满足vgradh(n-1)＜m且vgradh(n)＞m，则认为发生一次跳变。计算水平梯度投影的总跳变次数，选取适当阈值，即可区分散热网是水平分布还是垂直分布。
步骤3)中，当步骤2)检测到车标周围散热网为水平分布时，则使用sobel算子求垂直边缘检测，并将二值化后的图像作为操作图像；
当步骤2)检测到车标周围散热网为垂直分布时，则使用sobel算子求水平边缘检测，为了排除车标上方的引擎盖分界线和散热网的上下包围线，二值化后进行水平方向投影，投影后车标部分的投影值与引擎盖分界线及散热网包围线的投影值相比总是较低，且车标部分投影后，其上下分别有一小部分投影值接近0的区域；根据上述两点信息，计算水平投影后非零行的数目，记为nrows，总投影值记为sum，则定义阈值t＝sum/nrows，投影值大于阈值t的区域判断为车标上方的引擎盖分界线和散热网的上下包围线，将这部分区域对应的像素点的值设置为0，得到操作图像。
步骤4)中，拍摄获得的图像容易受到的光照、阴影等外部因素的影响，二值化后的车标附近会有较少量的背景孤立点残留，为消除这些孤立点，对步骤3)中获得的操作图像，进行分块，并计算每一块的二值和，根据自适应阈值分辨目标块和背景块，其中：
m＝width/m(2)
式中：m为宽度上分块的数量，width为图像的宽度，m为宽度的阈值
n＝height/n(3)
式中：n为长度度上分块的数量，height为图像的长度，n为长度的阈值；
输入图像的大小为width×height，分成m×n块，每块记为a(i,j)，利用自适应来求出阈值mth：
式中：mth为自适应的阈值，mi为每一个分块的a(i,j)的二值和；
通过判断背景的条件：
式中，a(i,j)＝1表示这个分块是目标块，而a(i,j)＝0表示该分块为背景块。
若判断为目标块，则保留块内的白色像素点；若判断为背景块，则块内的白色像素点为背景孤立点，剔除后作为操作图像。
步骤5)中，选择矩形结构元素，对步骤4)中获得的操作图像做闭运算，得到一个或多个独立的，不与外界有交接的连通区域，对每个连通区域，求包围它的最小面积的外接矩形。
步骤6)中，对步骤5)中的外接矩形进行尺寸验证：若最小外接矩形不满足任一条件，则舍弃；
若外接矩形满足设置的宽高比阈值和面积大小阈值，则判定该外接矩形的边界为车标的边界，完成车标精定位。
有益效果
本发明提供了一种车标定位方法，该方法能不受光照不均、车标种类不同、车标形状不一和周围散热网等因素的影响，有效地提高车标定位的准确率。
附图说明
图1为车标定位的流程图。
具体实施方式
下面结合实施方式和附图，对本发明作进一步地详细描述。
实施例
一种车标定位方法，包括如下步骤：
1)车牌的定位及车标的粗定位，
2)区分车标周围散热网类型，
3)排除散热网的干扰，
4)图像分块去除背景孤立点，
5)数学形态学操作及求外接矩形，
6)尺寸验证，完成车标精定位，
通过上述步骤就能定位车标。
步骤1)中，先定位出车牌的位置，利用车牌位置与车标位置相对固定的先验知识，设定位到的车牌宽高分别为w,h,提取车牌垂直正上方宽度为w，高度为3*h的矩形区域图像作为粗定位图像。
步骤2)中，对步骤1)的粗定位图像进行灰度化，拍摄获得的图像含有一定的噪声，使用邻域平均法对图像进行平滑去噪，保留图像的特征，得到平滑去噪的车标粗定位图像，利用定义水平梯度的sobel算子，对平滑去噪的车标粗定位图像进行滤波处理，获得垂直边缘检测图像，然后在垂直方向上进行积分投影，即：
式中，vgradh(x)为垂直积分投影的值，x的范围为0≤x≤width，width,height分别为图像的宽和高，设投影的均值为m，则满足vgradh(n-1)＜m且vgradh(n)＞m，则认为发生一次跳变。计算水平梯度投影的总跳变次数，选取适当阈值，即可区分散热网是水平分布还是垂直分布。
步骤3)中，当步骤2)检测到车标周围散热网为水平分布时，则使用sobel算子求垂直边缘检测，并将二值化后的图像作为操作图像；
当步骤2)检测到车标周围散热网为垂直分布时，则使用sobel算子求水平边缘检测，为了排除车标上方的引擎盖分界线和散热网的上下包围线，二值化后进行水平方向投影，投影后车标部分的投影值与引擎盖分界线及散热网包围线的投影值相比总是较低，且车标部分投影后，其上下分别有一小部分投影值接近0的区域；根据上述两点信息，计算水平投影后非零行的数目，记为nrows，总投影值记为sum，则定义阈值t＝sum/nrows，投影值大于阈值t的区域判断为车标上方的引擎盖分界线和散热网的上下包围线，将这部分区域对应的像素点的值设置为0，得到操作图像。
步骤4)中，拍摄获得的图像容易受到的光照、阴影等外部因素的影响，二值化后的车标附近会有较少量的背景孤立点残留，为消除这些孤立点，对步骤3)中获得的操作图像，进行分块，并计算每一块的二值和，根据自适应阈值分辨目标块和背景块，其中：
m＝width/m(2)
式中：m为宽度上分块的数量，width为图像的宽度，m为宽度的阈值
n＝height/n(3)
式中：n为长度度上分块的数量，height为图像的长度，n为长度的阈值；
输入图像的大小为width×height，分成m×n块，每块记为a(i,j)，利用自适应来求出阈值mth：
式中：mth为自适应的阈值，mi为每一个分块的a(i,j)的二值和；
通过判断背景的条件：
式中，a(i,j)＝1表示这个分块是目标块，而a(i,j)＝0表示该分块为背景块，
若判断为目标块，则保留块内的白色像素点；若判断为背景块，则块内的白色像素点为背景孤立点，剔除后作为操作图像。
步骤5)中，选择矩形结构元素，对步骤4)中获得的操作图像做闭运算，得到一个或多个独立的，不与外界有交接的连通区域，对每个连通区域，求包围它的最小面积的外接矩形。
步骤6)中，对步骤5)中的外接矩形进行尺寸验证：若最小外接矩形不满足任一条件，则舍弃；
若外接矩形满足设置的宽高比阈值和面积大小阈值，则判定该外接矩形的边界为车标的边界，完成车标精定位。
如图1所示：车标定位的实施步骤如下：
s101开始：准备进行车标定位工作；
s102图像摄取；
s103车牌的定位与车标的粗定位；
s104区分车标周围散热网类型：若散热网为水平分布，则执行步骤s105；若散热网为垂直分布，则执行步骤s106；
s105消除水平分布散热网，跳转执行步骤s107；
s106消除垂直分布散热网，跳转执行步骤s107；
s107去除背景孤立点；
s108车标精确定位；
s109输出定位结果；
s110定位结束。