基于图像的车牌定位方法及其系统的制作方法
【技术领域】
[0001] 本发明涉及车牌识别领域，特别是一种基于图像的车牌定位方法及其系统。
【背景技术】
[0002] 车牌识别技术(Vehicle License Plate Recognition，VLPR)是计算机视频图像 识别技术在车辆牌照识别中的一种应用。车牌识别技术要求能够将运动中的汽车牌照从复 杂背景中提取并识别出来，通过车牌提取、图像预处理、特征提取、车牌字符识别等技术，识 别车辆牌号。
[0003] 车牌识别在高速公路车辆管理中得到广泛应用。在ETC(Electronic Toll Collection，电子不停车收费）系统中，车牌识别结合DSRC(Dedicated Short Range Communications，专用短程通信技术)技术识别车辆身份，过往车辆通过道口时无须停车， 即能够实现车辆身份自动识别、自动收费。在车场管理中，针对无需收停车费的车辆(如月 卡车、内部免费通行车辆），建设无人值守的快速通道，通过车牌识别，实现免取卡、不停车， 从而提高出入口车辆通行效率。
[0004] 然而，目前主流的基于纹理的车牌定位算法是以假设车牌区域的纹理强度强于图 片全局纹理均值，但是在一些特殊情况下，比如车牌过曝、逆光等情况下这种假设是不成立 的。降低图片全局纹理的阈值，虽然可以兼顾过曝、逆光情况下的车牌定位，但会使曝光正 常的车牌定位引入过多的噪声，造成正常情况下的车牌定位困难，运算量加大，得不偿失。
【发明内容】
[0005] 针对上述现有技术中存在的问题，本发明提供一种基于图像的车牌定位方法及其 系统，能够使得车牌定位兼顾过曝、逆光等情况，从而提高车牌定位的准确度。
[0006] 本发明提供的基于图像的车牌定位方法，技术方案如下，包括：
[0007] 将包含车牌的原始图像转换为灰度图；
[0008] 按照灰度值大小将所述灰度图划分为若干个分区；
[0009] 提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度 值对各分区的图像纹理进行二值化处理；
[0010] 根据二值化处理后的图像纹理定位所述原始图像中的车牌。
[0011]本发明还提供基于图像的车牌定位系统，包括：
[0012] 转换模块，用于将包含车牌的原始图像转换为灰度图；
[0013] 划分模块，用于按照灰度值大小将所述灰度图划分为若干个分区；
[0014] 提取模块，用于提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述 平均纹理灰度值对各分区的图像纹理进行二值化处理；
[0015] 定位模块，用于根据二值化处理后的图像纹理定位所述原始图像中的车牌。
[0016] 上述方案，通过将包含车牌的原始图像的灰度图，按照灰度值大小划分为若干个 分区，提取各分区的图像纹理，计算各分区的平均纹理灰度值，根据所述平均纹理灰度值对 各分区的图像纹理进行二值化处理，根据二值化处理后的图像纹理定位所述原始图像中的 车牌，因此，有针对性地对各个分区的图像纹理进行处理，实现在不影响正常情况的前提 下，兼顾过曝、逆光等情况的车牌定位，从而提高车牌定位的准确度。
【附图说明】
[0017] 图1为一个实施例的基于图像的车牌定位方法的流程示意图；
[0018] 图2为一个实施例的基于图像的车牌定位系统的结构示意图。
【具体实施方式】
[0019] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进 一步地详细描述。
[0020] 请参阅图1中一个实施例的基于图像的车牌定位方法的流程示意图，如图1所示， 包括步骤S101至S104:
[0021 ] S101，将包含车牌的原始图像转换为灰度图。
[0022] 其中，所述包含车牌的原始图像尤其以仅包含车牌字符区域的图像为佳。所述车 牌定位方法基于灰度图进行，首先将包含车牌的原始图像转换为灰度图，可通过以下方式 实现：
[0023] 获取包含车牌的原始图像中各像素点的RGB信息，通过以下公式计算各像素点的 灰度值：
[0024] gray = R*0.299+G*0.587+B*0.114,
[0025] 其中R、G和B分别为各像素点的R通道值、G通道值和B通道值，gray为灰度值；
[0026] 根据所述各像素点的灰度值将所述原始图像转换为灰度图。
[0027] 具体地，在实际应用中，为了避免低速的浮点运算，需要将上述浮点计算公式转换 为以下的整数运算公式，将上述公式放大1000倍来实现整数运算算法：
[0028] gray = (R*299+G*587+B*114+500)/1000
[0029] RGB数值一般是8位精度，放大1000倍后的运算是32位整型的运算，由于整数运算 公式最后的运算是整数除法，所以加上500来实现四舍五入，于是该整数运算公式转变为： Gray = (R*30+G*59+B*ll+50)/100,从而提高灰度图的转换效率。
[0030] S102,按照灰度值大小将所述灰度图划分为若干个分区。
[0031] 通过对灰度图进行分区，将每一个分区作为单独的灰度图进行处理。
[0032] 进一步地，所述按照灰度值大小将所述灰度图划分为若干个分区，包括：
[0033] 将灰度值由高到低划分为第一灰度区间、第二灰度区间和第三灰度区间；
[0034] 根据第一灰度区间、第二灰度区间和第三灰度区间将所述灰度图划分为对应的高 亮分区、较亮分区和较暗分区。
[0035]原始图像的过曝区域亮度较高、纹理较弱，逆光区域亮度较低、纹理较强，为适应 原始图像位于过曝区域、逆光区域的状况，需要将对应区域单独分离出来处理，使得车牌定 位兼顾过曝、逆光等情况。
[0036]进一步地，所述将灰度值由高到低划分为第一灰度区间、第二灰度区间和第三灰 度区间，包括：
[0037] 通过预设灰度值确定所述第一灰度区间，得到所述灰度图中与所述第一灰度区间 对应的尚壳分区；
[0038] 通过分割阈值确定所述第二灰度区间和第三灰度区间，得到所述灰度图中与所述 第二灰度区间对应的较亮分区、以及所述灰度图中与所述第三灰度区间对应的较暗分区。 [0039]其中，通过大量的实验，预设较佳的灰度值大小区间（230，255]为第一灰度区间， 所述灰度图中第一灰度区间对应的像素点区域为高亮分区，高亮分区可适应原始图像中过 曝区域亮度较高、纹理较弱的过曝情况;再确定第二灰度区间和第三灰度区间的分割阈值 T，小于等于所述分割阈值T的灰度值属于第三灰度区间[ο，τ]，第三灰度区间对应的像素点 区域为较暗分区，较暗分区可适应原始图像中逆光区域亮度较低、纹理较弱的逆光情况;大 于所述分割阈值的灰度值属于第二灰度区间（τ，230]，第二灰度区间对应的像素点区域为 较亮分区，较亮分区可适应除过曝、逆光情况之外的情况。因此，提高车牌定位兼顾过曝、逆 光等情况的精确度。
[0040]进一步地，通过以下公式计算得到所述第二灰度区间和第三灰度区间的分割阈 值：
[0041 ] T=Max [ A* (F-E) 2+C* (D-E)2)]，
[0042 ]其中，T为分割阈值，A为较亮分区像素点占高亮分区以外区域的比例，F为较亮分 区像素点的平均灰度值，C为较暗分区像素点占高亮分区以外区域的比例，D为较暗分区像 素点的平均灰度，E为高亮分区以外区域的平均灰度值。
[0043] 具体地，对于灰度图像的较亮分区和较暗分区的分割阈值记作T，假设属于较亮分 区的像素点数占整幅图像的比例为A、其