一种阴影车牌图像二值化方法与流程

本发明属于智能交通技术领域，具体是一种在车牌字符切割之前的阴影车牌图像二值化方法。

背景技术：

随着机器视觉、数字图像处理、模式识别等技术的不断发展，智能交通系统(ITS)逐渐成为实现交通管理自动化的主要途径。车牌识别技术是实现智能交通系统的关键技术之一，它通过图像处理的方法实现车牌号码的自动识别。图像二值化是车牌预处理的关键环节，二值化图像的清晰度直接关系着后续车牌字符切割以及字符识别的准确率。

现有的图像二值化方法有很多，主要分全局阈值法和局部阈值法两大类，全局阈值法包括OTSU法、p-tile法、灰度均值法等，局部阈值法包括Bernsen法、最大方差法等。全局阈值法运算时间快，但是在用于处理存在阴影的车牌时，会出现阴影区域字符显示不全或高亮区域背景错误显示的情况，主要原因是直接灰度化得到的阴影车牌灰度图，存在阴暗区域的前景灰度值与高亮区域的背景灰度值十分相近的情况，不能通过单一阈值来实现图像前景和背景的分割，因此局部阈值法成为处理阴影车牌的主要二值化方法。

车牌规则阴影问题是车牌不均匀光照问题的子问题，为了解决车牌光照不均匀问题，许多学者提出了多种解决方法，这些方法的基本流程都是先通过一定的图像增强算法改善图像的对比度，然后使用局部阈值法进行图像二值化。如马超玉等(融合多级光照处理的车牌图像二值化算法[J].计算机应用,2013,33(S2):200-202)首先通过加权法得到车牌灰度图像，然后利用顶帽变换均化背景光照，利用Retinex增强算法均化字符光照，最后通过动态阈值法进行图像二值化。虽然该方法可以均化光照，加强前景背景的对比度，但是动态阈值法需要对每个像素点都进行阈值的计算，算法复杂性较高，且该方法的二值化结果在亮暗区域分界线上存在“伪影”问题，即存在粘连情况。如宁蒙(自然场景下车牌字符识别方法的研究[D].郑州大学,2015)首先通过加权法得到车牌的灰度图像，然后使用同态滤波法来压缩高频增强低频，从而降低光照对图像的影响，增强图像对比度，最后通过改进的niblack算法进行图像二值化。该方法可以有效解决车牌阴影问题，但是同态滤波法在时空域的变化上耗时较久，且该方法的二值化算法同样需要对每个像素进行分析，效率不高。欧阳庆(不均匀光照下车牌图像二值化研究[J].武汉大学学报,2006,4(39):143-147)在灰度图像的基础上，利用同态滤波法进行图像增晰，然后利用改进的Bernsen算法进行图像二值化，该方法同样存在效率问题和“伪影”问题。王珺等(复杂光照下的二值化新方法[J].电子设计工程,2011,19(22):147-150)在欧阳庆所提出方法的基础上进行部分修改，同时提出了改进的基于加权的图像灰度法。陈亮等(改进背景补偿的车牌图像二值化算法[J].扬州大学学报,2008,1(11):55-58)首先用同态滤波法进行图像增强，然后通过改进的背景补偿二值化法进行图像二值化，该方法在时间效率和处理效果上相对较忧。

综上所述，当前解决车牌图像光照不均匀问题的方案主要存在的不足包括：(1)图像增强算法和图像二值化算法复杂性较高，方法效率较差；(2)虽然通过一定的图像增强算法可以增强背景、前景的对比度，但是在亮暗区域分界线上还是会出现“伪影”问题。

技术实现要素：

本发明的目的是克服一般车牌图像预处理方法中存在的不足，提供一种可以在车牌字符切割之前消除规则阴影的阴影车牌图像二值化方法，所述的规则阴影的含义是，由车牌上方车身遮挡造成的阴影，阴影下边界趋于水平或存在较小倾角或存在较小弧度。

所述的一种阴影车牌图像二值化方法，其特征在于包括如下步骤：

步骤1：获取经过车牌精准定位后的车牌彩图，其中车牌图像的宽度为width，高度为height，单位为像素；

步骤2：提取步骤1)的原始的车牌彩图的红色通道作为车牌灰度图像；

步骤3：判断车牌图像是否存在规则阴影，如果存在，则找到暗亮区域分界线所在区域，然后通过分区域二值化方法得到图像二值化结果，如果不存在，则通过全局阈值法进行图像二值化，最终二值化结果。

所述的一种阴影车牌图像二值化方法，其特征在于步骤3)中判断车牌图像是否存在规则阴影，如果存在，则找到暗亮区域分界线所在区域，然后通过分区域二值化方法得到图像二值化结果，如果不存在，则通过全局阈值法进行图像二值化，其具体过程为：

步骤3.1：对步骤2)的车牌灰度图像进行分割，得到用于分析是否存在规则阴影的四个图像区域{S₁,S₂,S₃,S₄}，分割方式为：根据式(1)，去除图像边缘区域，得到图像中心区域D，然后根据式(2)-(5)，将图像中心区域D沿垂直方向平分为高度一致的四个区域{S₁,S₂,S₃,S₄}：

D＝{(x,y)|x∈[0.1×width,0.9×width],y∈[0.1×height,0.9×height]} (1)

S₁＝{(x,y)|x∈[0.1×width,0.9×width],y∈[0.1×height,0.3×height)} (2)

S₂＝{(x,y)|x∈[0.1×width,0.9×width],y∈[0.3×height,0.5×height)} (3)

S₃＝{(x,y)|x∈[0.1×width,0.9×width],y∈[0.5×height,0.7×height)} (4)

S₄＝{(x,y)|x∈[0.1×width,0.9×width],y∈[0.7×height,0.9×height]} (5)；

步骤3.2：利用OTSU算法得到{S₁,S₂,S₃,S₄}四个区域的最适阈值{t₁,t₂,t₃,t₄}；

步骤3.3：逆序遍历阈值集{t₁,t₂,t₃,t₄}，找到满足条件t_x-t_x-1＞10,x∈{4,3,2}的区域S_x-1,S_x，转步骤3.4；如果未找到，则转步骤3.5；

步骤3.4：根据步骤3.3中找到的区域S_x-1,S_x，确定图像暗亮区域分界线所在区域的上边界和下边界分别为S_x-1.above、S_x.below，其中，S_x-1.above表示区域S_x-1的上边界所在行，S_x.below表示区域S_x下边界所在行，根据此上、下边界将图像分为S'₁,S'₂,S'₃三个区域，各区域的范围由公式(6)-(8)确定，然后根据公式(9)-(11)计算出三个区域的二值化阈值t'₁,t'₂,t'₃，并根据各自阈值对各个区域进行二值化，最后将S'₁,S'₂,S'₃三个区域的二值化图像进行拼接，得到目标车牌图像的二值化结果；

S'₁＝{(x,y)|x∈[0,width),y∈[0,S_x-1.above)} (6)

S'₂＝{(x,y)|x∈[0,width),y∈[S_x-1.above,S_x.below)} (7)

S'₃＝{(x,y)|x∈[0,width),y∈[S_x.below,height)} (8)

t′₂＝0.7×t_x-1+0.3×t_x (10)

其中，x表示步骤3.3中确定的区域S_x的下标；

步骤3.5：根据公式(12)计算出车牌图像的二值化阈值t”，然后根据阈值t”对车牌图像进行二值化，得到最终二值化结果：

其中，t₂,t₃是步骤3.2中得出的S₂,S₃区域所对应的阈值。

通过采用上述技术，与现有技术相比，本发明的有益效果如下：本发明通过采用上述技术，能有效解决车牌规则阴影问题，为后期字符切割以及车牌识别的准确性提供了保证，与其他方法相比，它的优势在于：1)通过提取红色通道作得到图像灰度化，拉大图像前景背景的灰度值的差值，然后通过分区域二值化方法进行阴影车牌的二值化，算法简单，且能有效改善“伪影”问题；2)对阴影车牌和普通车牌使用不同的二值化策略，在改善阴影车牌的二值化结果的同时，能保证不对普通车牌的二值化效果和处理效率造成影响。

附图说明

图1为本发明实施例选取的车牌彩图经过步骤2处理的车牌灰度图像；

图2为本发明实施例选取的车牌彩图经过步骤3.1处理的车牌图像区域分割图；

图3为本发明实施例选取的车牌彩图经过步骤3.4处理的车牌图像区域分割图；

图4为本发明实施例选取的车牌彩图经过步骤3.4处理的车牌图像二值化结果。

具体实施方式

下面结合说明书附图及实施例来详细阐述本发明，但本发明的保护范围并不仅限于此。

如图所示，本发明的阴影车牌图像二值化方法，具体包括如下步骤：

步骤1：获取一张经过车牌精准定位后的车牌彩图，其中车牌图像的宽度为width，高度为height，单位为像素；

步骤2：提取步骤1)选取的原始车牌彩图的红色通道作为车牌灰度图像，红色通道是阴暗前景和高亮背景灰度值相差最大的通道，可以有效改善二值化后出现的前景背景混淆的情况，根据步骤2得到的车牌灰度图像如图1所示；

步骤3：判断步骤2)的车牌灰度图像是否存在规则阴影，如果存在，则找到暗亮区域分界线所在区域，然后通过分区域二值化方法得到图像二值化结果，如果不存在，则通过全局阈值法进行图像二值化，具体为：

步骤3.1：对车牌灰度图像进行分割，得到用于分析是否存在规则阴影的四个图像区域{S₁,S₂,S₃,S₄}，切割方式为：首先去除图像边缘区域，得到图像中心区域D，避免边缘区域中可能存在的杂边对阈值的计算造成干扰，然后将区域D沿垂直方向平分为高度一致的四个区域{S₁,S₂,S₃,S₄}，各区域的范围可由公式(1)-(5)确定：

D＝{(x,y)|x∈[0.1×width,0.9×width],y∈[0.1×height,0.9×height]} (1)

S₁＝{(x,y)|x∈[0.1×width,0.9×width],y∈[0.1×height,0.3×height)} (2)

S₂＝{(x,y)|x∈[0.1×width,0.9×width],y∈[0.3×height,0.5×height)} (3)

S₃＝{(x,y)|x∈[0.1×width,0.9×width],y∈[0.5×height,0.7×height)} (4)

S₄＝{(x,y)|x∈[0.1×width,0.9×width],y∈[0.7×height,0.9×height]} (5)

根据步骤3.1对车牌灰度图进行切割，切割结果如图2所示，用于求取阈值，其中红框表示区域D所在位置，蓝线表示{S₁,S₂,S₃,S₄}四个区域的分界线。

步骤3.2：利用OTSU算法得到{S₁,S₂,S₃,S₄}四个区域的最适阈值{t₁,t₂,t₃,t₄}，经计算，可以得到区域{S₁,S₂,S₃,S₄}所对应的最适阈值为{50,55,133,128}。

步骤3.3：逆序遍历阈值集{t₁,t₂,t₃,t₄}，找到满足条件t_x-t_x-1＞10,x∈{4,3,2}的区域S_x-1,S_x，转步骤3.4；如果未找到，则转步骤3.5。

根据步骤3.3，可以确定图2中满足条件t_x-t_x-1＞10,x∈{4,3,2}的区域S_x-1,S_x为S₂,S₃，转步骤3.4。

步骤3.4：根据步骤3.3中找到的区域S_x-1,S_x，可以确定图像暗亮区域分界线所在区域的上边界和下边界为S_x-1.above、S_x.below，其中，S_x-1.above表示区域S_x-1的上边界所在行，S_x.below表示区域S_x下边界所在行，根据此上、下边界可以将图像分为S'₁,S'₂,S'₃三个区域，各区域的范围可由公式(6)-(8)确定，然后根据公式(9)-(11)计算出三个区域的二值化阈值t'₁,t'₂,t'₃，并根据各自阈值对各个区域进行二值化，最后将S'₁,S'₂,S'₃三个区域的二值化图像进行拼接，得到目标车牌图像的二值化结果；

S'₁＝{(x,y)|x∈[0,width),y∈[0,S_x-1.above)} (6)

S'₂＝{(x,y)|x∈[0,width),y∈[S_x-1.above,S_x.below)} (7)

S'₃＝{(x,y)|x∈[0,width),y∈[S_x.below,height)} (8)

t'₂＝0.7×t_x-1+0.3×t_x (10)

其中，x表示步骤3.3中确定的区域S_x的下标；

根据步骤3.4对车牌灰度图像进行再次切割，得到区域S'₁,S'₂,S'₃，如图3所示，用于进行分区域二值化，其中水平的3根线条表示区域分界线。同时计算可得三个区域的最适阈值t'_t,t'₂,t'₃为{50,78.4,128}。最后通过分区域二值化、图像拼接后，得到的车牌图像二值化结果如图4所示。

步骤3.5：根据公式(12)计算出车牌图像的二值化阈值t”，然后根据阈值t”对车牌图像进行二值化，得到最终二值化结果：

其中，t₂,t₃是步骤3.2中得出的S₂,S₃区域所对应的阈值。

本说明书具体实施方法中所列举的处理对象，仅用于说明本发明的实现过程，本发明所能处理的对象情况并非仅限于所举实例。