本发明属于视频处理领域，特别涉及一种基于交通监控视频的车牌定位方法。
背景技术：
随着经济的发展和人们生活水平的提高，汽车保有量也迅猛增长，给城市交通带来了诸多挑战，因此基于智能图像处理理论的车牌自动识别与分析技术获得了越来越多的关注。车牌定位作为车牌识别至关重要的一个环节，其准确率和召回率直接关系到后续环节的工作乃至整个系统的性能。
常见的车牌定位方法有基于图像纹理特征的方法、基于变换的方法、基于人工神经网络的方法、基于数学形态学的方法等。基于图像纹理特征的方法通常需要先选择合适的边缘检测算子，并辅以图像预处理才能取得较好的结果；基于变换的方法往往难以应对车牌边框模糊或变形的情况，也难以消除噪声的影响；基于人工神经网络的方法具有较好的容错性和学习能力，但训练需要的时间往往较长，收敛性和收敛速度都得不到保证；基于数学形态学的方法难以处理字符相连接、字符本身不连通等问题。
技术实现要素：
发明目的：针对现有技术中存在的问题，本发明提供一种能够克服现有技术存在的背景噪声和背景相似图案干扰、车牌字符不连续等问题的基于交通监控视频的车牌定位方法。
技术方案：为解决上述技术问题，本发明提供一种基于交通监控视频的车牌定位方法，具体步骤如下：
第一步：对交通监控视频中的原始图像进行转换，原始图像转换为灰度图像，原始色彩空间转换为hsv空间；
第二步：对转换后的图像进行预处理，
第三步：对预处理后的图像进行边缘检测，
第四步：在边缘检测的基础上，综合运用局部阈值法、全局阈值法和动态阈值法，根据像素值与阈值的关系把图像分为黑、白两色区域实现图像二值化；
第五步：图像二值化后，采用数学形态学中的膨胀、区域填充和腐蚀操作操作，实现区域合并和噪声进一步剔除；
第六步：对检测好的边缘图像依次进行水平投影和垂直投影，确定车牌的上下左右边界；
第七步：投影确认后通过支持向量机进行车牌定位。
进一步的，所述第二步中对转换后的图像进行预处理的步骤如下：利用交通监控视频的特性消除摄像头背景，对所得视频图像应用预滤波技术进一步消除噪声点。
进一步的，所述第三步中所述边缘检测具体通过梯度算子、roberts算子、sobel算子、prewitt算子或canny算子来抑制背景低频特征来实现。
进一步的，所述第一步中将原始图像转换为灰度图像过程中需要对生成的灰度图像进行灰度拉伸处理。
进一步的，所述第二步中在利用交通监控视频的特性消除摄像头背景的具体步骤如下：取前面若干帧图像进行一次性的确定；计算得到每幅图像与背景图像的差值后，再进行高斯预滤波操作。
进一步的，所述第七步中通过支持向量机进行车牌定位的步骤如下：规范正例样本和反例样本的尺寸，利用支持向量机进行离线训练，训练完毕后应用于待处理视频，实现车牌定位。
与现有技术相比，本发明的优点在于：
本发明第一，融合了基于图像纹理特征的方法、基于人工神经网络的方法、基于数学形态学的方法这三类方法的优点，能够更快速、更可靠地获得车牌定位结果；第二，利用交通监控视频的固有特点消除背景，进一步提升了系统的速度和鲁棒性。
附图说明
图1为本发明的总体流程图。
具体实施方式
下面对照附图，结合具体实施方式对本发明作进一步详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
本发明提出的基于交通监控视频的车牌定位方法包括以下步骤：
(1)图像转换：将交通监控视频中的原始图像转换为灰度图像，将原始色彩空间转换为hsv空间。其中，在原始图像到灰度图像的转换中，为了避免因曝光不正确而导致的灰度级集中问题，可能还需要对生成的灰度图像进行灰度拉伸处理。
以常见的yuv视频格式为例，这里y为亮度分量(代表图像的轮廓)，u和v为色度分量(代表图像的颜色)。根据已有的rgb空间，可以按如下公式计算出y的值：
y＝0.299*r+0.587*g+0.114*b
式中的权值来源于人眼的视觉模型，人眼较敏感的绿色分量g权值较大，而人眼较不敏感的蓝色b则权值较小。
具体实施时，为了避免因曝光不正确而导致灰度级集中，可采用如下步骤对生成的灰度图像进行灰度拉伸处理：
步骤1：从灰度级0开始，向灰度级增大方向搜索直方图，如果斜率绝对值大于20，将此灰度级保存为fmin。
步骤2：从灰度级255开始，向灰度级减小方向搜索直方图，如果斜率绝对值大于20，将此灰度级存为fmax。
步骤3：灰度拉伸的结果如下：
这里f(x,y)、g(x,y)分别表示当前图像和拉伸后的图像在坐标(x,y)处的值。
(2)图像预处理：利用交通监控视频的特性消除摄像头背景，对所得视频图像应用高斯预滤波进一步消除噪声点。其中，摄像头背景消除利用了监控视频的特性，取前面若干帧图像进行一次性的确定；计算得到每幅图像与背景图像的差值后，再进行高斯预滤波操作。具体实施时，对交通监控视频可取前100幅图像作为训练集来生成背景帧，高斯预滤波可选用5×5的窗口进行。
(3)边缘检测：用梯度算子、roberts算子、sobel算子、prewitt算子或canny算子来抑制背景低频特征。其中，梯度算子用一阶差分近似计算：
这里
为了避免水平投影对水平边界的干扰，可以仅检测垂直方向的边界：
(4)图像二值化：在边缘检测的基础上，综合运用局部阈值法、全局阈值法和动态阈值法，根据像素值与阈值的关系把图像分为黑、白两色区域，从而每个像素仅用一个比特表示。
具体实施时，假设f(n)是灰度变化值为n的像素点个数，n_max是最大灰度变化值，则可以用下面的伪代码确定二值化阈值，其中r是预设的百分比，将灰度变化值较大的一部分边缘作为后续步骤的二值化边缘。
(5)数学形态学操作：在二值化的基础上，依次采用数学形态学中的膨胀、区域填充和腐蚀操作，实现区域合并和噪声进一步剔除。具体实施时，区域填充的颜色根据研究对象而设置。以我国标准的小型轿车为例，应填充蓝色以提取车牌。
(6)投影确认：对检测好的边缘图像依次进行水平投影和垂直投影，确定车牌的上下左右边界。
具体实施时，水平投影的步骤如下：
步骤1：用f(j)表示每一行中边界点的个数，其中j为该行对应的高度，将其视为水平投影曲线。
步骤2：对上述水平投影曲线进行宽度为5的滑窗平滑，平滑的算法是对原曲线上的每个像素位置，取5×1的窗口的均值作为新曲线上对应位置的值，设新曲线为g(j)。
步骤3：对于新曲线上的每个位置，如果其5×1邻域的均值不小于16，则down＝j，j＝j+1，跳至第4步；否则j＝j+1，继续第3步。
步骤4：对于新曲线上的每个位置，如果其5×1邻域的均值小于16，则up＝j，跳至第5步；否则j＝j+1，继续第4步。
步骤5：若up-down>20，则投影结束，否则j＝up，跳到第3步。
垂直投影的步骤如下：
步骤1：用v(i)表示每一列中边界点的个数，其中i为该列对应的宽度，将其视为垂直投影曲线。
步骤2：对上述垂直投影曲线进行宽度为11的滑窗平滑，平滑的算法是对原曲线上的每个像素位置，取11×1的窗口的均值作为新曲线上对应位置的值，设新曲线为w(j)。
步骤3：对于新曲线上的每个位置，如果其11×1邻域的均值不小于3且其右侧50×1邻域的均值也不小于3，则left＝i，i＝i+1，跳至第4步；否则i＝i+1，继续第3步。
步骤4：对于新曲线上的每个位置，如果其11×1邻域的均值小于3且其左侧50×1邻域的均值也小于3，则right＝i，跳至第5步；否则i＝i+1，继续第4步。
步骤5：若right-left<5*(up-down)，则投影结束，否则i＝left，跳到第3步。
(7)支持向量机定位：规范正例样本和反例样本的尺寸，利用支持向量机进行离线训练，训练完毕后应用于待处理视频，实现车牌定位。
总之，本发明提出的车牌定位方法综合了基于图像纹理特征的方法、基于人工神经网络的方法、基于数学形态学的方法这三类方法的优点，并结合城市交通监控视频的固有特点进行了摄像头背景图像的消除，更高效、更可靠地获得了车牌定位结果，为后续的车牌分割和车牌字符识别环节夯实了基础。
以上所述仅为本发明的实施例子而已，并不用于限制本发明。凡在本发明的原则之内，所作的等同替换，均应包含在本发明的保护范围之内。本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。