一种基于R通道水平邻域方差计算的车牌定位方法与流程

本发明属于计算机视觉及智能交通技术领域，具体涉及一种通过计算r通道图像中水平邻域灰度值方差来进行车牌定位的基于r通道水平邻域方差计算的车牌定位方法。

背景技术：

随着智能交通领域的不断发展，目前在道路交通安全监测系统、自动收费系统、小区车辆管理系统等方面都需要对车牌进行识别，并且对车牌识别的准确率要求也越来越高。而车牌识别的前提是要定位到车牌区域，因此车牌定位是车牌识别中非常关键的一步。

当前有许多学者提出了不同的车牌定位方法，主要可以分为基于车牌颜色信息的车牌定位方法、基于机器学习的车牌定位方法以及基于车牌边缘纹理信息的车牌定位方法等。本发明主要利用了车牌的纹理信息，在现有的基于车牌边缘纹理信息的车牌定位方法中与本发明较接近的技术方案为：文献(范勇,蒋欣荣,游志胜,等.汽车牌照快速定位算法[j].光电工程,2001,28(2):56-59.)利用汽车牌照尺寸、字间距、字数和字体统一的纹理特征提出了基于边缘检测和投影法相结合的牌照定位算法以及基于二值化和投影法相结合的牌照定位算法；文献(冯国进,顾国华,郑瑞红.基于自适应投影方法的快速车牌定位[j].红外与激光工程,2003,32(3):285-287.)提出了一种基于自适应峰区检测与投影的快速车牌定位方法；文献(刘广起,郑晓势,张晓波.基于图像纹理特征提取的车牌定位算法[j].中国图象图形学报,2005,10(11):1419-1422.)提出了一种根据车牌区域的边框特征以及牌照区域二值化后车牌内部的纹理特征灰度变化频率来定位车牌的算法。以上算法都是结合了车牌内部字符特征和投影特征，这种方法对于车牌字符黏连情况以及车牌周围的污染情况都非常敏感，只能适用于比较简单的情况。文献(张浩鹏,王宗义.基于灰度方差和边缘密度的车牌定位算法[j].仪器仪表学报,2011,32(5):1095-1102.)根据车牌区域具有在一定范围内灰度方差近似相等和边缘密度近似相等的性质来增强类似车牌区域，对增强后的图像求取边缘密度，根据车牌边缘密度的性质设计一种匹配滤波器用于提取出候选目标，利用形态学和先验知识进行目标真实性验证；文献(李刚,曾锐利,林凌,等.基于数学形态学的车牌定位算法[j].仪器仪表学报,2007,28(7):1323-1327.)利用sobel算子对汽车图像进行边缘检测，并运用数学形态学的膨胀区域填充以及腐蚀对二值图像处理得到车牌候选区域，然后根据车牌的面积等特征综合分析得到准确的车牌区域；文献(王永杰,裴明涛,贾云得.多信息融合的快速车牌定位[j].中国图象图形学报,2014,19(3).)通过边缘密度信息快速排除大量背景区域，根据车牌字符分布信息精确定位车牌，然后使用模板匹配的字符分割方法进行字符分割验证车牌区域；文献(刘濛,吴成东,樊玉泉,等.复杂背景图像中的车牌定位算法[j].中国图象图形学报,2010,15(9):1357-1362.)在图像的sobel二值垂直边缘图中利用车牌区域的边缘信息及车牌的纹理特征进行车牌候选区域的确定，利用滑动的条带窗口对候选区域二值化图像进行连通块提取，结合车牌句法特征对该区域进行评判筛选。以上方法都是先对图像进行边缘化处理，然后在边缘图像上利用边缘密度信息或者结合形态学操作以及一些车牌先验知识来进行车牌区域的筛选，由于通过边缘化处理的边缘图像中会存在大量的干扰边缘，因此该方法不适用于复杂背景中的车牌定位问题。

综上所述，当前的基于车牌边缘纹理信息的车牌定位方法存在着如下不足：(1)对于车牌字符粘连和车牌受污损情况敏感；(2)当背景复杂时，容易出现误检。

技术实现要素：

针对现有技术中存在的上述问题，本发明的目的在于提供一种通过计算r通道图像中水平邻域灰度值方差来进行车牌定位的基于r通道水平邻域方差计算的车牌定位方法。

所述的一种基于r通道水平邻域方差计算的车牌定位方法，其特征在于包括如下步骤：

步骤1：对含有车牌的彩色图像提取r通道，记为图像r；

步骤2：对步骤1)得到的图像r中计算每个像素点p(x,y)水平邻域内的灰度值方差s(x,y)，若s(x,y)小于t，则将p(x,y)的灰度值置0，其中x为像素点p的横坐标，y为像素点p的纵坐标，t为预先设定的方差阈值；

步骤3：对步骤2)得到的图像进行二值化，并通过形态学闭运算，使二值化图像中相邻的连通区域进行连接，形成大的连通区域；

步骤4：对步骤3)得到的图像，计算图中每个连通区域的最小外包矩形rectangle[x1,y1,w,h]，判断每个最小外包矩形区域是否满足车牌的特征，满足车牌特征的矩形区域即为定位得到的车牌区域，其中x1为最小外包矩形rectangle的左上角横坐标，y1为最小外包矩形rectangle的左上角纵坐标，w为最小外包矩形rectangle的宽，h为最小外包矩形rectangle的高。

所述的一种基于r通道水平邻域方差计算的车牌定位方法，其特征在于步骤2)中每个像素点p(x,y)的水平邻域范围选取如下：

2.1)：若x<n，则以点p(x,y)为中心往左扩展x个像素点，往右扩展n个像素点，形成一个1×(x+n+1)大小的水平邻域；

2.2)：若x≥width-n，则以点p(x,y)为中心往左扩展n个像素点，往右扩展width-x-1个像素点，形成一个1×(width+n-x)大小的水平邻域；

2.3)：若n≤x<width-n，则以点p(x,y)为中心往左扩展n个像素点，往右扩展n个像素点，形成一个1×(2n+1)大小的水平邻域；

其中width为图像r的宽度，n为预先设定的水平邻域宽度阈值，需满足n≤width/2。

所述的一种基于r通道水平邻域方差计算的车牌定位方法，其特征在于步骤4)中判断矩形区域rectangle[x1,y1,w,h]满足车牌特征需同时满足以下条件：

4.1)：minarea<w×h<maxarea；

4.2)：minratio<w/h<maxratio；

4.3)：mutationcount/h>mutationthresh；

其中maxarea、minarea分别为车牌区域可能的最大面积和最小面积，由预先设定，maxratio、minratio分别为车牌区域长宽比值的最大值和最小值，由预先设定，mutationcount为步骤3)中闭运算之前的二值化图像在rectangle[x1,y1,w,h]对应区域内总的黑白跳变数，mutationthresh为车牌区域中平均每一行可能的黑白跳变数，由预先设定。

通过使用本发明限定的方法对车牌进行定位操作，它可以有效地避免车牌字符粘连情况以及车牌污损情况对车牌定位的影响，并且减少了车牌定位中的干扰边缘，凸显车牌区域，提高车牌定位准确率。

附图说明

图1为本发明实施例中提取的r通道图；

图2为本发明实施例中图像r经过水平邻域方差计算处理后得到的结果图；

图3为本发明实施例中二值化结果图；

图4为本发明实施例中形态学闭运算处理结果图；

图5为本发明实施例中形态学闭运算使用的核；

图6为本发明实施例中车牌定位结果图。

具体实施方式

下面结合实施例来详细阐述本发明的基于r通道水平邻域方差计算的车牌定位方法具体实施方式。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

本发明的一种基于r通道水平邻域方差计算的车牌定位方法，包括如下步骤：

步骤1：对含有车牌的彩色图像提取r通道，记为图像r如图1所示；

步骤2：在图像r中计算每个像素点p(x,y)水平邻域内的灰度值方差s(x,y)，每个像素点p(x,y)的水平邻域范围选取如下：

2.1)：若x<n，则以点p(x,y)为中心往左扩展x个像素点，往右扩展n个像素点，形成一个1×(x+n+1)大小的水平邻域；

2.2)：若x≥width-n，则以点p(x,y)为中心往左扩展n个像素点，往右扩展width-x-1个像素点，形成一个1×(width+n-x)大小的水平邻域；

2.3)：若n≤x<width-n，则以点p(x,y)为中心往左扩展n个像素点，往右扩展n个像素点，形成一个1×(2n+1)大小的水平邻域；

其中width为图像r的宽度，在此实施例中为994，n为预先设定的水平邻域宽度阈值，需满足n≤width/2，在此实施例中设为3；

若s(x,y)小于t，则将p(x,y)的灰度值置0，其中x为像素点p的横坐标，y为像素点p的纵坐标，t为预先设定的方差阈值，在该实施例中t设为2500，最终处理结果如图2所示；

步骤3：对步骤2)得到的图像进行二值化，得到的二值化图如图3所示，并通过形态学闭运算，使二值化图像中相邻的连通区域进行连接形成大的连通区域，得到的闭运算结果图如图4所示，本发明实施例中使用的闭运算核如图5所示；

步骤4：针对步骤3)得到的图像，计算图中每个连通区域的最小外包矩形rectangle[x1,y1,w,h]，判断每个最小外包矩形区域是否满足车牌的特征，满足车牌特征的矩形区域即为定位得到的车牌区域，其中x1为最小外包矩形rectangle的左上角横坐标，y1为最小外包矩形rectangle的左上角纵坐标，w为最小外包矩形rectangle的宽，h为最小外包矩形rectangle的高，其矩形区域rectangle[x1,y1,w,h]判断满足车牌特征需同时满足以下条件：

4.1)：minarea<w×h<maxarea；

4.2)：minratio<w/h<maxratio；

4.3)：mutationcount/h>mutationthresh；

其中maxarea、minarea分别为车牌区域可能的最大面积和最小面积，由预先设定，在此实施例中maxarea＝6000，minarea＝600，maxratio、minratio分别为车牌区域长宽比值的最大值和最小值，由预先设定，在此实施例中maxratio＝5.8，minratio＝1.5，mutationcount为步骤3中闭运算之前的二值化图像在rectangle[x1,y1,w,h]对应区域内总的黑白跳变数，mutationthresh为车牌区域中平均每一行可能的黑白跳变数，由预先设定，在此实施例中设定为10。

在本实施例中，通过以上处理，可以看到图6中的车牌被精确定位出来。