车牌定位方法与流程

本发明涉及汽车车牌图像识别定位技术领域，特别涉及一种车牌定位方法。

背景技术：

汽车牌照是车辆的“身份证”，是区别于不同机动车辆的显著特征。目前在高速公路、电子警察等场合被广泛应用。随着汽车产量的增加，城乡道路，停车场建设越来越多，给道路交通管理带来很大的不便，人们对车辆管理的要求也越来越高，这些都必然要求有一个更高效更快捷的管理方式。

智能交通系统(its)已经成为当前交通管理发展的主流技术，车辆车牌识别技术也应运而生，它的主要任务是对车辆进行监控和处理，快速并智能的识别出汽车牌照，并输出到数据库进行统一管理。lpr系统适用于电子警察、高速公路收费站等重要场合。

汽车牌照图像的获取一般都在收费站或停车场的监控摄像头，由于室外环境的多变性，使得汽车牌照在获取过程中，受多种因素的影响，图像质量会下降，影响了车牌信息的定位和识别，从而给汽车监管带来很大问题。

技术实现要素：

本发明的目的在于提供一种车牌定位方法，以解决现有的车牌定位识别技术终存在的由于图像质量受到环境等因素影响儿造成的车牌信息定位和识别准确性不高的问题。

为实现上述目的，本发明提供了一种车牌定位方法，包括以下步骤：

s10：将采集的图像进行灰度化处理，得到灰度图像，然后将所述灰度图像进行三通道处理，获得预处理图像；

s20：对所述预处理图像进行二值化处理，将二值化后的图像进行拆分，利用区域面积特征法，获得车牌候选区域；

s30：对所述车牌候选区域进行膨胀处理以及填充处理，获得完整的车牌定位图像；

s40：对所述车牌定位图像进行字符特征提取，将提取的特征输入包括预存有文字、字母以及数字的三层神经网络ocr分类器进行分类对比；若比对结果为相同，将所述分类器终预存的轮廓图作为定位的车牌信息输出。

较佳地，所述三通道处理为将所述灰度图像的rgb颜色空间转换到hsv颜色空间，实现色调、饱和度、明度三个通道进行转化，包括以下步骤：

s11：设(r，g，b)分别为灰度图像的红、绿、蓝坐标，它们的值是在0到1之间的实数；

s12：设max等价于r，g，b中的最大值，设min等于r，g，b中的最小值；

s13：找到在hsv颜色空间空格键中的(h，s，v)值，这里的h∈[0，360)度是角度的色相角，而s，v∈[0，1]分别是饱和度和明度；

s14：将所述灰度图像的rgb颜色空间的(r，g，b)转换到所述hsv颜色空间的(h，s，v)，获得所述预处理图像。

较佳地，所述二值化处理包括：

s21：首先设原车牌图像为蓝底白字车牌，以预设的t1为阈值对车牌候选区域进行二值化处理；

s22：然后对所述车牌候选区域进行纹理分析，再判断以t1为阈值的二值化处理及纹理分析后效果是否达到最佳，其中，所述纹理分析包括：车牌边缘、汉字笔画边缘、字母边缘、数字边缘的分析；

s23：若未达到最佳效果，则假设原车牌图像为白底蓝字车牌，再以t2为阈值对车牌候选区域依次进行二值化处理和纹理分析，这里，t2＝t1±c，c为预设常数，并判断二值化处理及纹理分析后效果是否达到最佳，如仍未达到最佳效果，则令t1＝t2，并重新执行步骤s23；

s24：若达到最佳效果，则对车牌区域进行灰度最大值fmax和最小值fmin计算，获得双精度数值；

s25：利用下式得出最佳阈值，输出此时的二值化图像，

level＝(fmax-(fmax-fmin)/3)255。

较佳地，所述区域面积特征法包括：

根据连通域的面积大小对二值化处理后的图像候选区域进行分割，筛选掉面积小于预设面积阈值的连通域；

根据饱和度大小对二值化处理后的图像候选区域进行分割，筛选掉饱和度小于预设饱和度阈值的连通域；

根据明度的大小对二值化处理后的图像候选区域进行分割，筛选掉明度小于预设明度阈值的连通域；

获得所述车牌候选区域。

较佳地，所述膨胀处理为将所述车牌候选区域中与物体接触的所有背景点合并到该物体中，使边界向外部扩张；所述填充处理为将所述车牌候选区域里的孔洞进行填充，得到比较完整的区域，此区域就是定位出的车牌区域，并对此车牌区域进行识别。

较佳地，所述膨胀处理包括：

s31：设矩形长度为y，宽度为z，y、z均为正数；

s32：对所述车牌候选区域中每一个像素值为1的像素，以其为中心且长度为y，宽度为z的矩形范围内所有像素的像素值全部替换为1，并按照预设膨胀系数将其进行膨胀处理。

较佳地，所述步骤s40中将提取的特征输入三层神经网络ocr分类器进行分类对比的过程包括：

首先，训练三层神经网络ocr分类器f1，其中包含字母和数字，具体为：

采用误差反向传播学习算法，由输入层将输入信号传递给隐藏层点，并在动作函数非线性变换后将其传输到输出节点以获得最终结果；

当输出与预期输出不一致时，它进入误差反向传播过程，并且通过梯度下降将误差反转到隐藏层和输入层，并且校正每层的权重；

经过反复学习和训练，使误差最小化，完成所述三层神经网络ocr分类器的训练；

然后再将车牌图像中提取的字符导入所述三层神经网络ocr分类器进行识别。

较佳地，将所述轮廓图作为定位的车牌信息输出前，还包括步骤：

将所述轮廓图进行长宽比特征筛选，输出优化的定位的车牌信息。

较佳地，所述长宽比特征的长宽比为1.5∶1。

本发明至少包括以下有益效果：

本发明提供的车牌定位方法，将采集的图像进行灰度化处理，并将灰度图像进行hsv三通道处理，将原图像以色调、饱和度、明度的方式转化，然后经过对比选择车牌图像更清晰的通道。再进行二值化处理，将二值化后的图像进行拆分，利用区域面积特征法选择出车牌候选区域，对候选区域进行膨胀处理及填充处理，得到完整的车牌区域。将定位出的车牌图像的特征、种类数与预存的车牌分类器中包括文字、字母以及数字的车牌特征种类数进行比对，提高了车牌定位的鲁棒性和准确性，为接下来的车牌精确识别打下了优良的基础。

在车牌图像二值化处理后，采用基于面积大小、饱和度高低、明度高低的多重筛选，提取出车牌区域，提高了精确性和适应性。

附图说明

图1是本发明实例的流程图。

图2是本发明实例中的预处理图像。

图3是经过三通道处理后的h通道图像。

图4是经过三通道处理后的s通道图像。

图5是经过三通道处理后的v通道图像。

图6是经过区域特征法得到的车牌候选区域图像。

图7是经过二值化处理后的得到的完整车牌连通域。

图8是经过膨胀处理和填充处理后得到的完整车牌定位图像。

具体实施方式

以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

为了便于对本发明实施例的理解，下面将结合附图以具体实施例为例作进一步的解释说明，且各个实施例不构成对本发明实施例的限定。

如图1所示，本实施例提供了一种车牌定位方法，包括以下步骤：

s10：将采集的图像进行灰度化处理，得到灰度图像，然后将所述灰度图像进行三通道处理，获得预处理图像；

s20：对所述预处理图像进行二值化处理，将二值化后的图像进行拆分，利用区域面积特征法，获得车牌候选区域；

s30：对所述车牌候选区域进行膨胀处理以及填充处理，获得完整的车牌定位图像；

s40：对所述车牌定位图像进行字符特征提取，将提取的特征输入包括预存有文字、字母以及数字的三层神经网络ocr分类器进行分类对比；若比对结果为相同，将所述分类器终预存的轮廓图作为定位的车牌信息输出。

其中，步骤s10中，对采集的图像进行灰度化处理及三通道处理后的预处理图像如图2所示。这里的三通道处理为将灰度化处理后的灰度图像的rgb颜色空间转换到hsv颜色空间，实现色调、饱和度、明度三个通道进行转化，具体包括以下步骤：

s11：设(r，g，b)分别为灰度图像的红、绿、蓝坐标，它们的值是在0到1之间的实数；

s12：设max等价于r，g，b中的最大值，设min等于r，g，b中的最小值；

s13：找到在hsv颜色空间空格键中的(h，s，v)值，这里的h∈[0，360)度是角度的色相角，而s，v∈[0，1]分别是饱和度和明度；

s14：将所述灰度图像的rgb颜色空间的(r，g，b)转换到上述hsv颜色空间的(h，s，v)，获得上述预处理图像，转换后的hsv图像如图3-5所示。

其中，本实施例中具体在halcon平台中，使用rgb转hsv工具，将灰度图像的rgb颜色空间的(r，g，b)转换到hsv颜色空间的(h，s，v)。具体的rgb颜色空间转化为hsv颜色空间的转换关系如下面的式(1)、(2)所示：

其中，h为色调，imax及imin为hsv模型分量{r，g，b}中的最大值和最小值，s为饱和度，v为明度，hmax为色调个数，r、g、b分别为红/绿/蓝通道的模型分量。

上述实施方式中，不同于普通rgb图像处理，hsv色彩空间比rgb色彩空间更有直观性，其中h代表色调，取值范围0-360°；s代表饱和度，取值范围0-1；v代表明度，取值范围0-1。r、g、b分别为三基色格式中的红、绿、蓝分量值。

进一步低，在步骤s20中，对预处理图像进行二值化处理，将二值化后的图像进行拆分，利用区域面积特征法，获得的车牌候选区域如图6所示。这里在进行完上述的rgb到hsv色彩空间的转换后，所继续进行的二值化处理包括：

s21：首先设原车牌图像为蓝底白字车牌，以预设的t1为阈值对车牌候选区域进行二值化处理；

s22：然后对所述车牌候选区域进行纹理分析，再判断以t1为阈值的二值化处理及纹理分析后效果是否达到最佳，其中，所述纹理分析包括：车牌边缘、汉字笔画边缘、字母边缘、数字边缘的分析；

s23：若未达到最佳效果，则假设原车牌图像为白底蓝字车牌，再以t2为阈值对车牌候选区域依次进行二值化处理和纹理分析，其中，t2＝t1±c，c为预设常数，然后判断二值化处理及纹理分析后效果是否达到最佳，如仍未达到最佳效果，则令t1＝t2，并重新执行步骤s23；

具体地，如步骤s21、s22中所述，假设t1为阈值二值化及纹理分析后，若处理后效果不为最佳则为不正确，则再假设t2为阈值重复上述步骤，t1和t2区别是t2＝t1±c，c为数值较小的预设常数。若t2错误则更新此时的t1的值为t2，并且继续假设新的t2进行测试，一直重复上述步骤，直到二值化处理以及纹理分析效果达到最佳为止，即此时t2为阈值时正确，达到最佳效果。

s24：若达到最佳效果，则对车牌区域进行灰度最大值fmax和最小值fmin计算，获得双精度数值；s25：利用式(1)得出最佳阈值，输出此时的二值化图像。

level＝(fmax-(fmax-fmin)/3)255(1)

上述实施方式中，还可以通过纹理分析来进一步的确定二值化的假设是否正确。

需要说明的是，要进行二值化处理需要保证图像采集条件是在光线均匀且无噪声的情况下。

进一步的上述步骤s20中的区域面积特征法包括：

(a)根据连通域的面积大小对二值化处理后的图像候选区域进行分割，筛选掉面积小于预设面积阈值的连通域，以筛选掉面积过小的连通域；

(b)根据饱和度大小对二值化处理后的图像候选区域进行分割，筛选掉饱和度小于预设饱和度阈值的连通域，以筛选掉饱和度过低的连通域；

(c)根据明度的大小对二值化处理后的图像候选区域进行分割，筛选掉明度小于预设明度阈值的连通域，以筛选掉明度过低的连通域；

(d)经过上述筛选后即可获得上述的车牌候选区域，这里得到的完整的车牌连通区域如图6所示。其中，上述筛选的各个部分内容(a)-(c)的处理顺序可根据需要调整。本实施例通过三个条件对车牌区域进行筛选，即可得到完整的车牌连通域。

本实施例的步骤s30中对上述的车牌候选区域进行膨胀处理以及填充处理后，所获得的完整的车牌定位图像如图7所示。

这里先对筛选后得到的车牌连通域进行膨胀处理，膨胀处理为将所述车牌候选区域中与物体接触的所有背景点合并到该物体中，使边界向外部扩张；再进行填充处理，填充处理为将所述车牌候选区域里的孔洞进行填充，得到比较完整的区域，此区域就是定位出的车牌区域，并对此车牌区域进行识别。

具体地，膨胀处理包括：

s31：设矩形长度为y，宽度为z，y、z均为正数；

s32：对所述车牌候选区域中每一个像素值为1的像素，以其为中心且长度为y，宽度为z的矩形范围内所有像素的像素值全部替换为1，并按照预设膨胀系数将其进行膨胀处理。

上述实验方式中，由于车牌存在铆钉区域等影响，车牌区域有时会出现字符孤立的情况，所以必须对候选区域进行膨胀处理。将与车牌接触的所有背景点合并到车牌区域中，使边界向外部扩张，它可以桥接裂缝，膨胀处理后的图像如图8所示。

本实施例的步骤s40中，对车牌定位图像进行字符特征提取，将提取的特征输入三层神经网络ocr分类器进行分类对比。这里将提取的特征输入三层神经网络ocr分类器进行分类对比的过程包括：首先，训练三层神经网络ocr分类器f1，其中包含字母和数字；然后再将车牌图像中提取的字符导入所述三层神经网络ocr分类器进行识别。其中，训练三层神经网络ocr分类器的过程包括：

(1)采用误差反向传播学习算法，由输入层将输入信号传递给隐藏层点，并在动作函数非线性变换后将其传输到输出节点以获得最终结果；

(2)当输出与预期输出不一致时，它进入误差反向传播过程，并且通过梯度下降将误差反转到隐藏层和输入层，并且校正每层的权重；

(3)经过反复学习和训练，使误差最小化，完成所述三层神经网络ocr分类器的训练。

上述实施方式中，首先使用运算符来训练ocr样本文件，并将训练过的样本文件输入到要创建的分类器中。实现分类器的创建并将创建的分类器保存在指定位置。本发明创建的bp神经网络包括：输入层，隐藏层和输出层，它们是三层。为训练字符提取8×10个特征，因此输入神经元的数量为80，隐藏层中的神经元数量约为输入神经元的2倍。通过实施例具体测量，当隐藏层神经元占162时，效果最大。

作为本发明的另一种实施方式，将所述车牌图像作为定位的车牌信息输出前，还包括步骤：

将所述轮廓图进行长宽比特征筛选，输出优化定位的车牌信息。所述长宽比特征的长宽比为1.5∶1。对车牌图像进行长宽比特征筛选，使定位结果更加精确。

上述实施方式中，不同于普通车牌定位对原始车牌图像进行预处理以及边缘提取以获得轮廓图，本发明在车牌图像二值化处理后，采用基于面积大小、饱和度高低、明度高低的多重筛选，提取出车牌区域，还设置有三层神经网络ocr分类器进行分类和学习用于对轮廓图进行精确筛选。

具体的本发明将采集的图像进行灰度化处理，并将灰度图像进行hsv三通道处理，将原图像以色调、饱和度、明度的方式转化，然后经过对比选择车牌图像更清晰的通道。再进行二值化处理，将二值化后的图像进行拆分，利用区域面积特征法选择出车牌候选区域，对候选区域进行膨胀处理及填充处理，得到完整的车牌区域。将定位出的车牌图像的特征、种类数与预存的车牌分类器中包括文字、字母以及数字的车牌特征种类数进行比对；若比对结果为相同，将所述轮廓图作为定位的车牌信息输出，设置三层神经网络ocr分类器，并将同一原始车牌图像提取的特征种类数与预存的车牌分类器中包括文字、字母以及数字的车牌特征种类数进行比对，预存的车牌分类器的设置以及特征种类数的比对，提高了精确性和适应性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何本领域的技术人员在本发明揭露的技术范围内，对本发明所做的变形或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述的权利要求的保护范围为准。