CN107368771B - 一种定位车牌的方法及装置 - Google Patents
一种定位车牌的方法及装置 Download PDFInfo
- Publication number
- CN107368771B CN107368771B CN201610318019.XA CN201610318019A CN107368771B CN 107368771 B CN107368771 B CN 107368771B CN 201610318019 A CN201610318019 A CN 201610318019A CN 107368771 B CN107368771 B CN 107368771B
- Authority
- CN
- China
- Prior art keywords
- image
- positioning
- license plate
- adaptive
- carrying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种定位车牌的方法及装置,该方法可以精确的定位出车牌所在位置。该方法包括:对待识别的图片进行图像灰度化处理,得到灰度图像;对所述灰度图像进行边缘检测,得到检测后的图像;对所述检测后的图像进行全局的OTSU自适应阈值化处理,得到自适应图像;在所述自适应图像中筛选出符合长度要求的线条;对筛选后的图像进行轮廓定位字体可能区域的操作;对完成轮廓定位的图像进行字符组合枚举策定位出车牌。可见该方法可实现车牌定位,同时还提高定位的效率,降低了漏检率。
Description
技术领域
本发明涉及通信电子技术领域,尤其涉及一种定位车牌的方法及装置。
背景技术
目前车牌识别方法主要包括以下几种:
第一种,基于边缘检测的方法定位车牌,如图1所示,其流程如下:
步骤11,获取待识别车牌的图像,并对该图像灰度化处理,既将输入的彩色的三通道图像转换为反映亮度信息的灰度图像;
步骤12,对完成灰度化处理的图像进行局部灰度拉伸,既在一个固定大小(如48×36)的滑动窗口内,统计窗口中所有像素样本的方差和均值,利用这两个统计量构造一个灰度拉伸函数,对窗口中心的像素进行灰度拉伸变换,从而提高图像的动态响应范围,有效对抗光线对车牌边缘的干扰。
步骤13,对完成局部灰度拉伸操作后的图像进行边缘检测处理,既指对图像的高频部分做提取保留。一般采用Sobel,Canny,Laplacian,DoG,LoG等算子对图像做卷积得到所需要的结果。在对车牌的识别操作上,大部分采用水平方向的Sobel算子。
步骤14,对完成边缘检测处理后的图像进行检测结果降噪;由于图像质量的参差不齐,边缘检测所得到的结果往往有很多细小密集的噪声,或者一些很长的边缘线条。这些线条和噪声都是不希望出现的,是影响检测效果的,所以需要在这一步骤做去噪处理。常用的去噪方法有:中值滤波、均值滤波以及形态学开闭运算。
步骤15,对完成检测结果降噪处理后的图像进行投影定位法查找车牌;即将降噪后的结果做二值化处理,然后沿着竖直和水平方向的坐标轴分别作投影计算,也就是沿着竖直坐标轴和水平坐标轴对二值图进行积分。分别找到两个投影向量中的“波峰”位置及其向两边的“波谷”位置,从而定位出车牌。
第二种,基于颜色模型的检测方法定位车牌,流程如图2所示:
步骤21,颜色模型匹配操作;具体为根据先验知识对图像色彩空间进行区域划分,满足先验划分的颜色认为它是车牌目标像素,否则为背景像素。因此得到色彩匹配的二值图结果;
步骤22,对二值图进行数学形态学闭运算操作;既两个基础形态学处理的组合处理。先是膨胀,再腐蚀,一般选用10×3大小的卷积核,主要是为了降噪以及填充颜色匹配结果误差带来的空洞;
步骤23,对完成数学形态学闭运算操作的二值图进行轮廓定位可能区域操作;在数学形态学处理结果的图像上做轮廓查找,从而获得一些车牌的可能区域,在这些区域里再做一些简单的特征分析,如边缘数目计算等。基本可以确认车牌区域;
步骤24,根据车牌尺寸选出正确区域,根据先验尺寸决策最后的车牌结果。
但本发明人发现,上述两种方法中存在以下问题:
基于颜色模型以牌照的底色作为目标划分进行划分的方法,光照的依赖性较强,无法很好的完全适应各种场景。比如光线昏暗的环境下,车牌的底色就没有正常光照下的饱和度高,所以往往容易出现漏检现象。而且在牌车同色的情况下,车牌底色就完全无法派上用场;
投影定位法和数学形态学轮廓定位法,都比较容易受到图像背景的噪声干扰,例如椒盐噪声干扰,以及图像预处理结果的影响,例如Sobel边缘提取时阈值化参数的不适的影响,从而导致漏检现象。
发明内容
本发明实施例提供一种定位车牌的方法及装置,该方法可以精确的定位出车牌所在位置。
一种定位车牌的方法,所述方法包括:
对待识别的图片进行图像灰度化处理,得到灰度图像;
对所述灰度图像进行边缘检测,得到检测后的图像;
对所述检测后的图像进行全局的OTSU自适应阈值化处理,得到自适应图像;
在所述自适应图像中筛选出符合长度要求的线条;
对筛选后的图像进行轮廓定位字体可能区域的操作;
对完成轮廓定位的图像进行字符组合枚举策定位出车牌。
一种定位车牌的装置,该装置包括:
灰度处理单元,用于对待识别的图片进行图像灰度化处理,得到灰度图像;
检测处理单元,用于对所述灰度图像进行边缘检测,得到检测后的图像;
自适应处理单元,用于对所述检测后的图像进行全局的OTSU自适应阈值化处理,得到自适应图像;
筛选单元,用在所述自适应图像中筛选出符合长度要求的线条;
定位单元,用于对筛选后的图像进行轮廓定位字体可能区域的操作;对完成轮廓定位的图像进行字符组合枚举策定位出车牌。
可见,该方法通过对待识别的图片进行图像灰度化处理,得到灰度图像;对所述灰度图像进行边缘检测,得到检测后的图像;对所述检测后的图像进行全局的OTSU自适应阈值化处理,得到自适应图像;在所述自适应图像中筛选出符合长度要求的线条;对筛选后的图像进行轮廓定位字体可能区域的操作;对完成轮廓定位的图像进行字符组合枚举策定位出车牌的操作,即可实现车牌定位,同时还提高定位的效率,降低了漏检率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为现有技术中基于边缘检测的方法定位车牌的流程图;
图2为现有技术中基于颜色模型的检测方法定位车牌的流程图;
图3为本发明实施例提供的一种定位车牌的方法流程图;
图4为本发明实施例还提供一种定位车牌的装置结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明中技术方案作进一步详细的说明。
本发明实施例提供的方法通过对待识别的图片进行图像灰度化处理,得到灰度图像;对所述灰度图像进行边缘检测,得到检测后的图像;对所述检测后的图像进行全局的OTSU自适应阈值化处理,得到自适应图像;在所述自适应图像中筛选出符合长度要求的线条;对筛选后的图像进行轮廓定位字体可能区域的操作;对完成轮廓定位的图像进行字符组合枚举策定位出车牌的操作,即可实现车牌定位,同时还提高定位的效率,降低了漏检率。
以下以具体实施例进行介绍:
本发明实施例提供一种定位车牌的方法,如图3所示,该过程如下:
步骤31,获取待识别图片;
步骤32,对待识别的图片进行图像灰度化处理。既将该彩色图片转换为反映亮度信息的灰度图像;
步骤33,对灰度图像进行边缘检测,具体过程如下:
由于车牌字符的水平方向的梯度边缘比较明显,因此可采用3x3 Sobel水平算子对灰度图像进行处理,得到检测后的图像;
步骤34,对检测后的图像进行全局的OTSU自适应阈值化处理,得到自适应图像;
步骤35,在自适应图像中筛选出符合长度要求的线条,具体过程如下:
利用动态规划的方法,先初始化自适应图像中的所有线条的长度为1,然后对当前像素附近的线条长度做从左上到右下方向的遍历累加,然后,再做一次从右下到左上的遍历累加,如果这两遍累加结果相等,就将该累加结果作为该线条的长度。
删选出符合预定长度的线条,该预定长度可根据实际需要设置,例如对于640*360像素的图像,该预定长度需限制在[10,50]的范围内即可;
在完成步骤35后,即可得到由多个线条组成的图像,即将原待识别图像线条化,
步骤36,对筛选后的图像进行轮廓定位字体可能区域的操作,该步骤可得到一些可能是字符的轮廓矩形块区域;
步骤37,对完成轮廓定位的图像进行字符组合枚举策定位出车牌;该方法具体过程如下:
对完成轮廓定位后所得到的矩形区域做相互之间两两组合成一个新的大矩形区域的操作,这个区域需要恰好包括原来的两个矩形区域,然后对这个大区域做特征提取,并判别该区域是否含有车牌。
因为车牌包含至少2个字符,所以不妨假设这两个字符分别为最前的一个和最后一个。如果由于预处理原因等导致这两字符丢失而使得上述不成立时,还可对该区域做重预处理操作。因此只要这个枚举区域包含车牌,就有可能被精定位得到;
步骤38,对定位出的车牌进行精确识别。
较佳的,为了更好的进行定位操作,在步骤34与步骤35之间还可进行如下操作:
对筛选后的图像进行数学形态学闭运算操作;该步骤可提高后续轮廓定位可能区域的效率,例如对图像做一个6*12卷积核大小的形态学闭运算。这个卷积核符合车牌字符的最小尺寸比例。
较佳的,为了更加精确定位车牌,在步骤36和步骤37之间还可包括对完成轮廓定位的图像进行局域精处理定位;这一过程可与步骤36同时进行,对枚举出来的区域,做OTSU阈值化处理。为了更好的适应车牌的字符与底色亮度相差悬殊的情况,可进行两次处理,即将原来的OTSU结果取反,再做一次。将这个阈值化后的结果与该区域内的边缘检测预处理结果作匹配分析,例如蓝底白字牌照,就是看较亮像素中位置是否也是边缘。如果数目满足原来边缘的一般像素以上,则认为该区域含有车牌,并对粗定位区域作边缘检测与处理操作,获得适合的精定位。
较佳的,为了进一步提升搜索效率,本实施例还利用车牌的宽高比进行约束,例如车牌的宽高比不小于1的约束,迅速排除不可能的粗定位。在实验的测试集中,预处理得到的小矩形区域一般不超过60个合理区域,也就是最多需要枚举60*59/2=1770个矩形区域,如果用滑动窗口法在一张640*360的图像上定位宽为[45,400]的车牌,假设最小窗口为45*15,一个尺度就需要2871个矩形区域,共有8个尺度,因此效率可以大大提升。
如图4所示,本发明实施例还提供一种定位车牌的装置,该装置包括:
灰度处理单元41,用于对待识别的图片进行图像灰度化处理,得到灰度图像;
检测处理单元42,用于对所述灰度图像进行边缘检测,得到检测后的图像;
自适应处理单元43,用于对所述检测后的图像进行全局的OTSU自适应阈值化处理,得到自适应图像;
筛选单元44,用在所述自适应图像中筛选出符合长度要求的线条;
定位单元45,用于对筛选后的图像进行轮廓定位字体可能区域的操作;对完成轮廓定位的图像进行字符组合枚举策定位出车牌。
所述装置还包括:
运算单元46,用于对筛选后的图像进行数学形态学闭运算操作;
所述定位单元45具体用于,在完成筛选与数学形态学闭运算操作的图像进行轮廓定位字体可能区域的操作。
所述装置还包括:
精处理单元47,用于对完成轮廓定位的图像进行局域精处理定位。
所述筛选单元44具体用于:
利用动态规划的方法,先初始化自适应图像中的所有线条的长度为1,然后对当前像素附近的线条长度做从左上到右下方向的遍历累加,然后,再做一次从右下到左上的遍历累加,如果这两遍累加结果相等,就将该累加结果作为该线条的长度,筛选出符合预定长度的线条。
所述筛选单元44具体用于:对完成轮廓定位后所得到的矩形区域做相互之间两两组合成一个新的大矩形区域的操作,提取所述大区域的特征,根据该特征判断是否含有车牌。
综上所述,有益效果:
该方法通过对待识别的图片进行图像灰度化处理,得到灰度图像;对所述灰度图像进行边缘检测,得到检测后的图像;对所述检测后的图像进行全局的OTSU自适应阈值化处理,得到自适应图像;在所述自适应图像中筛选出符合长度要求的线条;对筛选后的图像进行轮廓定位字体可能区域的操作;对完成轮廓定位的图像进行字符组合枚举策定位出车牌的操作,即可实现车牌定位,同时还提高定位的效率,降低了漏检率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种定位车牌的方法,其特征在于,所述方法包括:
对待识别的图片进行图像灰度化处理,得到灰度图像;
对所述灰度图像进行边缘检测,得到检测后的图像;
对所述检测后的图像进行全局的OTSU自适应阈值化处理,得到自适应图像;
在所述自适应图像中筛选出符合长度要求的线条;
对筛选后的图像进行轮廓定位字体可能区域的操作;
对完成轮廓定位的图像进行字符组合枚举策定位出车牌;
所述对完成轮廓定位的图像进行字符组合枚举策定位出车牌包括:
对完成轮廓定位后所得到的矩形区域做相互之间两两组合成一个新的大矩形区域的操作,提取所述大矩形区域的特征,根据该特征判断是否含有车牌。
2.如权利要求1所述的方法,其特征在于,对检测后的图像进行全局的OTSU自适应阈值化处理,得到自适应图像,在自适应图像中筛选出符合长度要求的线条;
进一步包括:对筛选后的图像进行数学形态学闭运算操作;
在所述对筛选后的图像进行轮廓定位字体可能区域的操作包括:
在完成筛选与数学形态学闭运算操作的图像进行轮廓定位字体可能区域的操作。
3.如权利要求1所述的方法,其特征在于,在进行轮廓定位的图像的操作过程时,还同时进行:
对完成轮廓定位的图像进行局域精处理定位。
4.如权利要求1所述的方法,其特征在于,使用车牌的宽高比进行约束定位。
5.如权利要求1所述的方法,其特征在于,在所述自适应图像中筛选出符合长度要求的线条包括:
利用动态规划的方法,先初始化自适应图像中的所有线条的长度为1,然后对当前像素附近的线条长度做从左上到右下方向的遍历累加,然后,再做一次从右下到左上的遍历累加,如果这两遍累加结果相等,就将该累加结果作为该线条的长度,筛选出符合预定长度的线条。
6.一种定位车牌的装置,其特征在于,该装置包括:
灰度处理单元,用于对待识别的图片进行图像灰度化处理,得到灰度图像;
检测处理单元,用于对所述灰度图像进行边缘检测,得到检测后的图像;
自适应处理单元,用于对所述检测后的图像进行全局的OTSU自适应阈值化处理,得到自适应图像;
筛选单元,用在所述自适应图像中筛选出符合长度要求的线条,所述筛选单元具体用于:对完成轮廓定位后所得到的矩形区域做相互之间两两组合成一个新的大矩形区域的操作,提取所述大矩形区域的特征,根据该特征判断是否含有车牌;
定位单元,用于对筛选后的图像进行轮廓定位字体可能区域的操作;对完成轮廓定位的图像进行字符组合枚举策定位出车牌。
7.如权利要求6所述的装置,其特征在于,所述装置还包括:
运算单元,用于对筛选后的图像进行数学形态学闭运算操作;
所述定位单元具体用于,在完成筛选与数学形态学闭运算操作的图像进行轮廓定位字体可能区域的操作。
8.如权利要求6所述的装置,其特征在于,所述装置还包括:
精处理单元,用于对完成轮廓定位的图像进行局域精处理定位。
9.如权利要求6所述的装置,其特征在于,所述筛选单元具体用于:
利用动态规划的方法,先初始化自适应图像中的所有线条的长度为1,然后对当前像素附近的线条长度做从左上到右下方向的遍历累加,然后,再做一次从右下到左上的遍历累加,如果这两遍累加结果相等,就将该累加结果作为该线条的长度,筛选出符合预定长度的线条。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610318019.XA CN107368771B (zh) | 2016-05-12 | 2016-05-12 | 一种定位车牌的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610318019.XA CN107368771B (zh) | 2016-05-12 | 2016-05-12 | 一种定位车牌的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107368771A CN107368771A (zh) | 2017-11-21 |
CN107368771B true CN107368771B (zh) | 2020-10-09 |
Family
ID=60304655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610318019.XA Active CN107368771B (zh) | 2016-05-12 | 2016-05-12 | 一种定位车牌的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107368771B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183425A (zh) * | 2007-12-20 | 2008-05-21 | 四川川大智胜软件股份有限公司 | 粤港两地车牌定位方法 |
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
CN102054174A (zh) * | 2009-10-30 | 2011-05-11 | 佳能株式会社 | 用于定位车牌的方法和*** |
CN102693431A (zh) * | 2012-05-31 | 2012-09-26 | 信帧电子技术(北京)有限公司 | 一种白色车牌类型的识别方法及装置 |
CN102999753A (zh) * | 2012-05-07 | 2013-03-27 | 腾讯科技(深圳)有限公司 | 车牌定位方法 |
CN103824452A (zh) * | 2013-11-22 | 2014-05-28 | 银江股份有限公司 | 一种轻量级的基于全景视觉的违章停车检测装置 |
-
2016
- 2016-05-12 CN CN201610318019.XA patent/CN107368771B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183425A (zh) * | 2007-12-20 | 2008-05-21 | 四川川大智胜软件股份有限公司 | 粤港两地车牌定位方法 |
CN102054174A (zh) * | 2009-10-30 | 2011-05-11 | 佳能株式会社 | 用于定位车牌的方法和*** |
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
CN102999753A (zh) * | 2012-05-07 | 2013-03-27 | 腾讯科技(深圳)有限公司 | 车牌定位方法 |
CN102693431A (zh) * | 2012-05-31 | 2012-09-26 | 信帧电子技术(北京)有限公司 | 一种白色车牌类型的识别方法及装置 |
CN103824452A (zh) * | 2013-11-22 | 2014-05-28 | 银江股份有限公司 | 一种轻量级的基于全景视觉的违章停车检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107368771A (zh) | 2017-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
US10043090B2 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
Yu et al. | A novel license plate location method based on wavelet transform and EMD analysis | |
US9251614B1 (en) | Background removal for document images | |
CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN108256521B (zh) | 用于车身颜色识别的有效区域定位方法 | |
US10445868B2 (en) | Method for detecting a defect on a surface of a tire | |
CN105678286A (zh) | 一种瞳孔定位方法及设备 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN111583216A (zh) | Pcba电路板的缺陷检测方法 | |
CN111695373B (zh) | 斑马线的定位方法、***、介质及设备 | |
Said et al. | Robust automatic void detection in solder balls | |
CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
Gilly et al. | A survey on license plate recognition systems | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN116128849A (zh) | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及*** | |
CN104102911A (zh) | 一种基于aoi的子弹表观缺陷检测***的图像处理算法 | |
CN115797314B (zh) | 零件表面缺陷检测方法、***、设备及存储介质 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN107368771B (zh) | 一种定位车牌的方法及装置 | |
CN113538500B (zh) | 图像分割方法、装置、电子设备和存储介质 | |
CN114463352A (zh) | 玻片扫描图像目标分割提取方法及*** | |
CN110310235B (zh) | 眼底图像处理方法、装置及设备和存储介质 | |
Medvedeva et al. | Vehicle license plate recognition based on edge detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |