CN108960259A - 一种基于hsv的车牌预处理方法 - Google Patents

Abstract

一种基于HSV的车牌预处理方法，属于智能交通技术领域。它通过对HSV三通道进行处理，将得到车牌图像从RGB颜色空间转换为HSV颜色空间，得到I_HSV，将I_HSV的色调、饱和度和亮度分别处理，再将H_i,j、S^* _i,j和V^* _i,j三通道进行通道融合，并将图像从HSV颜色空间转回到RGB颜色空间，得到新的RGB图像I，新图像进行水平倾斜矫正后依次进行灰度化、3*3中值滤波、OTSU二值化，得到预处理的车牌。本发明通过采用上述技术得到的基于HSV的车牌预处理方法，它能有效减弱光照、噪声、阴影、污迹等对车牌的影响，得到的二值图像容易进行后续处理。

Description

一种基于HSV的车牌预处理方法

技术领域

本发明涉及智能交通技术领域，具体涉及一种基于HSV的车牌预处理方法，它通过对HSV三通道进行处理，以减弱光照、噪声、阴影、污迹等对车牌二值化的影响。

背景技术

随着我国交通网络的不断发展，安全问题愈发凸显。车牌是车辆的标识，但是实际生活中，由于场景或人为因素的影响，这一标识常常不容易被识别出来。在智慧交通项目中，常先将车牌预处理，然后在车牌二值图上进行字符分割，最后最分割出来的字符进行识别。因此，得到易处理的二值图像是车牌自动识别***的一个关键。

常用的车牌预处理包括如下步骤：图像归一化、直方图均衡化、灰度拉伸、图像平滑、倾斜矫正和二值化。李战明(车牌号识别***中的车牌图像预处理研究[J].科学技术与工程,2008,8(8):2081-2084.)、董玲娇(车牌图像预处理研究[J].机电工程,2009,26(6):107-109.)和陈若珠(基于车牌识别的图像预处理研究[J].工业仪表与自动化装置,2015(4):40-43.)介绍了相关技术。但是，一般的车牌预处理步骤对于实际应用中诸如光照不均匀、车牌污损等特殊情况不具有鲁棒性。

相对一般车牌预处理操作，更为复杂的预处理步骤包括：光照不均匀处理、污损修复等。如赵坤(一种改进的车牌识别预处理方法[J].河南科学,2010,28(3):000329-332.)提出光照空域矫正结合同态滤波后，利用局部阈值进行二值化操作，得到理想二值图，但是该方法只实现了对车牌局部光照过强的处理，对于阴影。再如马超玉(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(a02):200-202.)基于加权得到的车牌灰度图，用顶帽算法平滑背景光照，用Retinex算法平滑字符光照，最后用局部阈值方法得到最终的车牌二值图像。虽然该方法能够均匀光照，但其计算复杂度高。车牌阴影问题是光照不均匀问题的一个子问题，徐云静等(一种阴影车牌图像二值化方法，CN106650728A[P].2017)采用原始车牌的红色通道图像作为灰度图，基于寻找亮暗分界线实现对含规则阴影车牌图像的二值化，但是该方法无法处理非规则阴影。卜珂等(一种车牌图像的预处理方法,CN102509095A[P].2012.)首先获取车牌的上下左右边界，然后找到阴阳分界线(即阴影区与非阴影区的亮暗分界线)将车牌分为上下两部分，分别计算上下两部分的灰度阈值，最终对上半部分的像素点进行灰度补充。该方法要求定位得到的车牌具有明确的上下左右边界，且只能处理规则阴影。车牌污迹的修复是指把握车牌整体性的基础上，对污迹处基于邻域像素插值或直接用邻域像素替代，该类方法的计算复杂度都很高。

综上所述，当前车牌预处理操作存在的不足包括：1)一般预处理步骤简单，效率高，但无法处理光照不均匀车牌和污损车牌；2)对光照不均匀车牌，存在只能处理规则阴影和算法太耗时问题；3)污损修复算法复杂度过高，暂时无法应用于实时车牌识别的预处理环节。

发明内容

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基于HSV的车牌预处理方法，它通过对HSV三通道进行处理，减弱光照、噪声、阴影、污迹等对车牌二值化的影响，克服了一般车牌图像预处理方法中的不足，得到容易进行后续处理的二值图像。

所述的一种基于HSV的车牌预处理方法，其特征在于包括如下步骤：

步骤1：得到车牌图像I_RGB，其中图像的高度为h，宽度为w，单位为像素；

步骤2：将车牌图像从RGB颜色空间转换为HSV颜色空间，得到I_HSV，将I_HSV的色调、饱和度和亮度三通道分别记H_i,j，S_i,j和V_i,j，其中i、j分别表示图像像素的横坐标、纵坐标，且1≤i≤h，1≤j≤w；

步骤3：对步骤2)中的亮度V_i,j，用Hough直线检测法确定图像的水平倾斜角α；

步骤4：对步骤2)中的饱和度S_i,j，根据公式(1)～(4)，用Sauvola局部阈值二值化方法实现二值化，具体如下：首先求得每一像素点(i,j)在其c*c邻域范围内的自适应阈值T(i,j)，然后按公式(4)实现二值化，得到S^* _i,j；

其中，c表示像素邻域范围，m(i,j)表示S_i,j在c*c邻域内的均值，σ(i,j)表示S_i,j在c*c邻域内的均方差，k₁表示均方差的权重因子，R₁表示均方差变化浮动范围；

步骤5：对步骤2)中的亮度V_i,j，根据公式(5)～(8)，用Sauvola局部阈值二值化方法实现二值化，具体如下：首先求得每一像素点(i,j)在其c*c邻域范围内的自适应阈值T^*(i,j)，然后按公式(8)实现二值化，得到V^* _i,j；

其中，m^*(i,j)表示V_i,j在c*c邻域内的均值，σ^*(i,j)表示V_i,j在c*c邻域内的均方差，k₂表示均方差的权重因子，R₂表示均方差变化浮动范围；

步骤6：将H_i,j、S^* _i,j和V^* _i,j三通道进行通道融合，并将图像从HSV颜色空间转回到RGB颜色空间，得到新的RGB图像I；

步骤7：对步骤6)中的RGB图像I，利用步骤3)中计算得到的α将图像进行水平倾斜矫正，得到图像M；

步骤8：对步骤7)得到的图像M，依次进行灰度化、3*3中值滤波、OTSU二值化，得到预处理结果G。

本发明的优点是：本发明通过采用上述技术，能有效减弱光照、噪声、阴影、污迹等对车牌的影响，得到的二值图像容易进行后续处理。

附图说明

图1为本发明的实施例选取的五张车牌图像去色效果图；

图2为本发明的经过步骤7处理后的五张车牌图像去色效果图；

图3为本发明的经过步骤8处理后的五张车牌图像。

具体实施方式

下面结合实施例来详细阐述本发明的基于HSV的车牌预处理方法的具体实施方式。

如图所示，本发明的基于HSV的车牌预处理方法，包括如下步骤：

步骤1：得到车牌图像I_RGB，如图1所示，其中图像的高度为h，宽度为w，单位为像素；

步骤2：将车牌图像从RGB颜色空间转换为HSV颜色空间，得到I_HSV，将I_HSV的色调、饱和度和亮度三通道分别记H_i,j，S_i,j和V_i,j，其中i、j分别表示图像像素的横、纵坐标，且1≤i≤h，1≤j≤w；

步骤3：对步骤2)中的亮度V_i,j，用Hough直线检测法确定图像的水平倾斜角α；

步骤4：对步骤2)中的饱和度S_i,j，根据公式(1)～(4)，用Sauvola局部阈值二值化方法实现二值化，具体如下：首先求得每一像素点(i,j)在其c*c邻域范围内的自适应阈值T(i,j)，然后按公式(4)实现二值化，得到S^* _i,j；

其中，c表示像素邻域范围，m(i,j)表示S_i,j在c*c邻域内的均值，σ(i,j)表示S_i,j在c*c邻域内的均方差，k₁表示均方差的权重因子，R₁表示均方差变化浮动范围；在本实例中，c＝15，k＝0.5，R＝128；

步骤5：对步骤2)中的亮度V_i,j，根据公式(5)～(8)，用Sauvola局部阈值二值化方法实现二值化，具体如下：首先求得每一像素点(i,j)在其c*c邻域范围内的自适应阈值T^*(i,j)，然后按公式(8)实现二值化，得到V^* _i,j；

其中，m^*(i,j)表示V_i,j在c*c邻域内的均值，σ^*(i,j)表示V_i,j在c*c邻域内的均方差，k₂表示均方差的权重因子，R₂表示均方差变化浮动范围；在本实例中，k₂＝0.5，R₂＝128；

步骤6：将H_i,j、S^* _i,j和V^* _i,j三通道进行通道融合，并将图像从HSV颜色空间转回到RGB颜色空间，得到新的RGB图像I；

步骤7：对步骤6中的RGB图像I，利用步骤3中计算得到的α将图像进行水平倾斜矫正，得到图像M，如图2所示；

步骤8：对步骤7的图像M，依次进行灰度化、3*3中值滤波、OTSU二值化，得到预处理结果G，如图3所示。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种基于HSV的车牌预处理方法，其特征在于包括如下步骤：

步骤1：得到车牌图像I_RGB，其中图像的高度为h，宽度为w，单位为像素；

步骤2：将车牌图像从RGB颜色空间转换为HSV颜色空间，得到I_HSV，将I_HSV的色调、饱和度和亮度三通道分别记H_i,j，S_i,j和V_i,j，其中i、j分别表示图像像素的横坐标、纵坐标，且1≤i≤h，1≤j≤w；

步骤3：对步骤2)中的亮度V_i,j，用Hough直线检测法确定图像的水平倾斜角α；

步骤4：对步骤2)中的饱和度S_i,j，根据公式(1)～(4)，用Sauvola局部阈值二值化方法实现二值化，具体如下：首先求得每一像素点(i,j)在其c*c邻域范围内的自适应阈值T(i,j)，然后按公式(4)实现二值化，得到S^* _i,j；

其中，c表示像素邻域范围，m(i,j)表示S_i,j在c*c邻域内的均值，σ(i,j)表示S_i,j在c*c邻域内的均方差，k₁表示均方差的权重因子，R₁表示均方差变化浮动范围；

步骤5：对步骤2)中的亮度V_i,j，根据公式(5)～(8)，用Sauvola局部阈值二值化方法实现二值化，具体如下：首先求得每一像素点(i,j)在其c*c邻域范围内的自适应阈值T^*(i,j)，然后按公式(8)实现二值化，得到V^* _i,j；

其中，m^*(i,j)表示V_i,j在c*c邻域内的均值，σ^*(i,j)表示V_i,j在c*c邻域内的均方差，k₂表示均方差的权重因子，R₂表示均方差变化浮动范围；

步骤6：将H_i,j、S^* _i,j和V^* _i,j三通道进行通道融合，并将图像从HSV颜色空间转回到RGB颜色空间，得到新的RGB图像I；

步骤7：对步骤6)中的RGB图像I，利用步骤3)中计算得到的α将图像进行水平倾斜矫正，得到图像M；

步骤8：对步骤7)得到的图像M，依次进行灰度化、3*3中值滤波、OTSU二值化，得到预处理结果G。