CN109145797B - 基于车底阴影定位车牌的道路救援装备正方位诱导方法 - Google Patents

基于车底阴影定位车牌的道路救援装备正方位诱导方法 Download PDF

Info

Publication number
CN109145797B
CN109145797B CN201810915174.9A CN201810915174A CN109145797B CN 109145797 B CN109145797 B CN 109145797B CN 201810915174 A CN201810915174 A CN 201810915174A CN 109145797 B CN109145797 B CN 109145797B
Authority
CN
China
Prior art keywords
image
point
license plate
vehicle bottom
candidate
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
Application number
CN201810915174.9A
Other languages
English (en)
Other versions
CN109145797A (zh
Inventor
李旭
金鹏
郑智勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201810915174.9A priority Critical patent/CN109145797B/zh
Publication of CN109145797A publication Critical patent/CN109145797A/zh
Application granted granted Critical
Publication of CN109145797B publication Critical patent/CN109145797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

基于车底阴影定位车牌的道路救援装备正方位诱导方法，该方法首先设置车底阴影感兴趣区域；其次，对该区域的灰度图像进行车底阴影分割操作；接着，进行提取车底阴影操作；进而，根据车底阴影的位置，确定车牌感兴趣区域，将该区域图像转化为灰度图像，并进行高斯平滑滤波、垂直方向的普瑞维特边缘检测及二值化处理；然后，根据所提出的候选点集与有效点集的筛选算法，对边缘点进行筛选；之后，采用形态学方法对有效点进行连接，并根据车牌区域面积、长度特征进行筛选，得到车牌区域和车牌中心位置；最后，根据车牌中心与图像中心在横向上的位置差，实施拖牵诱导。本发明提出的正方位诱导方法具有较强环境适应力和抗干扰能力。

Description

基于车底阴影定位车牌的道路救援装备正方位诱导方法
技术领域
本发明属于道路救援装备智能化操作领域，尤其涉及一种基于车底阴影定位车牌的道路救援装备正方位诱导方法。
背景技术
随着交通及汽车工业的快速发展，全世界高速公路里程数及汽车保有量在迅速增加，在突发性公共安全事件中，道路交通事故占据了最大的比例，近年来，道路交通事故占各类安全事故总数比例居高不下，甚至超过了70％，死亡人数占各类安全事故总死亡人数的83％，成为群众和政府部门最为关注的公共安全问题。在道路交通事故发生后，若不能及时对事故车辆进行快速高效的清障救援和应急处置，比如在双行道上，轻型道路救援装备无法快速准确地从正方位将事故车辆拖离车道，将造成交通拥堵，影响道路的安全畅通，甚至引发二次事故。目前，轻型道路救援装备正方位拖牵诱导效率低的主要原因是救援装备智能化水平较低，没有利用现有的科学技术对拖牵作业进行诱导辅助。
轻型道路救援装备是道路救援装备中结构及功能相对专一的拖牵装备，用来拖牵一些中小型事故车，拖牵装置位于救援车尾部，主要包括折臂、伸缩臂、摆臂以及两侧的托臂。在本发明中，车载摄像头被安装在道路救援装备尾部的折臂上，距离地面的高度在40～60厘米之间，所指的方向与救援车的车身纵轴平行，水平指向后方。在实施正方位拖牵作业的过程中，救援车位于事故车辆的前方，道路救援装备通过倒车作业，将两侧托臂分别与事故车辆两前轮进行对准，然后由两侧的托臂对事故车辆前轮进行固定，最后折臂牵拉起吊，将事故车辆拖离现场。在传统情况下进行的正方位拖牵诱导过程中，将道路救援装备托臂与事故车辆前轮进行对准这一操作，依赖于驾驶员的经验，耗时较长，效率低下。
针对上述问题，本发明需要解决的技术难点是，根据摄像头采集的图像，如何利用数字图像方面的知识来判断救援车与事故车辆的相对位置关系，从而达到提高轻型道路救援装备救援效率的目的。
发明内容
发明目的：针对以上现有技术存在的问题，本发明提出了一种基于车底阴影定位车牌的道路救援装备正方位诱导方法，在拖牵作业过程中给出辅助提示，实现准确、高效的拖牵诱导，从而达到提高轻型道路救援装备救援效率的目的。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于车底阴影定位车牌的道路救援装备正方位诱导方法，该方法包括如下步骤：
(1)确定车底阴影感兴趣区域；
(2)车底阴影分割；
(3)车底阴影提取；
(4)确定车牌感兴趣区域及图像预处理；
(5)候选点集与有效点集的确定；
(6)车牌定位；
(7)实施拖牵诱导。
其中，在步骤(1)中，首先设采集的事故车辆所在的后方作业区域彩色图像为图像I0，并对图像I0进行复制，得到彩色图像I′0；然后截取图像I0的下方1/2区域，得到车底阴影感兴趣区域图像，并将车底阴影感兴趣区域图像转变为灰度图像I1；另外，定义整体图像坐标系OXY为：其坐标原点与原始图像I0的左上角顶点一致，OX轴沿图像水平向右，OY轴沿图像垂直向下；
其中，在步骤(2)中，采用两次自适应阈值分割法，对步骤(1)中得到灰度图像I1进行车底阴影分割，得到分割后的图像I2，具体步骤如下：
(2.1)根据第一次自适应阈值计算公式，计算第一次自适应阈值th1；并根据阈值th1，在图像I1中筛选出灰度值小于th1的图像点，设这些图像点组成的点集为α；第一次自适应阈值计算公式如下：
th1＝μ1-σ1/μ1
其中，μ1、σ1为图像I1的灰度均值和方差，th1为第一次自适应阈值；
(2.2)根据第二次自适应阈值计算公式，计算第二次自适应阈值th2；并根据阈值th2，对图像I1图像进行二值化处理：灰度值小于th2的图像点的灰度值置为255，其他图像点的灰度值置零，从而得到图像I2；第二次自适应阈值计算公式如下：
th2＝μ2-σ2/μ2
其中，μ2、σ2为点集α的灰度均值和方差，th2为第二次自适应阈值；
其中，在步骤(3)中，对步骤(2)中得到的图像I2进行车底阴影提取操作，得到车底阴影有效区域β及其位置信息，具体步骤为：
(3.1)选取5×5大小的矩形结构元素，对图像I2进行开运算，从而得到M个连通区域Am，m＝1,2,3…,M，m表示连通区域Am的序号，M为连通区域Am的总数；
(3.2)根据车底阴影的面积特征，对M个连通区域Am进行筛选，m＝1,2,3…,M，得到N个车底阴影候选区域Bn，n＝1,2,3…,N，n表示车底阴影候选区域Bn的序号，N为车底阴影候选区域的总数；然后根据车底阴影的长度特征，对N个车底阴影候选区域Bn进行筛选，从而得到车底阴影有效区域β及其位置信息，n＝1,2,3…,N，具体子步骤如下：
(3.2.1)初始化m＝1，n＝0；
(3.2.2)若连通区域Am满足条件：
Figure GDA0003032277950000031
则进入子步骤(3.2.3)，否则进入子步骤(3.2.4)，其中，
Figure GDA0003032277950000032
表示连通区域Am的面积，Sth表示区域Am的面积阈值；
(3.2.3)将n值增1，并将Am判定为车底阴影候选区域Bn，然后求取区域Bn的长
Figure GDA0003032277950000033
进入子步骤(3.2.4)，其中
Figure GDA0003032277950000034
Figure GDA0003032277950000035
分别是车底阴影候选区域Bn中图像点相对于整体图像坐标系OXY的横坐标的最大值和最小值；
(3.2.4)若m＜M，将m增1，并重新开始子步骤(3.2.2)；否则令N＝n，进入子步骤(3.2.5)；
(3.2.5)若N≠0，在N个车底阴影候选区域Bn的长度中筛选出长度最大值
Figure GDA0003032277950000036
n＝1,2,3…,N，将对应的车底阴影候选区域Bn作为车底阴影有效区域β，并得到车底阴影有效区域相对于整体图像坐标系OXY的横坐标最小值xmin、横坐标最大值xmax、纵坐标最小值ymin以及纵坐标最大值ymax；若N为0，继续执行步骤(4)；
其中，在步骤(4)中，根据步骤(3)是否成功提取车底阴影，确定车牌感兴趣区域，之后，对车牌感兴趣区域的图像进行预处理，得到二值化后的图像I4及T个边缘点Ct，t＝1,2,3…,T，其中t表示边缘点Ct的序号，T为边缘点总数，具体步骤如下：
(4.1)如果N为0，即没有成功提取车底阴影，则将步骤(1)中的彩色图像I′0作为车牌感兴趣区域彩色图像I3；否则，根据车底阴影有效区域β的坐标信息，对彩色图像I′0进行对应位置的截取，得到车牌感兴趣区域彩色图像I3；截取范围为：相对于整体图像坐标系OXY，x0的取值范围是(xmin-xth,xmax+xth)，y0的取值范围是y0∈(0,ymax)，x0、y0分别是图像I′0中图像点的横坐标、纵坐标，xth是横坐标的范围扩展阈值；
(4.2)对车牌感兴趣区域图像I3进行预处理操作：首先，对图像I3进行复制，得到图像I3′；其次，将图像I3′转变为灰度图像，并对该灰度图像进行高斯平滑滤波，除去噪声的干扰；然后，采用普瑞维特算子对高斯滤波后的图像进行垂直方向的边缘检测，得到边缘检测后的图像；之后，对边缘检测后的图像进行二值化处理，即在边缘检测后的图像中，将沿图像水平方向梯度幅度大于阈值Pth的图像点的灰度值置为255，其他图像点的灰度值置为0，从而得到二值化后的图像I4和T个边缘点Ct，t＝1,2,3…,T，其中，Pth为二值化处理的阈值；
其中，在步骤(5)中，针对车牌区域字符边缘点的颜色特征和分布密集的特征，提出了车牌区域字符边缘候选点集与有效点集的筛选算法，并对步骤(4)中T个边缘点Ct进行筛选，t＝1,2,3…,T，筛选算法包括两个步骤，先确定候选点集，属于粗选，再针对候选点集确定有效点集，即精选，筛选算法具体步骤如下：
(5.1)确定候选点集的粗选过程：根据蓝底白字的车牌区域字符边缘点的颜色特征，对二值化后的图像I4上的T个的边缘点Ct进行筛选，得到粗选后的图像I5及K个候选边缘点Ek，k＝1,2,3…,K，其中k表示边缘点Ek的序号，K为候选边缘点的总数，具体子步骤为：
(5.1.1)初始化t＝1，k＝0；
(5.1.2)利用边缘点Ct相对于整体图像坐标系OXY的坐标值，在彩色图像I′3中找到具有相同坐标值的对应图像点(xt,yt)，xt、yt分别是该点相对于整体图像坐标系OXY的横坐标和纵坐标，设图像点(xt,yt)的相邻点为点(xt-1,yt-1)、点(xt-1,yt)、点(xt-1,yt+1)、点(xt+1,yt)、点(xt+1,yt-1)、点(xt+1,yt+1)；
(5.1.3)根据红绿蓝颜色空间到HSI颜色空间的转化公式，分别求取点(xt-1,yt-1)、点(xt-1,yt)、点(xt-1,yt+1)、点(xt+1,yt)、点(xt+1,yt-1)和点(xt+1,yt+1)的色调分量、饱和度分量以及亮度分量；
(5.1.4)对图像点(xt,yt)周围的六个图像点，即点(xt-1,yt-1)、点(xt-1,yt)、点(xt-1,yt+1)、点(xt+1,yt)、点(xt+1,yt-1)和点(xt+1,yt+1)，逐个进行颜色判别：若图像点满足条件(Hmin＜H＜Hmax)且(S＞Smin)，则将该图像点的颜色判定为蓝色；若图像点满足条件(S＜Smax)且(I＞Imin)，则将该图像点的颜色判定为白色；其中，H、S、I分别代表该图像点的色调分量、饱和度分量和亮度分量，Hmax、Hmin分别是色调分量的高、低阈值，Smax、Smin分别是饱和度分量的高、低阈值，Imin是亮度分量的低阈值；
(5.1.5)若图像点(xt-1,yt)是蓝色，图像点(xt-1,yt-1)或图像点(xt-1,yt+1)是蓝色，同时图像点(xt+1,yt)是白色，图像点(xt+1,yt-1)或图像点(xt+1,yt+1)是白色，则k值加1，将边缘点Ct判定为候选点Ek，并将点Ek的灰度值置为255，进入子步骤(5.1.7)，否则进入子步骤(5.1.6)；
(5.1.6)若图像点(xt-1,yt)是白色，图像点(xt-1,yt-1)或图像点(xt-1,yt+1)是白色，同时图像点(xt+1,yt)是蓝色，图像点(xt+1,yt-1)或图像点(xt+1,yt+1)是蓝色，则k值加1，将边缘点Ct判定为候选点Ek，并将点Ek的灰度值置为255，否则将点Ek的灰度值置为0，进入子步骤(5.1.7)；
(5.1.7)若t<T，则t增1，重新进入子步骤(5.1.2)；否则结束粗选过程，且令K＝k，从而得到K个候选边缘点Ek及粗选后的图像I5，k＝1,2,3…,K；
(5.2)确定有效点集的精选过程：根据车牌区域字符边缘点密集的特征，对K个候选边缘点Ek进行筛选，得到精选后的图像I6与有效点集，k＝1,2,3…,K，具体步骤如下：
(5.2.1)初始化k＝1；
(5.2.2)在以边缘点Ek为中心的周围7×7区域内进行扫描，如果检测到其他的候选边缘点，则保留该边缘点Ek，否则将该点Ek灰度值置零；
(5.2.3)若k＜K，则将k值增1，返回子步骤(5.2.2)；否则，结束精选过程，得到精选后的图像I6和有效点集；若有效点集为空集，则返回步骤(1)；否则，执行步骤(6)；
其中，在步骤(6)中，对步骤(5)中得到的有效点集，采用形态学方法进行连接，得到大小及形状不同的连通区域，并根据车牌区域的面积、长度特征进行筛选，得到车牌有效区域及位置信息，具体步骤如下：
(6.1)对步骤(5)中精选后的图像I6采用形态学方法进行处理，得到J个大小及形状不同的连通区域Fj，j＝1,2,3…,J，j表示连通区域Fj的序号，J为连通区域的总数，具体子步骤为：
(6.1.1)选取3×5大小的矩形结构元素，对图像I6进行四次膨胀操作，对有效点集进行连接，连通车牌区域，然后再用相同大小的矩形结构元素对膨胀后的图像进行四次腐蚀操作，保持车牌区域大小不变；
(6.1.2)选取3×3大小的矩形结构元素，对腐蚀操作后的图像进行开运算，进一步消除非车牌区域小块噪声区域，得到J个大小及形状不同的连通区域Fj，j＝1,2,3…,J；
(6.2)根据车牌区域的面积特征，对J个连通区域Fj进行筛选，j＝1,2,3…,J，得到W个车牌候选区域Dw，w＝1,2,3…,W，w表示车牌候选区域Dw的序号，W为车牌候选区域Dw的总数；然后，根据车牌区域的长度特征，对W个车牌候选区域Dw进行筛选，w＝1,2,3…,W，得到车牌有效区域γ及车牌中心相对于整体图像坐标系OXY的横坐标xmid，具体子步骤如下：
(6.2.1)初始化j＝1，w＝0；
(6.2.2)若连通区域Fj满足条件：
Figure GDA0003032277950000061
则进入子步骤(6.2.3)；否则进入子步骤(6.2.4)，其中
Figure GDA0003032277950000062
表示连通区域Fj的面积，SthF表示区域Fj的面积阈值；
(6.2.3)将w值增1，并将Fj判定为车牌候选区域Dw，然后求取车牌候选区域Dw的长
Figure GDA0003032277950000071
进入子步骤(6.2.4)，其中
Figure GDA0003032277950000072
xmaxw、xminw分别是车牌候选区域Dw中图像点相对于整体图像坐标系OXY的横坐标的最大值和最小值；
(6.2.4)若j＜J，将j增1，并重新开始子步骤(6.2.2)；否则，令W＝w，进入子步骤(6.2.5)；
(6.2.5)若W＝0，则表示没有得到车牌候选区域，返回步骤(1)；否则，在W个车牌候选区域Dw的长度中筛选出最大值
Figure GDA0003032277950000073
w＝1,2,3…,W，将对应的连通区域Dw作为车牌有效区域γ，并且得到车牌有效区域相对于整体图像坐标系OXY的横坐标最小值为xDmin、横坐标最大值为xDmax，则车牌中心相对于整体图像坐标系OXY的横坐标xmid为(xDmin+xDmax)/2；
其中，在步骤(7)中，将步骤(6)中得到的事故车辆车牌中心的横坐标xmid与图像I0中心的横坐标进行比较，实时给出方向提示，诱导驾驶员进行倒车作业：相对于整体图像坐标系OXY，若事故车辆车牌中心的横坐标xmid小于图像I0中心的横坐标，图像中车牌中心在图像中心的左侧，则提示驾驶员向右倒车；否则，提示驾驶员向左倒车，从而完成两侧托臂与事故车辆两前轮的对准，进而对事故车辆进行抱胎固定，将其牵拉拖离。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
1、针对轻型道路救援装备的结构及正方位拖牵作业工作特点，本发明提出了一种基于车底阴影定位车牌的道路救援装备正方位诱导方法，能有效加快轻型道路救援装备两侧托臂与事故车辆前轮进行对准这一过程，从而对拖牵作业形成诱导，提高了轻型道路救援装备救援效率。
2、诱导可靠性高，抗干扰能力能，诱导方法充分考虑并利用了不同车辆的车牌上的相似特征，鲁棒性强。
3、良好的环境适应能力，诱导方法中采用了两次自适应阈值分割法进行车底阴影分割，能够适应各种大小的车型。
附图说明
图1是本发明提出的正方位拖牵诱导方法的流程图；
图2是轻型道路救援装备在双行道上进行正方位拖牵作业示意图；
图3是轻型道路救援装备正方位拖牵诱导的正视图；
图4是轻型道路救援装备正方位拖牵诱导的俯视图；
图5是整体图像坐标系OXY；
图6是由摄像头采集的一帧示例图像；
图7是车底阴影感兴趣区域灰度图像；
图8是车底阴影分割后的图像；
图9是开运算后的车底阴影分割图像；
图10是车底阴影提取的结果图；
图11是根据车底阴影位置信息截取的车牌感兴趣区域图像；
图12是车牌所在的感兴趣区域Prewitt算子边缘检测后的图像；
图13是车牌感兴趣区域二值化图像；
图14是粗选后的图像；
图15是精选后的图像；
图16是车牌感兴趣区域腐蚀操作后的图像；
图17是车牌感兴趣区域开运算的结果图像；
图18是车牌定位后的结果图像。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
随着交通及汽车工业的快速发展，全世界高速公路里程数及汽车保有量在迅速增加，在突发性公共安全事件中，道路交通事故占据了最大的比例。近年来，道路交通事故占各类安全事故总数比例居高不下，甚至超过了70％，死亡人数占各类安全事故总死亡人数的83％，成为群众和政府部门最为关注的公共安全问题。在道路交通事故发生后，若不能及时对事故车辆进行快速高效的清障救援和应急处置，比如在双行道上，参见说明书附图2，轻型道路救援装备无法快速准确地从正方位将事故车辆托离车道，将造成交通拥堵，影响道路的安全畅通，甚至引发二次事故。目前，轻型道路救援装备正方位拖牵诱导效率低的主要原因是救援装备智能化水平较低，没有利用现有的科学技术对拖牵作业进行诱导辅助。
轻型道路救援装备(如皮卡型救援车)的拖牵装置位于救援车尾部，主要包括折臂、伸缩臂、摆臂以及两侧的托臂，参见说明书附图3和附图4。在实施正方位拖牵作业的过程中，救援车位于事故车辆的前方，参见说明书附图3和附图4，道路救援装备通过倒车作业，将两侧托臂分别与事故车辆两前轮进行对准，然后由两侧的托臂对事故车辆前轮进行固定，最后折臂牵拉起吊，将事故车辆拖离现场。传统情况下，在进行正方位拖牵作业的过程中，将道路救援装备托臂与事故车辆前轮进行对准这一操作，依赖于驾驶员的经验，耗时较长，效率低下。在本发明中，车载摄像头被安装在折臂上，所指的方向与救援车的车身纵轴平行，水平指向后方，并且折臂位于车宽中间位置，所以摄像头采集的图像区域的中轴线与道路救援装备及其拖牵装置的中轴线相一致，而事故车辆前车牌一般位于其车头中间的位置。针对这个特征，本发明对采集的原始图像中车牌进行定位，然后将原始图像中心的横坐标与事故车辆车牌中心横坐标进行比较，从而确定当前状态下救援车与事故车辆的相对位置关系，之后给出方向提示，对拖牵作业形成诱导，进而提高正方位拖牵诱导的效率。
针对轻型道路救援装备正方位拖牵作业的工作特点，如说明书附图1所述，本发明提出了一种基于车底阴影定位车牌的道路救援装备正方位诱导方法，该方法包括七大步，如下：
(1)确定车底阴影感兴趣区域
车载摄像头被安装在道路救援装备尾部的折臂上，参见说明书附图3，距离地面的高度在40～60厘米之间，所指的方向与救援车的车身纵轴平行，水平指向后方。首先，摄像头对事故车辆所在的后方作业区域进行采集，得到后方作业区域彩色图像I0，参见说明书附图6；其次，对图像I0进行复制，得到彩色图像I′0，以备后述步骤(4)使用；然后，根据事故车辆车底阴影位于图像I0下方的位置特征，截取图像I0的下方1/2区域，得到车底阴影感兴趣区域图像，并将车底阴影感兴趣区域图像转变为灰度图像I1，参见说明书附图7。
另外，在本发明中，整体图像坐标系OXY的定义为：坐标原点与原始图像I0的左上角顶点一致，OX轴沿图像水平向右，OY轴沿图像垂直向下，参见说明书附图5。
(2)车底阴影分割
车底阴影区域在整幅图像中较暗，是一种鲁棒性较强的特征。所以先从图像中分割出车底阴影，然后根据车牌在车底阴影上方的位置特征，缩小车牌检测的范围，再进行车牌定位，是行之有效的检测方法。
车底阴影检测方法分为基于模型的方法和基于特征的方法：基于模型的方法需要有严格的假设，不能很好地适应各种环境的变化；基于特征的方法虽然对噪声敏感，但是可以快速地检测出车底阴影。基于特征的车底阴影检测方法有很多，两次自适应阈值分割法是其中的一种。由于露天情况下，环境复杂多变，摄像头采集的图像可能会受到光强及大面积阴影的干扰，采用一次阈值分割不能有效抑制这些干扰，所以本发明采用了鲁棒性较强的两次自适应阈值分割法，对图像I1进行车底阴影分割，得到分割后图像I2参见说明书附图8。具体步骤如下：
(2.1)根据第一次自适应阈值计算公式，计算第一次自适应阈值th1；并根据阈值th1，在图像I1中筛选出灰度值小于th1的图像点，设这些图像点组成的点集为α；第一次自适应阈值计算公式如下：
th1＝μ1-σ1/μ1
其中，μ1、σ1为图像I1的灰度均值和方差，th1为第一次自适应阈值；
(2.2)根据第二次自适应阈值计算公式，计算第二次自适应阈值th2；并根据阈值th2，对图像进行二值化处理：灰度值小于th2的图像点的灰度值置为255，其他图像点的灰度值置零，从而得到图像I2；第二次自适应阈值计算公式如下：
th2＝μ2-σ2/μ2
其中，μ2、σ2为点集α的灰度均值和方差，th2为第二次自适应阈值；
(3)车底阴影提取
在车底阴影分割后的图像I2中，存在许多小块噪声的干扰。因此，先用形态学的方法对图像I2进行处理，得到包含车底阴影区域的连通区域集，然后对若干个连通区域按照一定的条件进行筛选，得到车底阴影有效区域。具体步骤如下：
(3.1)选取5×5大小的矩形结构元素，对图像I2进行开运算，在保留车底阴影区域的同时，去除大部分小块噪声，从而得到M个连通区域Am，m＝1,2,3…,M，参见说明书附图9。其中，m表示连通区域Am的序号，M为连通区域Am的总数。
(3.2)在M个连通区域Am中，m＝1,2,3…,M，车底阴影区域的面积较大、长度较长。所以，首先根据车底阴影的面积特征，按照一定的条件，对M个连通区域Am进行筛选，得到N个车底阴影候选区域Bn，n＝1,2,3…,N，n表示车底阴影候选区域Bn的序号，N为车底阴影候选区域Bn的总数；然后根据车底阴影的长度特征，对N个车底阴影候选区域Bn进行筛选，从而提取车底阴影有效区域β并获得其位置信息。应当指出，正方位拖牵有效作业距离一般为1～5米，摄像头的焦距可选择为4～8毫米，本发明中摄像头采集的图像尺寸固定为640×360，图像中车底阴影区域的像素大小会在1000～9000内变化。上述方法具体子步骤如下：
(3.2.1)初始化m＝1，n＝0；
(3.2.2)若连通区域Am满足条件：
Figure GDA0003032277950000111
则进入子步骤(3.2.3)；否则，进入子步骤(3.2.4)，其中，
Figure GDA0003032277950000112
表示连通区域Am的面积，Sth表示连通区域Am的面积阈值，该阈值可在1000～1500内取值；
(3.2.3)将n值增1，并将Am判定为车底阴影候选区域Bn，然后求取车底阴影候选区域Bn的长
Figure GDA0003032277950000113
进入子步骤(3.2.4)，其中
Figure GDA0003032277950000114
Figure GDA0003032277950000115
分别是车底阴影候选区域Bn中图像点相对于整体图像坐标系OXY的横坐标的最大值和最小值；
(3.2.4)若m＜M，将m增1，并重新开始子步骤(3.2.2)；否则令N＝n，进入子步骤(3.2.5)；
(3.2.5)若N≠0，在N个车底阴影候选区域Bn的长度中筛选出长度最大值
Figure GDA0003032277950000116
n＝1,2,3…,N，将对应的车底阴影候选区域Bn作为车底阴影有效区域β，车底阴影有效区域β被标注在图像I1上，参见说明书附图10，并得到车底阴影有效区域相对于整体图像坐标系OXY的横坐标最小值xmin、横坐标最大值xmax、纵坐标最小值ymin以及纵坐标最大值ymax；若N为0，表示车底阴影提取操作失败，继续执行步骤(4)。
(4)确定车牌感兴趣区域及图像预处理
如果步骤(3)中的提取车底阴影失败，则将步骤(1)中彩色图像I′0作为车牌感兴趣区域彩色图像I3；否则，根据车底阴影有效区域β的坐标信息，对图像I′0进行对应位置的截取，从而得到车牌感兴趣区域彩色图像I3，参见说明书附图11；截取范围为：相对于整体图像坐标系OXY，x0的取值范围是(xmin-xth,xmax+xth)，y0的取值范围是y0∈(0,ymax)。x0、y0分别是图像I′0中图像点的横坐标、纵坐标，xth是横坐标的范围扩展阈值，阈值xth的取值范围是90～100。其中，设置xth的原因是露天情况下光线比较复杂、光线照射的方向存在变化，存在检测到的车底阴影偏向一侧车轮的现象，设置xth可以提高算法的鲁棒性。
由于车牌感兴趣区域图像I3存在许多噪声，所以有必要对图像I3进行预处理操作：首先，对图像I3进行复制，得到图像I3′，以备后述步骤(5)中使用；其次，将图像I3转变为灰度图像，并对该灰度图像进行高斯平滑滤波，除去噪声的干扰；然后，根据车牌区域字符垂直边缘较多的特征，采用普瑞维特(Prewitt)算子对高斯滤波后的图像进行垂直方向的边缘检测，得到边缘检测后的图像，参见说明书附图12。
边缘检测算法有很多，如Prewitt算法、Sobel算法和Laplacian算法等，这些算法的区别是所用的梯度算子不同，为了保证诱导方法的实时性，本发明采用了计算量较小的Prewitt算法。其中，Prewitt算子有图像水平方向的形式
Figure GDA0003032277950000121
和图像垂直方向的形式
Figure GDA0003032277950000122
由于车牌区域字符在垂直方向上的边缘点较多，所以本发明只采用了图像水平方向上的Prewitt算子进行边缘检测。相应地，在图像点(x,y)处沿图像水平方向的梯度幅度计算公式为：
Gx(x,y)＝g(x+1,y-1)+g(x+1,y)+g(x+1,y+1)-g(x-1,y-1)-g(x-1,y)-g(x-1,y+1)
其中，Gx(x,y)为图像点(x,y)沿图像水平方向的梯度幅度，g(x,y)为图像灰度值函数。
为了减少接下来粗选过程中的计算量，还需要根据边缘检测后的图像点的沿图像水平方向梯度幅度的大小，对边缘检测后的图像进行二值化处理，即在边缘检测后的图像中，将沿图像水平方向梯度幅度大于阈值Pth的图像点的灰度值置为255，其他图像点的灰度值置为0，从而得到T个边缘点Ct,t＝1,2,3…,T,和二值化后的图像I4，参见说明书附图13。其中，t表示边缘点Ct的序号，T为边缘点的总数。为了最大程度地保留车牌区域字符边缘点，同时去除更多的噪点，二值化处理的阈值Pth在80～120内取值。
(5)候选点集与有效点集的确定
二值图像I4还存在许多干扰点，因此有必要对T个边缘点Ct进行筛选，t＝1,2,3…,T。筛选依据是车牌区域字符边缘点的基本特征，包括颜色特征、车牌区域边缘点密集特征等。
边缘点筛选包括两个步骤：先确定候选点集，属于粗选，再针对候选点集确定有效点集，即精选。粗选过程的依据是车牌区域字符边缘点的颜色特征，应当指出，由于目前国内绝大部分社会车辆的车牌是蓝底白字，所以本发明提出的诱导方法适用于白天光线充足条件下车牌为蓝底白字的小型汽车；而精选过程的依据是车牌区域字符边缘点密集这一特征。通过这两步筛选，可以有效去除许多干扰的影响。
其中，粗选过程的处理对象是边缘点Ct，t＝1,2,3…,T，而边缘点Ct所在的图像I4是二值图像，若要根据颜色特征进行粗选，则需要利用二值图像I4所对应的彩色图像I3′的颜色信息。对于二值图像I4上的每个边缘点Ct，根据其相对于整体图像坐标系OXY的坐标值，在彩色图像I3′上找到具有相同坐标值的对应点其坐标值也相对于整体图像坐标系OXY；然后利用该对应点的相邻点的颜色信息，按照一定的条件，对边缘点Ct进行筛选，是行之有效的筛选方法。边缘点筛选的具体步骤如下：
(5.1)确定候选点集的粗选过程：对二值化后的图像I4上的T个的边缘点Ct进行筛选，得到粗选后的图像I5及K个候选边缘点Ek，k＝1,2,3…,K，其中k表示边缘点Ek的序号，K为候选边缘点的总数，具体子步骤为：
(5.1.1)初始化t＝1，k＝0；
(5.1.2)利用边缘点Ct相对于整体图像坐标系OXY的坐标值，在得到的彩色图像I′3中找到具有相同坐标值的对应图像点(xt,yt)，xt、yt分别是该点相对于整体图像坐标系OXY的横坐标和纵坐标，设图像点(xt,yt)的相邻点为点(xt-1,yt-1)、点(xt-1,yt)、点(xt-1,yt+1)、点(xt+1,yt)、点(xt+1,yt-1)、点(xt+1,yt+1)；
(5.1.3)根据红绿蓝颜色空间到HSI颜色空间的转化公式，分别求取点(xt-1,yt-1)、点(xt-1,yt)、点(xt-1,yt+1)、点(xt+1,yt)、点(xt+1,yt-1)和点(xt+1,yt+1)的色调(H)分量、饱和度(S)分量以及亮度(I)分量；
(5.1.4)对图像点(xt,yt)周围的六个图像点，即点(xt-1,yt-1)、点(xt-1,yt)、点(xt-1,yt+1)、点(xt+1,yt)、点(xt+1,yt-1)和点(xt+1,yt+1)，逐个进行颜色判别：若图像点满足条件Hmin＜H＜Hmax且S＞Smin，则将该图像点的颜色判定为蓝色；若图像点满足条件S＜Smax且I＞Imin，则将该图像点的颜色判定为白色。其中，H、S、I分别代表该图像点的色调分量、饱和度分量和亮度分量，Hmax、Hmin分别是色调分量的高、低阈值，阈值Hmax在240～245内取值，阈值Hmin在130～140内取值；Smax、Smin分别是饱和度分量的高、低阈值，阈值Smax在0.25～0.35内取值，阈值Smin在0.2～0.25内取值；Imin是亮度分量的低阈值，阈值Imin在80～85内取值；
(5.1.5)若图像点(xt-1,yt)是蓝色，图像点(xt-1,yt-1)或图像点(xt-1,yt+1)是蓝色，同时图像点(xt+1,yt)是白色，图像点(xt+1,yt-1)或图像点(xt+1,yt+1)是白色，则k值加1，将边缘点Ct判定为候选点Ek，并将点Ek的灰度值置为255，进入子步骤(5.1.7)，否则进入子步骤(5.1.6)；
(5.1.6)若图像点(xt-1,yt)是白色，图像点(xt-1,yt-1)或图像点(xt-1,yt+1)是白色，同时图像点(xt+1,yt)是蓝色，图像点(xt+1,yt-1)或图像点(xt+1,yt+1)是蓝色，则k值加1，将边缘点Ct判定为候选点Ek，并将点Ek的灰度值置为255；否则将点Ek的灰度值置为0，进入子步骤(5.1.7)；
(5.1.7)若t<T，则t增1，重新进入子步骤(5.1.2)；否则结束粗选过程，且令K＝k，得到K个候选边缘点Ek及粗选后的图像I5，k＝1,2,3…,K，图像I5参见说明书附图14。
上述粗选算法的补充说明：经典的颜色空间有红绿蓝颜色空间、HSI颜色空间等，由于红绿蓝颜色空间可以很好地匹配人眼对红绿蓝感性强烈的特性，所以彩色图像一般在红绿蓝颜色空间中进行表示，比如本发明中的彩色图像I′3。而红色、绿色和蓝色这三个颜色分量容易受到光照的影响，HSI颜色空间的色调、饱和度、亮度三个分量则比较稳定。所以上述的粗选步骤中没有直接利用图像点的红绿蓝这三个颜色分量，而是求取了图像点的色调分量、饱和度分量以及亮度分量。
(5.2)确定有效点集的精选过程：根据车牌区域字符边缘点密集的特征，对K个候选边缘点Ek进行筛选，得到精选后的图像I6与有效点集，k＝1,2,3…,K，具体子步骤如下：
(5.2.1)初始化k＝1；
(5.2.2)在以边缘点Ek为中心的周围7×7区域内进行扫描，如果检测到其他的候选边缘点，则保留该边缘点Ek，否则将该点Ek灰度值置零；
(5.2.3)若k＜K，则将k值增1，返回子步骤(5.2.2)；否则，结束精选过程，得到精选后的图像I6和有效点集，图像I6参见说明书附图15。若有效点集为空集，则返回步骤(1)；否则，继续执行步骤(6)。
(6)车牌定位
对于车牌感兴趣区域图像，在确定完有效点集之后，就可以对有效点集进行连接，还原车牌的矩形区域。与此同时，图像上会存在少量非车牌的连通区域的干扰。所以根据车牌区域在图像中面积较大、长度较长的特点，对连通区域进行筛选，可以得到车牌有效区域γ和相对于整体图像坐标系OXY的车牌中心的横坐标xmid，从而完成车牌定位。其中，对有效点集进行连接的方法有很多，本发明采用了形态学方法进行处理，在有效还原车牌矩形区域的同时，可以滤除部分噪点的干扰。车牌定位具体步骤如下：
(6.1)对精选后的图像I6采用形态学方法进行处理，得到J个大小及形状不同的连通区域Fj，j＝1,2,3…,J。其中，j表示连通区域Fj的序号，J为连通区域的总数，具体子步骤为：
(6.1.1)选取3×5大小的矩形结构元素，对图像I6进行四次膨胀操作，对有效点集进行连接，连通车牌区域，然后再用相同大小的矩形结构元素对膨胀后的图像进行四次腐蚀操作，保持车牌区域大小不变，结果图像参见说明书附图16，有效边缘点指的是经过精选后的边缘点所组成的点集；
(6.1.2)选取3×3大小的矩形结构元素，对腐蚀操作后的图像进行开运算，进一步消除非车牌区域的小块噪声区域，得到J个大小及形状不同的连通区域Fj，j＝1,2,3…,J，开运算后的图像参见说明书附图17；
(6.2)根据车牌区域的面积特征，对J个连通区域Fj进行筛选，j＝1,2,3…,J，得到W个车牌候选区域Dw，w＝1,2,3…,W，w表示车牌候选区域Dw的序号，W为车牌候选区域Dw的总数；然后，根据车牌区域的长度特征，对W个车牌候选区域Dw进行筛选，w＝1,2,3…,W，从而得到车牌有效区域γ及相对于整体图像坐标系OXY的车牌中心的横坐标xmid，具体子步骤如下：
(6.2.1)初始化j＝1，w＝0；
(6.2.2)若连通区域Fj满足条件：
Figure GDA0003032277950000163
则进入子步骤(6.2.3)；否则进入子步骤(6.2.4)。其中，
Figure GDA0003032277950000164
表示连通区域Fj的面积，SthF表示连通区域Fj的面积阈值，应当指出，正方位拖牵有效作业距离一般为1～5米，摄像头的焦距可选择为4～8毫米，本发明中摄像头采集的图像尺寸固定为640×360，图像中车牌区域的像素大小会在400～5000内变化，依据上述条件，该阈值SthF可在100～400内取值；
(6.2.3)将w值增1，并将Fj判定为车牌候选区域Dw，然后求取车牌候选区域Dw的长
Figure GDA0003032277950000161
进入子步骤(6.2.4)。其中
Figure GDA0003032277950000162
xmaxw、xminw分别是车牌候选区域Dw中图像点相对于整体图像坐标系OXY的横坐标最大值和最小值；
(6.2.4)若j＜J，将j增1，并重新开始子步骤(6.2.2)；否则令W＝w，进入子步骤(6.2.5)；
(6.2.5)若W＝0，则表示没有得到车牌候选区域，返回步骤(1)；否则，在W个车牌候选区域Dw的长度中筛选出最大值
Figure GDA0003032277950000171
w＝1,2,3…,W，将对应的连通区域Dw作为车牌有效区域γ，并且得到车牌有效区域相对于整体图像坐标系OXY的横坐标最小值为xDmin、横坐标最大值为xDmax，则车牌中心横坐标xmid为(xDmin+xDmax)/2，xmid相对于整体图像坐标系OXY。其中，车牌有效区域γ被标注在彩色图像I0上，参见说明书附图18。
(7)实施拖牵诱导
在轻型道路救援的过程中，将步骤(6)中得到的事故车辆车牌中心的横坐标xmid与图像I0中心的横坐标进行比较，实时给出方向提示，诱导驾驶员进行倒车作业：相对于整体图像坐标系OXY，若事故车辆车牌中心的横坐标xmid小于图像I0中心的横坐标，图像中车牌中心在图像中心的左侧，则提示驾驶员向右倒车；否则，提示驾驶员向左倒车，从而完成两侧托臂与事故车辆两前轮的对准，进而对事故车辆进行抱胎固定，将其牵拉拖离。

Claims (5)

1.基于车底阴影定位车牌的道路救援装备正方位诱导方法，其特征在于，包括如下步骤：
(1)确定车底阴影感兴趣区域；首先设采集的事故车辆所在的后方作业区域彩色图像为图像I0，并对图像I0进行复制，得到彩色图像I′0；然后截取图像I0的下方1/2区域，得到车底阴影感兴趣区域图像，并将车底阴影感兴趣区域图像转变为灰度图像I1；另外，定义整体图像坐标系OXY为：其坐标原点与原始图像I0的左上角顶点一致，OX轴沿图像水平向右，OY轴沿图像垂直向下；
(2)车底阴影分割；采用两次自适应阈值分割法，对步骤(1)中得到灰度图像I1进行车底阴影分割，得到分割后的图像I2，具体步骤如下：
(2.1)根据第一次自适应阈值计算公式，计算第一次自适应阈值th1；并根据阈值th1，在图像I1中筛选出灰度值小于th1的图像点，设这些图像点组成的点集为α；第一次自适应阈值计算公式如下：
th1＝μ1-σ1/μ1
其中，μ1、σ1为图像I1的灰度均值和方差，th1为第一次自适应阈值；
(2.2)根据第二次自适应阈值计算公式，计算第二次自适应阈值th2；并根据阈值th2，对图像I1进行二值化处理：灰度值小于th2的图像点的灰度值置为255，其他图像点的灰度值置零，从而得到图像I2；第二次自适应阈值计算公式如下：
th2＝μ2-σ2/μ2
其中，μ2、σ2为点集α的灰度均值和方差，th2为第二次自适应阈值；
(3)车底阴影提取；对步骤(2)中得到的图像I2进行车底阴影提取操作，得到车底阴影有效区域β及其位置信息，具体步骤为：
(3.1)选取5×5大小的矩形结构元素，对图像I2进行开运算，从而得到M个连通区域Am，m＝1,2,3…,M，m表示连通区域Am的序号，M为连通区域Am的总数；
(3.2)根据车底阴影的面积特征，对M个连通区域Am进行筛选，m＝1,2,3…,M，得到N个车底阴影候选区域Bn，n＝1,2,3…,N，n表示车底阴影候选区域Bn的序号，N为车底阴影候选区域的总数；然后根据车底阴影的长度特征，对N个车底阴影候选区域Bn进行筛选，从而得到车底阴影有效区域β及其位置信息，n＝1,2,3…,N，具体子步骤如下：
(3.2.1)初始化m＝1，n＝0；
(3.2.2)若连通区域Am满足条件：
Figure FDA0003032277940000021
则进入子步骤(3.2.3)，否则进入子步骤(3.2.4)，其中，
Figure FDA0003032277940000022
表示连通区域Am的面积，Sth表示区域Am的面积阈值；
(3.2.3)将n值增1，并将Am判定为车底阴影候选区域Bn，然后求取区域Bn的长
Figure FDA0003032277940000023
进入子步骤(3.2.4)，其中
Figure FDA0003032277940000024
Figure FDA0003032277940000025
分别是车底阴影候选区域Bn中图像点相对于整体图像坐标系OXY的横坐标的最大值和最小值；
(3.2.4)若m＜M，将m增1，并重新开始子步骤(3.2.2)；否则令N＝n，进入子步骤(3.2.5)；
(3.2.5)若N≠0，在N个车底阴影候选区域Bn的长度中筛选出长度最大值
Figure FDA0003032277940000026
1≤nmax≤N，将对应的车底阴影候选区域Bnmax作为车底阴影有效区域β，并得到车底阴影有效区域相对于整体图像坐标系OXY的横坐标最小值xmin、横坐标最大值xmax、纵坐标最小值ymin以及纵坐标最大值ymax；若N为0，继续执行步骤(4)；
(4)确定车牌感兴趣区域及图像预处理；
(5)候选点集与有效点集的确定；
(6)车牌定位；
(7)实施拖牵诱导。
2.根据权利要求1所述的基于车底阴影定位车牌的道路救援装备正方位诱导方法，其特征在于：在步骤(4)中，根据步骤(3)是否成功提取车底阴影，确定车牌感兴趣区域，之后，对车牌感兴趣区域的图像进行预处理，得到二值化后的图像I4及T个边缘点Ct，t＝1,2,3…,T，其中t表示边缘点Ct的序号，T为边缘点总数，具体步骤如下：
(4.1)如果N为0，即没有成功提取车底阴影，则将步骤(1)中的彩色图像I′0作为车牌感兴趣区域彩色图像I3；否则，根据车底阴影有效区域β的坐标信息，对彩色图像I′0进行对应位置的截取，得到车牌感兴趣区域彩色图像I3；截取范围为：相对于整体图像坐标系OXY，x0的取值范围是(xmin-xth,xmax+xth)，y0的取值范围是y0∈(0,ymax)，x0、y0分别是图像I′0中图像点的横坐标、纵坐标，xth是横坐标的范围扩展阈值；
(4.2)对车牌感兴趣区域彩色图像I3进行预处理操作：首先，对图像I3进行复制，得到图像I′3；其次，将图像I′3转变为灰度图像，并对该灰度图像进行高斯平滑滤波，除去噪声的干扰；然后，采用普瑞维特算子对高斯平滑滤波后的图像进行垂直方向的边缘检测，得到边缘检测后的图像；之后，对边缘检测后的图像进行二值化处理，即在边缘检测后的图像中，将沿图像水平方向梯度幅度大于阈值Pth的图像点的灰度值置为255，其他图像点的灰度值置为0，从而得到二值化后的图像I4和T个边缘点Ct，t＝1,2,3…,T，其中，Pth为二值化处理的阈值。
3.根据权利要求2所述的基于车底阴影定位车牌的道路救援装备正方位诱导方法，其特征在于：在步骤(5)中，对步骤(4)中T个边缘点Ct进行筛选，t＝1,2,3…,T，筛选算法包括两个步骤，先确定候选点集，属于粗选，再针对候选点集确定有效点集，即精选，筛选算法具体步骤如下：
(5.1)确定候选点集的粗选过程：根据蓝底白字的车牌区域字符边缘点的颜色特征，对二值化后的图像I4上的T个边缘点Ct进行筛选，得到粗选后的图像I5及K个候选边缘点Ek，k＝1,2,3…,K，其中k表示边缘点Ek的序号，K为候选边缘点的总数，具体子步骤为：
(5.1.1)初始化t＝1，k＝0；
(5.1.2)利用边缘点Ct相对于整体图像坐标系OXY的坐标值，在彩色图像I′3中找到具有相同坐标值的对应图像点(xt,yt)，xt、yt分别是该点相对于整体图像坐标系OXY的横坐标和纵坐标，设图像点(xt,yt)的相邻点为点(xt-1,yt-1)、点(xt-1,yt)、点(xt-1,yt+1)、点(xt+1,yt)、点(xt+1,yt-1)、点(xt+1,yt+1)；
(5.1.3)根据红绿蓝颜色空间到HSI颜色空间的转化公式，分别求取点(xt-1,yt-1)、点(xt-1,yt)、点(xt-1,yt+1)、点(xt+1,yt)、点(xt+1,yt-1)和点(xt+1,yt+1)的色调分量、饱和度分量以及亮度分量；
(5.1.4)对图像点(xt,yt)周围的六个图像点，即点(xt-1,yt-1)、点(xt-1,yt)、点(xt-1,yt+1)、点(xt+1,yt)、点(xt+1,yt-1)和点(xt+1,yt+1)，逐个进行颜色判别：若图像点同时满足条件Hmin＜H＜Hmax和S＞Smin，则将该图像点的颜色判定为蓝色；若图像点同时满足条件S＜Smax和I＞Imin，则将该图像点的颜色判定为白色；其中，H、S、I分别代表该图像点的色调分量、饱和度分量和亮度分量，Hmax、Hmin分别是色调分量的高、低阈值，Smax、Smin分别是饱和度分量的高、低阈值，Imin是亮度分量的低阈值；
(5.1.5)若图像点(xt-1,yt)是蓝色，图像点(xt-1,yt-1)或图像点(xt-1,yt+1)是蓝色，同时图像点(xt+1,yt)是白色，图像点(xt+1,yt-1)或图像点(xt+1,yt+1)是白色，则k值加1，将边缘点Ct判定为候选边缘点Ek，并将点Ek的灰度值置为255，进入子步骤(5.1.7)，否则进入子步骤(5.1.6)；
(5.1.6)若图像点(xt-1,yt)是白色，图像点(xt-1,yt-1)或图像点(xt-1,yt+1)是白色，同时图像点(xt+1,yt)是蓝色，图像点(xt+1,yt-1)或图像点(xt+1,yt+1)是蓝色，则k值加1，将边缘点Ct判定为候选边缘点Ek，并将点Ek的灰度值置为255，否则将点Ek的灰度值置为0，进入子步骤(5.1.7)；
(5.1.7)若t<T，则t增1，重新进入子步骤(5.1.2)；否则结束粗选过程，且令K＝k，从而得到K个候选边缘点Ek及粗选后的图像I5，k＝1,2,3…,K；
(5.2)确定有效点集的精选过程：根据车牌区域字符边缘点密集的特征，对K个候选边缘点Ek进行筛选，得到精选后的图像I6与有效点集，k＝1,2,3…,K，具体子步骤如下：
(5.2.1)初始化k＝1；
(5.2.2)在以边缘点Ek为中心的周围7×7区域内进行扫描，如果检测到其他的候选边缘点，则保留该边缘点Ek，否则将该点Ek灰度值置零；
(5.2.3)若k＜K，则将k值增1，返回子步骤(5.2.2)；否则，结束精选过程，得到精选后的图像I6和有效点集；若有效点集为空集，则返回步骤(1)；否则，执行步骤(6)。
4.根据权利要求3所述的基于车底阴影定位车牌的道路救援装备正方位诱导方法，其特征在于：在步骤(6)中，对步骤(5)中得到的有效点集，采用形态学方法进行连接，得到大小及形状不同的连通区域，并根据车牌区域的面积、长度特征进行筛选，得到车牌有效区域及位置信息，具体步骤如下：
(6.1)对步骤(5)中精选后的图像I6采用形态学方法进行处理，得到J个大小及形状不同的连通区域Fj，j＝1,2,3…,J，j表示连通区域Fj的序号，J为连通区域的总数，具体子步骤为：
(6.1.1)选取3×5大小的矩形结构元素，对图像I6进行四次膨胀操作，对有效点集进行连接，连通车牌区域，然后再用相同大小的矩形结构元素对膨胀后的图像进行四次腐蚀操作，保持车牌区域大小不变；
(6.1.2)选取3×3大小的矩形结构元素，对腐蚀操作后的图像进行开运算，进一步消除非车牌区域小块噪声区域，得到J个大小及形状不同的连通区域Fj，j＝1,2,3…,J；
(6.2)根据车牌区域的面积特征，对J个连通区域Fj进行筛选，j＝1,2,3…,J，得到W个车牌候选区域Dw，w＝1,2,3…,W，w表示车牌候选区域Dw的序号，W为车牌候选区域Dw的总数；然后，根据车牌区域的长度特征，对W个车牌候选区域Dw进行筛选，w＝1,2,3…,W，得到车牌有效区域γ及车牌中心相对于整体图像坐标系OXY的横坐标xmid，具体子步骤如下：
(6.2.1)初始化j＝1，w＝0；
(6.2.2)若连通区域Fj满足条件：
Figure FDA0003032277940000061
则进入子步骤(6.2.3)；否则进入子步骤(6.2.4)，其中
Figure FDA0003032277940000062
表示连通区域Fj的面积，SthF表示区域Fj的面积阈值；
(6.2.3)将w值增1，并将Fj判定为车牌候选区域Dw，然后求取车牌候选区域Dw的长
Figure FDA0003032277940000063
进入子步骤(6.2.4)，其中
Figure FDA0003032277940000064
xmaxw、xminw分别是车牌候选区域Dw中图像点相对于整体图像坐标系OXY的横坐标的最大值和最小值；
(6.2.4)若j＜J，将j增1，并重新开始子步骤(6.2.2)；否则，令W＝w，进入子步骤(6.2.5)；
(6.2.5)若W＝0，则表示没有得到车牌候选区域，返回步骤(1)；否则，在W个车牌候选区域Dw的长度中筛选出最大值
Figure FDA0003032277940000065
将对应的连通区域Dwmax作为车牌有效区域γ，并且得到车牌有效区域相对于整体图像坐标系OXY的横坐标最小值为xDmin、横坐标最大值为xDmax，则车牌中心相对于整体图像坐标系OXY的横坐标xmid为(xDmin+xDmax)/2。
5.根据权利要求4所述的基于车底阴影定位车牌的道路救援装备正方位诱导方法，其特征在于：在步骤(7)中，将步骤(6)中得到的事故车辆车牌中心的横坐标xmid与图像I0中心的横坐标进行比较，实时给出方向提示，诱导驾驶员进行倒车作业：相对于整体图像坐标系OXY，若事故车辆车牌中心的横坐标xmid小于图像I0中心的横坐标，图像中车牌中心在图像中心的左侧，则提示驾驶员向右倒车；否则，提示驾驶员向左倒车，从而完成两侧托臂与事故车辆两前轮的对准，进而对事故车辆进行抱胎固定，将其牵拉拖离。
CN201810915174.9A 2018-08-13 2018-08-13 基于车底阴影定位车牌的道路救援装备正方位诱导方法 Active CN109145797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810915174.9A CN109145797B (zh) 2018-08-13 2018-08-13 基于车底阴影定位车牌的道路救援装备正方位诱导方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810915174.9A CN109145797B (zh) 2018-08-13 2018-08-13 基于车底阴影定位车牌的道路救援装备正方位诱导方法

Publications (2)

Publication Number Publication Date
CN109145797A CN109145797A (zh) 2019-01-04
CN109145797B true CN109145797B (zh) 2021-06-25

Family

ID=64792636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810915174.9A Active CN109145797B (zh) 2018-08-13 2018-08-13 基于车底阴影定位车牌的道路救援装备正方位诱导方法

Country Status (1)

Country Link
CN (1) CN109145797B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009095B (zh) * 2019-03-04 2022-07-29 东南大学 基于深度特征压缩卷积网络的道路行驶区域高效分割方法
CN110298247B (zh) * 2019-05-23 2022-04-12 东南大学 一种基于深度学习的道路救援装备正方位拖牵诱导方法
CN111145184B (zh) * 2019-06-12 2022-07-29 东南大学 一种基于多尺度特征融合的拖牵过程安全预警方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104590372A (zh) * 2013-10-31 2015-05-06 福特全球技术公司 用于监控标记在挂车上的放置的方法和***
CN106293385A (zh) * 2015-06-23 2017-01-04 通用汽车环球科技运作有限责任公司 具有平移/缩放和虚拟俯视图的联结辅助
CN107133594A (zh) * 2017-05-11 2017-09-05 南宁市正祥科技有限公司 车前方运动车辆的检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130226390A1 (en) * 2012-02-29 2013-08-29 Robert Bosch Gmbh Hitch alignment assistance
CN103279755A (zh) * 2013-03-25 2013-09-04 东莞中国科学院云计算产业技术创新与育成中心 基于汽车底部阴影特征的快速车牌定位方法
US9696723B2 (en) * 2015-06-23 2017-07-04 GM Global Technology Operations LLC Smart trailer hitch control using HMI assisted visual servoing
CN105825589A (zh) * 2016-05-20 2016-08-03 深圳大学 基于车牌识别的电动汽车无线充电对位***及其对位方法
CN108229248A (zh) * 2016-12-14 2018-06-29 贵港市瑞成科技有限公司 基于车底阴影的车辆检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104590372A (zh) * 2013-10-31 2015-05-06 福特全球技术公司 用于监控标记在挂车上的放置的方法和***
CN106293385A (zh) * 2015-06-23 2017-01-04 通用汽车环球科技运作有限责任公司 具有平移/缩放和虚拟俯视图的联结辅助
CN107133594A (zh) * 2017-05-11 2017-09-05 南宁市正祥科技有限公司 车前方运动车辆的检测方法

Also Published As

Publication number Publication date
CN109145797A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109784344B (zh) 一种用于地平面标识识别的图像非目标滤除方法
CN102509098B (zh) 一种鱼眼图像车辆识别方法
CN110414355A (zh) 基于视觉的右方位空停车位与泊车过程中车位线检测方法
CN108564814B (zh) 一种基于图像的停车场车位检测方法及装置
CN103077384A (zh) 一种车标定位识别的方法与***
CN102663760B (zh) 一种对图像中的车辆挡风镜区域进行定位分割的方法
CN109145797B (zh) 基于车底阴影定位车牌的道路救援装备正方位诱导方法
CN104036262B (zh) 一种lpr车牌筛选识别的方法和***
Li et al. Nighttime lane markings recognition based on Canny detection and Hough transform
CN105488454A (zh) 基于单目视觉的前方车辆检测与测距
CN104050450A (zh) 一种基于视频的车牌识别方法
CN103927548B (zh) 一种新的避免车辆碰撞的刹车行为检测方法
CN102938057B (zh) 一种车辆阴影消除方法及装置
CN102419820A (zh) 一种快速检测视频与图像中汽车车标的方法
CN106887004A (zh) 一种基于块匹配的车道线检测方法
CN109285169B (zh) 一种基于车轮识别的道路救援装备侧方位拖牵诱导方法
CN202134079U (zh) 一种无人驾驶车辆车道标志线识别与报警装置
CN108256521A (zh) 用于车身颜色识别的有效区域定位方法
CN107256633B (zh) 一种基于单目摄像头三维估计的车型分类方法
CN103324958B (zh) 一种复杂背景下基于投影法和svm的车牌定位方法
CN109635737A (zh) 基于道路标记线视觉识别辅助车辆导航定位方法
CN109376733B (zh) 一种基于车牌定位的道路救援装备正方位拖牵诱导方法
CN106022268A (zh) 一种限速标识的识别方法和装置
CN106407951A (zh) 一种基于单目视觉的夜间前方车辆检测方法
CN104978746A (zh) 一种行驶车辆的车身颜色识别方法

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