CN109190621A - 雾天车牌自动识别方法 - Google Patents
雾天车牌自动识别方法 Download PDFInfo
- Publication number
- CN109190621A CN109190621A CN201811039768.4A CN201811039768A CN109190621A CN 109190621 A CN109190621 A CN 109190621A CN 201811039768 A CN201811039768 A CN 201811039768A CN 109190621 A CN109190621 A CN 109190621A
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- carried out
- follows
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 229910052704 radon Inorganic materials 0.000 claims abstract description 14
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims abstract description 14
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 239000004615 ingredient Substances 0.000 claims description 14
- 239000003595 mist Substances 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20068—Projection on vertical or horizontal image axis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种雾天车牌自动识别方法,具有如下步骤:S1、图像去雾;S2、图像预处理:对步骤S1得到的增强后的图像进行灰度化处理,对灰度化处理得到的灰度化图像进行中值滤波处理,对中值滤波处理得到的图像进行canny边缘提取,获得图像的边缘信息;S3、车牌定位:对边缘提取后的图像进行形态学处理;通过投影法确定车牌的边界;S4、对确定车牌边界的车牌图像进行二值化处理;S5、使用Radon变换对车牌进行水平矫正;S6、车牌识别:使用Tesseract字符识别引擎和jTessBoxEditor训练工具进行车牌字符的识别。本发明很好的解决了在雾霾天气下车牌自动识别***下识别率速度慢,识别率低的问题。
Description
技术领域
本发明涉及机器视觉在智能交通领域的应用,特别是针对在雾天,拍摄到的图像质量差的条件下的一种雾天车牌自动识别方法。
背景技术
电子监控***目前在交通领域已经得到了广泛的应用,然而电子监控***对天气条件极为敏感。雾是一种很常见的天气现象,由于空气中存在许多悬浮颗粒,能见度低,使得照相设备采集到的图像模糊,对比度低,影响了交通管理中车牌自动识别的质量。因此为了实现视觉***的全天候工作,提高***在雾天的鲁棒性和可靠性,使得雾天的车牌自动识别方法成为智能交通领域研究的一个关键部分。
目前的车牌识别主要有间接法和直接法两种方式。间接法是指通过识别安装在汽车上的IC卡或条形码上存储的车牌信息来达到对车牌的识别。IC卡技术识别准确度高、运行稳定、可以全天候作业,但是设备昂贵,维护成本高,不适用于异地作业。条形码技术具有识别速度快、准确度高、可靠性强及成本低等优点,但是对扫描器要求较高,且无法核对车,条形码是否一致,这在短时间内给推广造成困难。
直接法是基于图像的车牌识别技术。主要包括对运动或静止的汽车进行图像采集和对采集到的汽车静态图像进行识别。这种方法节省了设备安置及大量资金,适用于异地作业。这种方法主要包括图像采集,图像预处理,车牌定位,字符分割,字符识别等主要步骤。但是这种方法对天气条件敏感,例如雨雪天气,沙尘天气,雾霾天气等能见度低的情况会影响车牌识别的准确率。因此提高在恶劣天气条件下车牌识别的实时性和准确性称为车牌识别中一个重要的环节。
发明内容
为了克服上述技术中的不足,针对恶劣天气中的大雾天气,本发明提出一种雾天车牌自动识别方法,基于暗原色先验图像去雾法和Tesseract字符识别引擎相结合的快速车牌识别方法。本发明采用的技术手段如下:
一种雾天车牌自动识别方法,具有如下步骤:
S1、图像去雾:
暗原色先验去雾法对拍摄到的雾天汽车图像进行去雾处理,并依次进行图像增强、彩色图像恢复、图像修正和图像增强,得到增强后的图像;
S2、图像预处理:
对步骤S1得到的增强后的图像进行灰度化处理,对灰度化处理得到的灰度化图像进行中值滤波处理(减少图像中的噪声),对中值滤波处理得到的图像进行canny边缘提取,获得图像的边缘信息;
S3、车牌定位:
S31、对边缘提取后的图像进行形态学处理;
S32、通过投影法确定车牌的边界;
S4、对确定车牌边界的车牌图像进行二值化处理(采用改进的局部化二值化算法Bernsen算法);
S5、使用Radon变换对车牌进行水平矫正;
S6、车牌识别:
使用Tesseract字符识别引擎和jTessBoxEditor训练工具进行车牌字符的识别。
所述步骤S1的具体步骤为:
S11、将输入的雾天汽车图像分成15*15的色块,求取局部和全局的暗原色图;
S12、假定大气光成分已知,通过暗原色先验理论预估大气透射率,使用的雾图形成模型为:
I(y)=J(y)t(x)+A(1-t(x))
其中t(x)为大气透射率,I为摄像头拍摄到的有雾图像,J为去雾后图像,A为大气光成分;
通过暗原色先验理论和数学推导可以得到大气透射率预估值的计算公式为:
其中Ω(x)为以x为中心的局部区域,ω为一个常数,取0.95,Ic(y)为摄像头拍摄到的有雾图像I(y)的R、G、B某一颜色通道中的一个,Ac为大气光成分A的R、G、B某一颜色通道中的一个;
S13、利用暗原色先验估计大气光成分:
从暗通道图中按亮度大小取前0.1%的像素,然后在这些位置中,在摄像头拍摄到的有雾图像I中寻找对应的具有最高亮度的点的值作为大气光成分A的估计值;
S14、复原无雾图像:
将已知的I、A、t代入雾图形成的数学模型中,可以求得:
其中t0是透射率设定的下限值,当t<t0时,令t=t0,(避免出现J过亮的情况导致图像失真)取t0=0.1;
S15、使用多尺度Retinex算法对复原无雾图像进行图像增强和彩色图像恢复,多维度Retinex算法如下:
其中RMSR(x,y)代表多尺度Retinex的输出,i代表第几个颜色通道,由于是RGB图像,故N=3,Wk表示与Fk相关的权重系数,Ii(x,y)为输入图像的第i个颜色通道或第i个波段,*为卷积运算,K代表尺度函数的个数,当K=1时,多尺度MSR转化为单尺度SSR,Fk(x,y)表示第K个环绕函数,取高斯环绕函数,并且满足∫∫Fk(x,y)=dxdy=1;
S16、将去雾后图像J分解为R、G、B三幅灰度图像,并依次将这三幅灰度图中各像素点灰度值的数据类型变为double型,然后分别对三幅图像进行一下操作:
确定高斯环境函数公式为:
选取三个不同的标准差σk分别为13,73,130,并根据∫∫Fk(x,y)=dxdy=1求出Ck;
利用MSR方法处理后的图像像素会出现负值,并且会出现超出显示器显示范围的情况,因此,使用gain/offset方法对图像进行修正,再将修正后的图像的灰度值投影到灰度范围(0~255)内,具体算法如下:
Rxz(x,y)=G×RMSR(x,y)+offset
其中RMSR、Rxz、Ro分别为输入图像的灰度值,修正之后的灰度值,投影之后输出的灰度值,增益系数G和offset分别取3和50,rmax和rmin分别为Rxz的最大和最小灰度值;
S17、将图像R、图像G和图像B均进行以上操作,可以得到三幅图像进行增强后的图像,然后通过多尺度Retinex算法将图像R、图像G和图像B合并,得到摄像头拍摄到的有雾图像I的增强后的图像。
所述步骤S31的具体步骤如下:
对边缘提取后的图像进行腐蚀操作(用来消除图像中的无关噪声),腐蚀算法表达式如下:
其中B为结构元素,A`为边缘提取后的图像;
对腐蚀后的图像进行膨胀操作(用来消除目标区域噪声)和填补空洞,膨胀算法表达式如下:
所述步骤S32的具体步骤如下:
确定车牌的上下边界,具体步骤为:
A1、对形态学处理后的图像做水平方向的投影,并设车牌像素的阈值为T,并取T为50;
A2、从投影中像素最高点的地方逐行向下扫描,当扫描到白色像素的数量大于阈值T时,则认为是车牌上边界,并记录为LPT;
A3、继续向下扫描,当扫描到白色像素数量小于阈值T时,则认为是车牌下边界,并记录为LPB;
如未检测到车牌上下边界,则令T=T-3,并重复步骤A1-A3;
确定车牌的左右边界,具体步骤为:
B1、对形态学处理后的图像做垂直方向的投影,并设车牌像素阈值为T1;
B2、从投影中像素点最左的地方向右扫描,当扫描到白色像素点个数大于阈值T1,则认为是车牌左边界,并记录为LPL;
B3、继续向右扫描,当扫描到白色像素数小于阈值T1时则认为是车牌右边界,并记录为LPR;
如未检测到车牌左右边界,则令T1=T1-1,并重复步骤B1-B3。
所述步骤S4的具体步骤如下:
S41、对确定车牌边界的车牌图像进行灰度化处理;
S42、计算步骤S41得到的灰度化处理后车牌的像素点f(x,y)处的阈值T1`(x,y),其中窗口值ω选择10,参数λ选择0.48:
S43、对点像素点f(x,y)进行模板W为3×3的中值滤波:
G(x,y)=med{f(x-k,y-l),k,l∈W}
S44、计算高斯滤波后G(x,y)点的阈值T2`(x,y):
S45、对f(x,y)逐点的二值化,F(i,j)表示最终二值化结果,比例系数α=0.1:
在实际拍摄到的图像中,车牌在水平和垂直方向都会有不同程度的倾斜,但是因为车牌在垂直角度的倾斜并不明显,并不影响最后的识别过程,因此仅使用Radon变换对车牌进行水平矫正。
对任意角度β,函数f(x,y)的Radon变换的公式为:
其中:
步骤S5的具体步骤为:
S51、在[-20°,20°]区间内进行Radon变换(由先验知识可知车牌的倾斜角总在[-20°,20°]之间);
S52、对步骤S51中Radon变换结果分别求一阶导数的绝对值累加和,具有最大累加和的角度为倾斜角度。
S53、对车牌旋转β角实现车车牌水平校正,旋转变换为:
本发明很好的解决了在雾霾天气下车牌自动识别***下识别率速度慢,识别率低的问题。
基于上述理由本发明可在智能交通等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例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做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的具体实施方式中雾天车牌自动识别方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种雾天车牌自动识别方法,其特征在于具有如下步骤:
S1、图像去雾:
暗原色先验去雾法对拍摄到的雾天汽车图像进行去雾处理,并依次进行图像增强、彩色图像恢复、图像修正和图像增强,得到增强后的图像;
S2、图像预处理:
对步骤S1得到的增强后的图像进行灰度化处理,对灰度化处理得到的灰度化图像进行中值滤波处理,对中值滤波处理得到的图像进行canny边缘提取,获得图像的边缘信息;
S3、车牌定位:
S31、对边缘提取后的图像进行形态学处理;
S32、通过投影法确定车牌的边界;
S4、对确定车牌边界的车牌图像进行二值化处理(采用改进的局部化二值化算法Bernsen算法);
S5、使用Radon变换对车牌进行水平矫正;
S6、车牌识别:
使用Tesseract字符识别引擎和jTessBoxEditor训练工具进行车牌字符的识别。
所述步骤S1的具体步骤为:
S11、将输入的雾天汽车图像分成15*15的色块,求取局部和全局的暗原色图;
S12、假定大气光成分已知,通过暗原色先验理论预估大气透射率,使用的雾图形成模型为:
I(y)=J(y)t(x)+A(1-t(x))
其中t(x)为大气透射率,I为摄像头拍摄到的有雾图像,J为去雾后图像,A为大气光成分;
通过暗原色先验理论和数学推导可以得到大气透射率预估值的计算公式为:
其中Ω(x)为以x为中心的局部区域,ω为一个常数,取0.95,Ic(y)为摄像头拍摄到的有雾图像I(y)的R、G、B某一颜色通道中的一个,Ac为大气光成分A的R、G、B某一颜色通道中的一个;
S13、利用暗原色先验估计大气光成分:
从暗通道图中按亮度大小取前0.1%的像素,然后在这些位置中,在摄像头拍摄到的有雾图像I中寻找对应的具有最高亮度的点的值作为大气光成分A的估计值;
S14、复原无雾图像:
将已知的I、A、t代入雾图形成的数学模型中,可以求得:
其中t0是透射率设定的下限值,当t<t0时,令t=t0,取t0=0.1;
S15、使用多尺度Retinex算法对复原无雾图像进行图像增强和彩色图像恢复,多维度Retinex算法如下:
其中RMSR(x,y)代表多尺度Retinex的输出,i代表第几个颜色通道,由于是RGB图像,故N=3,Wk表示与Fk相关的权重系数,Ii(x,y)为输入图像的第i个颜色通道或第i个波段,*为卷积运算,K代表尺度函数的个数,当K=1时,多尺度MSR转化为单尺度SSR,Fk(x,y)表示第K个环绕函数,取高斯环绕函数,并且满足∫∫Fk(x,y)=dxdy=1;
S16、将去雾后图像J分解为R、G、B三幅灰度图像,并依次将这三幅灰度图中各像素点灰度值的数据类型变为double型,然后分别对三幅图像进行一下操作:
确定高斯环境函数公式为:
选取三个不同的标准差σk分别为13,73,130,并根据∫∫Fk(x,y)=dxdy=1求出Ck;
使用gain/offset方法对图像进行修正,再将修正后的图像的灰度值投影到灰度范围(0~255)内,具体算法如下:
Rxz(x,y)=G×RMSR(x,y)+offset
其中RMSR、Rxz、Ro分别为输入图像的灰度值,修正之后的灰度值,投影之后输出的灰度值,增益系数G和offset分别取3和50,rmax和rmin分别为Rxz的最大和最小灰度值;
S17、将图像R、图像G和图像B均进行以上操作,可以得到三幅图像进行增强后的图像,然后通过多尺度Retinex算法将图像R、图像G和图像B合并,得到摄像头拍摄到的有雾图像I的增强后的图像。
所述步骤S31的具体步骤如下:
对边缘提取后的图像进行腐蚀操作,腐蚀算法表达式如下:
其中B为结构元素,A`为边缘提取后的图像;
对腐蚀后的图像进行膨胀操作和填补空洞,膨胀算法表达式如下:
所述步骤S32的具体步骤如下:
确定车牌的上下边界,具体步骤为:
A1、对形态学处理后的图像做水平方向的投影,并设车牌像素的阈值为T,并取T为50;
A2、从投影中像素最高点的地方逐行向下扫描,当扫描到白色像素的数量大于阈值T时,则认为是车牌上边界,并记录为LPT;
A3、继续向下扫描,当扫描到白色像素数量小于阈值T时,则认为是车牌下边界,并记录为LPB;
如未检测到车牌上下边界,则令T=T-3,并重复步骤A1-A3;
确定车牌的左右边界,具体步骤为:
B1、对形态学处理后的图像做垂直方向的投影,并设车牌像素阈值为T1;
B2、从投影中像素点最左的地方向右扫描,当扫描到白色像素点个数大于阈值T1,则认为是车牌左边界,并记录为LPL;
B3、继续向右扫描,当扫描到白色像素数小于阈值T1时则认为是车牌右边界,并记录为LPR;
如未检测到车牌左右边界,则令T1=T1-1,并重复步骤B1-B3。
所述步骤S4的具体步骤如下:
S41、对确定车牌边界的车牌图像进行灰度化处理;
S42、计算步骤S41得到的灰度化处理后车牌的像素点f(x,y)处的阈值T1`(x,y),其中窗口值ω选择10,参数λ选择0.48:
S43、对点像素点f(x,y)进行模板W为3×3的中值滤波:
G(x,y)=med{f(x-k,y-l),k,l∈W}
S44、计算高斯滤波后G(x,y)点的阈值T2`(x,y):
S45、对f(x,y)逐点的二值化,F(i,j)表示最终二值化结果,比例系数α=0.1:
对任意角度β,函数f(x,y)的Radon变换的公式为:
其中:
步骤S5的具体步骤为:
S51、在[-20°,20°]区间内进行Radon变换;
S52、对步骤S51中Radon变换结果分别求一阶导数的绝对值累加和,具有最大累加和的角度为倾斜角度。
S53、对车牌旋转β角实现车车牌水平校正,旋转变换为:
步骤S6的具体步骤如下:
S61、下载Tesseract并将其安装到C:\Program Files\Tesseract-OCR。Tesseract开发依赖leptonica运行库,它是一个由C语言编写的图像图像处理库,下载leptonica并将其解压到Tesseract安装目录下,然后再计算机的环境变量中添加C:\Program Files\Tesseract-OCR\lib,随后对Visual Studio 2015的开发环境进行配置,在属性页中找到VC++目录,在下面的包含目录下添加以下目录:
D:\Program Files\Tesseract-OCR\tesseract-ocr\api;
D:\Program Files\Tesseract-OCR\tesseract-ocr\ccutil;
D:\Program Files\Tesseract-OCR\tesseract-ocr\ccstruct;
D:\Program Files\Tesseract-OCR\tesseract-ocr\ccmain;
并在库目录下添加:C:\Program Files\Tesseract-OCR\lib;
S62、为了提高车牌识别速度,使用专为OCR软件设计的训练工具jTessBoxEditor,它由Java开发,使用需要安装Java虚拟机,具体训练过程如下:
S621、为了提高识别率,准备100fu6经过以上步骤处理过的二值化的车牌图像,并转化tif文件,分别命名成:1.tif,2.tif,……,100.tif,存放在D:\chepai\xunlian下;
S622、打开jTessBoxEditor,点击Tools->Merge Tiff,选择前文提到的100个车牌tif文件,把合并生成新的文件命名为new.fontcp.exp0.tif并把新生成的tif合并到新目录D:\chepai\xunlian\new下。
S623、生成box文件,执行以下命令生成new.fontcp.exp0.box文件:
tesseract new.fontcp.exp0.tif new.fontcp.exp0-l eng-psm7batch.nochopmakebox
S624、修改box文件,切换到jTessBoxEditor工具的Box Editor页,点击open,打开前面的tiff文件new.fontcp.exp0.tif,工具会自动加载对应的box文件,检查box数据,将错误的文字,字母,数字手动修正全部检查结束并保存;
S625、生成font_properties,执行echo命令生成font_properties;
echo fontcp 0 0 0 0 0>font_properties
S626、生成训练文件,执行以下命令,生成new.fontcp.exp0.tr训练文件;
tesseract new.fontcp.exp0.tif new.fontcp.exp0-l eng-psm 7 nobatchbox.train
S627、生成字符集文件,执行以下命令,生成名为unicharset的字符集文件;
unicharset_extractor new.fontcp.exp0.box
生成shape文件;
S628、执行以下命令,生成shape文件;
shapeclustering-F font_properties-U unicharset-O langyp.unicharsetlangyp.fontyp.exp0.tr
S629、生成聚集字符特征文件;
执行命令,生成3个特征字符文件,unicharset、inttemp、pffmtable
mftraining-F font_properties-U unicharset-O new.unicharsetnew.fontcp.exp0.tr
S6210、生成字符正常化特征文件;
执行命令,生成正常化特征文件normproto;
cntraining new.fontcp.exp0.tr
S6211、重命名,执行命令,把步骤S629,步骤S6210生成的特征文件进行更名;
rename normproto fontcp.normproto
rename inttemp fontcp.inttemp
rename pffmtable fontcp.pffmtable
rename unicharset fontcp.unicharset
rename shapetable fontcp.shapetable
S6212、合并训练文件,执行以下命令,生成fontcp.traineddata文件;
combine_tessdata fontyp.
S6213、车牌没有字母O和字母I,并且车牌仅是大写字母和数字,因此为了避免识别中发生错误,可以设置程序的白名单只识别大写字母和数字,程序黑名单中加入字母O和字母I。
输出车牌识别结果。
实验结果
为了验证本发明的可靠性,分别采集了轻度雾霾天气的汽车图像583张,中度雾霾下汽车图像612张,重度雾霾下汽车图像605张,进行实验验证。通过验证,在轻度雾霾条件下,能够正确识别552张,识别率为94.68%。在中度雾霾下能够正确识别548张,识别率为89.54%。在重度雾霾下,能够识别485张,识别率为80.17%。从识别结果来看,基于暗原色先验和Retinex算法相结合的去雾算法能够达到对图像良好的去雾效果,对雾天的车牌识别具有较高的准确性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种雾天车牌自动识别方法,其特征在于具有如下步骤:
S1、图像去雾:
暗原色先验去雾法对拍摄到的雾天汽车图像进行去雾处理,并依次进行图像增强、彩色图像恢复、图像修正和图像增强,得到增强后的图像;
S2、图像预处理:
对步骤S1得到的增强后的图像进行灰度化处理,对灰度化处理得到的灰度化图像进行中值滤波处理,对中值滤波处理得到的图像进行canny边缘提取,获得图像的边缘信息;
S3、车牌定位:
S31、对边缘提取后的图像进行形态学处理;
S32、通过投影法确定车牌的边界;
S4、对确定车牌边界的车牌图像进行二值化处理;
S5、使用Radon变换对车牌进行水平矫正;
S6、车牌识别:
使用Tesseract字符识别引擎和jTessBoxEditor训练工具进行车牌字符的识别。
2.根据权利要求1所述的雾天车牌自动识别方法,其特征在于:所述步骤S1的具体步骤为:
S11、将输入的雾天汽车图像分成15*15的色块,求取局部和全局的暗原色图;
S12、假定大气光成分已知,通过暗原色先验理论预估大气透射率,使用的雾图形成模型为:
I(y)=J(y)t(x)+A(1-t(x))
其中t(x)为大气透射率,I为摄像头拍摄到的有雾图像,J为去雾后图像,A为大气光成分;
通过暗原色先验理论和数学推导可以得到大气透射率预估值的计算公式为:
其中Ω(x)为以x为中心的局部区域,ω为一个常数,取0.95,Ic(y)为摄像头拍摄到的有雾图像I(y)的R、G、B某一颜色通道中的一个,Ac为大气光成分A的R、G、B某一颜色通道中的一个;
S13、利用暗原色先验估计大气光成分:
从暗通道图中按亮度大小取前0.1%的像素,然后在这些位置中,在摄像头拍摄到的有雾图像I中寻找对应的具有最高亮度的点的值作为大气光成分A的估计值;
S14、复原无雾图像:
将已知的I、A、t代入雾图形成的数学模型中,可以求得:
其中t0是透射率设定的下限值,当t<t0时,令t=t0,取t0=0.1;
S15、使用多尺度Retinex算法对复原无雾图像进行图像增强和彩色图像恢复,多维度Retinex算法如下:
其中RMSR(x,y)代表多尺度Retinex的输出,i代表第几个颜色通道,由于是RGB图像,故N=3,Wk表示与Fk相关的权重系数,Ii(x,y)为输入图像的第i个颜色通道或第i个波段,*为卷积运算,K代表尺度函数的个数,当K=1时,多尺度MSR转化为单尺度SSR,Fk(x,y)表示第K个环绕函数,取高斯环绕函数,并且满足∫∫Fk(x,y)=dxdy=1;
S16、将去雾后图像J分解为R、G、B三幅灰度图像,并依次将这三幅灰度图中各像素点灰度值的数据类型变为double型,然后分别对三幅图像进行一下操作:
确定高斯环境函数公式为:
选取三个不同的标准差σk分别为13,73,130,并根据∫∫Fk(x,y)=dxdy=1求出Ck;
使用gain/offset方法对图像进行修正,再将修正后的图像的灰度值投影到灰度范围(0~255)内,具体算法如下:
Rxz(x,y)=G×RMSR(x,y)+offset
其中RMSR、Rxz、Ro分别为输入图像的灰度值,修正之后的灰度值,投影之后输出的灰度值,增益系数G和offset分别取3和50,rmax和rmin分别为Rxz的最大和最小灰度值;
S17、将图像R、图像G和图像B均进行以上操作,可以得到三幅图像进行增强后的图像,然后通过多尺度Retinex算法将图像R、图像G和图像B合并,得到摄像头拍摄到的有雾图像I的增强后的图像。
3.根据权利要求1所述的雾天车牌自动识别方法,其特征在于:所述步骤S31的具体步骤如下:
对边缘提取后的图像进行腐蚀操作,腐蚀算法表达式如下:
其中B为结构元素,A`为边缘提取后的图像;
对腐蚀后的图像进行膨胀操作和填补空洞,膨胀算法表达式如下:
4.根据权利要求3所述的雾天车牌自动识别方法,其特征在于:所述步骤S32的具体步骤如下:
确定车牌的上下边界,具体步骤为:
A1、对形态学处理后的图像做水平方向的投影,并设车牌像素的阈值为T,并取T为50;
A2、从投影中像素最高点的地方逐行向下扫描,当扫描到白色像素的数量大于阈值T时,则认为是车牌上边界,并记录为LPT;
A3、继续向下扫描,当扫描到白色像素数量小于阈值T时,则认为是车牌下边界,并记录为LPB;
如未检测到车牌上下边界,则令T=T-3,并重复步骤A1-A3;
确定车牌的左右边界,具体步骤为:
B1、对形态学处理后的图像做垂直方向的投影,并设车牌像素阈值为T1;
B2、从投影中像素点最左的地方向右扫描,当扫描到白色像素点个数大于阈值T1,则认为是车牌左边界,并记录为LPL;
B3、继续向右扫描,当扫描到白色像素数小于阈值T1时则认为是车牌右边界,并记录为LPR;
如未检测到车牌左右边界,则令T1=T1-1,并重复步骤B1-B3。
5.根据权利要求4所述的雾天车牌自动识别方法,其特征在于:所述步骤S4的具体步骤如下:
S41、对确定车牌边界的车牌图像进行灰度化处理;
S42、计算步骤S41得到的灰度化处理后车牌的像素点f(x,y)处的阈值T1`(x,y),其中窗口值ω选择10,参数λ选择0.48:
S43、对点像素点f(x,y)进行模板W为3×3的中值滤波:
G(x,y)=med{f(x-k,y-l),k,l∈W}
S44、计算高斯滤波后G(x,y)点的阈值T2`(x,y):
S45、对f(x,y)逐点的二值化,F(i,j)表示最终二值化结果,比例系数α=0.1:
6.根据权利要求5所述的雾天车牌自动识别方法,其特征在于:
对任意角度β,函数f(x,y)的Radon变换的公式为:
其中:
步骤S5的具体步骤为:
S51、在[-20°,20°]区间内进行Radon变换;
S52、对步骤S51中Radon变换结果分别求一阶导数的绝对值累加和,具有最大累加和的角度为倾斜角度。
S53、对车牌旋转β角实现车车牌水平校正,旋转变换为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811039768.4A CN109190621A (zh) | 2018-09-06 | 2018-09-06 | 雾天车牌自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811039768.4A CN109190621A (zh) | 2018-09-06 | 2018-09-06 | 雾天车牌自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190621A true CN109190621A (zh) | 2019-01-11 |
Family
ID=64914914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811039768.4A Pending CN109190621A (zh) | 2018-09-06 | 2018-09-06 | 雾天车牌自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190621A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490163A (zh) * | 2019-08-26 | 2019-11-22 | 西南交通大学 | 一种铁路视频数据智能处理方法及装置 |
CN110634222A (zh) * | 2019-08-27 | 2019-12-31 | 河海大学 | 一种银行票据信息识别方法 |
CN111297396A (zh) * | 2020-02-24 | 2020-06-19 | 华东师范大学 | 一种基于Radon变换的超声胸膜线自动识别定位方法 |
CN111582268A (zh) * | 2020-04-13 | 2020-08-25 | 浙江大华技术股份有限公司 | 一种车牌图像处理方法、装置以及计算机存储介质 |
CN111639542A (zh) * | 2020-05-06 | 2020-09-08 | 中移雄安信息通信科技有限公司 | 车牌识别方法、装置、设备和介质 |
CN111784601A (zh) * | 2020-06-27 | 2020-10-16 | 浙江同善人工智能技术有限公司 | 一种图像去雾方法 |
CN112598002A (zh) * | 2020-12-07 | 2021-04-02 | 南京航空航天大学 | 一种雾气和噪声影响下的车牌识别方法 |
CN114166167A (zh) * | 2021-12-07 | 2022-03-11 | 中国铁道科学研究院集团有限公司 | 一种轮对廓形检测*** |
CN114414660A (zh) * | 2022-03-18 | 2022-04-29 | 盐城工学院 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065138A (zh) * | 2012-12-06 | 2013-04-24 | 新疆公众信息产业股份有限公司 | 一种机动车牌号的识别方法 |
CN103093202A (zh) * | 2013-01-21 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 车标定位方法和车标定位装置 |
CN103870803A (zh) * | 2013-10-21 | 2014-06-18 | 北京邮电大学 | 一种基于粗定位与精定位融合的车牌识别方法和*** |
CN107358795A (zh) * | 2017-07-17 | 2017-11-17 | 陈剑桃 | 一种有效的车牌识别*** |
-
2018
- 2018-09-06 CN CN201811039768.4A patent/CN109190621A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065138A (zh) * | 2012-12-06 | 2013-04-24 | 新疆公众信息产业股份有限公司 | 一种机动车牌号的识别方法 |
CN103093202A (zh) * | 2013-01-21 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 车标定位方法和车标定位装置 |
CN103870803A (zh) * | 2013-10-21 | 2014-06-18 | 北京邮电大学 | 一种基于粗定位与精定位融合的车牌识别方法和*** |
CN107358795A (zh) * | 2017-07-17 | 2017-11-17 | 陈剑桃 | 一种有效的车牌识别*** |
Non-Patent Citations (3)
Title |
---|
LIHONG ZHENG 等: "An algorithm for accuracy enhancement of license plate recognition", 《ELSEVIER》 * |
刘振发: "雾约束下的车牌识别方法研究与实现", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
赵春丽 等: "基于暗通道及多尺度Retinex的雾霾天气图像增强算法", 《激光杂志》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490163A (zh) * | 2019-08-26 | 2019-11-22 | 西南交通大学 | 一种铁路视频数据智能处理方法及装置 |
CN110634222A (zh) * | 2019-08-27 | 2019-12-31 | 河海大学 | 一种银行票据信息识别方法 |
CN110634222B (zh) * | 2019-08-27 | 2021-07-09 | 河海大学 | 一种银行票据信息识别方法 |
CN111297396A (zh) * | 2020-02-24 | 2020-06-19 | 华东师范大学 | 一种基于Radon变换的超声胸膜线自动识别定位方法 |
CN111297396B (zh) * | 2020-02-24 | 2021-05-07 | 华东师范大学 | 一种基于Radon变换的超声胸膜线自动识别定位方法 |
CN111582268B (zh) * | 2020-04-13 | 2023-05-12 | 浙江大华技术股份有限公司 | 一种车牌图像处理方法、装置以及计算机存储介质 |
CN111582268A (zh) * | 2020-04-13 | 2020-08-25 | 浙江大华技术股份有限公司 | 一种车牌图像处理方法、装置以及计算机存储介质 |
CN111639542A (zh) * | 2020-05-06 | 2020-09-08 | 中移雄安信息通信科技有限公司 | 车牌识别方法、装置、设备和介质 |
CN111784601A (zh) * | 2020-06-27 | 2020-10-16 | 浙江同善人工智能技术有限公司 | 一种图像去雾方法 |
CN111784601B (zh) * | 2020-06-27 | 2024-05-14 | 浙江同善人工智能技术有限公司 | 一种图像去雾方法 |
CN112598002A (zh) * | 2020-12-07 | 2021-04-02 | 南京航空航天大学 | 一种雾气和噪声影响下的车牌识别方法 |
CN112598002B (zh) * | 2020-12-07 | 2024-04-30 | 南京航空航天大学 | 一种雾气和噪声影响下的车牌识别方法 |
CN114166167A (zh) * | 2021-12-07 | 2022-03-11 | 中国铁道科学研究院集团有限公司 | 一种轮对廓形检测*** |
CN114414660A (zh) * | 2022-03-18 | 2022-04-29 | 盐城工学院 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
CN114414660B (zh) * | 2022-03-18 | 2024-01-12 | 盐城工学院 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190621A (zh) | 雾天车牌自动识别方法 | |
CN109784344B (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN103065138B (zh) | 一种机动车牌号的识别方法 | |
CN113128442B (zh) | 基于卷积神经网络的汉字书法风格识别方法和评分方法 | |
KR100902491B1 (ko) | 숫자 영상 처리 시스템 및 그 방법 | |
CN109993161B (zh) | 一种文本图像旋转矫正方法及*** | |
Yang et al. | A novel approach for license plate character segmentation | |
CN110060221B (zh) | 一种基于无人机航拍图像的桥梁车辆检测方法 | |
CN111369570B (zh) | 一种视频图像的多目标检测跟踪方法 | |
CN113449632B (zh) | 一种基于融合感知的视觉与雷达感知算法优化方法、***及汽车 | |
CN114387591A (zh) | 车牌识别方法、***、设备及存储介质 | |
CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
CN113537037A (zh) | 路面病害识别方法、***、电子设备及存储介质 | |
CN113435407A (zh) | 一种输电***的小目标识别方法及装置 | |
CN116883868A (zh) | 基于自适应图像去雾的无人机智能巡航检测方法 | |
CN114581914A (zh) | 一种雾霾环境下的车牌识别方法 | |
CN110033425B (zh) | 干扰区域检测装置及方法、电子设备 | |
CN107992799B (zh) | 面向烟雾检测应用的预处理方法 | |
CN110188693B (zh) | 改进的复杂环境车辆特征提取和停车判别方法 | |
JP7264428B2 (ja) | 道路標識認識装置及びそのプログラム | |
Bala et al. | Image simulation for automatic license plate recognition | |
CN116823756A (zh) | 一种桩腿焊缝缺陷检测方法 | |
Lin et al. | Locating license plate based on edge features of intensity and saturation subimages | |
CN112801963B (zh) | 一种视频图像遮挡检测方法及*** | |
Wu et al. | A detection method of road traffic sign based on inverse perspective transform |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |