CN109214380B - 车牌倾斜校正方法 - Google Patents

Abstract

本发明提出了一种车牌倾斜校正方法，包括以下几个步骤：S1，获取车牌RGB格式图像，并将该RGB格式图像转换为HSI格式图像,提取HSI格式图像中的S分量图；S2，检测S分量图的角点坐标；S3，将检测到的角点坐标存入二维矩阵L；S4，寻找左下角点、左上角点、右下角点和右上角点；S5，根据左上角点、右上角点、左下角点和右下角点的坐标，分别求出两个水平斜率和两个垂直斜率，并求出两个水平斜率的均值和两个垂直斜率的均值；S6，根据斜率与倾角的公式tanα＝k，求出倾角α：S7，根据倾角α完成车牌倾斜校正。该方法计算简单，将图片转为HSI格式，并对该格式下的S分量图进行计算，有效地排除了亮度对产品倾斜校正的影响，可以快速的实现了车牌倾斜的校正。

Description

车牌倾斜校正方法

技术领域

本发明涉及计算机领域，具体涉及一种车牌倾斜校正方法。

背景技术

随着国民经济的发展，汽车成了多数家庭必备的代步工具，汽车的数量给交通管理造成了巨大压力。智能交通***可以很好地解决交通管理的压力，车牌识别作为智能交通***的核心模块，具有重要的意义。车牌倾斜校正是车牌识别***其中一个关键步骤，直接影响车牌识别的结果。

理想的情况下，采集的车牌图像是一个与水平方向平行的矩形。由于摄像机拍摄角度、车辆行驶方向和速度、镜头与车牌距离等因素造成采集的图像存在一定倾斜，因此需对车牌图像进行倾斜校正，为后续的车牌分割和车牌识别提供良好基础。目前，车牌图像倾斜校正的方法主要有直线检测、投影最值、角点检测和主成分分析等方法。(1)基于直线检测的倾斜校正方法主要有最小二乘拟合法、Hough变换和Radon变换法，这些方法通过检测车牌边框的直线完成校正，算法简单。(2)基于投影最值的倾斜校正通过投影法完成校正，抗干扰能力强。(3)基于角点检测的倾斜校正利用角点特点——可以以最少信息表示事物的主要特征，可以有效地完成车牌倾斜校正。(4)基于主成分分析的倾斜校正通过分析车牌主要特征完成倾斜校正，可以简化计算量，校正的实时性较好。这4种方法都可以完成车牌倾斜校正，但都对光线明暗敏感。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种车牌倾斜校正方法***。

为了实现本发明的上述目的，本发明提供了一种车牌倾斜校正方法，其特征在于，包括以下几个步骤：

S1，获取车牌RGB格式图像同，并将该RGB格式图像转换为HSI格式图像,提取HSI格式图像中的S分量图；

S2，检测S分量图的角点坐标；

S3，将检测到的角点坐标存入二维矩阵L；

S4，寻找左下角点、左上角点、右下角点和右上角点；

其中，左下角点的横坐标最小，纵坐标最小；左上角点的横坐标最小,纵坐标最大；右下角点的横坐标最大，纵坐标最小；右上角点横坐标最大，纵坐标最大的角点；

S5，根据左上角点和右上角点、左下角点和右下角点的坐标，分别求出两个水平斜率和两个垂直斜率，并求出两个水平斜率的均值和两个垂直斜率的均值；

S6，根据斜率与倾角的公式tanα＝k，求出倾角α：

S7，根据倾角α完成车牌倾斜校正。

该方法计算简单，将图片转为HSI格式，并对该格式下的S分量图进行计算，有效地排除了亮度对产品倾斜校正的影响，快速的实现了车牌倾斜的校正。

进一步的，所述步骤S2包括以下几个步骤：

S2-1，用水平和竖直方向的灰度值变化来描述像素在任意方向上的灰度变化,描述式为

其中，I(x+u,y+v)＝I(x,y)+I_xu+I_yv+O(u²,v²)，(x,y)为目标像素点坐标；(u,v)表示其他像素点相对于目标像素点的偏移量；ω_u,v为加权窗口函数，I为图像矩阵，I_x和I_y分别表示图像矩阵I在水平方向和竖直方向的一阶偏导数。

S2-2，获取像素点(x,y)的自相关矩阵M：忽略上述描述式中的高阶无穷小

得到

其中，

M为像素点(x,y)的自相关矩阵；

S2-3，令自相关矩阵M＝0，得到矩阵M的两个非负特征值λ₁和λ₂，设λ₁≥λ₂；

S2-4，当λ₂大于设置第一阈值时，则目标像素点为角点；

当λ₂等于0而λ₁大于第一阈值时，表明目标像素点位于边缘处，执行步骤S2-5；

当λ₁等于0，表明目标像素点位于平坦区域，执行步骤S2-5；

S2-5，计算像素点(x,y)的角点响应值R：

S2-6，遍历整幅S分量图的所有像素点，执行步骤S2-1至步骤S2-6，计算所有像素点的角点响应值R；

S2-7，若有像素点的响应值小于Th₁，该像素点不是角点，将像素值赋为B；若有像素点的响应值大于Th₁且小于Th₂，该像素点为候选角点，将像素值赋为C；若有像素点的响应值大于Th₂，该像素点为角点，将像素值赋为D，其中，Th₁<Th₂，且Th₁、Th₂、B、C、D为非负数；

S2-8，对图像中的所有候选角点进行非极大值抑制，抑制真实角点周围的伪角点，得到图像中的角点。

该角点坐标确认方法简单，计算速度快，减少吧漏检角点和伪角点。

进一步的，所述步骤S2-1中，

σ为(x+u)和(y+v)的方差，这能有效的减少运算量。

进一步的，角点响应值R＝det(M)-k×trace²(M)，其中，det(M)＝λ₁λ₂为自相关矩阵M的行列式，trace(M)＝λ₁+λ₂为自相关矩阵的迹，k为常数，这能有效的减少运算量。

进一步的，所述Th₁＝(最大像素值-最小像素值)*1/3，Th₂＝(最大像素值-最小像素值)*2/3，其中，最大像素值和最小像素值指所述S分量图中的最大像素值和最小像素值。

本发明的有益效果：

1、主要解决光线明暗对车牌倾斜校正的影响，采用颜色模型和角点检测完成倾斜校正。

2、颜色模型部分可以分别提取各个颜色通道，针对不同通道的特点，有针对性地应用。

3、角点检测部分使用改进的Harris角点检测算法，可以有效减少计算量，减少漏检角点和伪角点。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本方法的流程图；

图2是角点坐标检测流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

如图1所示，本发明提供了一种车牌倾斜校正方法，包括以下几个步骤：

S1，获取车牌RGB格式图像，并将该RGB格式图像转换为HSI格式图像,提取HSI格式图像中的S分量图。

S2，检测S分量图的角点坐标。

这里角点坐标的确定可以采用传统Harris角点检测方法进行检测，本发明还可采用改进的Harris角点检测方法进行检测，通过以下几个步骤实现，如图2所示：

S2-1，用水平和竖直方向的灰度值变化来描述像素在任意方向上的灰度变化,描述式为

其中，I(x+u,y+v)＝I(x,y)+I_xu+I_yv+O(u²,v²)，(x,y)为目标像素点坐标；(u,v)表示其他像素点相对于目标像素点的偏移量；ω_u,v为加权窗口函数，

σ为(x+u)和(y+v)的方差。I为图像矩阵，I_x和I_y分别表示图像矩阵I在水平方向和竖直方向的一阶偏导数；由于图像是离散序列，因此偏导数I_x和I_y可以通过差分方法获得，即I_x可以通过相邻两行像素值相减获得，I_y可以通过相邻两列像素值相减获得。

S2-2，获取像素点(x,y)的自相关矩阵M：忽略上述描述式中的高阶无穷小

得到

其中，

M为像素点(x,y)的自相关矩阵；

S2-3，由矩阵的对称性知M存在两个非负的特征值，记为λ₁和λ₂，令自相关矩阵M＝0，得到矩阵M的两个非负特征值λ₁和λ₂，设λ₁≥λ₂。

S2-4，当λ₂大于设置第一阈值时，则目标像素点为角点。

当λ₂等于0而λ₁大于第一阈值时，表明目标像素点位于边缘处，执行步骤S2-5。

当λ₁等于0，表明目标像素点位于平坦区域，执行步骤S2-5。

这里λ₂等于0包括了λ₂近似于0的情况，同时λ₁等于0也包括了λ₁近似于0的情况。第一阈值根据具体情况设置，第一阈值不小于150。

S2-5，计算像素点(x,y)的角点响应值R。

角点响应值R＝det(M)-k×trace²(M)，其中，det(M)＝λ₁λ₂为自相关矩阵M的行列式，trace(M)＝λ₁+λ₂为自相关矩阵的迹，k为常数，为便于运算，k取值范围通常为0.04≤k≤0.06。

S2-6，遍历整幅S分量图的所有像素点，执行步骤S2-1至步骤S2-6，计算所有像素点的角点响应值R。

S2-7，若有像素点的响应值小于Th₁，该像素点不是角点，将像素值赋为B；若有像素点的响应值大于Th₁且小于Th₂，该像素点为候选角点，将像素值赋为C；若有像素点的响应值大于Th₂，该像素点为角点，将像素值赋为D，其中，Th₁<Th₂，且Th₁、Th₂、B、C、D为非负数。这里的B通常为0，C通常为128，D通常为255。

作为优选的，所述Th₁＝(最大像素值-最小像素值)*1/3，Th₂＝(最大像素值-最小像素值)*2/3，其中，最大像素值和最小像素值指所述S分量图中的最大像素值和最小像素值。

S2-7，对图像中的所有候选角点进行非极大值抑制，抑制真实角点周围的伪角点，得到图像中的所有角点。非极大值抑制即为抑制非极大值，寻找局部像素值最大的候选角点，主要用于消除伪角点，抑制真实角点周围的伪角点，得到图像中的角点。

S3，因得到角点时即得到该角点的坐标，将检测到的角点坐标存入二维矩阵L。

S4，寻找左下角点、左上角点、右下角点和右上角点。

其中，左下角点的横坐标最小，纵坐标最小；左上角点的横坐标最小,纵坐标最大；右下角点的横坐标最大，纵坐标最小；右上角点横坐标最大，纵坐标最大的角点。

S5，根据左上角点、右上角点、左下角点和右下角点的坐标，分别求出两个水平斜率和两个垂直斜率，并求出两个水平斜率的均值和两个垂直斜率的均值。

S6，根据斜率与倾角的公式tanα＝k，求出倾角α。

S7，根据倾角α完成车牌倾斜校正。

车牌倾斜校正完成后，输出校正后的车牌图像的二值图，以供后续图像处理。

由于车牌受环境影响，拍摄到的图像中椒盐噪声较多，在得到获取车牌RGB格式图像后，对该图像进行中值滤波去除图像中的噪声。中值滤波属于非线性滤波方法，即用整个窗口的中值取代该位置的像素值。中值滤波在平滑脉冲噪声方面非常有效，同时它可以保护图像尖锐的边缘，选择中值点来替代污染点的值，处理效果好，对椒盐噪声表现较好。

去噪后图像中噪声明显减少，对去噪后的图像进行边缘检测。由于车牌字符是纵向纹理，背景为横向纹理。Canny边缘检测的效果比较详细，可以实现横纵边缘无差别检测。为突出车牌字符区域，改进Canny边缘检测算法，使其可以更好地检测纵向纹理，减少横向纹理。改进模型如下：

改进的Canny边缘检测可以更好地检测竖向边缘，减少横向边缘的干扰，突出字符，同时减少算法量。

由于边缘检测后部分车牌区域存在断裂或粘连的情况，需对滤波后的图像进行形态学处理，减少断裂和粘连。若滤波后的车牌保留较好，可不对车牌进行形态学处理，否则进行处理。

形态学图像处理为一种邻域运算形式，采用邻域结构元素的方法在每个像素位置上邻域结构元素与二值图像对应域进行特定的逻辑运算，逻辑运算的结果为输出图像的相应像素。图像形态学处理的基本运算包括:腐蚀和膨胀、开闭运算。最基本的运算是腐蚀和膨胀，其他运算都是定义在这两种运算的基础之上。

利用结构元素B对图像A的膨胀处理定义为：

X＝A⊕B＝{x:B(x)∩A≠Φ}；

利用结构元素B对图像A的腐蚀处理定义为：

其中，图像A为RGB格式图像，x代表图像A中的每一个像素点，B(x)代表结构元素，Φ为空集，X为图像A经过膨胀或腐蚀后的结果。用B(x)对A进行腐蚀的结果就是把结构元素B平移后使B包含于A的所有点构成的集合。用B(x)对A进行膨胀的结果就是把结构元素B平移后使B与A的交集非空的点构成的集合。

进行开操作公式如下所示，

表示集合A被结构元素B开操作；

进行闭操作公式如下所示，

表示集合A被结构元素B闭操作。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (4)

1.一种车牌倾斜校正方法，其特征在于，包括以下几个步骤：

S1，获取车牌RGB格式图像，并将该RGB格式图像转换为HSI格式图像,提取HSI格式图像中的S分量图；

S2，检测S分量图的角点坐标；

具体地，所述步骤S2包括以下几个步骤：

S2-1，用水平和竖直方向的灰度值变化来描述S分量图中像素在任意方向上的灰度变化,描述式为

其中，I(x+u,y+v)＝I(x,y)+I_xu+I_yv+O(u²,v²)，(x,y)为目标像素点坐标，(u,v)表示其他像素点相对于目标像素点的偏移量；ω_u,v为加权窗口函数，I为图像矩阵，I_x和I_y分别表示图像矩阵I在水平方向和竖直方向的一阶偏导数；

S2-2，获取像素点(x,y)的自相关矩阵M：忽略上述描述式中的高阶无穷小

得到

其中，

M为像素点(x,y)的自相关矩阵；

S2-3，令自相关矩阵M＝0，得到矩阵M的两个非负特征值λ₁和λ₂，设λ₁≥λ₂；

S2-4，当λ₂大于设置第一阈值时，则目标像素点为角点；

当λ₂等于0而λ₁大于第一阈值时，表明目标像素点位于边缘处，执行步骤S2-5；

当λ₁等于0，表明目标像素点位于平坦区域，执行步骤S2-5；

S2-5，计算像素点(x,y)的角点响应值R：

S2-6，遍历整幅S分量图的所有像素点，执行步骤S2-1至步骤S2-6，计算所有像素点的角点响应值R；

S2-7，若有像素点的响应值小于Th₁，该像素点不是角点，将像素值赋为B；若有像素点的响应值大于Th₁且小于Th₂，该像素点为候选角点，将像素值赋为C；若有像素点的响应值大于Th₂，该像素点为角点，将像素值赋为D，其中，Th₁<Th₂，且Th₁、Th₂、B、C、D为非负数；

S2-8，对图像中的所有候选角点进行非极大值抑制，抑制真实角点周围的伪角点，得到图像中的角点；

S3，将检测到的角点坐标存入二维矩阵L；

S4，寻找左下角点、左上角点、右下角点和右上角点；

其中，左下角点的横坐标最小，纵坐标最小；左上角点的横坐标最小,纵坐标最大；右下角点的横坐标最大，纵坐标最小；右上角点横坐标最大，纵坐标最大的角点；

S5，根据左上角点、右上角点、左下角点和右下角点的坐标，分别求出两个水平斜率和两个垂直斜率，并求出两个水平斜率的均值和两个垂直斜率的均值；

S6，根据斜率与倾角的公式tanα＝k，求出倾角α：

S7，根据倾角α完成车牌倾斜校正。

2.根据权利要求1所述的车牌倾斜校正方法，其特征在于，所述步骤S2-1中，

σ为(x+u)和(y+v)的方差。

3.根据权利要求1所述的车牌倾斜校正方法，其特征在于，角点响应值R＝det(M)-k×trace²(M)，其中，det(M)＝λ₁λ₂为自相关矩阵M的行列式，trace(M)＝λ₁+λ₂为自相关矩阵的迹，k为常数。

4.根据权利要求1所述的车牌倾斜校正方法，其特征在于，所述Th₁＝(最大像素值-最小像素值)*1/3，Th₂＝(最大像素值-最小像素值)*2/3，其中，最大像素值和最小像素值指所述S分量图中的最大像素值和最小像素值。

Images