CN116129415A - 夜间车牌检测方法、***及存储介质 - Google Patents

夜间车牌检测方法、***及存储介质 Download PDF

Info

Publication number
CN116129415A
CN116129415A CN202211725023.XA CN202211725023A CN116129415A CN 116129415 A CN116129415 A CN 116129415A CN 202211725023 A CN202211725023 A CN 202211725023A CN 116129415 A CN116129415 A CN 116129415A
Authority
CN
China
Prior art keywords
license plate
image
night
data
gray
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
Application number
CN202211725023.XA
Other languages
English (en)
Inventor
许旻昱
陆音
陈子阳
郁建峰
徐兵荣
蔡奕杰
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.)
Tianyi IoT Technology Co Ltd
Original Assignee
Tianyi IoT Technology Co Ltd
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 Tianyi IoT Technology Co Ltd filed Critical Tianyi IoT Technology Co Ltd
Priority to CN202211725023.XA priority Critical patent/CN116129415A/zh
Publication of CN116129415A publication Critical patent/CN116129415A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种夜间车牌检测方法、***及存储介质，应用于人工智能技术领域，能够实现夜间车牌检测，有效提高夜间车牌检测的准确率。该方法包括：将夜间车辆原始图像进行预处理，得到夜间车辆灰度图；通过预设边缘算法对夜间车辆灰度图进行运算得到第一二值图像；将夜间车辆原始图像转换为HSV颜色模型数据得到HSV颜色模型图像；根据HSV颜色模型图像进行预设二值化处理得到第二二值图像；将第一二值图像和第二二值图像进行合并得到合并图像；对合并图像进行形态学操作得到车牌区域数据；根据车牌区域数据从夜间车辆原始图像提取候选车牌区域图像；根据候选车牌区域图像通过预设机器学习模型进行预测，得到夜间车牌检测结果。

Description

夜间车牌检测方法、***及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种夜间车牌检测方法、***及存储介质。
背景技术
智能交通***被广泛应用于城市中解决交通问题。其中，车牌识别起到重要作用。车牌检测的任务是从采集的车辆图像中检测并提取车牌区域，主要包括车牌定位和车牌判断。其中，车牌定位需要从车牌图像中定位出候选车牌区域图像，而车牌判断是从候选车牌区域图像中提取真实的车牌区域。随着计算机技术以及机器视觉技术的不断发展，车牌检测技术日趋成熟，已经大量运用到城市交通管理中。但是，由于特殊天气、光线等因素，车牌检测仍然面临挑战。相关技术中，在夜间由于路面照射光源有限，图像整体亮度低，因此获取的车辆图像往往不够清晰，导致车牌检测准确率较低。
发明内容
为了解决上述技术问题的至少之一，本发明提出一种夜间车牌检测方法、***及存储介质，能够实现夜间车牌检测，并且有效提高夜间车牌检测的准确率。
一方面，本发明实施例提供了一种夜间车牌检测方法，包括以下步骤：
将夜间车辆原始图像进行预处理，得到夜间车辆灰度图；
通过预设边缘算法对所述夜间车辆灰度图进行运算，得到第一二值图像；
将所述夜间车辆原始图像转换为HSV颜色模型数据，得到HSV颜色模型图像；
根据所述HSV颜色模型图像进行预设二值化处理，得到第二二值图像；
将所述第一二值图像和所述第二二值图像进行合并，得到合并图像；
对所述合并图像进行形态学操作，得到车牌区域数据；
根据所述车牌区域数据从所述夜间车辆原始图像提取候选车牌区域图像；
根据所述候选车牌区域图像通过预设机器学习模型进行预测，得到夜间车牌检测结果。
根据本发明实施例的一种夜间车牌检测方法，至少具有如下有益效果：本实施例首先将夜间车辆原始图像进行预处理得到夜间车辆灰度图，以对夜间车辆原始图像进行图像增强。接着，本实施例通过预设边缘算法对夜间车辆灰度图进行运算，得到第一二值图像。同时，本实施例将夜间车辆原始图像转换为HSV颜色模型数据得到相应的HSV颜色模型图像，并将HSV颜色模型图像进行预设二值化处理，得到第二二值图像。然后，本实施例将第一二值图像和第二二值图像进行合并，以通过结合边缘特征和颜色特征的方式，得到合并图像，从而能够通过形态学操作较为精确地得到车牌区域数据。接着，本实施例根据车牌区域数据从夜间车辆原始图像中提取候选车牌区域图像，并通过预设机器学习模型进行预测，判断是否为车牌区域，从而得到夜间车牌检测结果，实现夜间车牌检测，并且有效提高夜间车牌检测的准确率。
根据本发明的一些实施例，所述夜间车辆原始图像为灰度图；
所述将夜间车辆原始图像进行预处理，得到夜间车辆灰度图，包括：
统计所述夜间车辆原始图像中所有灰度值对应的像素点个数，得到第一灰度级数据；
根据所述第一灰度级数据统计所述夜间车辆原始图像中所有像素点数小于预设像素数量的灰度级，得到第二灰度级数据；
将所述第二灰度级数据中各灰度级对应的所述像素点的灰度值设置为零，得到中间图像；
根据所述中间图像计算车牌区域和其他区域的分界点阈值；
根据所述中间图像统计所述车牌区域中所有像素点数等于零的灰度级个数，得到车牌区域灰度数据；
根据所述中间图像统计所述其他区域中所有像素点数等于零的灰度级个数，得到其他区域灰度数据；
根据所述分界点阈值、所述车牌区域灰度数据和所述其他区域灰度数据构建得到目标分界阈值；
根据所述目标分界阈值对所述中间图像进行局域直方图均衡化，得到所述夜间车辆灰度图。
根据本发明的一些实施例，所述通过预设边缘算法对所述夜间车辆灰度图进行运算，得到第一二值图像，包括：
通过索贝尔边缘算法对所述夜间车辆灰度图进行运算，得到所述第一二值图像。
根据本发明的一些实施例，所述HSV颜色模型图像包括色调通道数据、饱和度通道数据以及亮度通道数据；
所述根据所述HSV颜色模型图像进行预设二值化处理，包括：
构建预设车牌色调值范围、预设车牌颜色饱和度值范围以及预设车牌颜色亮度值范围；其中，所述预设车牌色调值范围包括蓝色车牌色调值范围、黄色车牌色调值范围以及绿色车牌色调值范围；
遍历所述HSV颜色模型图像的所有像素点，将所述所有像素点中所述色调通道数据满足所述预设车牌色调值范围，且所述饱和度通道数据满足所述预设车牌颜色饱和度值范围，以及所述亮度通道数据满足所述预设车牌颜色亮度值范围的第一像素点对应的灰度值设置为255，反之则设置为0。
根据本发明的一些实施例，所述将所述第一二值图像和所述第二二值图像进行合并，得到合并图像，包括：
遍历所述第一二值图像和所述第二二值图像，当所述第一二值图像中的第二像素点的灰度值为255，且所述第二二值图像中的预设区域中灰度值不为0的像素点个数大于0，将所述合并图像中与所述第二像素点对应的第四像素点灰度值设置为255，反之则设置为0；其中，所述预设区域为所述第二二值图像中与所述第二像素点对应的第三像素点的八连通区域。
根据本发明的一些实施例，所述根据所述候选车牌区域图像通过预设机器学习模型进行预测，得到夜间车牌检测结果，包括：
将所述候选车牌区域图像进行二值化处理，得到车牌区域二值图像；
统计所述车牌区域二值图像中每一行像素数据中像素值为1的像素点个数，得到行数据；
统计所述车牌区域二值图像中每一列像素数据中像素值为1的像素点个数，得到列数据；
将所述行数据和所述列数据作为所述预设机器学习模型的输入特征进行预测，得到所述夜间车牌检测结果。
根据本发明的一些实施例，所述将所述行数据和所述列数据作为所述预设机器学习模型的输入特征进行预测，得到所述夜间车牌检测结果，包括：
将所述行数据和所述列数据输入支持向量机模型进行预测，得到所述夜间车牌检测结果。
另一方面，本发明实施例还提供了一种夜间车牌检测***，包括：
预处理模块，用于将夜间车辆原始图像进行预处理，得到夜间车辆灰度图；
边缘算法模块，用于通过预设边缘算法对所述夜间车辆灰度图进行运算，得到第一二值图像；
转换模块，用于将所述夜间车辆原始图像转换为HSV颜色模型数据，得到HSV颜色模型图像；
二值化模块，用于根据所述HSV颜色模型图像进行预设二值化处理，得到第二二值图像；
合并模块，用于将所述第一二值图像和所述第二二值图像进行合并，得到合并图像；
形态学操作模块，用于对所述合并图像进行形态学操作，得到车牌区域数据；
提取模块，用于根据所述车牌区域数据从所述夜间车辆原始图像提取候选车牌区域图像；
预测模块，用于根据所述候选车牌区域图像通过预设机器学习模型进行预测，得到夜间车牌检测结果。
另一方面，本发明实施例还提供了一种夜间车牌检测***，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如上述实施例所述的夜间车牌检测方法。
另一方面，本发明实施例还提供了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如上述实施例所述的夜间车牌检测方法。
附图说明
图1是本发明实施例提供的夜间车牌检测方法流程图；
图2是本发明实施例提供的夜间车牌检测***原理框图。
具体实施方式
本申请实施例所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
在对本申请实施例进行介绍说明之前，首先对本申请中涉及的相关名词进行解释说明。
HSV(Hue，Saturation，Value)颜色模型：是根据颜色的直观特性创建的一种颜色空间，也称六角锥体模型。该模型中颜色的参数分别是色调(H)、饱和度(S)以及明度(V)。色调用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。饱和度表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0％～100％，值越大，颜色越饱和。明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关。对于物体色，该值和物体的透射比或反射比有关。通常取值范围为0％(黑)到100％(白)。
智能交通***被广泛应用与城市中解决交通问题。其中，车牌识别起到重要作用。车牌检测的任务是从采集的车牌图像中检测并提取车牌区域。其中，首先需要从车牌图像中定位出候选车牌区域，并从候选车牌区域中提取真实的车牌区域。随着计算机技术及机器视觉技术的不断发展，车牌检测技术日趋成熟，已经大量运用与城市交通管理中。但是由于特殊天气、光线等因素，车牌检测仍然面临挑战。例如，在夜间由于路面照射光源有限，图像整体亮度低。因此，获取的车辆图像往往不够清晰，这往往导致车牌检测准确率变低。相关技术中，如何提高夜间车牌检测的准确率，成为亟需解决的问题。
基于此，本发明的一个实施例提供了一种夜间车牌检测方法，能够实现夜间车牌检测，并且有效提高夜间车牌检测的准确率。参照图1，本发明实施例的方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140、步骤S150、步骤S160、步骤S170和步骤S180。
具体地，本发明实施例的方法应用过程包括但不限于以下步骤：
S110：将夜间车辆原始图像进行预处理，得到夜间车辆灰度图。
S120：通过预设边缘算法对夜间车辆灰度图进行运算，得到第一二值图像。
S130：将夜间车辆原始图像转换为HSV颜色模型数据，得到HSV颜色模型图像。
S140：根据HSV颜色模型图像进行预设二值化处理，得到第二二值图像。
S150：将第一二值图像和第二二值图像进行合并，得到合并图像。
S160：对合并图像进行形态学操作，得到车牌区域数据。
S170：根据车牌区域数据从夜间车辆原始图像提取候选车牌区域图像。
S180：根据候选车牌区域图像通过预设机器学习模型进行预测，得到夜间车牌检测结果。
在本具体实施例工作过程中，本实施例首先对获取的夜间车辆原始图像进行预处理，得到夜间车辆灰度图。本实施例通过对夜间车辆原始图像进行预处理，以增强夜间环境下获取得到的夜间车辆原始图像的对比度。接着，本实施例通过预设边缘算法对夜间灰度图进行运算得到第一二值图像。具体地，本实施例通过对夜间车辆灰度图进行边缘检测，剔除图像中一些不相关的消息，并保留图像中重要的结构属性，即边缘特征，得到第一二值图像。同时，本实施例将夜间车辆原始图像转换为HSV颜色模型数据，得到HSV颜色模型图像。然后，本实施例对HSV颜色图像进行预设二值化处理得到第二二值图像。具体地，在本具体实施例中获取的夜间车辆原始图像为RGB颜色模型图像，本实施例通过将夜间车辆原始图像转换至HSV颜色模型，并对得到的HSV颜色模型图像进行预设二值化处理得到第二二值图像，提取出夜间车辆原始图像的颜色特征。进一步地，本实施例将第一二值图像和第二二值图像进行合并得到合并图像，并对合并图像进行形态学操作，得到车牌区域数据。具体地，本实施例通过结合边缘特征和颜色特征的方式，合并第一二值图像和第二二值图像，从而通过形态学操作从合并图像中剔除明显非车牌区域，提取得到车牌区域数据。接着，本实施例根据提取得到的车牌区域数据从夜间车辆原始图像中提取相应的候选车牌区域图像。进一步地，本实施例通过预设机器学习模型对该候选车牌区域图像进行预测，判断该候选车牌区域是否为车牌区域，从而得到夜间车牌检测结果，实现夜间车牌检测，并且有效提高夜间车牌检测的准确率。本实施例通过结合边缘特征和颜色特征进行车牌区域定位，有效提高了车牌定位的准确率。同时，通过对训练完成的预设机器学习模型对提取得到的候选车牌区域图像进行分析预测，从而有效提高了夜间车牌检测的准确性和可靠性。
在本发明的一些实施例中，夜间车辆原始图像为灰度图。相应地，将夜间车辆原始图像进行预处理，得到夜间车辆灰度图，包括但不限于：
统计夜间车辆原始图像中所有灰度值对应的像素点个数，得到第一灰度级数据。
根据第一灰度级数据统计夜间车辆原始图像中所有像素点数小于预设像素数量的灰度级，得到第二灰度级数据。
将第二灰度级数据中各灰度级对应的像素点的灰度值设置为零，得到中间图像。
根据中间图像计算车牌区域和其他区域的分界点阈值。
根据中间图像统计车牌区域中所有像素点数等于零的灰度级个数，得到车牌区域灰度数据。
根据中间图像统计其他区域中所有像素点数等于零的灰度级个数，得到其他区域灰度数据。
根据分界点阈值、车牌区域灰度数据和其他区域灰度数据构建得到目标分界阈值。
根据目标分界阈值对中间图像进行局域直方图均衡化，得到夜间车辆灰度图。
在本具体实施例中，获取的夜间车辆原始图像为灰度图，如格式为8位灰度图。在对夜间车辆原始图像进行预处理过程中，本实施例首先统计夜间车辆原始图像中所有灰度值对应的像素点个数，得到第一灰度级数据。例如，对于格式为8位的灰度图，其灰度值范围为[0,255]，即存在256个灰度值，将灰度分成相应的256个灰度级。本实施例首先统计夜间车辆原始图像中各个灰度值对应的像素点存在的个数，得到第一灰度级数据。接着，本实施例根据第一灰度级数据统计夜间车辆原始图像中所有像素点数小于预设像素数量的灰度级，得到第二灰度级数据。具体地，本实施例根据第一灰度级数据对夜间车辆原始图像中灰度级对应的像素点数量小于预设像素数量的灰度级进行统计，得到第二灰度级数据。示例性地，本实施例将夜间车辆原始图像中所有像素点数小于7的灰度级进行统计，得到第二灰度级数据。当夜间车辆原始图像中某一灰度级对应的像素点仅有5个，则将该灰度级统计到第二灰度级数据中。进一步地，本实施例将第二灰度级数据中各灰度级对应的像素点的灰度值设置为零，得到中间图像。例如，本实施例将夜间车辆原始图像中所有像素点数量小于7的灰度级对应的像素点灰度值置0，得到中间图像。接着，本实施例根据中间图像计算车牌区域和其他区域的分界点阈值。具体地，本实施例中分界点阈值t计算公式如下式(1)所示：
Figure BDA0004029363050000071
其中，式中t为分界点阈值，N为中间图像中灰度值不为0的像素总数，ti为第i点的像素灰度值。这样就得到了两个分段：其他段为[1,t],目标段为[t+1,255]。
进一步地，本实施例根据中间图像统计车牌区域中所有像素点数等于零的灰度级个数，得到车牌区域灰度数据，同时，根据中间图像统计其他区域中所有像素点数等于零的灰度级个数，得到其他区域灰度数据。然后，本实施例根据分界点阈值、车牌区域灰度数据和其他区域灰度数据构建得到目标分界阈值。示例性地，本实施例首先分别统计中间图像中车牌部分和其他部分，即车牌区域和其他区域，中所有像素点数等于0的灰度级个数，并分别记为A和B，即车牌区域灰度数据和其他区域灰度数据。然后，将这些灰度级按照比例分配至车牌区域和其他区域。本实施例按照车牌区域与其他区域站整个灰度级的比例进行分配，分配公式如下式(2)和(3)所示：
Figure BDA0004029363050000072
Figure BDA0004029363050000073
其中，式中Q1为其他段分配到的灰度级个数，Q2为目标段分配到的灰度级个数。
在进行上述分配后，构建得到目标分界阈值u，如下式(4)所示：
u＝t-A+Q1                        (4)
进一步地，本实施例据目标分界阈值对中间图像进行局域直方图均衡化，得到夜间车辆灰度图。具体地，本实施例根据目标分界阈值u重新划分目标端和其他段的灰度区间，其他段扩展为[1,u],目标段扩展为[u+1,255]。接着，本实施例对[1,t],[t+1,255]这两段分别进行局域直方图均衡化，如下式(5)所示：
Figure BDA0004029363050000074
其中，式中i为原灰度级，ti为均衡后的灰度级，
Figure BDA0004029363050000075
表示第i个灰度级的累计分布函数。nk，nj是灰度级sk在[1,t],[t+1,255]区间出现的像素总数，na，nb分别为两个区间中频数大于0的灰度级的像素总数。
在本发明的一些实施例中，通过预设边缘算法对夜间车辆灰度图进行运算，得到第一二值图像，包括但不限于：
通过索贝尔边缘算法对夜间车辆灰度图进行运算，得到第一二值图像。
在本具体实施例中，本实施例通过索贝尔边缘算法对夜间车辆灰度图进行运算得到第一二值图像。具体地，本实施例对预处理得到的灰度图像，即夜间车辆灰度图，进行Sobel(索贝尔)运算得到二值图像Gx＝(g1,g2,…gN)，即第一二值图像，以通过索贝尔边缘算法提取夜间灰度图中的边缘特征，降低边缘模糊程度，提高车牌区域定位的准确率。
在本发明的一些实施例中，HSV颜色模型图像包括色调通道数据、饱和度通道数据以及亮度通道数据。相应地，根据HSV颜色模型图像进行预设二值化处理，包括但不限于：
构建预设车牌色调值范围、预设车牌颜色饱和度值范围以及预设车牌颜色亮度值范围。其中，预设车牌色调值范围包括蓝色车牌色调值范围、黄色车牌色调值范围以及绿色车牌色调值范围。
遍历HSV颜色模型图像的所有像素点，将所有像素点中色调通道数据满足预设车牌色调值范围，且饱和度通道数据满足预设车牌颜色饱和度值范围，以及亮度通道数据满足预设车牌颜色亮度值范围的第一像素点对应的灰度值设置为255，反之则设置为0。
在本具体实施例中，HSV颜色模型图像包括色调通道数据、饱和度通道数据以及亮度通道数据。本实施例首先构建预设车牌色调值范围、预设车牌颜色饱和度值范围以及预设车牌颜色亮度值范围，然后遍历HSV颜色模型图像的所有像素点，判断是否满足相应的预设范围，并设置相应的灰度值。具体地，预设车牌色调值范围包括蓝色车牌色调值范围、黄色车牌色调值范围以及绿色车牌色调值范围。本实施例通过遍历HSV颜色模型图像中的所有像素点，将所有像素点中色调通道数据满足预设车牌色调值范围，且饱和度通道数据满足预设车牌颜色饱和度范围，以及亮度通道数据满足预设车牌亮度值范围的第一像素点对应的灰度值设置为255。同时，将不满足上述条件的像素点对应的灰度值设置为0。示例性地，本实施例将夜间车辆原始图像转化为HSV颜色模型图像IHSV后，分别读取色调通道数据hi、饱和度通道数据si以及亮度通道数据vi，其中，i＝1,2…N。若hi∈B或者hi∈G或者hi∈Y，且s∈Sx,v∈Vx则令该像素点对应的灰度值ki＝255，否则为0，得到二值图像Kc＝(k1,k2,…kN)，即第二二值图像。其中，B为蓝色车牌色调值范围，Y为黄色车牌色调值范围，G为绿色车牌色调值范围，Sx为车牌颜色饱和度范围，Vx为车牌颜色亮度值范围。本实施例中车牌颜色饱和度范围和车牌颜色亮度值范围通过多次试验得到经验值的方式进行设置。
在本发明的一些实施例中，将第一二值图像和第二二值图像进行合并，得到合并图像，包括但不限于：
遍历第一二值图像和第二二值图像，当第一二值图像中的第二像素点的灰度值为255，且第二二值图像中的预设区域中灰度值不为0的像素点个数大于0，将合并图像中与第二像素点对应的第四像素点灰度值设置为255，反之则设置为0。其中，预设区域为第二二值图像中与第二像素点对应的第三像素点的八连通区域。
在本具体实施例中，本实施例通过遍历第一二值图像和第二二值图像，根据第一二值图像和第二二值图像中相应的像素点灰度值间的关系，设置相应的灰度值，从而构建得到合并图像。具体地，本实施例首先遍历第一二值图像和第二二值图像，当第一二值图像中某一像素点，即第二像素点，的灰度值为255，同时，第二二值图像中与该第二像素点对应的第三像素点的八连通区域中，灰度值不为0的像素点个数大于0，则将合并图像中与该第二像素点对应的第四像素点的灰度值设置为255，反之则设置为0，从而实现第一二值图像和第二二值图像的合并，将图像的边缘特征和颜色特征相结合，提高车牌定位准确率。示例性地，本实施例中第一二值图像为Gx＝(g1,g2,…gN)，第二二值图像为Kc＝(k1,k2,…kN)，合并图像为LB＝(l1,l2,…lN)。如果gi＝255，且ki的八连通区域中灰度值不为0的像素个数不为0，则li＝255，否则li＝0。
在本发明的一些实施例中，根据候选车牌区域图像通过预设机器学习模型进行预测，得到夜间车牌检测结，包括但不限于：
将候选车牌区域图像进行二值化处理，得到车牌区域二值图像。
统计车牌区域二值图像中每一行像素数据中像素值为1的像素点个数，得到行数据。
统计车牌区域二值图像中每一列像素数据中像素值为1的像素点个数，得到列数据。
将行数据和列数据作为预设机器学习模型的输入特征进行预测，得到夜间车牌检测结果。
在本具体实施例中，本实施例中首先将候选车牌区域图像进行二值化处理得到车牌区域二值图像，然后分别统计车牌区域二值图像中每一行像素数据和每一列像素数据中像素值为1的像素点个数，得到相应的行数据和列数据。接着，将行数据和列数据作为预设机器学***和垂直方向的统计直方图作为机器学习模型的输入特征，以有效提高夜间车牌识别的准确性。
在本发明的一些实施例中，将行数据和列数据作为预设机器学习模型的输入特征进行预测，得到夜间车牌检测结果，包括但不限于：
将行数据和列数据输入支持向量机模型进行预测，得到夜间车牌检测结果。
在本具体实施例中，本实施例通过支持向量机模型进行车牌区域预测。具体地，本实施例将统计得到的行数据和列数据输入SVM(支持向量机)模型进行预测，得到夜间车牌检测结果。其中，本实施例中SVM模型经过预先训练得到。本实施例通过支持向量机模型判断候选车牌区域是否为车牌区域，从而提高夜间车牌检测的准确性。
本发明的一个实施例还提供了一种夜间车牌检测***，包括：
预处理模块，用于将夜间车辆原始图像进行预处理，得到夜间车辆灰度图。
边缘算法模块，用于通过预设边缘算法对夜间车辆灰度图进行运算，得到第一二值图像。
转换模块，用于将夜间车辆原始图像转换为HSV颜色模型数据，得到HSV颜色模型图像。
二值化模块，用于根据HSV颜色模型图像进行预设二值化处理，得到第二二值图像。
合并模块，用于将第一二值图像和第二二值图像进行合并，得到合并图像。
形态学操作模块，用于对合并图像进行形态学操作，得到车牌区域数据。
提取模块，用于根据车牌区域数据从夜间车辆原始图像提取候选车牌区域图像。
预测模块，用于根据候选车牌区域图像通过预设机器学习模型进行预测，得到夜间车牌检测结果。
参照图2，本发明的一个实施例还提供了一种夜间车牌检测***，包括：
至少一个处理器210。
至少一个存储器220，用于存储至少一个程序。
当至少一个程序被至少一个处理器210执行，使得至少一个处理器210实现如上述实施例描述的夜间车牌检测方法。
本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，执行以上实施例描述的步骤。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

Claims (10)

1.一种夜间车牌检测方法，其特征在于，包括以下步骤：
将夜间车辆原始图像进行预处理，得到夜间车辆灰度图；
通过预设边缘算法对所述夜间车辆灰度图进行运算，得到第一二值图像；
将所述夜间车辆原始图像转换为HSV颜色模型数据，得到HSV颜色模型图像；
根据所述HSV颜色模型图像进行预设二值化处理，得到第二二值图像；
将所述第一二值图像和所述第二二值图像进行合并，得到合并图像；
对所述合并图像进行形态学操作，得到车牌区域数据；
根据所述车牌区域数据从所述夜间车辆原始图像提取候选车牌区域图像；
根据所述候选车牌区域图像通过预设机器学习模型进行预测，得到夜间车牌检测结果。
2.根据权利要求1所述的夜间车牌检测方法，其特征在于，所述夜间车辆原始图像为灰度图；
所述将夜间车辆原始图像进行预处理，得到夜间车辆灰度图，包括：
统计所述夜间车辆原始图像中所有灰度值对应的像素点个数，得到第一灰度级数据；
根据所述第一灰度级数据统计所述夜间车辆原始图像中所有像素点数小于预设像素数量的灰度级，得到第二灰度级数据；
将所述第二灰度级数据中各灰度级对应的所述像素点的灰度值设置为零，得到中间图像；
根据所述中间图像计算车牌区域和其他区域的分界点阈值；
根据所述中间图像统计所述车牌区域中所有像素点数等于零的灰度级个数，得到车牌区域灰度数据；
根据所述中间图像统计所述其他区域中所有像素点数等于零的灰度级个数，得到其他区域灰度数据；
根据所述分界点阈值、所述车牌区域灰度数据和所述其他区域灰度数据构建得到目标分界阈值；
根据所述目标分界阈值对所述中间图像进行局域直方图均衡化，得到所述夜间车辆灰度图。
3.根据权利要求1所述的夜间车牌检测方法，其特征在于，所述通过预设边缘算法对所述夜间车辆灰度图进行运算，得到第一二值图像，包括：
通过索贝尔边缘算法对所述夜间车辆灰度图进行运算，得到所述第一二值图像。
4.根据权利要求1所述的夜间车牌检测方法，其特征在于，所述HSV颜色模型图像包括色调通道数据、饱和度通道数据以及亮度通道数据；
所述根据所述HSV颜色模型图像进行预设二值化处理，包括：
构建预设车牌色调值范围、预设车牌颜色饱和度值范围以及预设车牌颜色亮度值范围；其中，所述预设车牌色调值范围包括蓝色车牌色调值范围、黄色车牌色调值范围以及绿色车牌色调值范围；
遍历所述HSV颜色模型图像的所有像素点，将所述所有像素点中所述色调通道数据满足所述预设车牌色调值范围，且所述饱和度通道数据满足所述预设车牌颜色饱和度值范围，以及所述亮度通道数据满足所述预设车牌颜色亮度值范围的第一像素点对应的灰度值设置为255，反之则设置为0。
5.根据权利要求1所述的夜间车牌检测方法，其特征在于，所述将所述第一二值图像和所述第二二值图像进行合并，得到合并图像，包括：
遍历所述第一二值图像和所述第二二值图像，当所述第一二值图像中的第二像素点的灰度值为255，且所述第二二值图像中的预设区域中灰度值不为0的像素点个数大于0，将所述合并图像中与所述第二像素点对应的第四像素点灰度值设置为255，反之则设置为0；其中，所述预设区域为所述第二二值图像中与所述第二像素点对应的第三像素点的八连通区域。
6.根据权利要求1所述的夜间车牌检测方法，其特征在于，所述根据所述候选车牌区域图像通过预设机器学习模型进行预测，得到夜间车牌检测结果，包括：
将所述候选车牌区域图像进行二值化处理，得到车牌区域二值图像；
统计所述车牌区域二值图像中每一行像素数据中像素值为1的像素点个数，得到行数据；
统计所述车牌区域二值图像中每一列像素数据中像素值为1的像素点个数，得到列数据；
将所述行数据和所述列数据作为所述预设机器学习模型的输入特征进行预测，得到所述夜间车牌检测结果。
7.根据权利要求6所述的夜间车牌检测方法，其特征在于，所述将所述行数据和所述列数据作为所述预设机器学习模型的输入特征进行预测，得到所述夜间车牌检测结果，包括：
将所述行数据和所述列数据输入支持向量机模型进行预测，得到所述夜间车牌检测结果。
8.一种夜间车牌检测***，其特征在于，包括：
预处理模块，用于将夜间车辆原始图像进行预处理，得到夜间车辆灰度图；
边缘算法模块，用于通过预设边缘算法对所述夜间车辆灰度图进行运算，得到第一二值图像；
转换模块，用于将所述夜间车辆原始图像转换为HSV颜色模型数据，得到HSV颜色模型图像；
二值化模块，用于根据所述HSV颜色模型图像进行预设二值化处理，得到第二二值图像；
合并模块，用于将所述第一二值图像和所述第二二值图像进行合并，得到合并图像；
形态学操作模块，用于对所述合并图像进行形态学操作，得到车牌区域数据；
提取模块，用于根据所述车牌区域数据从所述夜间车辆原始图像提取候选车牌区域图像；
预测模块，用于根据所述候选车牌区域图像通过预设机器学习模型进行预测，得到夜间车牌检测结果。
9.一种夜间车牌检测***，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如权利要求1至7任一项所述的夜间车牌检测方法。
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1至7任一项所述的夜间车牌检测方法。
CN202211725023.XA 2022-12-30 2022-12-30 夜间车牌检测方法、***及存储介质 Pending CN116129415A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211725023.XA CN116129415A (zh) 2022-12-30 2022-12-30 夜间车牌检测方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211725023.XA CN116129415A (zh) 2022-12-30 2022-12-30 夜间车牌检测方法、***及存储介质

Publications (1)

Publication Number Publication Date
CN116129415A true CN116129415A (zh) 2023-05-16

Family

ID=86307458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211725023.XA Pending CN116129415A (zh) 2022-12-30 2022-12-30 夜间车牌检测方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN116129415A (zh)

Similar Documents

Publication Publication Date Title
CN106599792B (zh) 一种手部驾驶违规行为的检测方法
Alvarez et al. Road detection based on illuminant invariance
CN105354530B (zh) 一种车身颜色识别方法及装置
CN102364496B (zh) 一种基于图像分析的汽车车牌自动识别方法及***
CN103824081B (zh) 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
CN101334836A (zh) 一种融合色彩、尺寸和纹理特征的车牌定位方法
Le et al. Real time traffic sign detection using color and shape-based features
CN109948504B (zh) 一种车道线识别方法及装置
CN110598560A (zh) 基于神经网络增强的夜间监控识别方法和***
CN107705254B (zh) 一种基于街景图的城市环境评估方法
CN107844761B (zh) 交通标志的检测方法及装置
US20170178341A1 (en) Single Parameter Segmentation of Images
CN110782409A (zh) 一种去除多运动物体阴影的方法
CN113537037A (zh) 路面病害识别方法、***、电子设备及存储介质
CN111178359A (zh) 车牌号码识别方法、装置和设备及计算机存储介质
CN112115800A (zh) 一种基于深度学习目标检测的车辆组合识别***及方法
CN111666811A (zh) 一种提取交通场景图像中交通标志牌区域方法及***
CN111723805A (zh) 一种信号灯的前景区域识别方法及相关装置
CN104156727A (zh) 一种基于单目视觉的灯光倒影检测的方法
CN107066929B (zh) 一种融合多种特征的高速公路隧道停车事件分级识别方法
CN114821078B (zh) 一种车牌识别方法、装置、电子设备及存储介质
CN109726708B (zh) 一种车道线识别方法及装置
CN110633705A (zh) 一种低照度成像车牌识别方法及装置
CN116863458A (zh) 车牌识别方法、装置、***及存储介质
CN111241911A (zh) 一种自适应的车道线检测方法

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