專利名稱：一種快速的車牌定位方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能交通系統(tǒng)車牌識別子系統(tǒng)中的自然復(fù)雜背景中的車牌定位方法，特別 是一種快速的、利用頂帽變換和文字的紋理特征，由粗到精的車牌定位方法。
技術(shù)背景目前我國經(jīng)濟與交通的迅速發(fā)展導(dǎo)致機動車輛的大幅增加，對機動車輛的監(jiān)測管理是 我們面臨的問題之一。而車牌號是機動車的重要標識。機動車牌號(簡稱車牌)定位和識別可 廣泛應(yīng)用于高速公路收費站、停車場入口、機關(guān)大門等場合，實現(xiàn)車輛的自動監(jiān)控和管理， 節(jié)約了人力和物力。其中車牌定位是車牌識別的關(guān)鍵步驟，針對車牌定位，當前的研究方 法主要有(1)利用車牌的彩色邊緣分布特征；(2)利用車牌和文字顏色組合特點；(3) 利用車牌邊框的面積、長寬比；(4)利用車牌字符的角點信息；(5)利用車牌字符筆畫 左右邊緣之間的互相關(guān)矢量圖的結(jié)構(gòu)特點。(6)利用車牌紋理特征?，F(xiàn)有的車牌定位方法 在光照和天氣條件理想的條件下，針對車頭車尾等部位，取得了很好的成果。然而車牌識別系統(tǒng)的應(yīng)用越來越廣泛，采集到的車牌圖像場景越來越復(fù)雜、天氣條件的變化程度越來越大，從而會得到不同質(zhì)量的車牌圖像。在車牌的顏色信息不明顯和邊緣 信息受到干擾時，現(xiàn)有的方法(1) 一 (4)和(6)性能不是很理想，而(5)的方法則要 求車牌圖像具有時域信息。中國專利0212 95 0 8.5公開了 一種"車牌自動識別方法"還依賴于車輛檢測線圈等基礎(chǔ)裝 置，該裝置對車牌的定位需要較好的自然光照條件，不能適用于移動執(zhí)法。中國專利申請200610069051.5公開了"一種車牌定位識別、車標定位識別及車型識別的 方法及裝置"，該發(fā)明利用顏色空間特征及其空間信息特征進行車牌區(qū)域定位。但是隨著現(xiàn) 在車牌識別系統(tǒng)應(yīng)用的環(huán)境越來越復(fù)雜，該發(fā)明方法對于車牌顏色信息丟失的情況具有一定不足。中國專利申請200410044488.4公開了 一種"從車輛影像中擷取車牌區(qū)域的方法"，該發(fā) 明簡單的利用車牌影像的水平梯度及垂直梯度整合成梯度二值圖像，將高值像素群聚合成 車牌候選區(qū)域，然后根據(jù)候選區(qū)域依照區(qū)域內(nèi)的高度像素值的分布來確定是否為車牌區(qū)域。中國專利200510021540.9公開了一種"基于高帽變換和小波變換的車牌提取方法"，該 發(fā)明利用高帽變換突出車牌區(qū)域，然后通過小波變換對車牌區(qū)域進行水平和垂直定位。小波變化的復(fù)雜度較高，在對車牌進行垂直和水平掃描的過程中，也容易受到噪聲影響。 發(fā)明內(nèi)容本發(fā)明要解決的技術(shù)問題克服現(xiàn)有方法的不足之處，提供一種基于頂帽變換和文字 紋理的快速車牌定位方法，改方法的對環(huán)境的適應(yīng)性大大增強計算復(fù)雜度大大降低，提高 了車牌區(qū)域的成功檢測率。本發(fā)明的技術(shù)解決方案 一種快速的、利用頂帽變換和文字的紋理特征，由粗到精的 車牌定位方法，包括以下歩驟(1) 對采集的車牌圖像進行灰度轉(zhuǎn)換，得到灰度圖像/;(2) 對灰度圖像/進行頂帽變換，以消除車牌圖像中的大尺寸背景對象；(3) 利用邊緣檢測算子計算灰度圖像/的邊緣圖EdgeMap;(4) 對得到的邊緣圖EdgeMap進行二值化操作，并根據(jù)邊緣像素的密度對邊緣像素進 行過濾，刪除掉某些由背景形成的低密度像素；(5) 根據(jù)車牌號碼具有高邊緣密度的特點，對邊緣圖EdgeMap進行形態(tài)學膨脹操作，將斷裂的邊緣像素組合為更大面積的區(qū)域；(6) 根據(jù)車牌尺寸屬性的先驗知識，對區(qū)域的幾何屬性進行連通分量分析，刪除明顯 不符合車牌幾何屬性的區(qū)域，最終得到車牌的候選區(qū)域集合，完成粗定位過程；(7) 計算候選區(qū)域集合的垂直投影圖VPM，對VPM進行離散余弦變換，利用低頻系 數(shù)重構(gòu)VPM，重構(gòu)后VPM記為VPMR;(8) 計算VPMr的紋理描述子，包括均值m、標準偏差o、平滑度i ;山VPM的低頻 系數(shù)、均值m、標準偏差cr，平滑度R組成描述車牌候選區(qū)域的紋理特征向量無；將特征向 量文輸入支持向量機進行分類，以此判定候選區(qū)域是否車牌區(qū)域，完成精定位過程。本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于U)本發(fā)明釆用了頂帽變換過濾車牌圖像，較好的消除了背景中的樹木等大尺寸背景， 減少了背景的干擾，對環(huán)境的適應(yīng)性大大增強。(2)本發(fā)明采取了由粗到精的定位方式，相對于以往的車牌定位方法采取逐區(qū)域掃描 車牌圖像的方式，減少了計算量，提高了方法的計算速度。在粗定位階段，利用車牌區(qū)域 具有較高的邊緣密度的特點，根據(jù)車牌的邊緣密度進行自動生長生成車牌候選區(qū)域，然后 再根據(jù)候選區(qū)域的紋理特征進行分類進行車牌區(qū)域精定位。


圖1為本發(fā)明方法的實現(xiàn)流程圖；圖2為本發(fā)明的只有一個候選區(qū)域的車牌區(qū)域粗定位過程示意圖，其中2a代表車牌圖像灰度化后的灰度圖像，2b代表圖像2a經(jīng)過頂帽變換后的結(jié)果，2c代表對圖2b的邊緣圖， 2d代表圖2c經(jīng)過二值化、邊緣過濾后的結(jié)果，2e代表對圖2d進行形態(tài)學膨脹操作后的結(jié) 果，2f代表圖2e進行連通域分析后的結(jié)果，2g代表候選區(qū)域在原圖像中的對應(yīng)區(qū)域；圖3為本發(fā)明的具有兩個候選區(qū)域的車牌區(qū)域粗定位過程示意圖，其中3a代表車牌圖 像灰度化后的灰度圖像，3b代表對圖3a進行處理后產(chǎn)生的粗定位產(chǎn)生的兩個車牌候選區(qū)域；圖4為本發(fā)明的車牌區(qū)域VPM圖以及重構(gòu)后的VPMw圖，其中4a代表預(yù)處理后的車 牌區(qū)域，4b代表圖4a的垂直投影圖VPM， 4c、 4d、 4e和4f分別代表用50、 40、 30和20 個低頻描繪子重構(gòu)VPM后的VPM/ ;圖5為本發(fā)明的簡單背景下車牌定位示例示意圖，其中5a代表具有簡單背景的車牌圖 像，5b代表本發(fā)明的方法粗定位的結(jié)果，5c代表本發(fā)明的方法精定位的結(jié)果；圖6為本發(fā)明的復(fù)雜背景下車牌定位示例示意圖，其中6a和6d分別代表采集到的車 牌圖像，6b和6e分別代表6a和6d粗定位后的結(jié)果，6c和6f分別代表6b和6e精定位后 的結(jié)果。
具體實施方式
為了方便描述本發(fā)明，首先介紹一些概念進行介紹。1.灰度形態(tài)學形態(tài)學操作包括二值形態(tài)學和灰度形態(tài)學兩種，分別用于二值圖像和灰度圖像。對于 本文中處理的車牌圖像，具有背景復(fù)雜、車牌特征較為弱化的特征，所以按傳統(tǒng)的處理方 法，先提取邊緣特征，然后進行形態(tài)學操作和連通域分析，并不能得到很好的結(jié)果。所以 要抑制車牌所處自然環(huán)境的背景，本發(fā)明采用灰度形態(tài)學在灰度圖像中進行處理?；叶刃?態(tài)學中，假定A^,力和Wx,力定義在2維離散空間F和5的離散函數(shù)，其中yu，力是灰度圖像， 6(;c，力是結(jié)構(gòu)元素，則/(x,W關(guān)于6(;c,30的灰度形態(tài)學膨脹、腐蝕、丌運算和閉運算，分別定 義如下(1) 膨脹(Dilate)，使用結(jié)構(gòu)元素6對圖像/的膨脹定義為 <formula>formula see original document page 7</formula>(2) 腐蝕(Erode)，使用結(jié)構(gòu)元素6對圖像/的腐蝕定義為 (/ 6)0， J) = min{/0 + ;c '，少+ ') — 60', y') 10 '，e Z)J(3) 開運算(叩en)，結(jié)構(gòu)元素6對圖像/的丌運算定義為 (/。W(x,力[(/挑，W"力(4) 閉運算(close)，結(jié)構(gòu)元素6對圖像/的閉運算定義為 <formula>formula see original document page 7</formula>2. 頂帽變換過程。一般來說，開運算可以用來去除小的亮點，同時保持所有的灰度級和較大的亮區(qū)特性 相對不變，而閉運算可以去除比結(jié)構(gòu)元素6更小的暗色細節(jié)?；谪⑦\算和閉運算的濾波 特性，又可以定義兩種算子頂帽(Tophat)變換、底帽(ButtomHat)變換，分別定義如下(1) T叩hat變換，結(jié)構(gòu)元素6對圖像/的閉運算定義為 7b/ /w,. A 0，力=[/ - / 。 Z;](x，力(2) ButtomHat變換，結(jié)構(gòu)元素6對圖像/的Bottom-hat變換定義為 丑o/row/w/,力0， = 6 — 力T叩-hat和Bottom-hat分別具有高通濾波器的某些特性，其中Top-hat可以檢測圖像中 的峰，Bottom-hat可以檢測圖像中的谷。T叩Hat濾波等效于原圖/減去原圖/和結(jié)構(gòu)元素6 進行開運算后的結(jié)果，山于原圖丌運算后，小于結(jié)構(gòu)元素6的亮點被腐蝕掉，而原圖/大的 灰度級相對不變，所以用原圖減去開運算后的結(jié)果，剩下的就是被丌運算腐蝕掉的小于結(jié) 構(gòu)元素6的亮點，最終大于結(jié)構(gòu)元素力的背景被抑制。3. 離散余弦變換。將J/尸M表示為坐標對(0,少o)，…,(/C-l，w.,)， K為區(qū)域?qū)挾龋瑒tr尸M本身也可以表示為 一個序列S(A)的離散余弦變換為= ^柳cos， )", (0 " " -l)—fi/VZ， w = o3(W)稱為5"(/t)的頻域描繪子。這些系數(shù)的離散余弦變換可逆，艮P:柳=(0 " "一 1) ,,-。 」A假定僅使用前尸個系數(shù)，而不是使用所有的系數(shù)，相當于在上式中令3(")=0，">戶-1。 結(jié)果得到^(W的近似如下= cos " (0 ^ "一 ))/t的范圍仍然是0，…，。換言之，S(it)含有相同數(shù)量的點，但在每個點的重構(gòu)中卻用不到如此多的系數(shù)項。由于高頻分量決定細節(jié)部分，而低頻分量決定總體形狀，所以 可以僅使用前尸個頻域描繪子恢復(fù)S(Q。 下面對本發(fā)明進行詳細說明。如圖l所示，本發(fā)明的具體實現(xiàn)步驟如下(1) 通過攝像或者照相裝置，采集得到含有車牌區(qū)域的車牌圖像；(2) 利用RGB彩色空間和灰度空間的顏色變換公式，對獲得的車輛圖像進行灰度轉(zhuǎn)換 處理，其轉(zhuǎn)換公式為/^0.299x及+ 0.587xG + 0.ll4xS，其中/表示灰度圖像，W、 G和5分 別表示彩色圖像紅、綠和藍色三個分量的值；(3) 對灰度圖像/進行頂帽變換(Top-hat transform)。頂帽變換的公式為 ro/^加w(x，力-[/-/。6](;c,;;)，結(jié)構(gòu)算子6選取大小為MX 1的水平線性結(jié)構(gòu)算子，根據(jù)圖像的分辨率，本次實施可以設(shè)置1 1 1 11 1 H 1 1 1 1 1 ]。由于頂帽變換等效于原車 牌圖像減去原車牌圖像與結(jié)構(gòu)算子&開運算后得到的圖像，選用合適的結(jié)構(gòu)算子(略大于車 牌號碼尺寸)6對原車牌圖像進行開運算，就可以得到尺寸大于結(jié)構(gòu)元素的背景，再利用原 圖像減去開運算后的結(jié)果，就可以去除背景，增強車牌區(qū)域。(4) 提取車牌灰度圖像的邊緣圖EdgeMap ，計算公式如下 五啦eM^-M4X(Sw^,S柳,S,。)，其中&, S,, Sw和S朋是采用水平&、垂直Sv、左斜Sw和右斜S^四個方向的Sobel邊緣算子得到的邊緣圖像。(5) 設(shè)定二值化的閾值Tc-20，對邊緣圖EdgeMap(x,y)進行二值化操作。由于灰度值小 于20的邊緣像素對于人眼幾乎是分辨不出的，所以本發(fā)明設(shè)定灰度值大于20像素作為前 景，用"1"表示，即純白顏色；灰度值小于等于20的像素作為背景，用全"0"表示，即純黑 顏色表示。(6) 邊緣過濾。車牌區(qū)域具有較高的邊緣密度，根據(jù)圖像分辨率，本次實施可以設(shè)置滑 動窗口 W的大小為20X20,在水平和垂直方向以5個像素為步長進行移動，如果窗口覆蓋 區(qū)域的像素密度低于閾值乙aoo,則將當甜滑動窗口覆蓋的邊緣像素刪除。(7) 基于形態(tài)學的區(qū)域生長。在車牌區(qū)域，字符筆畫產(chǎn)生的邊緣具有較高的密度，該區(qū) 域的邊緣像素分布具有兩個特點a.在單個字符區(qū)域內(nèi)，形成的邊緣密度較高，但是由于 字符筆畫顏色一致，產(chǎn)生的邊緣具有微小的斷裂；b.車牌是水平方向的，所以車牌區(qū)域的邊 緣像素在水平方向還有方向性，但是字符之l'sj的邊緣距離稍大?；谶@兩個特點，可以在 水平和垂直方向采用不同的尺度，利用形態(tài)學閉運算，將車牌區(qū)域的邊緣像素合并為一個大的連通區(qū)域，對邊緣圖EcfeeMflp(u)遂行形態(tài)學膨脹操作的公式如下 EdgeMap(x，y)-(EdgeMap W)O，力其中，形態(tài)學算子bl選取PXQ大小的矩形；根據(jù)圖像的分辨率，本次實施設(shè)置bl的值為3X15。(8)基于連通分量分析的候選區(qū)域集合，得到符合車牌尺寸屬性的連通區(qū)域。車牌的尺寸在一定范圍，根據(jù)這個先驗知識，對圖像中的每一個連通域R,計算連通域面積A、最 小外接矩形B的高度h和寬度W，規(guī)則如下規(guī)則1:設(shè)定最大高度閾值Th—隨和最小高度閾值Th_min，如果h> Th—隠或h<Th—min，刪 除連通域R;規(guī)則2:設(shè)定最大寬度閾值Tw—隨和最小寬度閾值Tw_min，如果h>Tw—,或w<Tw—min， 刪除連通域R。規(guī)則3:設(shè)定最大高寬比閾值Tr—max和最小高寬比閾值T^,n，計算連通域的高寬比r =^，如果KTr—min或者r〉TV—隨，刪除連通域R。規(guī)則4:設(shè)定填充比閾值Tf一min，如果填充比/ = 小于Tf—min，刪除連通域R。(9) 經(jīng)過以上歩驟完成車牌區(qū)域粗定位過程，圖像中剩下符合車牌尺寸屬性的連通區(qū)域，本發(fā)明將這些區(qū)域作為車牌候選區(qū)域。以下步驟為精定位過程。(10) 計算候選區(qū)域的水平投影圖(VPM, Vertical Projection Map),對VPM進行離散余 弦變換，得到頻域系數(shù)。然后采用低頻描繪子，利用離散余弦反變換重構(gòu)VPM，重構(gòu)的VMP 用VPM/ 表示，計算過程為a. 將候選車牌區(qū)域進行垂直投影，得到垂直投影圖VPM，將VPM表示為坐標對形式 (O,yO)，…,(K-I,y^)，尺為區(qū)域?qū)挾?，則VPM本身也可以表示為一個序列5"(A)-0^;b. 將VPM進行離散余弦變換，變換的公式為c.使用前P個系數(shù)，而不是使用所有的系數(shù)，相當于令B(u戶O， u>P-l。結(jié)果得到S(k)的近似如下S(/t)即是VPM經(jīng)過離散余弦變重構(gòu)的形式，記為VPMR，和VPM含有同樣數(shù)量的K(11)計算VPMft的描述子，包括均值m，標準偏差o2，平滑度i 。最終，VPM的低 頻系數(shù)、均值m、標準偏差ci2，平滑度R組成描述車牌候選區(qū)域的紋理特征向量，計算公 式如下~"~<formula>formula see original document page 11</formula>結(jié)合VPM^的中低頻描繪子，模式向量i定義為3 = {5(0),...,5(19)，,一,及^3} (12)將模式向量i輸入支持向量機SVM，判定候選區(qū)域是否車牌區(qū)域，最終，從多 個候選區(qū)域中定位到車牌區(qū)域。下面結(jié)合實例再說明一下本發(fā)明。本發(fā)明的方法適用于高速公路入口、收費站、停車 場入口和移動電子警察等任何采用攝像或者照相裝置獲取的車牌原始圖像的位置，可以采 用Delphi、 visual 0++等編程語言來實現(xiàn)生成車牌識別軟件，將采集的車牌圖像作為車牌識 別軟件的輸入，輸出定位到的車牌區(qū)域，進行下一歩的OCR識別。實施過程分為粗定位和精定位兩個過程圖2是一個粗定位過程的示例。首先，采集到的彩色車牌圖像被轉(zhuǎn)換成灰度圖像，如 圖2a所示；然后對灰度圖像進行頂帽變換，如圖2b所示；頂帽變換的結(jié)果再進行邊緣提 取，如圖2c所示；邊緣圖再進行二值化和濾波操作，留下邊緣密度較大的區(qū)域，如圖2d-, 接著進行基于形態(tài)學的區(qū)域生長，形成大的連通區(qū)域，如圖2e;最后，對連通區(qū)域進行連 通分量分析，刪除不滿足車牌幾何尺寸的區(qū)域，完成粗定位過程。如圖2f，粗定位過程得 到車牌的候選區(qū)域，圖2g是候選區(qū)域?qū)?yīng)的車牌圖像區(qū)域，可以看到，粗定位過程很好的 找到了潛在的車牌區(qū)域。在圖3中，車標區(qū)域具有相似的邊緣特征，也作為車牌候選區(qū)域 保留，粗定位過程得到了兩個候選區(qū)域。對于多個候選區(qū)域的情形，需要根據(jù)車牌區(qū)域的紋理特征來進行進一步的精定位。圖 4a是經(jīng)過粗定位過程得到的候選區(qū)域，由圖4b可以看到，車牌區(qū)域的VPM具有獨特的波 峰波谷特征，但是由于噪聲的影響，該波峰波谷特征和車牌字符數(shù)量并不對應(yīng)。本發(fā)明的 方法采用離散余弦變換重構(gòu)的VPM/ 則要光滑的多，如圖4c、 4d、 4e和4f所示。圖4c、 4d、 4e和4f分別是用50、 40、 30和20個低頻描繪子重構(gòu)后的VPM，可以看出，采用20 個低頻描繪子重構(gòu)后得到的VPM; 其波峰波谷的數(shù)量和車牌字符數(shù)量是一致的。所以，本 發(fā)明提取重構(gòu)的VPMs的紋理描述子作為特征向量，輸入支持向量機區(qū)分多個候選區(qū)域。圖5是一個簡單背景下精定位過程，圖5a、 5b和5c分別是車牌圖像、粗定位結(jié)果和 精定位的結(jié)果。從圖5b可以看出，粗定位階段產(chǎn)生了兩個候選車牌區(qū)域，經(jīng)過精定位階段 的紋理特征判斷，粗定位階段被錯誤定位到的候選區(qū)域被排除。圖6是一個復(fù)雜背景下的精定位過程，其中6a和6d分別代表采集到的車牌圖像，6b 和6e分別代表6a， 6d粗定位后的結(jié)果，6c， 6f分別代表6b, 6e精定位后的結(jié)果。在初定 位階段都檢測到了多個車牌區(qū)域，最終經(jīng)過精定位過程的紋理特征分析，大部分誤定位到 的候選區(qū)域都被刪除。圖6c中，即使精定位階段也誤檢到一個車牌區(qū)域，觀察可以發(fā)現(xiàn)， 主要是由于該區(qū)域類似于數(shù)字'T'，這種情形下，很難通過幾何和紋理屬性來進行排除，但 是可以在號碼識別階段進一步排除。
權(quán)利要求
1、一種快速的車牌定位方法，其特征在于步驟如下(1)對采集的車牌圖像進行灰度轉(zhuǎn)換，得到灰度圖像f；(2)對灰度圖像f進行頂帽變換，以消除車牌圖像中的大尺寸背景對象；(3)利用邊緣檢測算子計算灰度圖像f的邊緣圖EdgeMap；(4)對得到的邊緣圖EdgeMap進行二值化操作，并根據(jù)邊緣像素的密度對邊緣像素進行過濾，刪除掉某些由背景形成的低密度像素；(5)根據(jù)車牌號碼具有高邊緣密度的特點，對邊緣圖EdgeMap進行形態(tài)學膨脹操作，將斷裂的邊緣像素組合為更大面積的區(qū)域；(6)根據(jù)車牌尺寸屬性的先驗知識，對區(qū)域的幾何屬性進行連通分量分析，刪除明顯不符合車牌幾何屬性的區(qū)域，最終得到車牌的候選區(qū)域集合，完成粗定位過程；(7)計算候選區(qū)域集合的垂直投影圖VPM，對VPM進行離散余弦變換，利用低頻系數(shù)重構(gòu)VPM，重構(gòu)后VPM記為VPMR；(8)計算VPMR的紋理描述子，包括均值m、標準偏差σ、平滑度R；由VPM的低頻系數(shù)、均值m、標準偏差σ，平滑度R組成描述車牌候選區(qū)域的紋理特征向量將特征向量輸入支持向量機進行分類，以此判定候選區(qū)域是否車牌區(qū)域，完成精定位過程。
2、 根據(jù)權(quán)利要求1所述的一種快速的車牌定位方法，其特征在于所述歩驟(1)中的灰度轉(zhuǎn)換的公式為/ = 0.299xi +0.587xG+0.114x5,其中/表示灰度圖像，/ 、 G和5分別表示彩色圖像紅、綠和藍色三個分量的值。
3、 根據(jù)權(quán)利要求1所述的一種快速的車牌定位方法，其特征在于所述歩驟(2)中對灰度圖像/進行頂帽變換的公式為7bpto/A(x，y)=[/ — /。W(x,_V)， 6為結(jié)構(gòu)算子，采用大小為 MX1的水平線性結(jié)構(gòu)算子，M的取值根據(jù)車牌圖像分辨率進行設(shè)定。
4、 根據(jù)權(quán)利要求1所述的一種快速的車牌定位方法，其特征在于所述歩驟(3)計算灰度圖像/邊緣圖EdgeMap的公式為其中SH,Sv,SLD和SRD為水平、垂直、左斜和右斜4個方向的經(jīng)由Sobel算子得到灰度圖像 /的邊緣圖。
5、 根據(jù)權(quán)利要求1所述的一種快速的車牌定位方法，其特征在于所述步驟(4)的實現(xiàn)歩驟如下-(1) 設(shè)定二值化的閾值Tc,對邊緣圖EdgeMap進行二值化操作；(2) 車牌區(qū)域具有較高的邊緣密度，設(shè)定一個滑動窗口『，在水平和垂直方向以像素為步 長進行移動，如果窗口覆蓋區(qū)域的像素密度低于所要求的值閾值rw，則將當前滑動窗口覆蓋的 邊緣像素刪除。
6、根據(jù)權(quán)利要求1所述的一種快速的車牌定位方法，其特征在于所述歩驟(5)對邊緣 圖EdgeMap進行形態(tài)學膨脹操作的公式如下其中，形態(tài)學算子bl選取PXQ大小的矩形，P、 Q的取值根據(jù)車牌圖像分辨率進行設(shè)定。
7、根據(jù)權(quán)利要求1所述的一種快速的車牌定位方法，其特征在于所述步驟(6)的實現(xiàn)過程為對每一個連通域R，計算連通域面積A、最小外接矩形B的高度h和寬度w，規(guī)則如下規(guī)則1 :設(shè)定最大高度閾值Th—m^和最小高度閾值Th—min，如果h> Th_max或h< Th—min，刪除連通域R;規(guī)則2:設(shè)定最大寬度閾值Tw—匪和最小寬度閾值Tw一麵，如果h〉Tw一隱或w<Tw_mm,刪 除連通域R;規(guī)則3:設(shè)定最大高寬比閾值Tr max和最小高寬比閾值Tt min，計算連通域的高寬比r ，<formula>formula see original document page 3</formula>如果KT^in或者r>TLmax，刪除連通域R;規(guī)則4:設(shè)定最小填充比閾值Tf—min，如果填充比/=7^~小于丁(> 1，刪除連通域R。
8、根據(jù)權(quán)利要求1所述的一種快速的車牌定位方法，其特征在于所述步驟(7)實現(xiàn)過 程如下(1) 將候選車牌區(qū)域進行垂直投影，得到垂直投影圖VPM，將VPM表示為坐標對形式 (O，yO)，…,(K-l，y^),《為區(qū)域?qū)挾?，則VPM本身表示為一個序列5^)={^};(2) 將VPM進行離散余弦變換，變換的公式為-(3)使用前P個系數(shù)，而不是使用所有的系數(shù)，相當于令B(u)=0， u〉P-l。結(jié)果得到S(k)EdgeMap(x,y)=(EdgeMap十61)(x，力g(") = a,,》^)coS 、 乂'，(0Sw"-l)的近似如下:<formula>formula see original document page 4</formula>即是VPM經(jīng)過離散余弦變重構(gòu)的形式，記為VPMR，和VPM含有同樣數(shù)量的K個點。 9、根據(jù)權(quán)利要求1所述的一種快速的車牌定位方法，其特征在于所述步驟(8)的實現(xiàn) 過程如下(1)計算VPMw的均值m,計算公式為<formula>formula see original document page 4</formula>(2)計算VPM/ 的標準偏差a，計算公式為:<formula>formula see original document page 4</formula><formula>formula see original document page 4</formula>算VPMw的平滑度R，計算公式為<formula>formula see original document page 4</formula>(4) 結(jié)合VPM/f的中低頻描繪子，模式向量i定義為<formula>formula see original document page 4</formula>(5) 將模式向量i輸入支持向量機SVM，判定候選區(qū)域是否車牌區(qū)域c
全文摘要
一種快速的車牌定位方法，利用頂帽變換和文字的紋理特征，主要分為背景消除、車牌區(qū)域粗定位和精定位3個步驟，具體為(1)背景消除，將獲得的彩色車牌圖像轉(zhuǎn)換為灰度圖像，利用頂帽變換抑制大尺寸背景對象，突出車牌區(qū)域；(2)粗定位階段，計算圖像的邊緣圖并對邊緣圖進行二值化、形態(tài)學膨脹和連通域分析等操作，得到合理尺寸的車牌候選區(qū)域集合；(3)精定位階段，提取候選區(qū)域的紋理特征，利用支持向量機分類器對候選車牌區(qū)域進行分類，從而準確定位車牌所在區(qū)域。本發(fā)明利用了頂帽變換過濾車牌圖像，減少了大尺寸背景的干擾，使對環(huán)境的適應(yīng)性大大增強；同時，由粗到精的定位方法更為快捷，計算復(fù)雜度大大降低。
文檔編號G06K9/36GK101246551SQ20081010158
公開日2008年8月20日 申請日期2008年3月7日 優(yōu)先權(quán)日2008年3月7日
發(fā)明者朱成軍, 超 李, 池毅濤, 璋 熊 申請人:北京航空航天大學