[发明专利]一种基于自适应边缘特征的车牌粗定位方法

说明书

技术领域

本发明涉及车牌识别技术领域，具体是一种基于自适应边缘特征的车牌粗定位方法。

背景技术

车牌识别是智能交通的核心技术，包含了三个部分：车牌定位、字符分割、字符识别。其中，车牌定位是整个技术最重要的一部分，车牌定位的好坏，直接影响后续的步骤，进而影响整体的识别速度和准确率。

车牌定位是指在一幅图像中，快速找出车牌所在的大致区域。一般通过粗定位和精定位相结合的方法来实现。具体方法是：粗定位在整幅图中快速排除大部分非车牌区域，留下候选车牌区域。然后精定位在候选车牌区域内进行第二次判断，找出真正的车牌区域。因此，车牌粗定位保留下来的候选区域的数量和质量，是衡量车牌定位算法优劣的最重要依据。

目前，车牌粗定位主要有以下几类技术：

(1)基于颜色检测的方法，如中国专利申请CN103400121A公开了一种基于彩色二值化图像的车牌定位方法。该类技术在理想光线和图像清晰的情况下，可以达到不错的效果。但是现实环境和光线的复杂多变，不同设备获取图像的清晰度也不一样，因此，该类技术在很多情况下存在误检和漏检的问题。

(2)基于机器学习的方法，如中国专利申请CN103870803A公开了一种基于粗定位与精定位融合的车牌识别方法和系统。该类技术对于复杂的光线和环境具有一定的鲁棒性，但是算法的检测速度很慢，而且会存在较多的误检和部分漏检。

(3)基于边缘特征的方法，如中国专利申请CN103985135A公开了一种基于差分边缘图像的车牌定位方法，中国专利申请CN102693423A公开了一种在强光条件下车牌精确定位的方法。该类技术先获取图像的垂直边缘特征，然后通过形态学运算或者行扫描连线获得连通区域，最后通过连通区域分析获取最终的候选区域。该类技术的优点是算法简单，速度很快，漏检少，对复杂环境抵抗能力强。但同样存在一系列缺点：由于形态学结构元素和行相邻点连接的距离阈值多采用固定值，对于不同尺寸的车牌适应能力较差，进而导致较多误检。有些算法采用尺度变换后多次检测的方法，虽然达到了适应不同尺寸车牌图像的效果，但循环重复的运行过程大大降低了算法速度，严重影响最终性能。

发明内容

本发明的目的在于提供一种基于自适应边缘特征的车牌粗定位方法，采用自适应边缘特征获取垂直边缘连通区域，使获得的连通区域更加精准，排除更多非车牌区域，同时在一幅图上即可完成不同尺寸车牌的粗定位。

本发明的技术方案为：

一种基于自适应边缘特征的车牌粗定位方法，包括以下顺序的步骤：

(1)将包含车牌的待处理彩色图像变换成灰度图像；

(2)利用均值滤波器对得到的灰度图像进行模糊处理；

(3)利用垂直边缘检测算子，获取经过模糊处理的灰度图像的二值垂直边缘图；

(4)基于垂直边缘的密度信息，利用自适应边缘特征，动态获取二值垂直边缘图每行相邻前景目标点之间的距离阈值，将每行彼此之间距离小于该阈值的两个相邻前景目标点连起来，形成连通区域；

(5)将形成的各个连通区域进行形态学运算处理；

(6)对经过形态学运算处理后的各个连通区域进行分析，利用各个连通区域的特征信息，包括高度、宽度、宽高比和面积，去除非车牌连通区域，得到车牌候选连通区域；

(7)对车牌候选连通区域依据其周围边缘信息进行相应扩展，形成车牌候选矩形区域，得到车牌粗定位结果。

所述的基于自适应边缘特征的车牌粗定位方法，步骤(1)中，所述将包含车牌的待处理彩色图像变换成灰度图像，具体采用以下公式实现：

f＝0.299R+0.587G+0.114B

其中，f表示灰度图像值，R、G、B分别表示对应像素的红、绿、蓝三通道的值。

所述的基于自适应边缘特征的车牌粗定位方法，步骤(2)中，所述均值滤波器采用的矩形卷积核为：

其中，K表示矩形卷积核，w表示矩形卷积核的宽度，h表示矩形卷积核的高度，w＝3*h。

所述的基于自适应边缘特征的车牌粗定位方法，步骤(3)中，所述利用垂直边缘检测算子，获取经过模糊处理的灰度图像的二值垂直边缘图，具体包括以下顺序的步骤：

(31)利用sobel边缘检测算子，获取经过模糊处理的灰度图像的垂直边缘特征图，所述sobel边缘检测算子采用以下公式：

其中，Kernel表示sobel边缘检测算子；