[发明专利]基于多特征区域累积的车牌定位方法

权利要求书

1.一种基于多特征区域累积的车牌定位方法，其特征在于，包括如下步骤：

预处理；

区域提取；

车牌粗定位；

旋转矫正；

精确定位；

区域提取包括：基于边缘特征的连通域提取、基于背景颜色特征的连通域提取、基于字符颜色特征的连通域提取和形成区域累积图；

基于边缘特征的连通域提取包括如下步骤：

Step 1.对灰度图执行Top-Hat变换，去除高光区域；

Step 2.使用Sobel算子检测竖直边缘，破坏水平方向的线段；

Step 3.对边缘图进行去噪处理；具体做法为检索边缘图所有的轮廓记为C，任意Ci求取其面积Area(Ci)；若Area(Ci)<minAreaThresh或Area(Ci)>maxAreaThresh则使用黑色像素填充该轮廓，否则保留；其中minAreaThreash和maxAreaThresh表示允许的车牌最小、最大面积；

Step 4.构造合适的结构元素，执行闭运算，开运算操作；结构元素的大小一般设定为22×4,具体值也可以根据实验结果进行微调；

Step 5.对上述步骤的连通域进行筛选；找出图像所有连通域，根据车牌面积、宽高比例等条件滤除明显不符合车牌特征的区域；

Step 6.由上述步骤，最终得到候选区S1；

基于背景颜色特征的连通域提取包括如下步骤：

Step 1.将原始图像从RGB颜色空间变换至HSV颜色空间，RGB转换HSV的计算公式为：

v＝max；

Step 2.检测车牌固有的背景颜色，遍历图像每个像素，若该像素为车牌的固有颜色，则设定该值为255，否则为0；

Step 3.对上述图像进行膨胀，使得白色像素连成区域；

Step 4.滤除以上面积、宽高比例不满足的连通域；

Step 5.由上述步骤，最终得到候选区S2；

基于字符颜色特征的连通域提取，具体步骤如下：

Step 1.对图像的HSV颜色图检测车牌字符颜色，遍历该图像的每个像素，若为目标像素，则设定该值为255，否则为0；

Step 2.对上图二值化，并膨胀图像，使得字符色像素连成区域；

Step 3.滤除面积、宽高比不满足的区域；

Step 4.由上述步骤，最终得到候选区S3；

区域累积具体方法如下：

Step 1.创建与原图像尺寸M×N相等的单通道图f(x,y)，并将其所有像素值置零操作,即

Step 2.将提取的候选区S1,S2,S3归入候选集S，将每个区域Si作成一个像素值为p的单通道掩模Mask_i(x，y)；

Step 3.对图像f(x，y),其中x0,y0,w,h分别为区域Si在图像空间的起始坐标和宽高值；

Step 4.对上述的图像f(x，y)，计算区域叠加的层

Step 5.若layer＝0，则表示在所有的候选区域中没有重叠的区域，此时只取Si中的与车牌最相似的区域作为最终车牌区域；若layer＝1，滤除S中所有没有重叠的区域，即overlap(S)＝0；若layer＞1，同理滤除Overlap((S))≤1的区域；

Step 6.对图像f(x，y)进行二值化，其中阈值最终选出车牌的区域。

2.根据权利要求1所述的基于多特征区域累积的车牌定位方法，其特征在于，所述预处理包括：灰度化、二值化和边缘检测；

灰度化，基于RGB颜色空间转灰度图的公式如下：

Gray(i，j)＝R(i，j)*0.299+G(i，j)*0.587+B(i，j)*0.114 (1)

其中Gray(i,j)为目标图像在点(i,j)上的灰度值，R、G、B为图像三个分量；

二值化：灰度图采用0-255的灰度级来表示一幅图像，像素梯度并不明显，因此不利于对图像进行分割和边缘的提取；同时，为了减少不必要的信息和计算量，我们只使用0和255两个值表示我们关注的目标；一般情况下，0代表背景，255代表关注的目标；二值化的计算公式如下：

边缘检测：采用Sobel算子可以根据需要提取水平方向或竖直方向的边缘信息。