[发明专利]一种结合颜色与纹理的车牌检测方法

摘要

本发明涉及车脚检测定位技术，旨在提供一种结合颜色与纹理的车牌检测方法。该种结合颜色与纹理的车牌检测方法包括步骤选取样本组，人工标定车牌中心点；对样本组进行预处理；统计颜色信息；统计纹理信息；统计蓝色区域边界像素点个数；车牌图片预处理；颜色判断候选区域；纹理判断候选区域；蓝色区域判断候选区域；提取车牌。本发明以颜色信息为主要信息，纹理信息为辅助信息，结合人眼主要挖掘车牌的颜色信息，从而达到检测车牌的目的，可大致地定位出蓝底白字车牌的区域，从而为车牌的精确定位以及识别，或者为其他检测部件，比如前车窗、雨刮器、驾驶员、安全带等，提供位置参考，具有广阔的应用前景。

主权项

一种结合颜色与纹理的车牌检测方法，包括前期确定各项阈值、将阈值应用于车牌检测，其特征在于，所述前期确定各项阈值，包括以下步骤：(1)：选取样本组，人工标定车牌中心点；(2)：对样本组进行预处理；(3)：统计颜色信息；(4)：统计纹理信息；(5)：统计蓝色区域边界像素点个数；所述将阈值应用于车牌检测，包括以下步骤：(6)：车牌图片预处理；(7)：颜色判断候选区域；(8)：纹理判断候选区域；(9)：蓝色区域判断候选区域；(10)：提取车牌；所述步骤(1)的具体过程：通过卡口系统拍摄汽车在行驶中的车牌图片，然后在拍摄的车牌图片中，选取样本组，样本组包含拍摄正常的蓝牌车牌图片、曝光过度的蓝牌车牌图片和带泥蓝牌车牌图片，样本组的样本量为500张，人工标定样本组中车牌图片的车牌中心点；所述步骤(2)的具体过程，按如下步骤处理：步骤A：以样本组车牌图片中的车牌大小为参考，定义能包含车牌的滑动窗口的尺寸；步骤B：对样本组中的车牌图片，以步骤(1)中标定的车牌中心点为中心，分别截取步骤A中确定的滑动窗口大小的感兴趣区域；步骤C：对感兴趣区域作高斯平滑；所述步骤(3)的具体过程，按如下步骤处理：步骤D：对步骤(2)中截取的样本组中每个车牌图片的感兴趣区域，由RGB图转化为GRAY图，计算GRAY图的均值；步骤E：对感兴趣区域中大于均值的像素点，舍弃，对感兴趣区域中小于均值的像素点，继续步骤F处理；步骤F：对步骤E中舍弃部分像素点后的感兴趣区域，由RGB颜色空间转化为HSL颜色空间，分别记HSL空间中各通道的像素点值为l、s、h；步骤G：对步骤F中得到的每个感兴趣区域的l、s、h，分别取均值，依次记为lm、sm、hm；步骤H：对步骤(1)中选定的样本组，计算出每个感兴趣区域中的lm、sm、hm值，记为p(lm，hm，sm)，以lm为x轴，hm为y轴作点，记为p(lm，hm)，取p(lm，hm)的包络线，记为p(lm，hm)∈Sl‑h；以lm为x轴，sm为y轴作点，记为p(lm，sm)，取p(lm，sm)的包络线，记为p(lm，sm)∈Sl‑s；其中Sl‑h表示由lm和hm组成的点空间范围，Sl‑s表示由lm和sm组成的点空间范围，∈为属于符号；若p(lm，sm)∈Sl‑s且p(lm，hm)∈Sl‑h，则将p(lm，hm，sm)点判定为蓝色；步骤I：对p(lm，hm，sm)，按以下公式取灰色点和白色点：灰色点满足公式：p(lm，sm，hm)∈Sg if(lm＜T1)and(sm＜T2 or p(lm，hm)∈Sl‑h)；白色点满足公式：p(lm，sm，hm)∈Sw if lm＞T3；其中，p(lm，sm，hm)表示以lm为x轴，sm为y轴，hm为z轴的点，Sg表示灰色点空间范围，Sw表示白色点空间范围，T1，T2，T3为自定义的阈值，阈值是范围在0～255之间的自然数；步骤J：统计步骤(2)中每一感兴趣区域的蓝色点个数Nb，白色点个数Nw，灰色点个数Ng；步骤K：计算样本组中Nb，(Nb+Nw)和(Nb+Ng)的最小值，分别记为Nmb，Nbw，Nbg；所述步骤(4)的具体过程，按如下步骤处理：步骤L：将sobel算子作用于步骤B中感兴趣区域的R通道，取dx方向的梯度值；步骤M：对步骤L中感兴趣区域R通道的梯度值，按下式计算梯度极大值点个数：且V(x，y)＞V‑且V(x，y)＞V+；其中，V(x，y)表示点在像素坐标(x，y)处的梯度，表示在sobel的x方向上满足条件的点空间，V‑表示V(x，y)的左相邻点，V+表示V(x，y)的右相邻点，Ts为自定义的阈值，且Ts的取值是V(x，y)的最大值与最小值之间的数；步骤N：对步骤B中的每个感兴趣区域，统计不同阈值下，每行的极大值个数的最大值，公式表示为：其中，表示在sobel的x方向上满足的点空间中的每行极大值个数，max表示取最大值符号，Cmax表示行个数最大值；步骤O：对步骤B中的每个感兴趣区域，统计不同阈值下，极大值个数总数，公式表示为：其中，表示在sobel的x方向上满足的点空间中的极大值总数，∑表示求和符号，Call表示极大值的总个数；步骤P：统计样本组中，不同阈值下，Cmax与Call的最小值点，最小值点表示为：其中，Ts表示阈值，表示0，100，200，...，3000之间能被100整除的自然数，i表示大于0的自然数，Cmaxi表示步骤(2)中每个感兴趣区域的行个数最大值，Calli表示步骤(2)中每个感兴趣区域的行个数的总个数，表示在样本集中取最小值；步骤Q：取曲线拐点，对应曲线中的值，作为统计极大值个数的阈值Ns，记为(Ts，Ns)；其中，表示以Ts为横坐标，为纵坐标的曲线，表示以Ts为横坐标，为纵坐标的曲线；所述步骤(5)的具体过程，按如下步骤处理：步骤R：对步骤(2)中每个感兴趣区域，按步骤(3)提取蓝色点；步骤S：对步骤(2)中每个感兴趣区域，将蓝色点置为1，非蓝色点置为0，计算二值图的边界像素点个数；步骤T：统计样本组中边界像素点个数的最小值，记为Nedge；所述步骤(6)的具体过程，按如下步骤处理：步骤a：通过卡口系统拍摄汽车在行驶中的车牌图片，然后在拍摄的车牌图片中，根据车牌出现位置，截取车牌出现区域作为检测区域；步骤b：对步骤a中选取的检测区域作高斯平滑；所述步骤(7)的具体过程：在步骤(6)处理后的检测区域内，用步骤(2)中定义的滑动窗口逐像素点滑动，每取一个滑动窗口图片，作以下处理：步骤c：统计每一滑动窗口中的蓝色点个数N′b，白色点个数N′w，灰色点个数N′g；步骤d：提取满足N′b＞Nmb or N′b+N′w＞Nbw or N′b+N′g＞Nbg的区域作为候选区域，继续步骤(8)处理；否则，舍弃；其中，Nmb，Nbw，Nbg对应步骤(3)中确定的Nmb，Nbw，Nbg；所述步骤(8)的具体过程，按如下步骤处理：步骤e：将sobel算子作用于步骤d中的候选区域的R通道，取dx方向的梯度信息；步骤f：按步骤(4)中的公式且V(x，y)＞V‑且V(x，y)＞V+，提取步骤e的候选区域中梯度大于Ts的极大值点个数N′s；步骤g：提取步骤e中，N′s＞Ns的候选区域，继续步骤(9)处理；否则，舍弃候选区域；其中，Ns对应步骤(4)中的Ns；所述步骤(9)的具体过程，按如下步骤处理：步骤h：在步骤g的候选区域中，按步骤H中的公式提取蓝色点，组成蓝色区域；步骤i：判断步骤h中的蓝色区域是否集中分布于一个连通区域中，若是，则舍弃步骤g中的候选区域；否则，继续步骤c处理；步骤j：若步骤h中的蓝色区域的边界像素点个数大于Nedge，继续步骤(10)处理；否则，舍弃经步骤i处理后的候选区域；其中Nedge为步骤(5)中对应的Nedge；所述步骤(10)的具体过程：选取经步骤j处理后的候选区域中N′s最大的区域，作为车牌区域。