專利名稱：基于色彩聚類的車牌定位方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理領(lǐng)域，特別涉及一種基于色彩聚類的車牌定位方法。
背景技術(shù)：
智能交通管理是世界交通管理領(lǐng)域最前沿的研究課題。近年來(lái)，其成果逐漸深入社會(huì)生活各個(gè)領(lǐng)域，為提高工作效率、便利生活和維護(hù)安全發(fā)揮著積極作用。智能交通管理普遍使用機(jī)器視覺(jué)與人工智能技術(shù)對(duì)交通領(lǐng)域的圖像與視頻進(jìn)行目標(biāo)采集、對(duì)象識(shí)別和行為理解。其中車輛牌照的識(shí)別是機(jī)器視覺(jué)在實(shí)際應(yīng)用中的關(guān)鍵環(huán)節(jié)，其技術(shù)相對(duì)成熟，已經(jīng)廣泛在交通流量監(jiān)測(cè)、違章監(jiān)控、停車場(chǎng)收費(fèi)、假牌套牌車輛識(shí)別等具體應(yīng)用中發(fā)揮作用，取得了良好的社會(huì)經(jīng)濟(jì)效益。車牌定位是車牌識(shí)別的關(guān)鍵第一步，對(duì)于后續(xù)車牌識(shí)別的效率和準(zhǔn)確率有至關(guān)重要的影響?，F(xiàn)有技術(shù)中，在良好的光照條件和拍攝環(huán)境下，車牌定位與識(shí)別具有較高的準(zhǔn)確率。但是在惡劣天氣背景下，受天氣變化、灰塵污潰、環(huán)境背景等干擾因素的影響，現(xiàn)有的識(shí)別算法的識(shí)別率仍然較低，無(wú)法適應(yīng)對(duì)復(fù)雜環(huán)境條件下對(duì)車牌定位的準(zhǔn)確率的要求。

發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有技術(shù)受外界干擾因素的影響較大，在不同的光照和環(huán)境背景下車牌識(shí)別率不穩(wěn)定的缺點(diǎn)，提供了一種能夠適應(yīng)各種復(fù)雜條件、具有較高識(shí)別率的新型基于色彩聚類的車牌定位方法。為實(shí)現(xiàn)上述目的，本發(fā)明可采取下述技術(shù)方案基于色彩聚類的車牌定位方法，包括以下具體步驟I)將包含車牌影 像的彩色源圖像轉(zhuǎn)換為灰度圖，分別計(jì)算所述灰度圖上各像素的垂直邊緣響應(yīng)Response ；2)將所述車牌影像所在區(qū)域均勻劃分為長(zhǎng)、寬分別為n個(gè)像素的方格集{Rt。)，r=1,2, , [height/10], c=l, 2, . . . , [width/n]},其中 height 和 width 分別為所述車牌影像的高和寬；3)分別計(jì)算Rt c)內(nèi)部所有像素點(diǎn)的垂直邊緣響應(yīng)之和ReSponSe[Rfr,。)]，將所述Response [R(r,c)]超過(guò)閾值Th的R(,,。)選定為待選方格，所述待選方格的集合組成候選集；4)將所述彩色源圖像轉(zhuǎn)換為HSV色彩空間，分別計(jì)算所述候選集中R(r，。)的色彩模式列表 ModelList [Rfr, J = (Modeli),其中，色彩模式 Modeli=N(ii i； o t2，Weighti), i=0, I,
...，nModesUsed, N表示色彩模式符合高斯分布特征，U嚴(yán)(1^，Si, Vi)表示高斯分布的均值，
Ot2表不方差，Weighti表不色彩模式的權(quán)重，i表不色彩模式在色彩模式隊(duì)列中的順序，nModesUsed表示色彩模式的數(shù)目；5)根據(jù)Modeli對(duì)所述候選集中的方格進(jìn)行聚類，得到車牌候選區(qū)域Recti的列表RectList[Recti]；6)從所述步驟5所生成的列表RectListIiRecti]中選擇一個(gè)區(qū)域Recti為車牌區(qū)域；7)應(yīng)用Canny算法對(duì)所述車牌區(qū)域進(jìn)行邊緣檢測(cè)，應(yīng)用霍夫變換獲得所述邊緣的精確位置。作為優(yōu)選，所述計(jì)算所述灰度圖上各像素的垂直邊緣響應(yīng)的步驟包括計(jì)算像
素的垂直邊緣響應(yīng)
權(quán)利要求
1.一種基于色彩聚類的車牌定位方法，其特征在于，包括以下具體步驟 1)將包含車牌影像的彩色源圖像轉(zhuǎn)換為灰度圖，分別計(jì)算所述灰度圖上各像素的垂直邊緣響應(yīng)Response ； 2)將所述車牌影像所在區(qū)域均勻劃分為長(zhǎng)、寬分別為n個(gè)像素的方格集{Rtc),r = I,2, . . . , [height/10], c=l, 2, . . . , [width/n]},其中 height 和 width 分別為所述車牌影像的高和寬； 3)分別計(jì)算1^,。)內(nèi)部所有像素點(diǎn)的垂直邊緣響應(yīng)之和Response[Rfr,。)]，將所述Response [R(r,c)]超過(guò)閾值Th的R(,,。)選定為待選方格，所述待選方格的集合組成候選集； 4)將所述彩色源圖像轉(zhuǎn)換為HSV色彩空間，分別計(jì)算所述候選集中Rfcc0的色彩模式列表 ModelList [Rfr,。)] = {Model J ,其中，色彩模式 Modeli=NO ”。t2, Weighti), i=0, I,...，nModesUsed, N表示色彩模式符合高斯分布特征，U ^Oii, Si, Vi)表示高斯分布的均值，0t2表不方差，Weighti表不色彩模式的權(quán)重，i表不色彩模式在色彩模式隊(duì)列中的順序，nModesUsed表示色彩模式的數(shù)目； 5)根據(jù)Modeli對(duì)所述候選集中的方格進(jìn)行聚類，得到車牌候選區(qū)域Recti的列表RectList[Recti]； 6)從所述步驟5所生成的列表RectListIiRecti]中選擇一個(gè)區(qū)域Recti為車牌區(qū)域； 7)應(yīng)用Canny算法對(duì)所述車牌區(qū)域進(jìn)行邊緣檢測(cè)，應(yīng)用霍夫變換獲得所述邊緣的精確位置。
2.根據(jù)權(quán)利要求1所述的基于色彩聚類的車牌定位方法，其特征在于，所述計(jì) 算所述灰度圖上各像素的垂直邊緣響應(yīng)的步驟包括計(jì)算像素的垂直邊緣響應(yīng)
3.根據(jù)權(quán)利要求1所述的基于色彩聚類的車牌定位方法，其特征在于，所述步驟3中閾值Th為R(r,。)的閾值Th(r,。)，所述Th(r，。)的計(jì)算步驟如下3-1)令 TIk=0，TNk=O ； 3-2)計(jì)算Rfr,。)中所有像素的Response的平均值A(chǔ)vg(^lj)]=，
4.根據(jù)權(quán)利要求1所述的基于色彩聚類的車牌定位方法，其特征在于，所述步驟4中計(jì)算所述候選集中Rfr,。)的ModelList [Rfr,。)]的步驟為 4-1)設(shè)定參數(shù)初始方差Varlnit，最小方差VarMin，最大方差VarMax，帶寬系數(shù)Tb，并生成一個(gè)包含O個(gè)色彩模式的色彩模式隊(duì)列； 4-2)讀取所述方格中一個(gè)像素的(h，s，v)值，將所述(h，s，v)值與色彩模式隊(duì)列中已有的色彩模式進(jìn)行逐個(gè)比較計(jì)算所述(h，s,v)值與所述已有的色彩模式的距離distfQ1-hi)2+(S-Si)2+(V-Vi)2,如果 dist^Tb* o t2,則所述(h, s, v)值屬于上述色彩模式，執(zhí)行步驟4-4 ;否則執(zhí)行步驟4-3 ； 4-3)為所述(h, S，V)值生成新的色彩模式 Modelnew=N ( U new, o new2, weight廳)，U new= (h, S, v), O nJ為初始方差Varlnit, Weightnew為I,置于所述色彩模式隊(duì)列的尾端，nModesUsed 加 1，執(zhí)行步驟 4_5 ； 4-4)用所述(h，s，v)值更新所屬的色彩模式為Nb/，ot2’，weight/ )，其中，k=l/Weighti, u / = (hj+k* Q1-1ii), Sj+k* (S-Si), Vj+k* (V-Vi)), o t2，= o t2+k* ((Iist1- o t2), o t2，=MIN (VarMax, MAX( o t2’，VarMin)) ,WeightJ=Weighti+]^ 更新后，按照權(quán)重 Weighti 從大到小的順序?qū)λ錾誓Ｊ疥?duì)列中已有的色彩模式進(jìn)行排序； 4-5)重復(fù)執(zhí)行步驟4-2至步驟4-4直至Rt。)的像素全部讀取完畢，所得色彩模式隊(duì)列即為 ModelList [Rfr,c)]。
5.根據(jù)權(quán)利要求1所述的基于色彩聚類的車牌定位方法，其特征在于，所述步驟5中對(duì)所述候選集中的方格進(jìn)行聚類的步驟為 5-1)生成一個(gè)包含O個(gè)類的類列表ClusterList，并設(shè)定一個(gè)帶寬系數(shù)Tb； 5-2)計(jì)算所述候選集中相鄰兩個(gè)方格Raj)與Rau)的距離Dist〈R(i,j), R(k；1)>=l-ffeight/TotalPixel, k=i+l, l=j+l ；其中，令 Modelm G ModelList [R(i,」)],Modeln G ModelList [R(k, d],所述 Modelm 與 Modeln 的色彩模式距離 Distmn= (hm_hn)2+(sm_sn)2+(vm-vn)2，令閾值 Th=Tb*MIN( O m2，o n2)，所述 TotalPixel 為 R(i,」)與 Rau)中所有像素的TotalModel個(gè)數(shù)，所述
6.根據(jù)權(quán)利要求5所述的基于色彩聚類的車牌定位方法，其特征在于，所述步驟5-3中，所述相鄰方格為距離Dist〈R(i,j)，R(k；1)>小于0. 2的相鄰方格。根據(jù)權(quán)利要求1所述的基于色彩聚類的車牌定位方法，其特征在于，所述步驟6選擇車牌區(qū)域的步驟為對(duì)于RectListIiRecti]中的所有區(qū)域Recti,計(jì)算色彩權(quán)值p1、比例權(quán)值P2、相對(duì)位置權(quán)值p3，其中，pi為Recti中Modeli的均值與車牌底色的相似程度，p2為Recti的外包圍框的寬 高比與車牌的寬高比的相似程度，P3為Recti中心坐標(biāo)與車牌中心坐標(biāo)的相似程度；所述Recti的權(quán)值p為p1、p2、p3的加權(quán)和,所述權(quán)值p最大的區(qū)域即為車牌區(qū)域。
全文摘要
本發(fā)明涉及圖像處理領(lǐng)域，公開(kāi)了一種基于色彩聚類的車牌定位方法1)將包含車牌影像的彩色源圖像轉(zhuǎn)換為灰度圖；2)將所述車牌影像所在區(qū)域均勻劃分為方格；3)分別計(jì)算方格內(nèi)部所有像素點(diǎn)的垂直邊緣響應(yīng)之和，將垂直邊緣響應(yīng)之和超過(guò)閾值的方格選定為待選方格；4)將所述彩色源圖像轉(zhuǎn)換為HSV色彩空間，分別計(jì)算所述候選集中方格的色彩模式列表；5)對(duì)所述候選集中的方格進(jìn)行聚類，得到車牌候選區(qū)域列表；6)選擇一個(gè)區(qū)域?yàn)檐嚺茀^(qū)域；7)應(yīng)用Canny算法對(duì)所述車牌區(qū)域進(jìn)行邊緣檢測(cè)，應(yīng)用霍夫變換獲得所述邊緣的精確位置。本發(fā)明的優(yōu)點(diǎn)在于，具有較強(qiáng)的圖像識(shí)別能力，能夠在道路光照條件復(fù)雜的情況下，對(duì)圖像中的車牌區(qū)域進(jìn)行快速準(zhǔn)確的定位。
文檔編號(hào)G06K9/54GK103065141SQ20131003139
公開(kāi)日2013年4月24日 申請(qǐng)日期2013年1月24日 優(yōu)先權(quán)日2013年1月24日
發(fā)明者彭浩宇, 王勛 申請(qǐng)人:浙江工商大學(xué)