一種lpr車牌精確定位的方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種LPR車牌精確定位的方法，包括圖像校正的步驟和精確分割的步驟。所述的圖像校正的步驟包括傾斜角α計(jì)算的步驟和車牌旋轉(zhuǎn)的步驟。所述的傾斜角α計(jì)算的步驟包括：步驟1：對原始車牌區(qū)域進(jìn)行灰度化操作；步驟2：對灰度圖進(jìn)行平滑操作；步驟3：對灰度圖進(jìn)行灰度拉伸；步驟4：對灰度圖進(jìn)行sobel運(yùn)算；步驟5：將灰度圖轉(zhuǎn)化為二值圖；步驟6：使用hough變換檢測二值圖中的直線；步驟7：根據(jù)直線斜率求得傾斜角α。能夠有效排除照片中車牌以外的其他圖像信息的干擾，諸如邊框、鉚釘?shù)纫渤蔀樨酱鉀Q的問題。
【專利說明】一種LPR車牌精確定位的方法和系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】，尤其涉及一種車牌定位的方法和系統(tǒng)。

【背景技術(shù)】
[0002] 隨著經(jīng)濟(jì)的增長和人們購買力的不斷提高，國內(nèi)汽車數(shù)量大規(guī)模增加，尤其是私 家車數(shù)量的急劇增長，遠(yuǎn)遠(yuǎn)超過城市原本配備的停車位，導(dǎo)致國內(nèi)停車難等問題日益凸顯， 如何在停車位資源一定的情況下實(shí)現(xiàn)對停車場科學(xué)、規(guī)范、統(tǒng)一的管理成為人們關(guān)注的重 點(diǎn)。
[0003] 車牌識別作為現(xiàn)代智能交通監(jiān)控【技術(shù)領(lǐng)域】中的重要組成部分，在停車場管理方面 扮演著重要的角色。除此之外，對智能車牌識別的應(yīng)用還可實(shí)現(xiàn)公司車輛的智能管理，完成 自動考勤的功能。
[0004] 車牌識別是以計(jì)算機(jī)視覺、圖像處理、模式識別等技術(shù)為基礎(chǔ)，對前端攝像機(jī)所拍 攝的車輛圖像或者視頻序列進(jìn)行分析，得到每一輛汽車唯一的車牌號碼，從而完成車牌識 別的過程。眾所周知，車牌的識別流程大致分為三個(gè)步驟，即：車牌的定位，字符分割以及字 符的識別。
[0005] 實(shí)際的識別場景中，由于攝像頭的部署或者行駛的角度導(dǎo)致的車牌的傾斜。車牌 的傾斜如不能很好的校正，那么對后部分的區(qū)域分割影響較大，如上下邊緣切割導(dǎo)致字符 不完整、字符的錯(cuò)切。此外，如何有效排除照片中車牌以外的其他圖像信息的干擾，諸如邊 框、鉚釘?shù)纫渤蔀樨酱鉀Q的問題。


【發(fā)明內(nèi)容】

[0006] 針對以上現(xiàn)有技術(shù)中的缺陷，本發(fā)明的LPR識別系統(tǒng)不但可用于停車管理系統(tǒng)還 可實(shí)現(xiàn)公司車輛的智能管理，完成自動考勤的功能。對現(xiàn)有的車牌圖像精確定位技術(shù)作了 進(jìn)一步改進(jìn)。
[0007] 具體技術(shù)方案如下：
[0008] -種LPR車牌精確定位的方法，包括圖像校正的步驟和精確分割的步驟。
[0009] 所述的圖像校正的步驟包括傾斜角α計(jì)算的步驟和車牌旋轉(zhuǎn)的步驟。
[0010] 所述的傾斜角α計(jì)算的步驟包括：
[0011] 步驟1 :對原始車牌區(qū)域進(jìn)行灰度化操作；
[0012] 步驟2 :對灰度圖進(jìn)行平滑操作；
[0013] 步驟3 :對灰度圖進(jìn)行灰度拉伸；
[0014] 步驟4 :對灰度圖進(jìn)行sobel運(yùn)算；
[0015] 步驟5 :將灰度圖轉(zhuǎn)化為二值圖；
[0016] 步驟6 :使用hough變換檢測二值圖中的直線；
[0017] 步驟7 :根據(jù)直線斜率求得傾斜角α。
[0018] 所述的車牌旋轉(zhuǎn)的步驟包括：
[0019] 步驟1 :構(gòu)造圖像的旋轉(zhuǎn)矩陣： fcos<2 sin a 〇] , Γ cos(-a) ?ιι(-α) 〇] fcosa -mi a 0
[0020] M= , Λ/ - = , . n = . n
[-sma cos a OJ cos(-a) Oj Lsma cos a 0」·
[0021] 步驟2 :將旋轉(zhuǎn)矩陣作為參數(shù)輸入OpenCv庫中的cvWarpAffine進(jìn)行仿射變換。 上述步驟2優(yōu)選在擴(kuò)展了區(qū)域的上下邊框后再將旋轉(zhuǎn)矩陣作為參數(shù)輸入OpenCv庫中的 cvWarpAffine進(jìn)行仿射變換。
[0022] 所述的精確分割的步驟包括：
[0023] 步驟1 :切除上下邊框的步驟，對車牌從兩個(gè)方向進(jìn)行掃描，即從上往下，從下往 上；當(dāng)掃描到的底色投影值大于最大值的80%時(shí)停止掃描并進(jìn)行切除邊框的操作。
[0024] 步驟2 :去除鉚釘?shù)牟襟E，截取車牌0. 3寬度到0. 7的寬度，從左至右，從車牌1/2 高度到上邊界進(jìn)行掃描并統(tǒng)計(jì)像素跳變的次數(shù)nhop，若掃描至第i行，有nhop = 0,記錄當(dāng) 前的位置top，中止此次掃描；同樣，從左至右，從車牌1/2高度到下邊界進(jìn)行掃描并統(tǒng)計(jì)像 素跳變的次數(shù)，若掃描至第j行，有nhop = 0,記錄當(dāng)前的位置bottom，則車牌的上下邊界 為[top, bottom]所在的范圍；步驟3 :左右邊框精確切割的步驟，
[0025] 對左邊框的精確切割，對車牌進(jìn)行堅(jiān)直方向的直方圖投影，然后在車牌的0?0. 3 寬度范圍內(nèi)對直方圖進(jìn)行掃描，跟蹤每一個(gè)柱狀的寬度，若小于5pixelS寬度，那么就可以 認(rèn)為該柱狀是由邊框產(chǎn)生的，此時(shí)將左邊緣縮進(jìn)；
[0026] 對右邊框的精確分割在字符分割時(shí)剔除掉。
[0027] 當(dāng)遇到厚邊框時(shí)，上述步驟1中從上往下及從下往上掃描時(shí)，若找不到邊框與字 符的分界線則在最上和最下邊緣多抹去2pixel的寬度。
[0028] 本發(fā)明還涉及一種LPR車牌精確定位的系統(tǒng)，包括圖像校正模塊和精確分割模 塊，所述的圖像校正模塊用于將傾斜的車牌圖像校正后送入精確分割模塊，所述的精確分 割模塊用于濾除邊框、鉚釘后留取只包含車牌底色和字符的車牌圖像。
[0029] 所述的圖像校正模塊包括傾斜角α計(jì)算單元和車牌旋轉(zhuǎn)單元，所述的傾斜角α 計(jì)算單元用于利用Hough變換計(jì)算車牌的傾斜角后送入車牌旋轉(zhuǎn)單元，所述的車牌旋轉(zhuǎn)單 元用于利用傾斜角α構(gòu)造的旋轉(zhuǎn)矩陣校正傾斜的車牌。
[0030] 所述的精確分割模塊包括上下邊框切除單元、鉚釘去除單元、左右邊框精確切割 單元；所述的上下邊框切除單元用于對車牌從兩個(gè)方向進(jìn)行掃描，即從上往下，從下往上； 當(dāng)掃描到底色時(shí)停止掃描并進(jìn)行切除邊框的操作；
[0031] 所述的鉚釘去除單元用于截取車牌0. 3寬度到0. 7的寬度，從左至右，從車牌1/2 高度到上邊界進(jìn)行掃描并統(tǒng)計(jì)像素跳變的次數(shù)nhop，若掃描至第i行，有nhop = 0,記錄當(dāng) 前的位置top，中止此次掃描；同樣，從左至右，從車牌1/2高度到下邊界進(jìn)行掃描并統(tǒng)計(jì)像 素跳變的次數(shù)，若掃描至第j行，有nhop = 0,記錄當(dāng)前的位置bottom，則車牌的上下邊界 為[top, bottom]所在的范圍；
[0032] 所述的左右邊框精確切割單元用于精確切割左邊框，對車牌進(jìn)行堅(jiān)直方向的直方 圖投影，然后在車牌的〇?〇. 3寬度范圍內(nèi)對直方圖進(jìn)行掃描，跟蹤每一個(gè)柱狀的寬度，若 小于5pixelS寬度，那么就可以認(rèn)為該柱狀是由邊框產(chǎn)生的，此時(shí)將左邊緣縮進(jìn)。
[0033] 對右邊框的精確分割在字符分割時(shí)剔除掉。

【專利附圖】

【附圖說明】
[0034] 圖1為車牌識別系統(tǒng)的大致流程示意圖；
[0035] 圖2為獲取車牌傾斜角度方法示意圖；
[0036] 圖3為車牌旋轉(zhuǎn)示意圖；
[0037] 圖4為較為標(biāo)準(zhǔn)的車牌示意圖；
[0038] 圖5為厚邊框車牌示意圖；
[0039] 圖6為左邊框精確切割示意圖。

【具體實(shí)施方式】
[0040] 下面結(jié)合附圖對本發(fā)明作進(jìn)一步說明，
[0041] 一種LPR車牌識別方法：
[0042] 1.獲取理想車牌
[0043] 由于系統(tǒng)是直接從攝像頭的視頻流中直接提取圖像，車輛進(jìn)入識別區(qū)域時(shí)的狀態(tài) 具有連續(xù)性、隨機(jī)性。基于視頻流的車牌識別就必須解決如何才能從連續(xù)的幀圖像中提取 最優(yōu)的車牌。所謂最優(yōu)車牌是指車牌的大小、位置、傾斜程度等因素對系統(tǒng)當(dāng)前算法適應(yīng)性 最好。這里最優(yōu)車牌的提取主要是通過對識別區(qū)域的設(shè)定以及獲取同一輛車圖像的張數(shù)。
[0044] 2、車牌定位
[0045] 車牌的定位主要包含兩個(gè)步驟，其一是車牌的粗定位，其二是精細(xì)定位。在車牌定 位當(dāng)中粗定位和精細(xì)定位處理的目標(biāo)不同。在粗定位中，主要的目標(biāo)是在整個(gè)輸入圖像中 正確的尋找到車牌的大致位置，可以包含車牌也可以只包含車牌。此處車牌實(shí)際位置不要 求很精確，但定位的區(qū)域中必須包含車牌。而精細(xì)定位的目標(biāo)是在粗定位中得到的車牌進(jìn) 行車牌的標(biāo)準(zhǔn)化（包括車牌的旋轉(zhuǎn)校正、上下邊緣、左右邊緣的切割等），最后的車牌應(yīng)只 包含車牌背景及字符。
[0046] 2. 1 粗定位（LPRCoarseLocate)
[0047] 粗定位的主要工作包括對圖像進(jìn)行必要的預(yù)處理，如灰度化、二值化、濾噪等，再 者執(zhí)行數(shù)學(xué)形態(tài)學(xué)操作，對二值圖進(jìn)行膨脹腐蝕，為后續(xù)的搜索矩形區(qū)域做準(zhǔn)備。
[0048] 2. 2圖像的形變及校正
[0049] 在實(shí)際的識別場景中，由于攝像頭的部署或者行駛的角度導(dǎo)致的車牌的傾斜。車 牌的傾斜如不能很好的校正，那么對后部分的區(qū)域分割影響較大，如上下邊緣切割導(dǎo)致字 符不完整、字符的錯(cuò)切。對車牌圖像校正首先的前提是需要得到傾斜的角度，其次是車牌的 旋轉(zhuǎn)。
[0050] 2. 2. 1 傾斜角計(jì)算（FindAngle)
[0051] 傾斜角的計(jì)算對于圖像的旋轉(zhuǎn)校正是一個(gè)難點(diǎn)，計(jì)算的方法一般有兩種，一是霍 夫變換（Hough Transform)檢測直線獲得傾斜角；一是拉東變換（Radon Transform)。
[0052] Hough變換的基本原理：其基本原理在于利用點(diǎn)與線的對偶性，將原始圖像空間 給定的曲線通過曲線表達(dá)形式變?yōu)閰?shù)空間的一個(gè)點(diǎn)。這樣就把原始圖像中給定曲線的 檢測問題轉(zhuǎn)化為尋找參數(shù)空間中的峰值問題。也即把檢測整體特性轉(zhuǎn)化為檢測局部特性。 比如可以將Hough變換推廣為檢測直線、橢圓、圓、弧線等。
[0053] Hough變換的基本思想：在原始圖像坐標(biāo)系下的一個(gè)點(diǎn)對應(yīng)了參數(shù)坐標(biāo)系中的一 條直線，同樣參數(shù)坐標(biāo)系的一條直線對應(yīng)了原始坐標(biāo)系下的一個(gè)點(diǎn)，然后，原始坐標(biāo)系下呈 現(xiàn)
[0054] 直線的所有點(diǎn)，它們的斜率和截距是相同的，所以它們在參數(shù)坐標(biāo)系下對應(yīng)于同 一個(gè)點(diǎn)。這樣在將原始坐標(biāo)系下的各個(gè)點(diǎn)投影到參數(shù)坐標(biāo)系下之后，看參數(shù)坐標(biāo)系下有沒 有聚集點(diǎn)，這樣的聚集點(diǎn)就對應(yīng)了原始坐標(biāo)系下的直線。
[0055] Radon變換的基本原理：一個(gè)平面內(nèi)沿不同的直線（直線與原點(diǎn)的距離為d，方向 角為alfa)對f (X，y)做線積分，得到的像F(d, alfa)就是函數(shù)f的Radon變換。也就是 說，平面（d，alfa)的每個(gè)點(diǎn)的像函數(shù)值對應(yīng)了原始函數(shù)的某個(gè)線積分值。
[0056] Radon變換的基本思想：Radon變換可以理解為圖像在ρ Θ空間的投影，ρ Θ空 間的每一點(diǎn)對應(yīng)一條直線，而Radon變換是圖像像素點(diǎn)在每一條直線上的積分。因此，圖像 中高灰度值的直線會在Ρ Θ空間形成亮點(diǎn)，而低灰度值的線段在ρ Θ空間形成暗點(diǎn)。對 直線的檢測轉(zhuǎn)化為在變換區(qū)域?qū)α咙c(diǎn)、暗點(diǎn)的檢測。
[0057] 注：此處的旋轉(zhuǎn)角度的計(jì)算只限定于上平方向的傾斜的情況，堅(jiān)直方向的傾斜角 度暫未考慮。
[0058] 霍夫變換（Hough Transform)檢測直線獲得傾斜角具體方法如下：
[0059] 步驟1 :對原始車牌區(qū)域進(jìn)行灰度化操作；
[0060] 為了能夠保留車牌的更為豐富的信息，本發(fā)明在計(jì)算車牌傾斜角α?xí)r所輸入的 圖像為在原始采集圖像上截取的子圖，為了避免彩色圖像帶來的冗余計(jì)算，需將車牌圖像 進(jìn)行灰度化處理。
[0061] 步驟2 :對灰度圖進(jìn)行平滑操作；
[0062] 在通常的情況下，由于圖像噪聲往往以高斯分布的形式存在，噪聲信息主要表現(xiàn) 在圖像中的高頻部分。構(gòu)造傳統(tǒng)的高斯濾波器雖然可以濾除噪聲，但是在某種程度上也會 抑制邊緣信息?；诒景l(fā)明后續(xù)步驟對邊緣信息的依賴，同時(shí)又能最大程度上降低噪聲的 干擾，本發(fā)明構(gòu)造一種基于中值濾波器。該濾波器可以在濾噪的同時(shí)，盡可能的減少邊緣信 息的損失。
[0063] 步驟3 :對灰度圖進(jìn)行灰度拉伸；
[0064] 灰度拉伸的目的是提高圖像的對比度，執(zhí)行一個(gè)Τ變換，將原始圖像的像素范圍 在[P0，P k]的亮度Ρ變換到一個(gè)新范圍[%>，％]內(nèi)的亮度q。變換關(guān)系如下：
[0065] q(i, j) = T(p(i, j))
[0066] 步驟4 :對灰度圖進(jìn)行Sobel運(yùn)算；
[0067] Sobel算子可以根據(jù)需要對邊緣信息進(jìn)行檢測，本發(fā)明利用該特性構(gòu)造一個(gè)水平 方向Sobel核，對圖像執(zhí)行該運(yùn)算，可以破壞堅(jiān)直方向的邊緣信息，使其分解為孤立的點(diǎn)， 而只保留水平方向信息。
[0068] 步驟5 :將灰度圖轉(zhuǎn)化為二值圖；
[0069] 將步驟4中的Sobel輸出圖像進(jìn)行二值化處理。接著利用一種去除指定類型噪聲 的方法將圖像中孤立的點(diǎn)濾除，此時(shí)圖像中只包含有水平方向的線段。
[0070] 步驟6 :使用hough變換檢測二值圖中的直線；
[0071] 在平面直角坐標(biāo)系中一個(gè)點(diǎn)（x，y)的Hough變換的極坐標(biāo)方程為：
[0072] λ = x*cos θ +y*sin θ
[0073] 經(jīng)過該變換后，點(diǎn)（χ，y)在Hough變換空間形成隨θ變化的一條曲線，這樣同一 條直線上的點(diǎn)經(jīng)過Hough變換空間形成的所有曲線將有一個(gè)共同的交點(diǎn)。算法設(shè)定一個(gè)累 加數(shù)組Α(θ，λ)，最終求取最大Α(θ，λ)對應(yīng)的θ，λ作為待求直線極坐標(biāo)方程參數(shù)。
[0074] 步驟7 :根據(jù)直線斜率求得α角；
[0075] 步驟6中所求得參數(shù)Θ即為車牌傾斜角α。
[0076] 2. 2. 2 車牌旋轉(zhuǎn)（ImageRotate)
[0077] 有了旋轉(zhuǎn)的角度，那么就可以進(jìn)行旋轉(zhuǎn)了。要對圖像進(jìn)行旋轉(zhuǎn)就需先構(gòu)造其旋轉(zhuǎn) 矩陣。 「cos? sina 0 ] , Γ cosf-α) ski(-〇f) 〇1 「cos cr -sin or 0]
[0078] M=\ Μ^· =
[-sin a cos a 0」 [-sin(-a) cos(-a) 0」[sin a cos a 0」
[0079] 然后將旋轉(zhuǎn)矩陣作為參數(shù)輸入OpenCv庫中的cvWarpAffine進(jìn)行仿射變換。注：在 進(jìn)行圖像變換的時(shí)候可以適當(dāng)?shù)臄U(kuò)展區(qū)域的上下邊框，防止旋轉(zhuǎn)后的車牌超出區(qū)域。
[0080] 2. 3 精確定位（LPRPreciseLocate)
[0081] 粗定位中只是初步的找到車牌的大致區(qū)域，此時(shí)的車牌仍舊包含有其他的噪聲。 所謂的精確定位是指定位的車牌中只包含有車牌底色和字符，其他的諸如邊框、鉚釘?shù)榷?需濾除。精確定位在整個(gè)識別的流程之中是重中之重的，它不僅承自粗定位的結(jié)果，而且還 關(guān)系著后期字符的分割和識別的效果。
[0082] 精確定位主要有兩個(gè)主題：
[0083] 1)如何精確切除上下邊框？
[0084] 2)如何精確切除左右邊框？
[0085] 當(dāng)然，在實(shí)際的操作中還涉及到很多的細(xì)節(jié)上的問題，如厚邊框車牌等。一個(gè)良好 的方法應(yīng)該是能夠勝任上述或者更多的適應(yīng)條件。這里精確定位分為兩個(gè)場景：
[0086] 1).針對普通的車牌的精確分割：
[0087] 普通車牌是指在圖像清晰的前提下，車牌背景與字符有良好的對比度、車牌顏色 標(biāo)準(zhǔn)、車牌邊框內(nèi)邊緣與字符的間距大于5mm。對于此類的車牌處理的方法為：
[0088] St印L分析背景色的顏色分布。由于車牌的背景是已知的某一種顏色（這里假 設(shè)為藍(lán)底車牌），對車牌的底色分布進(jìn)行分析可以大致的確定車牌的邊框位置（不包含邊 框），這是因?yàn)閷︻伾珯z測，車牌的邊框不可能是藍(lán)色的。即對車牌從兩個(gè)方向進(jìn)行掃描，即 從上往下，從下往上；當(dāng)掃描到的底色投影值大于最大值的80%時(shí)停止掃描并進(jìn)行切除邊 框的操作。
[0089] Step2.上下邊框精確切割。對顏色分布的分析，可以將上下邊框去除，但上邊框可 能仍存在鉚釘?shù)挠绊?，我們需要做的是只保留字符外接的最小矩形。具體的做法是基于一 種掃描線去除上下邊框的方法。
[0090] 算法描述：a).截取車牌0. 3寬度到0. 7的寬度，從左至右，從車牌1/2高度到上 邊界進(jìn)行掃描并統(tǒng)計(jì)像素跳變的次數(shù)nhop。假設(shè)掃描至第i行，有nhop = 0,記錄當(dāng)前的 位置top，中止此次掃描。b).同樣，從左至右，從車牌1/2高度到下邊界進(jìn)行掃描并統(tǒng)計(jì)像 素跳變的次數(shù)。假設(shè)掃描至第j行，有nhop = 0,記錄當(dāng)前的位置bottom。則車牌的上下 邊界為[top, bottom]所在的范圍。
[0091] Step3.左右邊框的精確切割。根據(jù)車牌的先驗(yàn)知識，每個(gè)字符之間都有一定寬度 的間隔，上述的方法不再適應(yīng)堅(jiān)直方向的掃描?；趫?jiān)直方向的邊框去除，一般基于投影的 方式界定字符的邊界。較標(biāo)準(zhǔn)的車牌并不需做太多的處理。
[0092] 2).針對厚邊框車牌的精確分割：厚邊框車牌的特點(diǎn)是字符和最小外接矩形與邊 框的內(nèi)邊緣之間的距離很小，甚至粘連在一起。此類車牌給邊框的去除帶來了困難，特別是 在車牌傾斜的情況下更難以去除。
[0093] 針對此類車牌，基本做法可以依據(jù)情形1，但是在上下邊框處理時(shí)，最好在最上和 最下邊緣多抹去2pixel的寬度，防止字符與邊框之間的粘連。對于厚邊框的判斷通過從上 往下及從下往上掃描時(shí)，找不到邊框與字符的分界線則判定為厚邊框。對于左右邊框的情 形，由于兩邊的邊框情形不一致，通常采用不同的方法。
[0094] a).左邊框：對車牌進(jìn)行堅(jiān)直方向的直方圖投影，然后在從左往右（0?0. 3width 之間）對直方圖進(jìn)行掃描，跟蹤每一個(gè)柱狀的寬度，若小于5pixelS寬度，那么就可以認(rèn)為 該柱狀是由邊框產(chǎn)生的，此時(shí)將左邊緣縮進(jìn)。
[0095] b).右邊框：由于右邊緣的字符有可能為"1 "，因此不能使用與去除左邊框的方 法。對于右邊框可以在字符分割的時(shí)候剔除掉。
【權(quán)利要求】
1. 一種LPR車牌精確定位的方法，其特征在于，包括圖像校正的步驟和精確分割的步 驟。
2. 根據(jù)權(quán)利要求1所述的一種LPR車牌精確定位的方法，其特征在于，所述的圖像校正 的步驟包括傾斜角α計(jì)算的步驟和車牌旋轉(zhuǎn)的步驟。
3. 根據(jù)權(quán)利要求2所述的一種LPR車牌精確定位的方法，其特征在于，所述的傾斜角 α計(jì)算的步驟包括： 步驟1 :對原始車牌區(qū)域進(jìn)行灰度化操作； 步驟2 :對灰度圖進(jìn)行平滑操作； 步驟3 :對灰度圖進(jìn)行灰度拉伸； 步驟4 :對灰度圖進(jìn)行sobel運(yùn)算； 步驟5 :將灰度圖轉(zhuǎn)化為二值圖； 步驟6 :使用hough變換檢測二值圖中的直線； 步驟7 :根據(jù)直線斜率求得傾斜角α。
4. 根據(jù)權(quán)利要求2所述的一種LPR車牌精確定位的方法，其特征在于，所述的車牌旋轉(zhuǎn) 的步驟包括： 步驟1 :構(gòu)造圖像的旋轉(zhuǎn)矩陣：
步驟2 :將旋轉(zhuǎn)矩陣作為參數(shù)輸入OpenCv庫中的cvWarpAffine進(jìn)行仿射變換。
5. 根據(jù)權(quán)利要求4所述的一種LPR車牌精確定位的方法，其特征在于，所述的步驟2中 在擴(kuò)展了區(qū)域的上下邊框后再將旋轉(zhuǎn)矩陣作為參數(shù)輸入OpenCv庫中的cvWarpAffine進(jìn)行 仿射變換。
6. 根據(jù)權(quán)利要求1所述的一種LPR車牌精確定位的方法，其特征在于，所述的精確分割 的步驟包括： 步驟1 :切除上下邊框的步驟，對車牌從兩個(gè)方向進(jìn)行掃描，即從上往下，從下往上；當(dāng) 掃描到的底色投影值大于最大值的80%時(shí)停止掃描并進(jìn)行切除邊框的操作； 步驟2 :去除鉚釘?shù)牟襟E，截取車牌0. 3寬度到0. 7的寬度，從左至右，從車牌1/2高度 到上邊界進(jìn)行掃描并統(tǒng)計(jì)像素跳變的次數(shù)nhop，若掃描至第i行，有nhop = 0,記錄當(dāng)前 的位置top，中止此次掃描；同樣，從左至右，從車牌1/2高度到下邊界進(jìn)行掃描并統(tǒng)計(jì)像素 跳變的次數(shù)，若掃描至第j行，有nhop = 0,記錄當(dāng)前的位置bottom，則車牌的上下邊界為 [top, bottom]所在的范圍；步驟3 :左右邊框精確切割的步驟， 對左邊框的精確切割，對車牌進(jìn)行堅(jiān)直方向的直方圖投影，然后在車牌的0?0. 3寬度 范圍內(nèi)對直方圖進(jìn)行掃描，跟蹤每一個(gè)柱狀的寬度，若小于5pixelS寬度，那么就可以認(rèn)為 該柱狀是由邊框產(chǎn)生的，此時(shí)將左邊緣縮進(jìn)； 對右邊框的精確分割在字符分割時(shí)剔除掉。
7. 根據(jù)權(quán)利要求6所述的一種LPR車牌精確定位的方法，其特征在于，所述步驟1中 從上往下及從下往上掃描時(shí)，若找不到邊框與字符的分界線則在最上和最下邊緣多抹去 2pixel的寬度。
8. -種LPR車牌精確定位的系統(tǒng)，其特征在于，包括圖像校正模塊和精確分割模塊，所 述的圖像校正模塊用于將傾斜的車牌圖像校正后送入精確分割模塊，所述的精確分割模塊 用于濾除邊框、鉚釘后留取只包含車牌底色和字符的車牌圖像。
9. 根據(jù)權(quán)利要求8所述的一種LPR車牌精確定位的系統(tǒng)，其特征在于，所述的圖像校 正模塊包括傾斜角α計(jì)算單元和車牌旋轉(zhuǎn)單元，所述的傾斜角α計(jì)算單元用于利用Hough 變換計(jì)算車牌的傾斜角后送入車牌旋轉(zhuǎn)單元，所述的車牌旋轉(zhuǎn)單元用于利用傾斜角α構(gòu) 造的旋轉(zhuǎn)矩陣校正傾斜的車牌。
10. 根據(jù)權(quán)利要求8所述的一種LPR車牌精確定位的系統(tǒng)，其特征在于，所述的精確分 割模塊包括上下邊框切除單元、鉚釘去除單元、左右邊框精確切割單元；所述的上下邊框切 除單元用于對車牌從兩個(gè)方向進(jìn)行掃描，即從上往下，從下往上；當(dāng)掃描到底色時(shí)停止掃描 并進(jìn)行切除邊框的操作； 所述的鉚釘去除單元用于截取車牌〇. 3寬度到0. 7的寬度，從左至右，從車牌1/2高 度到上邊界進(jìn)行掃描并統(tǒng)計(jì)像素跳變的次數(shù)nhop，若掃描至第i行，有nhop = 0,記錄當(dāng)前 的位置top，中止此次掃描；同樣，從左至右，從車牌1/2高度到下邊界進(jìn)行掃描并統(tǒng)計(jì)像素 跳變的次數(shù)，若掃描至第j行，有nhop = 0,記錄當(dāng)前的位置bottom，則車牌的上下邊界為 [top，bottom]所在的范圍；所述的左右邊框精確切割單元用于精確切割左邊框，對車牌進(jìn) 行堅(jiān)直方向的直方圖投影，然后在車牌的〇?0.3寬度范圍內(nèi)對直方圖進(jìn)行掃描，跟蹤每一 個(gè)柱狀的寬度，若小于5pixels寬度，那么就可以認(rèn)為該柱狀是由邊框產(chǎn)生的，此時(shí)將左邊 緣縮進(jìn)。 對右邊框的精確分割在字符分割時(shí)剔除掉。
【文檔編號】G06K9/54GK104112139SQ201410307280
【公開日】2014年10月22日 申請日期:2014年6月30日 優(yōu)先權(quán)日:2014年6月30日
【發(fā)明者】蔡志旻, 婁剛, 劉偉, 許焱 申請人:南京富士通南大軟件技術(shù)有限公司