[发明专利]车牌定位方法

说明书

【技术领域】

本发明涉及图像处理领域，尤其涉及车牌定位方法。

【背景技术】

车牌识别是智能交通系统，车辆管理系统的重要组成部分之一。车牌定位是车牌识别系统的基础。现实应用中，车辆的背景一般都较为复杂。全天候环境下正常使用，光照条件也更为复杂。在复杂背景和复杂光照下的车牌精确定位一直是车牌识别系统的瓶颈。

近年来，已经提出了很多种种车牌定位的方法。在车牌区域存在着密集的垂直边缘，一般认为这是车牌区域最显著的特征。基于车牌的边缘密度特征的定位方法得到了广泛的发展，在简单背景下的定位得到了良好的结果。但是仅仅使用边缘信息，在复杂背景下的结果并不理想，需要结合车牌的其他特征来提高定位的准确率。

车牌的彩色信息是比较明显的特征。通过模拟人的视觉辨别过程来区分车牌和背景是比较合理的手段。结合车牌的RGB(Red，Green，Blue)和HIS(Hue，Saturation，Intensity)颜色空间的彩色信息，例如彩色边缘，颜色差异等特征可以实现车牌定位。然而，为了适应车牌和不同背景的颜色差异以及不同光照条件下的差异，建立一个鲁棒性很高的颜色模型比较困难，定位的精确度不高，是目前基于颜色定位的主要攻克方向。

利用数学形态学进行车牌定位是一种已经相对成熟的算法。首先提取车牌的垂直边缘，然后通过数学形态学的膨胀，腐蚀以及相对应的开闭操作，来形成一些连通区域。在这些连通区域中通过跳变数，车牌长宽比来确定车牌的备选区域。数学形态学确定的车牌备选区域一般较多，尤其在负责背景下无法精确定位。在筛选备选区域还需要参考其他的信息才能定位。数学形态学的操作时间负责度也很高。

将霍夫(Hough)变换用于车牌定位是一种新的尝试。这种方法分析车牌具有明显的矩形边框，利用Hough变换检测区域边界实现定位。它要求车牌的边缘必须清晰完整，不能有污垢或者损坏。另外，这种方法的时间计算复杂度也较高。

神经网络的方法在车牌定位等图像处理领域得到了广泛的应用。例如脉冲耦合神经网络(Pulse Coupled Neural Network，简称PCNN)，时间延迟神经网络(Time Delay Neural Network，简称TDNN)和离散时间细胞神经网络(Discrete Time Cellular Neural Networks，DTCNN)等神经网络。对图片的各像素，用事先定义好的分类器来进行分类，在和训练样本库进行比对，从而得到车牌的备选区域。通过不断增加边缘特征，纹理特征等来训练神经网络，来提高识别的准确率。

遗传算法也被应用于车牌定位中。先用最大类间方差法(OTSU)对车牌图像进行二值化，然后利用遗传算法对全图进行车牌特征匹配搜索，结合区域特征向量构造的适应度函数，最终找到车牌区域的最佳定位参量。这种算法的鲁棒性较高，但是基于遗传算法的搜索计算的时间复杂度相对较高，无法满足实时的要求。

现有技术存在的缺点：纵观以上这些车牌定位的算法，颜色定位精度不够；数学形态学备选区域多，时间复杂度较高；Hough变换对车牌质量的要求很高；神经网络和遗传算法虽然定位精度较高，鲁棒性也很强，但是计算很复杂，时间复杂度很高，无法满足实际应用对实时性的要求。

因此，有必要开发出一种可以改进的车牌定位方法来克服上述问题。

【发明内容】

本发明要解决的技术问题之一在于提供一种车牌定位方法，其可以减少计算量，并且能准确定位到车牌区域。

为了解决上述问题，根据本发明的一个方面，本发明提供了一种车牌定位方法，其包括：用Sobel垂直算子提取输入图像的垂直边缘得到垂直边缘图像；利用一维列卷积核对所述垂直边缘图像进行卷积处理得到卷积图像；设定一个长n个像素的行窗口，该行窗口在卷积图像的一行像素上逐个像素的滑动，该行窗口的中心像素的差分值为所述行窗口内的n个像素的卷积值的和，在行窗口遍历所述卷积图像后，得到了每个像素的差分值，从而得到差分图像，n为大于1的整数；和在差分图像的基础上进行车牌定位。

进一步的，所述一维列卷积核为：