[发明专利]一种高分辨率图像序列中多车牌检测的方法

摘要

本发明公开了一种高分辨率图像序列中多车牌检测的方法，针对固定视场的高清摄像机获取的图像序列，首先采用背景差分法获取运动区域，同时采用形态学滤波去除噪点；接着对运动区域进行垂直小波分解，分析其垂直小波分量，依据多项规则提取出一个或多个可能为车牌的候选区域；最后对车牌的候选区域进行颜色聚类和形态分析，根据颜色聚类和形态分析的信息来判断该候选区域是否为一个真实的车牌区域。背景差分法利用选择性更新策略实时更新，可准确提取出运动区域，使得后续的处理仅针对运动区域，避免进行全图搜索，大大提高了车牌检测的处理速度；对运动区域垂直小波分量的分析，过滤掉了绝大部分的非车牌区域；颜色聚类以及形态分析的方法进一步保证了提取车牌的准确性。本发明实现了对高分辨率图像序列中多个车牌快速准确检测，漏、误报均在很低的范围之内。

主权项

1.一种高分辨率图像序列中多车牌检测的方法，其特征在于，包括以下步骤：1）获取当前帧图像并转换为灰度图像将获取的彩色场景图像转换为灰度图像；转换公式为：Gray＝0.299R+0.587G+0.114B   （1）其中，R、G、B为一个像素的红色，绿色，蓝色三个颜色通道的值，Gray为像素对应的灰度值；2）背景图像的初始化在系统启动时，系统默认为被监控的道路场景中没有出现车辆；采用多帧平均法来初始化背景图像；将最初n帧(n=100～200)的灰度图像的平均值作为初始的背景图像；3）采用背景差分法提取前景运动区域用M(i,j,k)来表示第k帧图像中前景运动区域二值图像(i,j)处的值，则M(i,j,k)的计算公式为：其中F(i,j,k)为当前输入的第k帧图像在(i,j)处的像素灰度值，B(i,j,k)为当前第k帧对应的背景图像在(i,j)处的像素灰度值，T为给定阈值；4）背景图像的更新背景图像更新采用的更新策略为选择性更新，即只更新背景区域，前景运动区域不进行更新；更新策略的表达式为：其中：α∈(0,1)称为学习因子，它体现了背景图像随着场景的变化进行更新的快慢程度；5）形态学滤波对背景差分法检测的前景运动区域，先进行一次开运算，然后进行一次闭运算，以去除前景运动区域中的噪点和空洞；6）运动区域的垂直小波分解对经过形态学运算后的前景运动区域进行垂直小波分解；本发明采用二维离散小波变换对相应区域的进行分解；原始图像每经过一次二维离散小波变换，图像都被分解为四个四分之一大小的图像，四个图像中的每一个均是由原图像与一个小波基图像的内积后再经过x和y方向均进行两倍的间隔抽样生成的；经过一次二维离散小波变换后，图像被分解为一幅低分辨率图像和三幅高频分量子图像分别包含水平方向(HL)、垂直方向(LH)和对角方向(HH)的纹理信息；在此，仅对垂直方向的小波分量(LH)进行分析，以提取车牌的候选区域；7）提取候选车牌区域对上一步骤中计算得到的垂直小波分量子图(LH)用给定大小的区域P进行扫描，区域P的面积应略大于实际车牌的面积；当有区域满足下面3条规则时，则认为该区域为车牌候选区域；判定规则如下：规则1、计算区域P的垂直小波分量均值公式为：MP‾=1nΣ(x,y)∈P|LH(x,y)|---(4)]]>其中n为区域P内的总像素数；由于车牌上字符的垂直纹理突出，故要求区域P的垂直小波分量均值满足T₁为给定阈值；规则2、计算区域P的垂直小波分量方差V_P，公式为：VP=1nΣ(x,y)∈P|LH(x,y)-MP‾|2---(5)]]>由于车牌上字符的分布是均匀的，故要求区域P的垂直小波分量方差满足V_P＜T₂，T₂为给定阈值；规则3、在以区域P为中心的一个较大区域W中，区域P的均值应该为最大值，区域W的面积一般取区域P的9倍；8）车牌候选区域颜色判别颜色是判别车牌的重要信息之一，故最后采用颜色信息对获取的候选车牌区域进行确认；本发明中采用K均值聚类算法对车牌候选区域进行颜色聚类，以获取该区域的颜色特征；K均值聚类算法原理为：接受输入量K，然后将n个数据对象划分为K个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小；聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”来进行计算的；K均值聚类算法的工作过程说明如下：首先选择K个初始聚类中心；而对于被聚类的数据对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止；一般都采用均方差作为标准测度函数.K个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开；目前常见的车牌颜色主要是蓝牌（蓝底白字）和黄牌（黄底黑字），故聚类数目K选择为4，初始聚类中心选择为蓝色(0,0,255)、白色(255,255,255)、黄色(255,255,0)、黑色(0,0,0)；待K均值聚类算法收敛后，统计4类颜色的像素数：蓝色N_blue，白色N_white，黄色N_yellow和黑色N_black；对于候选区域总像素数N_P，若满足N_blue＞0.3N_P且N_white＞0.3N_P，则认为候选区域为蓝色车牌候选区域；若满足N_yellow＞0.3N_P且N_black＞0.3N_P，则认为候选区域为黄色车牌候选区域；若上述两条都不满足，则认为候选区域不是真实的车牌；9）车牌确认对通过颜色判别的车牌候选区域进行形态分析，计算车牌候选区域的长宽比T：对于蓝色车牌候选区域，若满足2.4<T<3.6，则认为候选区域为真实车牌区域；对于黄色车牌候选区域，若满足1.6<T<2.4，则认为候选区域为真实车牌区域；当候选车牌区域被确认为真实的车牌后，即可输出车牌的位置坐标以及截图等信息。