[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112052859B - 一种自由场景下的车牌精准定位方法及装置 - Google Patents

一种自由场景下的车牌精准定位方法及装置 Download PDF

Info

Publication number
CN112052859B
CN112052859B CN202010953696.5A CN202010953696A CN112052859B CN 112052859 B CN112052859 B CN 112052859B CN 202010953696 A CN202010953696 A CN 202010953696A CN 112052859 B CN112052859 B CN 112052859B
Authority
CN
China
Prior art keywords
license plate
image
preset
boundary point
lower boundary
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010953696.5A
Other languages
English (en)
Other versions
CN112052859A (zh
Inventor
丁磊
赖珍向
杨明岳
顾国生
邓杰航
江志豪
李亚萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010953696.5A priority Critical patent/CN112052859B/zh
Publication of CN112052859A publication Critical patent/CN112052859A/zh
Application granted granted Critical
Publication of CN112052859B publication Critical patent/CN112052859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种自由场景下的车牌精准定位方法及装置，方法包括：对预置车牌图像进行连通域分析，并保留标记的符合预置轮廓条件的连通域，记录连通域的边界点，得到上边界点集和下边界点集；采用预置最小二乘法分别对上边界点集和下边界点集进行直线拟合，得到上边界线段和下边界线段；根据上边界线段和下边界线段计算区域截取框四个角的边界点坐标；通过区域截取框截取扩展后的原始车牌图像的车牌区域图像；采用预置CNN模型对车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。解决了现有车牌定位技术在自由场景下对边界点分布要求较高，且无法适用于复杂背景下的车牌定位，导致实际的车牌定位准确度较低的技术问题。

Description

一种自由场景下的车牌精准定位方法及装置
技术领域
本申请涉及车牌识别技术领域，尤其涉及一种自由场景下的车牌精准定位方法及装置。
背景技术
随着近几年我国交通的发展，汽车保有量越来越多，如何高效的管理汽车成为了一个急需解决的问题。车牌自动识别技术帮助人们高效的识别图片或者摄像头图像中的车牌,过程中不需要人工的参与；通过车牌自动识别技术，我们就能够在摄像机的画面中识别出具体的车辆，从而便捷地完成停车费征收、小区进出入管理等操作。
车牌识别流程上可以划分为三个阶段：车牌定位、字符分割和字符识别，其中车牌定位是车牌识别系统中至关重要的一环，对车牌的识别效果具有直接的影响。车牌定位是从一张存在汽车的图像中将车牌部分定位出来，现有的车牌定位算法可以归纳为基于手工特征的定位方法和基于深度学习的定位方法。
车牌成像在场景上，可以划分为固定场景和自由场景，固定场景是指在小区，或者高速路口等地点，摄像机与车牌之间的距离与位置相对固定的情况下对车牌进行采集识别，此时车牌图像基本不存在光照不均、旋转和模糊的情况，从而在车牌定位、字符分割和字符识别上难度不大。自由场景是指摄像机与车牌之间的距离与位置不固定，光照不确定，在自由场景进行车牌采集识别是一项很有挑战性的任务，特别是车牌的精确定位。而自由场景下的多种不利因素对车牌定位的影响主要反映在背景难以去除干净，影响后续字符分割和识别，现有的车牌定位技术要么对车牌边界线的边界点分布要求较高，要么对于背景太过复杂的车牌无法适用，导致车牌的精准定位准确度较低。
发明内容
本申请提供了一种自由场景下的车牌精准定位方法及装置，用于解决现有车牌定位技术在自由场景下对边界点分布要求较高，且无法适用于复杂背景下的车牌定位，导致实际的车牌定位准确度较低的技术问题。
有鉴于此，本申请第一方面提供了一种自由场景下的车牌精准定位方法及装置，包括：
对预置车牌图像进行连通域分析，并保留标记的符合预置轮廓条件的连通域，记录所述连通域的边界点，得到上边界点集和下边界点集，所述预置车牌图像为原始车牌图像经过预处理操作后得到；
采用预置最小二乘法分别对所述上边界点集和所述下边界点集进行直线拟合，得到上边界线段和下边界线段；
根据所述上边界线段和下边界线段计算区域截取框四个角的边界点坐标，所述边界点坐标包括第一上边界点坐标、第二上边界点坐标、第一下边界点坐标和第二下边界点坐标；
通过所述区域截取框截取扩展后的原始车牌图像的车牌区域图像；
采用预置CNN模型对所述车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
可选的，所述预处理操作的过程为：
将所述原始车牌图像在粗定位的基础上进行区域扩展，得到车牌粗定位图；
对所述车牌粗定位图进行灰度化处理，得到车牌灰度图；
采用预置多阈值对所述车牌灰度图进行自适应二值化处理，得到车牌二值图；
根据预置噪点判断法对所述车牌二值图进行去噪处理，得到所述预置车牌图像。
可选的，所述对预置车牌图像进行连通域分析，并保留标记的符合预置轮廓条件的连通域，记录所述连通域的边界点，得到上边界点集和下边界点集，包括：
根据所述预置车牌图像配置对应的标签图像和标签变量，所述标签图像的初始值为0，所述标签变量的初始值为1；
根据所述标签图像和所述标签变量在所述预置车牌图像上进行连通域分析和标记操作，得到多个连通域坐标点；
根据预置轮廓条件对所述连通域坐标点进行筛选，得到符合预置轮廓条件的连通域，并记录对应的边界点，得到上边界点集和下边界点集。
可选的，所述根据所述上边界线段和下边界线段计算区域截取框四个角的边界点坐标，包括：
根据上边界线段和下边界线段获取上下边界之间的偏宽边长度以及对应的第一上边界点坐标和第一下边界点坐标；
根据所述上边界线段和所述下边界线段获取上下边界之间的偏窄边中心点坐标，所述偏窄边中心点坐标包括中心横坐标和中心纵坐标；
根据所述偏宽边长度、所述中心横坐标和所述中心纵坐标计算得到第二上边界点坐标和第二下边界点坐标；
将所述第一上边界点坐标、所述第二上边界点坐标、所述第一下边界点坐标和所述第二下边界点坐标形成的区域作为区域截取框。
可选的，所述通过所述区域截取框截取扩展后的原始车牌图像的车牌区域图像，之后还包括：
采用预置仿射变换对所述车牌区域图像进行上下倾斜矫正处理，得到矫正后的车牌区域图像；
相应的，所述采用预置CNN模型对所述车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果，包括：
采用预置CNN模型对所述矫正后的车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
可选的，所述采用预置CNN模型对所述车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果，包括：
对原始CNN模型进行预训练操作，得到所述预置CNN模型；
将所述车牌区域图像归一化为目标尺寸的车牌区域图像；
将所述目标尺寸的车牌区域图像输入所述预置CNN模型进行左右边界的坐标拟合，得到所述车牌定位结果。
本申请第二方面提供了一种自由场景下的车牌精准定位装置，包括：
分析记录模块，用于对预置车牌图像进行连通域分析，并保留标记的符合预置轮廓条件的连通域，记录所述连通域的边界点，得到上边界点集和下边界点集，所述预置车牌图像为原始车牌图像经过预处理操作后得到；
第一拟合模块，用于采用预置最小二乘法分别对所述上边界点集和所述下边界点集进行直线拟合，得到上边界线段和下边界线段；
计算模块，用于根据所述上边界线段和下边界线段计算区域截取框四个角的边界点坐标，所述边界点坐标包括第一上边界点坐标、第二上边界点坐标、第一下边界点坐标和第二下边界点坐标；
截取模块，用于通过所述区域截取框截取扩展后的原始车牌图像的车牌区域图像；
第二拟合模块，用于采用预置CNN模型对所述车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
可选的，所述预处理操作的过程为：
将所述原始车牌图像在粗定位的基础上进行区域扩展，得到车牌粗定位图；
对所述车牌粗定位图进行灰度化处理，得到车牌灰度图；
采用预置多阈值对所述车牌灰度图进行自适应二值化处理，得到车牌二值图；
根据预置噪点判断法对所述车牌二值图进行去噪处理，得到所述预置车牌图像。
可选的，所述计算模块包括：
第一获取模块，用于根据上边界线段和下边界线段获取上下边界之间的偏宽边长度以及对应的第一上边界点坐标和第一下边界点坐标；
第二获取模块，用于根据所述上边界线段和所述下边界线段获取上下边界之间的偏窄边中心点坐标，所述偏窄边中心点坐标包括中心横坐标和中心纵坐标；
计算子模块，用于根据所述偏宽边长度、所述中心横坐标和所述中心纵坐标计算得到第二上边界点坐标和第二下边界点坐标；
区域定义模块，用于将所述第一上边界点坐标、所述第二上边界点坐标、所述第一下边界点坐标和所述第二下边界点坐标形成的区域作为区域截取框。
可选的，还包括：
倾斜矫正模块，用于采用预置仿射变换对所述车牌区域图像进行上下倾斜矫正处理，得到矫正后的车牌区域图像；
相应的，所述第二拟合模块，具体用于：
采用预置CNN模型对所述矫正后的车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中，提供了一种自由场景下的车牌精准定位方法，包括：对预置车牌图像进行连通域分析，并保留标记的符合预置轮廓条件的连通域，记录连通域的边界点，得到上边界点集和下边界点集，预置车牌图像为原始车牌图像经过预处理操作后得到；采用预置最小二乘法分别对上边界点集和下边界点集进行直线拟合，得到上边界线段和下边界线段；根据上边界线段和下边界线段计算区域截取框四个角的边界点坐标，边界点坐标包括第一上边界点坐标、第二上边界点坐标、第一下边界点坐标和第二下边界点坐标；通过区域截取框截取扩展后的原始车牌图像的车牌区域图像；采用预置CNN模型对车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
本申请提供的自由场景下的车牌精准定位方法，获取符合条件的连通域，然后记录所有的边界点，为了避免对边界点分布的要求过高，对所有的边界点进行统一的直线拟合，就可以得到一条上边界线段和一条下边界线段；根据上下边界线段计算可以得到四个边界点坐标，四个点构成的区域截取框，可以用于截取车牌区域，区域截取框通过上下边界将原始车牌图像的上下部分的背景去除干净，通过左右边界将原始车牌图像的左右部分的背景去除干净，最后通过预置CNN模型对截取得到的车牌区域图像进行左右边界的坐标进行拟合，从而获取车牌的具体位置信息，实现车牌精准定位。车牌区域的截取框都是通过具体的拟合或者计算得到，更加精确可靠，且不受车牌图像光照情况等质量影响，从而提高了车牌定位结果的准确度。因此，本申请能够解决现有车牌定位技术在自由场景下对边界点分布要求较高，且无法适用于复杂背景下的车牌定位，导致实际的车牌定位准确度较低的技术问题。
附图说明
图1为本申请实施例提供的一种自由场景下的车牌精准定位方法的一个流程示意图；
图2为本申请实施例提供的一种自由场景下的车牌精准定位方法的另一个流程示意图；
图3为本申请实施例提供的一种自由场景下的车牌精准定位装置的结构示意图；
图4为本申请实施例提供的原始车牌图像进行区域扩展前后对比图；
图5为本申请实施例提供的二值化处理后得到的车牌二值图；
图6为本申请实施例提供的去噪处理后的预置车牌图像；
图7为本申请实施例提供的上下边界点在车牌图像上的分布示意图；
图8为本申请实施例提供的采用最小二乘法进行直线拟合得到的上下边界线段在车牌图像上的分布示意图；
图9为本申请实施例提供的车牌定位结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种自由场景下的车牌精准定位方法的实施例一，包括：
步骤101、对预置车牌图像进行连通域分析，并保留标记的符合预置轮廓条件的连通域，记录连通域的边界点，得到上边界点集和下边界点集，预置车牌图像为原始车牌图像经过预处理操作后得到。
预置车牌图像是原始车牌图像经过预处理操作后得到的图像，预处理操作可以包括一些灰度化或者去噪操作，目的是为了获取质量更高，噪声更少的预置车牌图像，如果为了确保车牌的完整性，还可以记性区域扩展。获取的连通域较多，但并非全部保留，而是通过轮廓跟踪的方式实现连通域的标记，然后通过预置轮廓条件筛选标记的连通域，留下来的连通域即为主要研究对象，将这些连通域的边界点的坐标获取保留，边界点根据位置划分可以分为上边界点和下边界点，这样的点存在多个，可以构成边界点集。
步骤102、采用预置最小二乘法分别对上边界点集和下边界点集进行直线拟合，得到上边界线段和下边界线段。
最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配；利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。将上边界点集基于最小二乘法的原则拟合为一条直线，即上边界线段；同理，可以得到下边界线段。
步骤103、根据上边界线段和下边界线段计算区域截取框四个角的边界点坐标，边界点坐标包括第一上边界点坐标、第二上边界点坐标、第一下边界点坐标和第二下边界点坐标。
拟合得到的上边界线段和下边界线段很大程度上不会完全平行，且无误差，两条线之间的区域为车牌所在区域，为了研究数据统一，且避免将车牌截取至边界线以外，需要取左右边宽度较大的边作为参考，计算边宽度较窄的边的上边界点和下边界点，也就是说，边界点并非直接从边界线上获取，而是经过调整更新得到的比较规范的点，经调整后的上边界点形成的直线与下边界点形成的直线平行，组合得到的区域截取框同样也是标准框，从而提升车牌定位的准确度。
步骤104、通过区域截取框截取扩展后的原始车牌图像的车牌区域图像。
区域截取框是根据原始车牌图像进行一系列操作、计算和处理后得到的，采用标准的区域截取框截取扩展后的原始车牌图像中的车牌区域图像能够最精确的把握车牌所在位置。可以直接根据上下边界去除原始车牌图像的上下部分的背景区域，根据左右边界去除原始车牌图像的左右部分的背景区域，减少背景对定位和后续的字符分割、识别的影响。
步骤105、采用预置CNN模型对车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
车牌区域图像还没有明确的坐标描述，需要通过预置CNN模型进行拟合，从而得到车牌区域的位置信息，即为车牌定位结果。预置CNN模型为已完成预训练模型，可以直接使用，预置CNN模型的输入是一定规格大小的图像，输出是车牌的横坐标，也就是定位得到的车牌图像左边界的x轴坐标和车牌图像右边界的x轴坐标，从而得到车牌的具体坐标位置，实现车牌的精准定位。
本申请实施例提供的自由场景下的车牌精准定位方法，获取符合条件的连通域，然后记录所有的边界点，为了避免对边界点分布的要求过高，对所有的边界点进行统一的直线拟合，就可以得到一条上边界线段和一条下边界线段；根据上下边界线段计算可以得到四个边界点坐标，四个点构成的区域截取框，可以用于截取车牌区域，区域截取框通过上下边界将原始车牌图像的上下部分的背景去除干净，通过左右边界将原始车牌图像的左右部分的背景去除干净，最后通过预置CNN模型对截取得到的车牌区域图像进行左右边界的坐标进行拟合，从而获取车牌的具体位置信息，实现车牌精准定位。车牌区域的截取框都是通过具体的拟合或者计算得到，更加精确可靠，且不受车牌图像光照情况等质量影响，从而提高了车牌定位结果的准确度。因此，本申请实施例能够解决现有车牌定位技术在自由场景下对边界点分布要求较高，且无法适用于复杂背景下的车牌定位，导致实际的车牌定位准确度较低的技术问题。
为了便于理解，请参阅图2，本申请提供了一种自由场景下的车牌精准定位方法的实施例二，包括：
步骤201、将原始车牌图像在粗定位的基础上进行区域扩展，得到车牌粗定位图。
请参阅图4，区域扩展的目的是避免粗定位将主要研究对象车牌划分至边界之外，从而尽可能扩展的大一些。原始车牌图像除了包括车牌以外，还包括颜色、纹理和边缘不一致的背景；而车牌上则包括多种字符。
步骤202、对车牌粗定位图进行灰度化处理，得到车牌灰度图。
灰度化处理是在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255。灰度化的精度刚刚能够避免可见条带失真，并且便于后续的图像处理操作。
步骤203、采用预置多阈值对车牌灰度图进行自适应二值化处理，得到车牌二值图。
预置多阈值就是对图像不同部分采用不同的阈值进行二值化处理，二值化后的图像为二值图，仅由0、1组成的黑白图，简化车牌图像的表达，具体二值化结果对比请参阅图5。
步骤204、根据预置噪点判断法对车牌二值图进行去噪处理，得到预置车牌图像。
预置噪点判断法的基本原理过程为：根据一个A(x,y)的值，与周围的8个点的值进行比较，设定一个值N(0＜N＜8)，当A的值与周围8个点相减小于N时，则判定A点为噪点，用A点的上一个点A*(x,y-1)的值进行替换，不断重复这个比较判断过程就可以完成车牌二值图的去噪任务，具体去噪结果请参阅图6。
步骤205、根据预置车牌图像配置对应的标签图像和标签变量，标签图像的初始值为0，标签变量的初始值为1；
步骤206、根据标签图像和标签变量在预置车牌图像上进行连通域分析和标记操作，得到多个连通域坐标点；
步骤207、根据预置轮廓条件对连通域坐标点进行筛选，得到符合预置轮廓条件的连通域，并记录对应的边界点，得到上边界点集和下边界点集。
连通域分析是所有二值图像分析的基础，通过对二值图像中白色像素(目标)的标记，让每个单独的连通区域形成一个被标识的块，然后就可以获取这些块的轮廓、外接矩形、质心、不变矩等几何参数。本实施例是通过轮廓跟踪的方式实现连通域标记，然后获取的是连通域坐标点，这些点可以根据上下分布划分为上边界点和下边界点。预置轮廓条件为：
其中，Wx、Hx分别为第x个连通域的宽和高，n、m均为连通域的判定阈值。举例说明，假设预置车牌图像为I，配置的标签图像为L，标签变量为C，即L的所有取值先设置为0，而C的取值设置为1；假设当前像素点为P(x,y)，如果P点为白色像素，即P(x,y)＝1，判断此时的P点是否在L图像上对应的位置没有标记，且P点的上方为黑色，那么就可以判断P是一个新的外轮廓点，将C的标签变量值标记给L图像上P点对应位置，即L(x,y)＝C，接着沿着P点开始做轮廓跟踪，并把轮廓上的点对应于图像L上都标记为C，完成整个轮廓的跟踪标记后，回到P点，将C值加1。如果P点为黑色像素，且P点下方的点是没有被修改过，或者标记过，也就是0，记作unmarked点，则判断P点为内轮廓点，若是此时P点在L上已经被标记过，则P点同时也是外轮廓点，若是P点在在L上未被标记，则用P点左边点的标记值来标记P，接着从P点开始进行内轮廓跟踪，并且将内轮廓上的点都标记成与P相同的标号。若P点下方的点被修改过，则直接用P点左边的标号标记L上对应的P点位置。完成所有的轮廓跟踪后就可以得到带标记的连通域，采用预置轮廓条件进行筛选，就可以得到符合条件的连通域，记录连通域对应的边界点，就可得到上边界点集和下边界点集，具体边界点分布请参阅图7。
步骤208、采用预置最小二乘法分别对上边界点集和下边界点集进行直线拟合，得到上边界线段和下边界线段。
请参阅图8，为本实施例采用预置最小二乘法拟合的边界线。
步骤209、根据上边界线段和下边界线段获取上下边界之间的偏宽边长度以及对应的第一上边界点坐标和第一下边界点坐标。
步骤210、根据上边界线段和下边界线段获取上下边界之间的偏窄边中心点坐标，偏窄边中心点坐标包括中心横坐标和中心纵坐标。
记上边界线段和下边界线段分别为Y1和Y2，在两边界线段之间的区域存在左右两条边，且由于边界点的分布比较散乱，所以拟合得到的两条边界线往往不平行，所以左右两条边存在一条偏宽边和相对而言的偏窄边，两边边长不一致，自然需要作出必要的调整。第一上边界点坐标和第一下边界点坐标即为偏宽边的两个边界点，记录偏宽边长度和对应两个端点坐标；而偏窄边则记录窄边的中心点坐标即可。
步骤211、根据偏宽边长度、中心横坐标和中心纵坐标计算得到第二上边界点坐标和第二下边界点坐标。
调整的过程就是以偏宽边为参考的扩展窄边，这样既能达到调整目的，也能避免将车牌信息丢失在边界之外。中心横坐标直接为第二上边界点横坐标和第二下边界点横坐标，中心点纵坐标加上偏宽边长度的一半为第二上边界点纵坐标，中心点纵坐标减去偏宽边长度的一半为第二下边界点纵坐标。从而得到完整的第二上边界点坐标和第二下边界点坐标。
步骤212、将第一上边界点坐标、第二上边界点坐标、第一下边界点坐标和第二下边界点坐标形成的区域作为区域截取框。
步骤213、通过区域截取框截取扩展后的原始车牌图像的车牌区域图像。
步骤214、采用预置仿射变换对车牌区域图像进行上下倾斜矫正处理，得到矫正后的车牌区域图像。
仿射变换又称仿射映射，是指在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。本实施例采用预置仿射变换对截取得到车牌区域图像进行上下边界线的倾斜矫正，得到的是去除了上下边界的上下部分背景的车牌图像。矫正操作为可有可无的过程，若是车牌区域图像经过矫正处理，那么输入预置CNN模型的图像即为矫正后的车牌区域图像，如果是未作矫正处理，那么输入预置CNN模型的图像即为车牌区域图像；需要强调的是，不论输入的图像是否是经过矫正处理后得到的图像，都不影响模型的正常拟合过程。
步骤215、对原始CNN模型进行预训练操作，得到预置CNN模型。
步骤216、将矫正后的车牌区域图像归一化为目标尺寸的车牌区域图像。
步骤217、将目标尺寸的车牌区域图像输入预置CNN模型进行左右边界的坐标拟合，得到车牌定位结果。
按照上述已经对车牌区域图像作了矫正处理，那么模型拟合中就是将矫正后的车牌区域图像进行归一化操作，得到图像大小为66×16的车牌区域图像，此尺寸为预置CNN模型能够处理的图像尺寸；采用预置CNN模型进行左右边界的坐标拟合，就能够确定车牌的具体位置信息，也就是车牌左边界的x轴坐标和车牌右边界的x轴坐标，从而得到精准的车牌定位结果，请参阅图9。预置CNN模型根据实际情况选取和训练，在此不作赘述。
为了便于理解，请参阅图3，本申请还提供了一种自由场景下的车牌精准定位装置的实施例，包括：
分析记录模块301，用于对预置车牌图像进行连通域分析，并保留标记的符合预置轮廓条件的连通域，记录连通域的边界点，得到上边界点集和下边界点集，预置车牌图像为原始车牌图像经过预处理操作后得到；
第一拟合模块302，用于采用预置最小二乘法分别对上边界点集和下边界点集进行直线拟合，得到上边界线段和下边界线段；
计算模块303，用于根据上边界线段和下边界线段计算区域截取框四个角的边界点坐标，边界点坐标包括第一上边界点坐标、第二上边界点坐标、第一下边界点坐标和第二下边界点坐标；
截取模块304，用于通过区域截取框截取扩展后的原始车牌图像的车牌区域图像；
第二拟合模块305，用于采用预置CNN模型对车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
进一步地，预处理操作的过程为：
将原始车牌图像在粗定位的基础上进行区域扩展，得到车牌粗定位图；
对车牌粗定位图进行灰度化处理，得到车牌灰度图；
采用预置多阈值对车牌灰度图进行自适应二值化处理，得到车牌二值图；
根据预置噪点判断法对车牌二值图进行去噪处理，得到预置车牌图像。
进一步地，计算模块303包括：
第一获取模块3031，用于根据上边界线段和下边界线段获取上下边界之间的偏宽边长度以及对应的第一上边界点坐标和第一下边界点坐标；
第二获取模块3032，用于根据上边界线段和下边界线段获取上下边界之间的偏窄边中心点坐标，偏窄边中心点坐标包括中心横坐标和中心纵坐标；
计算子模块3033，用于根据偏宽边长度、中心横坐标和中心纵坐标计算得到第二上边界点坐标和第二下边界点坐标；
区域定义模块3034，用于将第一上边界点坐标、第二上边界点坐标、第一下边界点坐标和第二下边界点坐标形成的区域作为区域截取框。
进一步地，还包括：
倾斜矫正模块306，用于采用预置仿射变换对车牌区域图像进行上下倾斜矫正处理，得到矫正后的车牌区域图像；
相应的，第二拟合模块305，具体用于：
采用预置CNN模型对矫正后的车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (7)

1.一种自由场景下的车牌精准定位方法，其特征在于，包括：
对预置车牌图像进行连通域分析，并保留标记的符合预置轮廓条件的连通域，记录所述连通域的边界点，得到上边界点集和下边界点集，所述预置车牌图像为原始车牌图像经过预处理操作后得到，具体过程为：
根据所述预置车牌图像配置对应的标签图像和标签变量，所述标签图像的初始值为0，所述标签变量的初始值为1；
根据所述标签图像和所述标签变量在所述预置车牌图像上进行连通域分析和标记操作，得到多个连通域坐标点；
根据预置轮廓条件对所述连通域坐标点进行筛选，得到符合预置轮廓条件的连通域，并记录对应的边界点，得到上边界点集和下边界点集；
采用预置最小二乘法分别对所述上边界点集和所述下边界点集进行直线拟合，得到上边界线段和下边界线段；
根据所述上边界线段和下边界线段计算区域截取框四个角的边界点坐标，所述边界点坐标包括第一上边界点坐标、第二上边界点坐标、第一下边界点坐标和第二下边界点坐标，具体计算过程为：
根据上边界线段和下边界线段获取上下边界之间的偏宽边长度以及对应的第一上边界点坐标和第一下边界点坐标；
根据所述上边界线段和所述下边界线段获取上下边界之间的偏窄边中心点坐标，所述偏窄边中心点坐标包括中心横坐标和中心纵坐标；
根据所述偏宽边长度、所述中心横坐标和所述中心纵坐标计算得到第二上边界点坐标和第二下边界点坐标；
将所述第一上边界点坐标、所述第二上边界点坐标、所述第一下边界点坐标和所述第二下边界点坐标形成的区域作为区域截取框；
通过所述区域截取框截取扩展后的原始车牌图像的车牌区域图像；
采用预置CNN模型对所述车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
2.根据权利要求1所述的自由场景下的车牌精准定位方法，其特征在于，所述预处理操作的过程为：
将所述原始车牌图像在粗定位的基础上进行区域扩展，得到车牌粗定位图；
对所述车牌粗定位图进行灰度化处理，得到车牌灰度图；
采用预置多阈值对所述车牌灰度图进行自适应二值化处理，得到车牌二值图；
根据预置噪点判断法对所述车牌二值图进行去噪处理，得到所述预置车牌图像。
3.根据权利要求1所述的自由场景下的车牌精准定位方法，其特征在于，所述通过所述区域截取框截取扩展后的原始车牌图像的车牌区域图像，之后还包括：
采用预置仿射变换对所述车牌区域图像进行上下倾斜矫正处理，得到矫正后的车牌区域图像；
相应的，所述采用预置CNN模型对所述车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果，包括：
采用预置CNN模型对所述矫正后的车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
4.根据权利要求1所述的自由场景下的车牌精准定位方法，其特征在于，所述采用预置CNN模型对所述车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果，包括：
对原始CNN模型进行预训练操作，得到所述预置CNN模型；
将所述车牌区域图像归一化为目标尺寸的车牌区域图像；
将所述目标尺寸的车牌区域图像输入所述预置CNN模型进行左右边界的坐标拟合，得到所述车牌定位结果。
5.一种自由场景下的车牌精准定位装置，其特征在于，包括：
分析记录模块，用于对预置车牌图像进行连通域分析，并保留标记的符合预置轮廓条件的连通域，记录所述连通域的边界点，得到上边界点集和下边界点集，所述预置车牌图像为原始车牌图像经过预处理操作后得到，所述分析记录模块包括：
根据所述预置车牌图像配置对应的标签图像和标签变量，所述标签图像的初始值为0，所述标签变量的初始值为1；
根据所述标签图像和所述标签变量在所述预置车牌图像上进行连通域分析和标记操作，得到多个连通域坐标点；
根据预置轮廓条件对所述连通域坐标点进行筛选，得到符合预置轮廓条件的连通域，并记录对应的边界点，得到上边界点集和下边界点集；
第一拟合模块，用于采用预置最小二乘法分别对所述上边界点集和所述下边界点集进行直线拟合，得到上边界线段和下边界线段；
计算模块，用于根据所述上边界线段和下边界线段计算区域截取框四个角的边界点坐标，所述边界点坐标包括第一上边界点坐标、第二上边界点坐标、第一下边界点坐标和第二下边界点坐标，所述计算模块包括：
第一获取模块，用于根据上边界线段和下边界线段获取上下边界之间的偏宽边长度以及对应的第一上边界点坐标和第一下边界点坐标；
第二获取模块，用于根据所述上边界线段和所述下边界线段获取上下边界之间的偏窄边中心点坐标，所述偏窄边中心点坐标包括中心横坐标和中心纵坐标；
计算子模块，用于根据所述偏宽边长度、所述中心横坐标和所述中心纵坐标计算得到第二上边界点坐标和第二下边界点坐标；
区域定义模块，用于将所述第一上边界点坐标、所述第二上边界点坐标、所述第一下边界点坐标和所述第二下边界点坐标形成的区域作为区域截取框；
截取模块，用于通过所述区域截取框截取扩展后的原始车牌图像的车牌区域图像；
第二拟合模块，用于采用预置CNN模型对所述车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
6.根据权利要求5所述的自由场景下的车牌精准定位装置，其特征在于，所述预处理操作的过程为：
将所述原始车牌图像在粗定位的基础上进行区域扩展，得到车牌粗定位图；
对所述车牌粗定位图进行灰度化处理，得到车牌灰度图；
采用预置多阈值对所述车牌灰度图进行自适应二值化处理，得到车牌二值图；
根据预置噪点判断法对所述车牌二值图进行去噪处理，得到所述预置车牌图像。
7.根据权利要求5所述的自由场景下的车牌精准定位装置，其特征在于，还包括：
倾斜矫正模块，用于采用预置仿射变换对所述车牌区域图像进行上下倾斜矫正处理，得到矫正后的车牌区域图像；
相应的，所述第二拟合模块，具体用于：
采用预置CNN模型对所述矫正后的车牌区域图像的左右边界进行坐标拟合，获得车牌定位结果。
CN202010953696.5A 2020-09-11 2020-09-11 一种自由场景下的车牌精准定位方法及装置 Active CN112052859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010953696.5A CN112052859B (zh) 2020-09-11 2020-09-11 一种自由场景下的车牌精准定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010953696.5A CN112052859B (zh) 2020-09-11 2020-09-11 一种自由场景下的车牌精准定位方法及装置

Publications (2)

Publication Number Publication Date
CN112052859A CN112052859A (zh) 2020-12-08
CN112052859B true CN112052859B (zh) 2023-07-28

Family

ID=73610756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010953696.5A Active CN112052859B (zh) 2020-09-11 2020-09-11 一种自由场景下的车牌精准定位方法及装置

Country Status (1)

Country Link
CN (1) CN112052859B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528917A (zh) * 2020-12-18 2021-03-19 深兰科技（上海）有限公司 斑马线区域识别方法、装置、电子设备和存储介质
CN115256470A (zh) * 2022-08-09 2022-11-01 七腾机器人有限公司 一种基于深度视觉的楼梯测量方法、系统及四足机器人

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650739A (zh) * 2016-12-09 2017-05-10 浙江浩腾电子科技股份有限公司 一种车牌字符切割方法
CN109460722A (zh) * 2018-10-26 2019-03-12 华南理工大学 一种车牌智能识别方法
CN110619327A (zh) * 2018-06-20 2019-12-27 湖南省瞬渺通信技术有限公司 一种复杂场景下基于深度学习的实时车牌识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650739A (zh) * 2016-12-09 2017-05-10 浙江浩腾电子科技股份有限公司 一种车牌字符切割方法
CN110619327A (zh) * 2018-06-20 2019-12-27 湖南省瞬渺通信技术有限公司 一种复杂场景下基于深度学习的实时车牌识别方法
CN109460722A (zh) * 2018-10-26 2019-03-12 华南理工大学 一种车牌智能识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种车牌快速矫正算法;王诗钧;印佳奇;徐靖峰;李振;梁久祯;;常州大学学报(自然科学版)(第04期);第1-4页 *
基于AdaBoost的场景车牌号精确定位研究;王健;李中浩;;北华航天工业学院学报(第06期);第1-4页 *

Also Published As

Publication number Publication date
CN112052859A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
US6453069B1 (en) Method of extracting image from input image using reference image
CN107784669A (zh) 一种光斑提取及其质心确定的方法
CN109492642B (zh) 车牌识别方法、装置、计算机设备及存储介质
CN110414385B (zh) 一种基于单应性变换和特征窗口的车道线检测方法及系统
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN114049499A (zh) 用于连续轮廓的目标对象检测方法、设备及存储介质
CN112052859B (zh) 一种自由场景下的车牌精准定位方法及装置
CN110827189B (zh) 一种数字图像或视频的水印去除方法及系统
CN110674812B (zh) 一种面向复杂背景的民用车牌定位与字符分割方法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN104346609A (zh) 一种识别印刷品上字符的方法及装置
JP3814353B2 (ja) 画像分割方法および画像分割装置
CN107301421A (zh) 车辆颜色的识别方法及装置
CN112419207A (zh) 一种图像矫正方法及装置、系统
CN111507340A (zh) 一种基于三维点云数据的目标点云数据提取方法
CN112184723B (zh) 图像处理方法及装置、电子设备、存储介质
CN116542998B (zh) 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质
CN117911419A (zh) 中厚板转钢角度增强检测方法及装置、介质、设备
CN110633705A (zh) 一种低照度成像车牌识别方法及装置
CN113822818A (zh) 散斑提取方法、装置、电子设备及存储介质
CN113762244A (zh) 文档信息的提取方法及装置
CN118275449B (zh) 铜带表面缺陷检测方法、装置及设备
CN117829175B (zh) 基于双色光源光线补偿的扫码方法及系统
CN118379279B (zh) 印刷图案缺陷检测方法、系统和可读存储介质
CN117690142B (zh) 晶圆字符的预处理方法、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant