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

CN112070081B - 一种基于高清视频的智能化车牌识别方法 - Google Patents

一种基于高清视频的智能化车牌识别方法 Download PDF

Info

Publication number
CN112070081B
CN112070081B CN202010844285.2A CN202010844285A CN112070081B CN 112070081 B CN112070081 B CN 112070081B CN 202010844285 A CN202010844285 A CN 202010844285A CN 112070081 B CN112070081 B CN 112070081B
Authority
CN
China
Prior art keywords
image
license plate
threshold value
gray
edge detection
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
CN202010844285.2A
Other languages
English (en)
Other versions
CN112070081A (zh
Inventor
徐湛
林凡
张秋镇
黄富铿
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.)
GUANGZHOU INSTITUTE OF STANDARDIZATION
GCI Science and Technology Co Ltd
Original Assignee
GUANGZHOU INSTITUTE OF STANDARDIZATION
GCI Science and Technology Co Ltd
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 GUANGZHOU INSTITUTE OF STANDARDIZATION, GCI Science and Technology Co Ltd filed Critical GUANGZHOU INSTITUTE OF STANDARDIZATION
Priority to CN202010844285.2A priority Critical patent/CN112070081B/zh
Publication of CN112070081A publication Critical patent/CN112070081A/zh
Application granted granted Critical
Publication of CN112070081B publication Critical patent/CN112070081B/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
    • 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
    • G06V20/63—Scene text, e.g. street names
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于高清视频的智能化车牌识别方法，包括：获取待识别的车辆图像；根据所述车辆图像的色度差异的特性确定判定为车牌蓝色像素点的自适应阈值；采用所述判定为车牌蓝色像素点的自适应阈值和投影算法分割出车牌矩形区域的图像；将所述车牌矩形区域的图像转换为关于R‑B关系的灰度图像；采用边缘检测算法对所述灰度图像进行边缘检测，获得边缘检测图像；根据所述灰度图像和所述边缘检测图像确定用于提取车牌字符的自适应阈值，并利用所述自适应阈值提取车牌字符。采用本发明可识别光照不均匀、颜色深浅不同、图像有一定偏转的车牌，本发明还具有算法简单、运算速度快等优点。

Description

一种基于高清视频的智能化车牌识别方法
技术领域
本发明涉及车牌识别技术领域，尤其涉及一种基于高清视频的智能化车牌识别方法。
背景技术
车牌识别系统已经发展了十几年，越来越多的停车场已经放弃人工计时计费的方法，转而采用基于车牌识别的一体式收费系统。采用车牌识别的一体式收费系统收费相对于人工收费，大大提高了收费效率，也大大减少了出入停车场所耗费的时间。
目前的车牌识别系统主要是基于模板匹配的字符识别方法。传统的模板匹配的字符识别方法属于模式识别与图像处理技术领域的经典应用，具体涉及图像匹配及识别。传统的模板匹配的字符识别方法可以适应大部分识别，算法也比较简单，适用场景广泛。但是缺点也比较突出，如下：
1.该方法不具有旋转不变性、不具有尺度不变性，在光照不均匀导致对比度过低的情况下，车牌识别率将会大大降低。
2.该方法运算量较大，速度慢。
发明内容
为了解决传统的模板匹配的字符识别方法存在的缺陷，本发明提供一种基于高清视频的智能化车牌识别方法，能够在光照不均匀导致对比度过低的情况下，提高车牌识别率以及提高车牌识别的速度。
为了解决上述技术问题，本发明实施例提供一种基于高清视频的智能化车牌识别方法，包括：
获取待识别的车辆图像；
根据所述车辆图像的色度差异的特性确定判定为车牌蓝色像素点的自适应阈值；
采用所述判定为车牌蓝色像素点的自适应阈值和投影算法分割出车牌矩形区域的图像；
将所述车牌矩形区域的图像转换为关于R-B关系的灰度图像；
采用边缘检测算法对所述灰度图像进行边缘检测，获得边缘检测图像；
根据所述灰度图像和所述边缘检测图像确定用于检测车牌字符的自适应阈值，并利用所述自适应阈值检测出车牌字符；
提取所述检测出的车牌字符进行识别。
进一步地，当所述车辆图像的像素点满足以下条件时，则判定所述像素点为车牌蓝色像素点，否则为非车牌蓝色像素点；
B-G≥threshBG&&B-R≥threshBR
其中，B为所述车辆图像的蓝色分量，G为所述车辆图像的绿色分量，R为所述车辆图像的红色分量，threshBG为第一阈值，表示B-G分量大于某一灰度值的平均值；threshBR为第二阈值，表示B-R分量大于某一灰度值的平均值。
进一步地，当所述第一阈值为B-G分量大于灰度值50的平均值，所述第二阈值为B-R分量大于灰度值50的平均值，则所述第一阈值或所述第二阈值通过如下公式计算得出：
其中，ni为灰度值为i的像素的个数，N为灰度值大于某一灰度值li的像素个数，pi为灰度值大于所述某一灰度值li出现的概率。
进一步地，所述采用所述判定为车牌蓝色像素点的自适应阈值和投影算法分割出车牌矩形区域的图像，包括：
通过所述判定为所述车牌蓝色像素点的自适应阈值筛选出蓝色像素点；
设所述车辆图像的大小为M×N，M为所述车辆图像的高度，N为所述车辆图像的宽度，I为各像素点的值，则通过以下公式求出蓝色像素点水平投影：
通过公式获得所述水平投影中最大波峰的坐标；
根据所述最大波峰的坐标和其相连的两个波谷的位置，获得带状图像；
通过公式对所述带状图像进行垂直投影；
当对所述车辆图像进行水平投影和垂直投影后，确定垂直投影和水平投影相交处密度较大的区域；
当在所述密度较大的区域中其垂直投影有七个连续的波谷且其水平投影的比例和其垂直投影的比例在预设的范围内，则在所述密度较大的区域内进行图像分割，得到所述车牌矩形区域的图像。
进一步地，所述将车牌矩形区域的图像转换为关于R-B关系的灰度图像，包括：
根据如下公式对所述车牌矩形区域的图像进行变换：
其中，x、y分别表示所述车牌矩形区域的图像的红色分量、蓝色分量，将x看做常数，y看做核心变量，fRB为R-B灰度图像的预处理函数；
对函数fRB求取其对y的导数得到关于R-B关系的灰度图像
其中f'RB为所述关于R-B关系的灰度图像。
进一步地，所述采用边缘检测算法对所述灰度图像进行边缘检测，获得边缘检测图像，包括：
通过检测所述灰度图像中的每一个像素点是否为边缘点得到边缘检测图像；其中，检测像素点是否为边缘检测点，包括：
根据以下公式求取所述像素点的Gx和Gy
Gx＝[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]Gy＝[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]；；
通过以下公式分别求取所述像素点近似梯度：
▽f＝|Gx|+|Gy|
当所述像素点的近似梯度大于预设的固定阈值时，则所述像素点为边缘点。
进一步地，所述根据所述灰度图像和所述边缘检测图像确定用于检测车牌字符的自适应阈值，并利用所述自适应阈值检测出车牌字符，包括：
设统计变量bluepoin表示所述车牌矩形区域内所有蓝色像素点的个数，并设第二自适应阈值Thresh和固定阈值sThresh，其分别为所述灰度图像中判定为蓝色像素点的自适应阈值和边缘检测图像的固定阈值；
执行下述步骤前，分别赋予所述统计变量bluepoint、所述第二自适应阈值Thresh初始值；
设(i，j)为像素点的坐标，令i＝1,j＝1；
计算所述灰度图像中的像素点的灰度值f′RB(i,j)，和计算所述边缘检测图像中像素点的灰度值g(i，j)；
判断f′RB(i,j)是否大于Thresh，若是，统计变量bluepoint加1，否则，判断是否满足以下条件：
g(i,j)>sThresh&&fR′B(i,j)>Thresh
若满足，将所述灰度图像对应的该像素点赋值为1；
否则，判断所述统计变量bluepoint是否大于所述车牌矩形区域像素总数的1/2；
若是，则第二自适应阈值Thresh加2；
以i自增的方式重复上述步骤，直至i遍历结束；
当i遍历结束时，以j自增的方式重复上述步骤，直至j遍历结束；
则被赋值为1的像素点就是所检测出的车牌字符。
相比于现有技术，本发明实施例的有益效果在于，
本发明实施例通过获取待识别的车辆图像；根据所述车辆图像的色度差异的特性确定判定为车牌蓝色像素点的自适应阈值；采用所述判定为车牌蓝色像素点的自适应阈值和投影算法分割出车牌矩形区域的图像；将所述车牌矩形区域的图像转换为关于R-B关系的灰度图像；采用边缘检测算法对所述灰度图像进行边缘检测，获得边缘检测图像；根据所述灰度图像和所述边缘检测图像确定用于检测车牌字符的自适应阈值，并利用所述自适应阈值检测出车牌字；提取所述检测出的车牌字符进行识别符；。相比于传统模板匹配不具有旋转不变性、不具有尺度不变性、在光照不均匀导致对比度过低，运算量大、速度慢的问题，本发明实施例的基于高清视频的智能化车牌识别方法可识别光照不均匀、颜色深浅不同、图像有一定偏转的车牌，本发明实施例的车牌识别还具有算法简单、运算速度快等优点。
附图说明
图1是本发明实施例中的基于高清视频的智能化车牌识别方法的流程图；
图2是其中一种优选实施例中的检测出车牌字符的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种基于高清视频的智能化车牌识别方法，包括步骤S1-S7：
S1、获取待识别的车辆图像。
在本发明实施例中，在本发明实施例中，通过摄像机等摄像装置获取车辆图像。当摄像机等摄像装置获取车辆图像后，存储在存储器中。因此，当车牌识别系统需要识别车牌号码时，可从存储器中获取车辆图像。
S2、根据所述车辆图像的色度差异的特性确定判定为车牌蓝色像素点的自适应阈值。
在本发明实施例中，当所述车辆图像的像素点满足以下条件时，则判定所述像素点为车牌蓝色像素点，否则为非车牌蓝色像素点；
B-G≥threshBG&&B-R≥threshBR
其中，B为所述车辆图像的蓝色分量，G为所述车辆图像的绿色分量，R为所述车辆图像的红色分量，threshBG为第一阈值，表示B-G分量大于某一灰度值的平均值；threshBR为第二阈值，表示B-R分量大于某一灰度值的平均值。
优选地，当所述第一阈值为B-G分量大于灰度值50的平均值，所述第二阈值为B-R分量大于灰度值50的平均值，则所述第一阈值或所述第二阈值通过如下公式计算得出：
其中，l为BR和BG的最大灰度值，其中，BR＝B-R,BG＝B-G,BR和BG的取值范围为(0,1,...,l)，ni为灰度值为i的像素的个数，N为灰度值大于某一灰度值li的像素个数，pi为灰度值大于所述某一灰度值li出现的概率。
S3、采用所述判定为车牌蓝色像素点的自适应阈值和投影算法分割出车牌矩形区域的图像。
在本发明实施例中，所述采用所述判定为车牌蓝色像素点的自适应阈值和投影算法分割出车牌矩形区域的图像，包括：
通过所述判定为所述车牌蓝色像素点的自适应阈值筛选出蓝色像素点；
设所述车辆图像的大小为M×N，M为所述车辆图像的高度，N为所述车辆图像的宽度，I为各像素点的值，则通过以下公式求出蓝色像素点水平投影：
通过公式获得所述水平投影中最大波峰的坐标；
根据所述最大波峰的坐标和其相连的两个波谷的位置，获得带状图像；
通过公式对所述带状图像进行垂直投影；
当对所述车辆图像进行水平投影和垂直投影后，确定垂直投影和水平投影相交处密度较大的区域；
当在所述密度较大的区域中其垂直投影有七个连续的波谷且其水平投影的比例和其垂直投影的比例在预设的范围内，则在所述密度较大的区域内进行图像分割，得到所述车牌矩形区域的图像。
在本发明实施例中，若在所述密度较大的区域内水平投影起始坐标标记为X1，终止坐标标记为X2，则车牌的左右边界分别为X1，X2。同理，若在所述密度较大的区域内垂直投影起始坐标标记为Y1，终止坐标标记为Y2，则该车牌的上下边界分别为Y1，Y2。
优选地，将所述车牌矩形区域的图像分别向上、下、左、右各移动2个像素进行修正,此时可以保证车牌就在所找到的矩形区域当中。
S4、将所述车牌矩形区域的图像转换为关于R-B关系的灰度图像。
在本发明实施例中，所述将蓝色述车牌矩形区域的图像转换为关于R-B关系的灰度图像，包括：
根据如下公式对所述车牌矩形区域的图像进行变换：
其中，x、y分别表示红色分量、蓝色分量，将x看做常数，y看做核心变量，fRB为R-B灰度图像的预处理函数；
对函数fRB求取其对y的导数得到关于R-B关系的灰度图像
其中f'RB为所述关于R-B关系的灰度图像处理函数。
S5、采用边缘检测算法对所述灰度图像进行边缘检测，获得边缘检测图像。
在本发明实施例中，所述采用边缘检测算法对所述灰度图像进行边缘检测，获得边缘检测图像，包括：
通过检测所述灰度图像中的每一个像素点是否为边缘点得到边缘检测图像；其中，检测像素点是否为边缘检测点，包括：
根据以下公式求取所述像素点的Gx和Gy
Gx＝[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]
Gy＝[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]；
通过以下公式分别求取所述像素点近似梯度：
▽f＝|Gx|+|Gy|
当所述像素点的近似梯度大于预设的固定阈值时，则所述像素点为边缘点。
亲S6、根据所述灰度图像和所述边缘检测图像确定用于检测车牌字符的自适应阈值，并利用所述自适应阈值检测出车牌字符；
在本发明实施例中，请参阅图2，所述根据所述灰度图像和所述边缘检测图像确定用于检测车牌字符的自适应阈值，并利用所述自适应阈值检测出车牌字符，包括：
设统计变量bluepoin表示所述车牌矩形区域内所有蓝色像素点的个数，并设第二自适应阈值Thresh和固定阈值sThresh，其分别为所述灰度图像中判定为蓝色像素点的自适应阈值和边缘检测图像的固定阈值；
执行下述步骤前，分别赋予所述统计变量bluepoint、所述第二自适应阈值Thresh初始值；优选地，所述统计变量的初始值为0，所述第二自适应阈值地初始值为10，所述固定阈值为10；
设(i，j)为像素点的坐标，令i＝1,j＝1；
计算所述灰度图像中的像素点的灰度值f′RB(i,j)，和计算所述边缘检测图像中像素点的灰度值g(i，j)；
判断f′RB(i,j)是否大于Thresh，若是，统计变量bluepoint加1，否则，判断是否满足以下条件：
g(i,j)>sThresh&&f′RB(i,j)>Thresh
若满足，将所述灰度图像对应的该像素点赋值为1；
否则，判断所述统计变量bluepoint是否大于所述车牌矩形区域像素总数的1/2；
若是，则第二自适应阈值Thresh加2；
以i自增的方式重复上述步骤，直至i遍历结束；
当i遍历结束时，以j自增的方式重复上述步骤，直至j遍历结束；
则被赋值为1的像素点就是所检测出的车牌字符。
S7、提取所述检测出的车牌字符进行识别。
本发明实施例通过获取待识别的车辆图像；根据所述车辆图像的色度差异的特性确定判定为车牌蓝色像素点的自适应阈值；采用所述判定为车牌蓝色像素点的自适应阈值和投影算法分割出车牌矩形区域的图像；将所述车牌矩形区域的图像转换为关于R-B关系的灰度图像；采用边缘检测算法对所述灰度图像进行边缘检测，获得边缘检测图像；根据所述灰度图像和所述边缘检测图像确定用于检测车牌字符的自适应阈值，并利用所述自适应阈值检测出车牌字符；提取所述检测出的车牌字符进行识别。相比于传统模板匹配不具有旋转不变性、不具有尺度不变性、在光照不均匀导致对比度过低，运算量大、速度慢的问题，本发明实施例的基于高清视频的智能化车牌识别方法可识别光照不均匀、颜色深浅不同、图像有一定偏转的车牌，本发明实施例的车牌识别还具有算法简单、运算速度快等优点。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种基于高清视频的智能化车牌识别方法，其特征在于，包括：
获取待识别的车辆图像；
根据所述车辆图像的色度差异的特性确定判定为车牌蓝色像素点的自适应阈值；
采用所述判定为车牌蓝色像素点的自适应阈值和投影算法分割出车牌矩形区域的图像；
将所述车牌矩形区域的图像转换为关于R-B关系的灰度图像；
采用边缘检测算法对所述灰度图像进行边缘检测，获得边缘检测图像；
根据所述灰度图像和所述边缘检测图像确定用于检测车牌字符的自适应阈值，并利用所述自适应阈值检测出车牌字符；
提取所述检测出的车牌字符进行识别；
其中，所述根据所述灰度图像和所述边缘检测图像确定用于检测车牌字符的自适应阈值，并利用所述自适应阈值检测出车牌字符，包括：
设统计变量bluepoin表示所述车牌矩形区域内所有蓝色像素点的个数，并设第二自适应阈值Thresh和固定阈值sThresh，其分别为所述灰度图像中判定为蓝色像素点的自适应阈值和边缘检测图像的固定阈值；
执行下述步骤前，分别赋予所述统计变量bluepoint、所述第二自适应阈值Thresh初始值；
设(i，j)为像素点的坐标，令i＝1,j＝1；
计算所述灰度图像中的像素点的灰度值fR′B(i,j)，和计算所述边缘检测图像中像素点的灰度值g(i，j)；
判断fR′B(i,j)是否大于Thresh，若是，统计变量bluepoint加1，否则，判断是否满足以下条件：
g(i,j)>sThresh&&fR′B(i,j)>Thresh；
若满足，将所述灰度图像对应的该像素点赋值为1；
否则，判断所述统计变量bluepoint是否大于所述车牌矩形区域像素总数的1/2；
若是，则第二自适应阈值Thresh加2；
以i自增的方式重复上述步骤，直至i遍历结束；
当i遍历结束时，以j自增的方式重复上述步骤，直至j遍历结束；
则被赋值为1的像素点就是所检测出的车牌字符。
2.根据权利要求1所述的基于高清视频的智能化车牌识别方法，其特征在于，当所述车辆图像的像素点满足以下条件时，则判定所述像素点为车牌蓝色像素点，否则为非车牌蓝色像素点；
B-G≥threshBG&&B-R≥threshBR
其中，B为所述车辆图像的蓝色分量，G为所述车辆图像的绿色分量，R为所述车辆图像的红色分量，threshBG为第一阈值，表示B-G分量大于某一灰度值的平均值；threshBR为第二阈值，表示B-R分量大于某一灰度值的平均值。
3.根据权利要求2所述的基于高清视频的智能化车牌识别方法，其特征在于，当所述第一阈值为B-G分量大于灰度值50的平均值，所述第二阈值为B-R分量大于灰度值50的平均值，则所述第一阈值或所述第二阈值通过如下公式计算得出：
其中，ni为灰度值为i的像素的个数，N为灰度值大于某一灰度值li的像素个数，pi为灰度值大于所述某一灰度值li出现的概率。
4.根据权利要求1所述的基于高清视频的智能化车牌识别方法，其特征在于，所述采用所述判定为车牌蓝色像素点的自适应阈值和投影算法分割出车牌矩形区域的图像，包括：
通过所述判定为所述车牌蓝色像素点的自适应阈值筛选出蓝色像素点；
设所述车辆图像的大小为M×N，M为所述车辆图像的高度，N为所述车辆图像的宽度，I为各像素点的值，则通过以下公式求出蓝色像素点水平投影：
通过公式获得所述水平投影中最大波峰的坐标；
根据所述最大波峰的坐标和其相连的两个波谷的位置，获得带状图像；
通过公式对所述带状图像进行垂直投影；
当对所述车辆图像进行水平投影和垂直投影后，确定垂直投影和水平投影相交处密度较大的区域；
当在所述密度较大的区域中其垂直投影有七个连续的波谷且其水平投影的比例和其垂直投影的比例在预设的范围内，则在所述密度较大的区域内进行图像分割，得到所述车牌矩形区域的图像。
5.根据权利要求1所述的基于高清视频的智能化车牌识别方法，其特征在于，所述将车牌矩形区域的图像转换为关于R-B关系的灰度图像，包括：
根据如下公式对所述车牌矩形区域的图像进行以下变换：
其中，x、y分别表示所述车牌矩形区域的图像的红色分量、蓝色分量；
将fRB的取值范围转换到值域[0～255]之间，得到了分割车牌部分关于R、B关系的灰度图像fR′B。
6.根据权利要求5所述的基于高清视频的智能化车牌识别方法，其特征在于，所述采用边缘检测算法对所述灰度图像进行边缘检测，获得边缘检测图像，包括：
通过检测所述灰度图像中的每一个像素点是否为边缘点得到边缘检测图像；其中，检测像素点是否为边缘检测点，包括：
根据以下公式求取所述像素点的Gx和Gy
Gx＝[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]
Gy＝[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]；
通过以下公式分别求取所述像素点近似梯度：
当所述像素点的近似梯度大于预设的固定阈值时，则所述像素点为边缘点。
CN202010844285.2A 2020-08-20 2020-08-20 一种基于高清视频的智能化车牌识别方法 Active CN112070081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010844285.2A CN112070081B (zh) 2020-08-20 2020-08-20 一种基于高清视频的智能化车牌识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010844285.2A CN112070081B (zh) 2020-08-20 2020-08-20 一种基于高清视频的智能化车牌识别方法

Publications (2)

Publication Number Publication Date
CN112070081A CN112070081A (zh) 2020-12-11
CN112070081B true CN112070081B (zh) 2024-01-09

Family

ID=73662192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010844285.2A Active CN112070081B (zh) 2020-08-20 2020-08-20 一种基于高清视频的智能化车牌识别方法

Country Status (1)

Country Link
CN (1) CN112070081B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821078B (zh) * 2022-05-05 2023-03-14 北方工业大学 一种车牌识别方法、装置、电子设备及存储介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001008098A1 (en) * 1999-07-21 2001-02-01 Obvious Technology, Inc. Object extraction in images
CN101377811A (zh) * 2007-08-31 2009-03-04 北京万集科技有限责任公司 一种车牌识别的方法与系统
CN101673338A (zh) * 2009-10-09 2010-03-17 南京树声科技有限公司 基于多角度投影的模糊车牌识别方法
CN101877050A (zh) * 2009-11-10 2010-11-03 青岛海信网络科技股份有限公司 一种车牌字符的自动提取方法
CN102226907A (zh) * 2011-05-24 2011-10-26 武汉嘉业恒科技有限公司 基于多特征的车牌定位方法及装置
CN102375982A (zh) * 2011-10-18 2012-03-14 华中科技大学 一种融合多字符特征的车牌定位方法
KR20120111153A (ko) * 2011-03-31 2012-10-10 하이테콤시스템(주) 번호판영역 검출을 위한 전처리 방법 및 장치
CN103093200A (zh) * 2013-01-18 2013-05-08 金三立视频科技（深圳）有限公司 快速精准定位图像中车牌的算法
CN103324930A (zh) * 2013-06-28 2013-09-25 浙江大学苏州工业技术研究院 一种基于灰度直方图二值化的车牌字符分割方法
CN104050450A (zh) * 2014-06-16 2014-09-17 西安通瑞新材料开发有限公司 一种基于视频的车牌识别方法
CN104156704A (zh) * 2014-08-04 2014-11-19 胡艳艳 一种新的车牌识别方法及系统
KR101613703B1 (ko) * 2015-12-29 2016-04-19 (주)인펙비전 차량영상검지와 번호판 영역 추출방법
CN108615034A (zh) * 2017-12-14 2018-10-02 燕山大学 一种模板匹配与神经网络算法结合的车牌识别方法
CN111027535A (zh) * 2018-10-09 2020-04-17 中控智慧科技股份有限公司 一种车牌识别方法及相关设备
CN111178291A (zh) * 2019-12-31 2020-05-19 北京筑梦园科技有限公司 一种停车支付系统以及停车支付方法
CN111429462A (zh) * 2020-02-26 2020-07-17 重庆邮电大学 一种基于边缘检测和数学形态学的车牌定位方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001008098A1 (en) * 1999-07-21 2001-02-01 Obvious Technology, Inc. Object extraction in images
CN101377811A (zh) * 2007-08-31 2009-03-04 北京万集科技有限责任公司 一种车牌识别的方法与系统
CN101673338A (zh) * 2009-10-09 2010-03-17 南京树声科技有限公司 基于多角度投影的模糊车牌识别方法
CN101877050A (zh) * 2009-11-10 2010-11-03 青岛海信网络科技股份有限公司 一种车牌字符的自动提取方法
KR20120111153A (ko) * 2011-03-31 2012-10-10 하이테콤시스템(주) 번호판영역 검출을 위한 전처리 방법 및 장치
CN102226907A (zh) * 2011-05-24 2011-10-26 武汉嘉业恒科技有限公司 基于多特征的车牌定位方法及装置
CN102375982A (zh) * 2011-10-18 2012-03-14 华中科技大学 一种融合多字符特征的车牌定位方法
CN103093200A (zh) * 2013-01-18 2013-05-08 金三立视频科技（深圳）有限公司 快速精准定位图像中车牌的算法
CN103324930A (zh) * 2013-06-28 2013-09-25 浙江大学苏州工业技术研究院 一种基于灰度直方图二值化的车牌字符分割方法
CN104050450A (zh) * 2014-06-16 2014-09-17 西安通瑞新材料开发有限公司 一种基于视频的车牌识别方法
CN104156704A (zh) * 2014-08-04 2014-11-19 胡艳艳 一种新的车牌识别方法及系统
KR101613703B1 (ko) * 2015-12-29 2016-04-19 (주)인펙비전 차량영상검지와 번호판 영역 추출방법
CN108615034A (zh) * 2017-12-14 2018-10-02 燕山大学 一种模板匹配与神经网络算法结合的车牌识别方法
CN111027535A (zh) * 2018-10-09 2020-04-17 中控智慧科技股份有限公司 一种车牌识别方法及相关设备
CN111178291A (zh) * 2019-12-31 2020-05-19 北京筑梦园科技有限公司 一种停车支付系统以及停车支付方法
CN111429462A (zh) * 2020-02-26 2020-07-17 重庆邮电大学 一种基于边缘检测和数学形态学的车牌定位方法

Also Published As

Publication number Publication date
CN112070081A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN109785291B (zh) 一种车道线自适应检测方法
Kim et al. A recognition of vehicle license plate using a genetic algorithm based segmentation
US8724885B2 (en) Integrated image processor
CN102364496B (zh) 一种基于图像分析的汽车车牌自动识别方法及系统
CN105205489B (zh) 基于颜色纹理分析器与机器学习的车牌检测方法
CN109271937B (zh) 基于图像处理的运动场地标志物识别方法及系统
CN107301405A (zh) 自然场景下的交通标志检测方法
JP2000293696A (ja) 画像認識装置
CN103971128A (zh) 一种面向无人驾驶车的交通标志识别方法
CN104463134B (zh) 一种车牌检测方法和系统
US11625886B2 (en) Storage medium storing program, training method of machine learning model, and image generating apparatus
CN112926365A (zh) 一种车道线检测方法及其系统
CN111652033A (zh) 基于OpenCV的车道线检测方法
CN103268472B (zh) 基于双色彩空间的嘴唇检测方法
CN112070081B (zh) 一种基于高清视频的智能化车牌识别方法
CN104156703A (zh) 基于色彩纹理的车牌定位方法及系统
CN109800693B (zh) 一种基于颜色通道混合特征的夜间车辆检测方法
CN113569859B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN111476712A (zh) 一种烧结机的台车箅条图像的摄取及检测方法、系统
CN107507140A (zh) 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法
CN105654140A (zh) 面向复杂工业环境的铁路油罐车车号定位与识别方法
CN113610091A (zh) 一种空气开关状态的智能识别方法、识别装置及存储介质
US20210090260A1 (en) Deposit detection device and deposit detection method
CN108256475B (zh) 一种票据图像倒置检测方法
CN109584604A (zh) 一种服务区检测车位疏密度的智慧灯杆及方法

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