[发明专利]车牌定位方法及车牌定位模板训练方法

说明书

【技术领域】

本发明涉及图像处理技术领域，特别涉及车牌识别技术中的车牌定位技术。

【背景技术】

智能交通是当前交通管理发展的主要方向，是目前世界交通运输领域的前沿研究课题，车牌识别技术则是智能交通系统的核心，是计算机图像处理技术和模式识别技术在智能交通领域的应用，车牌识别技术广泛应用于车辆收费与管理、交通流量检测、停车场收费管理、违章车辆监控、假牌照车辆识别等具体问题中。随着计算机性能的提高和图像处理技术的发展，车牌识别技术已经日趋成熟。

车牌识别过程基本分为三个步骤：车牌定位、字符切割和字符识别。其中车牌定位技术是车牌识别技术中至关重要的一步，作为整个车牌识别过程的第一步，车牌的成功定位与否直接影响到后续的步骤，从而决定了车牌识别的速度和识别率。为了准确、快速地定位出车牌区域，人们已经研究了许多定位方法。比较普遍的车牌定位方法有：(1)利用车牌的彩色边缘分布特征的车牌定位方法；(2)利用车牌和文字颜色组合特点的车牌定位方法；(3)基于数学形态学的车牌定位方法等。

现有的车牌定位方法在光照和天气条件理想的条件下，针对车头车尾等部位，取得了很好的成果，但是由于车牌识别系统的应用越来越广泛，采集到的车牌图像场景越来越复杂，天气条件的变化程度导致采集到不同质量的车牌图像，在车牌的颜色信息不明显和边缘信息受到干扰时，现有方法的性能都不是很理想。

以基于数学形态学的车牌定位方法为例，图1示出了现有技术基于数学形态学的车牌定位方法的方法流程图，请参考图1，所述方法100是：步骤102，首先将采集到的彩色车牌图像转变成灰度车牌图像；步骤104，将所述灰度车牌图像利用图像边缘检测技术得到垂直边缘图像；步骤106，将所述垂直边缘图像进行数学形态学的膨胀运算，使得一些边界比较密集的地方能够粘连起来组成连通区域；步骤108，最后再通过聚类或者小波分析等技术判定那些大小合适的连通区域是否是车牌。

但是在实际情况中，在采集到的车牌图像质量不佳时，经过数学形态学膨胀处理后的车牌图像可能会出现以下缺点：1)经过膨胀运算的车牌图像中除了车牌的区域会粘连起来，一些其他的区域也会粘连起来，这样就形成了多个车牌候选区域，增加了后续处理的复杂度，如图2A所示；2)经过膨胀运算的车牌图像中的车牌部分经常会和车辆的其他部分粘连起来，使本来含车牌的区域被误认为不是车牌候选区域，如图2B所示；3)当车辆在车牌图像中的位置处于较远或较近时，车牌图像中的车牌位置大小是不同的，导致车牌图像在进行膨胀计算时的参数不易控制，例如参数只适合远处的车牌，那么近处的车牌就会出现断裂，如图2C所示，其中左为远处车牌图像，右为近处车牌图像。一旦处理过后的图片有这些缺点，将会给后续车牌识别带来较大困难，从而造成车牌定位慢和定位不准的现象。

因此，有必要提出一种新的技术方案来解决上述缺点。

【发明内容】

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

本发明的一个目的在于提供一种车牌定位方法，其可以以较快的速度和准确率定位车牌图像中的车牌区域。

本发明的另一个目的在于提供一种车牌定位模板训练方法，其可以训练出定位速度快、准确率高的车牌定位模板。

为了达到本发明的目的，根据本发明的一方面，本发明提供一种车牌定位方法，所述方法包括：

将彩色车牌图像进行灰度转换得到灰度车牌图像；对所述灰度车牌图像进行垂直边缘计算得到垂直边缘图像；利用车牌定位模板对垂直边缘图像进行卷积处理得到车牌定位图像；根据所述车牌定位图像定位出车牌位置。

进一步地，所述车牌定位模板是：

其中u、v均为整数，m和n分别为车牌定位模板的宽和高，其中A＜0，B＞0，δ_u≠0。

进一步地，所述对垂直边缘图像利用车牌定位模板进行卷积处理为：