[发明专利]基于小波变换和雷登变换的车牌提取方法

摘要

本发明提供的是一种基于小波变换和雷登变换的车牌提取方法，它首先把真色彩图像转换为灰度图像；其次计算原始图像的垂直梯度并且根据垂直梯度的水平投影曲线的小波变换结果进行车牌粗定位；对粗定位出的车牌进行水平雷登变换，定位并删除车牌的上下边框；对已经删除了上下边框的车牌进行垂直雷登变换，定位并删除车牌的左右边框；最后进行颜色归一化，得到了一个包含有可识别号码的无车牌边框的车牌。采用本发明的车牌提取方法，可以在普通环境中都能够有效、快速、准确地提取车牌，为车牌字符的准确识别奠定基础。

主权项

1、一种基于小波分析和雷登变换的车牌提取方法，其特征是它包含下列步骤：步骤1.将摄像装置安装于公路路口，收费站或者停车场的适当位置，在车辆进入摄像范围内后进行图像采集，得到含有车牌图像的原始图像；步骤2对步骤1中所得到的车辆原始图像进行灰度判断，若所拍摄到的车辆原始图像为灰度图图像，则不进行处理；若所拍摄到的车辆原始图像为真彩色图像，则对车辆原始图像进行灰度转换，得到一幅包含车牌的灰度图像；具体方法为采用公式f(i，j)＝0.114*I(i，j，1)+0.587*I(i，j，2)+0.299*I(i，j，3)进行转换，其中i表示图像的行位置，j表示图像的列位置，f(i，j)表示转换后的灰度图像中第i行第j列的象素的灰度值，*是乘法运算符号，I(i，j，1)，I(i，j，2)和I(i，j，3)分别表示彩色图像中第i行第j列的象素的R，G，B分量的值；步骤3.对步骤2中所得到的灰度图像进行垂直梯度计算，得到一个包含有车牌的车辆灰度图像的垂直灰度梯度图；具体方法为采用公式gV(i，j)＝|f(i，j+1)-f(i，j)|进行垂直梯度计算，其中i表示图像的行坐标值，j表示图像的列坐标值，f(i，j)表示第i行第j列的象素的灰度值，f(i，j+1)表示第i行第j+1列的象素的灰度值，gV(i，j)表示第i行第j列的的垂直梯度值；步骤4.对步骤3中所得到的垂直灰度梯度图进行梯度水平投影，得到一个粗糙的梯度水平投影曲线；梯度水平投影的计算公式为$T_H\left(i\right)=\underset{j=1}{\overset{n}{\Sigma }}{g}_V(i,j),$ 其中gV(i，j)表示第i行第j列的垂直梯度值，n表示垂直梯度图像矩阵的总列数，TH(i)为第i行的投影值；步骤5对步骤4中所得到的粗糙的梯度水平投影曲线进行高斯滤波，得到一个平滑的梯度水平投影曲线；滤波方法为采用公式$T_H^{\prime }\left(i\right)=\frac{1}{k}\{T_H\left(i\right)+\underset{j=1}{\overset{w}{\Sigma }}[T_H(i-j)h(j,\sigma )+T_H(i+j)h(j,\sigma )\left]\right\}$ 进行滤波；其中TH′(i)是滤波后的梯度水平投影值，i的变化范围为从1到n，n代表车辆图像的高度；w表示了平滑区域的宽度大小，此处取8；$h(j,\sigma )=\exp \left(\frac{-j^2}{2{\sigma }^2}\right)$ 是高斯函数，$k=2\underset{j=1}{\overset{w}{\Sigma }}h(j,\sigma )+1,$ σ表示灰度图像的均方差；TH(i)表示第i个梯度水平投影值，TH(i-j)表示第(i-j)个的梯度水平投影值，TH(i+j)表示第(i+j)个梯度水平投影值；步骤6对步骤5中所得到的平滑的梯度水平投影曲线进行小波变换，得到一个小波变换曲线；小波变换方法为：首先，构造一个高斯函数$g_s\left(x\right)=\frac{1}{\sqrt{2\pi }\sigma }\exp \left(\frac{-x^2}{2{\sigma }^2}\right),$ 其中x为高斯函数自变量，σ表示高斯函数的均方差，此处取0.5；然后，计算此高斯函数的一阶导数得到$w\left(x\right)=\frac{-x}{\sqrt{2\pi }{\sigma }^3}\exp \left(\frac{-x^2}{2{\sigma }^2}\right),$ 把该一阶导数w(x)作为小波函数；最后把此小波函数和梯度水平投影曲线进行数学卷积运算，从而得到一条小波变换曲线；步骤7.对步骤6中所得到的小波变换曲线进行归一化处理，从而得到一条曲线值位于-1到0之间的曲线；具体方法为，首先，取得小波变换曲线最大值max和最小值min；然后，利用公式$s^{\prime }\left(x\right)=\frac{(s\left(x\right)-\min )}{(\max -\min )}+1$ 进行归一化，其中s(x)为归一化前的小波变换曲线值，x为曲线的坐标值，s′(x)为归一化处理后的小波变换的曲线值；步骤8.对步骤7中所得到的小波变换曲线进行梯度水平投影曲线扫描，得到两个较小的波谷值在小波变换曲线中的位置坐标；具体方法为：从曲线的起点寻找波谷，同时记录下小的波谷值的位置坐标，如此搜寻直到曲线的终点；步骤9.利用步骤8中所得到的波谷位置坐标进行车牌粗定位运算，得到一个或两个车牌候选区域在包含有车牌的车辆图像中的位置坐标；具体方法为：根据步骤8提供的曲线的较小的波谷值的位置坐标来搜索和此述的波谷紧邻的左右两个波峰的位置坐标，左边波峰的位置坐标对应的是车牌在包含有车牌的车辆图像矩阵中的上边界的横坐标，此处用top_boundary来表示车牌的上边界位置的横坐标，右边波峰的位置坐标对应的是车牌在包含有车牌的车辆图像中的下边界的横坐标，此处用bot_boundary来表示车牌的下边界位置的横坐标；步骤10利用步骤9中所得到的位置信息进行车牌粗切割处理，得到一个或两个车牌候选区域；具体方法为，首先，定义元素均为零的矩阵mask，mask的行数和列数分别与包含有车牌的车辆灰度图像矩阵的行数和列数一致；其次，把矩阵mask中位于第top_boundary行和bot_boundary行间的所有的列的元素全部置为1，其中top_boundary表示车牌在包含有车牌的车辆灰度图像中的上边界的横坐标值，bot_boundary表示车牌在车辆图像中的下边界的横坐标值；然后，把矩阵mask和车辆灰度图像矩阵中的具有相同坐标值的元素相乘，相乘后，车辆灰度图像矩阵中非车牌候选区域内的元素均为零，车牌候选区域内的元素值保持不变；最后，定义元素均为零的矩阵I_cut，矩阵I_cut的行数为bot_boundary-top_boundary，列数和车辆灰度图像矩阵的列数相等，把矩阵mask和车辆灰度图像矩阵相乘的结果矩阵中的非零元素赋给I_cut，矩阵I_cut就表示车牌候选区域；步骤11.对步骤10中所得到的车牌候选区域进行水平雷登变换，得到11条雷登变换曲线；具体处理为：定义水平方向为0度，在-5度到5度的范围内每隔1度对粗切割出来的车牌进行雷登变换，变换后将得到11条雷登变换曲线；步骤12利用步骤11中的11条雷登变换曲线的宽度值确定出车牌的上下边框在车牌图像中的坐标值；具体方法为：比较步骤12中所得到11条雷登变换曲线的宽度，宽度最小的雷登变换曲线所对应的变换角度就是车牌的倾斜角度记为R_hdegree，此时雷登变换曲线上的第一个波峰值大于一定值的线状波峰的坐标值对应于车牌上边框在车牌图像中的横坐标记为R_top，雷登变换曲线上的最后一个波峰值大于一定值的线状波峰的坐标值对应于车牌下边框在车牌图像中的纵坐标并记为R_bot；步骤13利用步骤12中得到的车牌倾斜角度和上下边框的坐标信息，校正车牌并删除车牌的上下边框；具体处理为：首先，校正车牌，若车牌的倾斜角度R_hdegree不为零，则认为车牌是倾斜的，把车牌图像旋转-R_hdegree从而校正车牌；然后定义一个元素均为零的矩阵R_hmask，该矩阵的总列数和总行数分别等于矩阵I_cut的总列数和总行数，把矩阵R_hmask位于R_top和R_bot之间的元素置为一，把矩阵R_hmask和矩阵I_cut中具有相同坐标值的元素相乘得到一个相乘结果矩阵R_htbmask；最后，定义一个元素均为零的矩阵R_hcut，该矩阵的总行数为R_bot-R_top，总列数和矩阵R_htbmask的总列数相同，把矩阵R_htbmask中的非零元素赋给矩阵R_hcut，矩阵R_hcut就是已经删除车牌上下边框的车牌图像对应的图像矩阵；步骤14.对步骤13中所得到的已经删除了车牌上下边框的图像矩阵进行垂直雷登变换，得到11条雷登变换曲线；具体处理为：定义垂直方向为90度，在85度到95度的范围内每隔1度对已经删除上下边框的车牌进行雷登变换，变换后得到11条雷登变换曲线；步骤15利用步骤14中所得到11条雷登变换曲线的波峰值，确定出车牌的左右边框，具体方法为：首先，找出宽度最小的一条雷登变换曲线；然后在此曲线上从左往右搜索一个波峰值大于一定值的线状波峰，此波峰的坐标值就是已经删除了车牌上下边框的车牌的左边框在该车牌图像矩阵中的纵坐标记为R_left，再从右往左搜索一个波峰值大于一定值的线状波峰，此波峰的坐标值就是已经删除了车牌上下边框的右边框在该车牌图像矩阵中的纵坐标记为R_right；步骤16利用步骤15中所得到的已经删除了上下边框的车牌的左右边框的坐标值，删除车牌的左右边框；具体方法为，首先，定义一个元素均为零的矩阵R_vmask，其总行数和总列数分别和矩阵R_hcut的总行数和总列数相等，把矩阵R_vmask位于第R_left列和R_right列内的元素置为1；然后把矩阵R_vmask和矩阵R_hcut中具有相同坐标值的元素相乘得到一个结果矩阵R_vlrmask；最后定义一个元素均为零的矩阵R_vcut，该矩阵的总列数为R_right-R_left，总行数和矩阵R_vlrmask的总行数相等，把矩阵R_vlrmask中的非零元素赋给R_vcut，矩阵R_vcut就是删除了上下左右四个边框的车牌图像矩阵；步骤17.对步骤16中所得到的准确的车牌图像进行车牌颜色归一化处理，得到一个包含有可识别号码的具有黑色背景和白色号码的车牌图像；具体方法为，首先，统计车牌区域内的白色像素数和黑色象素数；其次比较黑色象素数和白色像素数，如果白色象素数为多数，则进行灰度翻转。