论文研究-利用HSV色彩空间进行车牌定位的研究 .pdf

发布时间：2022-05-29 发布人：admin 分类：说明书资料大小：0.88M 资料格式：pdf 举报版权申诉

weixin_39840515-11570570-16359647241170385880.pdf-第1页.png

第1页 / 共10页

weixin_39840515-11570570-16359647241170385880.pdf-第2页.png

第2页 / 共10页

weixin_39840515-11570570-16359647241170385880.pdf-第3页.png

第3页 / 共10页

weixin_39840515-11570570-16359647241170385880.pdf-第4页.png

第4页 / 共10页

weixin_39840515-11570570-16359647241170385880.pdf-第5页.png

第5页 / 共10页

weixin_39840515-11570570-16359647241170385880.pdf-第6页.png

第6页 / 共10页

weixin_39840515-11570570-16359647241170385880.pdf-第7页.png

第7页 / 共10页

weixin_39840515-11570570-16359647241170385880.pdf-第8页.png

第8页 / 共10页

文本预览

中国科技论文在线 http://www.paper.edu.cn 利用 HSV 色彩空间进行车牌定位的研究钱鹰，甘胜军* （重庆邮电大学图形图像与多媒体实验室重庆市 400065） 5 摘要：为了解决复杂环境中车牌的定位问题,提出了一个结合车牌颜色特征、灰度特征、几何形状特征的通用车牌定位方法,首先根据中国车牌的颜色特征,提出了一种基于 HSV 色彩空间的颜色定位车牌的方法,解决了车牌识别准确率不高的基本难题;然后采用改进的 Sobel 算子对车牌图像进行边缘检测得到车牌底色所在的矩形区域;最后将可能的车牌区域统一尺寸,并进行验证,最后分割出车牌区域。采用自然复杂环境中拍摄的图像对新方法进行验证的实验表明,与其他方法相比,新方法可在一定限度内自适应车牌的类型、大小、数量和方向, 并对汽车在图像中的位置以及图像背景的限制较少,是一种适用性较强的方法。关键词：车牌定位；颜色特征；Sobel 算子；边缘检测中图分类号：请查阅《中国图书馆分类法》 10 15 Research of License Plate Location Based on HSV Space Qian Ying, Gan Shengjun (Graphic image and multimedia lab, Chongqing University of Posts and Telecommunications, Chongqing 400065) 20 25 30 Abstract: In order to solve the problem of license plate location in complex environment ,a novel approach to LP extraction was presented ,which utilized LP's color information ,gray feature and geometry characteristics. Firstly, according to the color feature of Chinese license plate, a new method based on HSV color space is proposed, which solves the problem of the low accuracy of license plate location. Then using the improved Sobel edge detection methods to get the plate background where the rectangular area; will probably end up the license plate region of uniform size and verified. Finally, the segmentation of license plate region. Experiments using a new method of image captured in the natural complex environment show that Compared with other methods, the new method can be applied to a certain extent, the type, size, number and direction of the license plate. Key words: license Plate extraction; color features; Sobel algorithm; edge detection 0 引言伴随着社会不断发展,个人拥有机动车辆也日益增多,此情况下,仅依赖大力发展交通设施已不能解决交通拥挤,交通事故频发等问题，因此，车辆管理已然成为智能交通管理中的 35 重要环节，而车牌识别系统(LRP)已经成为智能交通领域的重要研究课题之一，在卡口系统、智能公交报站等中得到了广泛的应用。其包含三个方面的技术：车牌定位与提取、车牌倾斜校正与字符分割、字符识别，此中车牌定位与字符识别的速率和精度是关键，直接影响到识别系统的成败。由于实验所用图像是从自然复杂环境中拍摄得到，而其中诸如车牌规格不一，车牌污损、光照明暗、背景复杂度等因素为车牌的识别增添了一定的难度，所以对系统中各 40 关键技术设计具有较强鲁棒性与广泛适用性的算法，将会显著提高车牌识别的成功率。如今，车牌识别的研究已经逐渐成熟,且许多学者都提出了各自的方法,主要有: ①基于纹理的车牌识别方法,由于车牌具有水平方向的纹理所以该类方法主要利用车牌的这种特征进行识别,如水平梯度差分纹理法[1]、小波纹理法[2]等;②基于数学形态学的车牌识别方法[3,4] 作者简介：钱鹰（1968-），男，重庆人，教授，博士，CCF 高级会员，医学图像处理，计算机仿真. E-mail: qianying@cqupt.edu.cn , - 1 -

中国科技论文在线 http://www.paper.edu.cn 45 该方法主要利用数学形态学进行识别;③基于边缘检测的车牌识别方法[5,6] ;④基于颜色的车牌识别方法,因为汽车牌照的颜色种类有限,且字符和底牌具有明显的颜色差异，所以该方法主要利用这些特点,来进行车牌识别,其中常用方法有诸如彩色边缘算法[5,7]、颜色距离和相似度算法[1,7，8]等。综观这些方法,不难发现他们都会存在或多或少的局限性，而且受环境条件，图像背景的限制较多，在一定限度内不能很好的自适应车牌的类型、大小、数量和方 50 向,适用性较弱。据此,本文提出了一种综合定位方法,该方法根据 HSV 色彩空间独有的优势以及车牌的颜色特征,并融合数学形态学处理的方法,将车牌的色彩特征和几何特征进行了有机结合,是一种效果极好的定位方法。且对诸如车牌在图像中的大小和倾斜程度、光照条件或者背景复杂程度等因素的限制相对较少,因此本文提出的定位方法效果更好,应用范围更广。 55 1 车牌特征汽车牌照的特性主要包括灰度、几何形状和颜色 3 大类。 (1)灰度特性车牌内有多个基本呈水平分布的字符,不单字符和车牌底色在灰度上存在跳变, 且在车牌内有许多的边缘存在,表现出规则的纹理。经过对车牌的边缘做实验可知其灰度直方图具有两个分布中心。且这两个中心表现出非常明显的分离状态[8] ; 60 (2)几何形状特征标准车牌的高、宽是固定的,而且高宽之比在一定的范围内;车牌区域内所包含的字符之间的间隔相对固定且位于镶嵌车牌的矩形边框之内,字符的高宽比也在一个固定范围之内。如小型汽车的牌照 ,其高宽比为 140mn、:440mm=1:3.14,字符的高宽比为 90mm:45mm=2:1。如下图 1 所示。 (3)颜色特征根据我国相关的行业标准[9]。我国车牌的底牌与字符的颜色搭配主要有以下有限的几种颜色组合方案（见表一）。 65 图 1 标准车牌高、宽信息表 1 车牌的颜色组合 Tab.1 Different color combination of vehicle license plate 车牌类型 1 2 3 4 5 底色蓝黄黑黑白字符颜色白黑白/红红黑/红边框线颜色白黑白红 —— 2 颜色模型在数字图像的研究过程中，研究者常用的颜色模型[10]有 RGB 和 HSV 2 种。按照人眼的构造, 全部的颜色都可以看作是 RGB 三种基色的不同组合。但在 RGB 空间中随着光照强度的改 70 变，R、G、B 分量的亮度值也会随之改变,由于汽车图像的光照情况复杂且多样,所以用 RGB - 2 -

中国科技论文在线 http://www.paper.edu.cn 颜色模型进行车牌识别相对困难。因此须要将其转化到 HSV 颜色空间中.其中从 RGB 转换到 HSV 的公式如下: 设， (1) (2) (3) 75 3 车牌定位算法 3.1 HSV 各分量阈值的选取在 HSV 颜色模型中只有色调 H 跟颜色相关。所以当 H 的值不变，而且 S 和 V 分量的变化不大的时候，其代表的颜色范围就会固定。通过大量实验可知当时，代表蓝色车牌的颜色范围。当时，代表黄色车牌的颜色范围。H 分量（蓝色和黄色）变化 80 情况如下图所示。 a.蓝色的 H 分量区间 b.黄色的 H 分量区间图 2 蓝色和黄色的 H 分量区间因为和的值变化时，颜色的饱和度度和亮度也会发生变化。当且时，颜色的纯度最高。减少值，颜色趋向于变白。的值越接近于 0，颜色就会越暗，当时，颜色就变为纯黑色。因此，在 HSV 颜色模型中和跟一样，会影响最终的颜色。为此本算法设定了阈值，此阈值用表示，如果且时，则所表达的颜色才是最终 85 的颜色。本算法选取蓝色车牌作为实验用例,选取 n 块标准蓝色车牌,在车牌的蓝色范围内分别选取出 m 个样本点 , … 。分别计算 H、S 分量的均值和方差： - 3 - maxImax{r,g,b}minImin(r,g,b)maxminmax0SIIImaxVImaxmaxmaxminmaxmaxmaxminmaxmaxmaxminundefined S0G-B×H S0, I-IB-RH=×H S0,I-IR-G×H S0,I-IIR2IG4IB200H28030H80VSV1S = 1SVV0SVHTVTS TH1P2PmP

中国科技论文在线 http://www.paper.edu.cn （1）（2）其中, 为 j 个像素 H 分量的值；为第 j 个像素 S 分量的值；和分别为第 i 块车牌中蓝色样本点的 H、S 分量的均值；为对应的方差；为对应的方差；为所有样本车牌 H 分量的均值；为所有样本车牌 S 分量的均值。这 2 个分量的方差为： 90 式中 i=1,2,…,n。故蓝色车牌 H 和 S 分量的区间为: （3）（4）（5）记为，。同样黄色车牌 H 和 S 分量的区间可记为、。按照式（1）、式（2）可计算出于黑色车牌、白色车牌 V 分量的均值和方差，分别用和表示,再通过式（4）、式（5）计算出其阈值范围分别为、 ,经过对 800 张取自不同条件下的车牌图片的实验验证,得出 4 种颜色 3 个分量的阈值范围,如表 2 95 所示。表 2 3 种颜色各个分量的阈值范围 Table2 threshold range of three components of four colors 颜色分量 Color components 蓝色 Blue H S V [0.55 0.70] [0.35 0.75] [0.3 1.0] 3.2 颜色初定位黄色 Yellow [0.06 0.10] [0.3 0.7] [0.3 1.0] 白色 White - - 黑色 Black - - [0.7 1.0] [0 0.25] 以车牌颜色为特征进行车牌的初步定为，并选取蓝色车牌为本次的实验用例，其初步定位的 100 算法步骤为： Step1.将给定的 RGB 图像转为 HSV 空间，因为受光照条件的影响，故须要对图像进行直方图均衡化。 - 4 - 12,111(:,:,1)1(P(:,:,1))11miijniiiiniiHPmHHmHHn12,111(:,:,1)1(P(:,:,1))11SmiijniiiiniiSPmSSmSn(:,:,1)jP(:,:,2)jPiHiSiHiSHS1,2,......nmaxiiHH1,2,......nmaxiiSS/2/2,,HHHtHtnn/2/2,,SSStStnn12,BBHH12,BBSS12,YYHH12,YYSSVV20,V1V,1

中国科技论文在线 http://www.paper.edu.cn Step2.计算色调(H)、饱和度(S)、亮度(V)的阈值范围，当且、时，标记为白色像素，反之标记为黑色像素。 105 Step3.对 step2 所得的二值图像做进一步处理，选取出车牌的外接矩形，处理方法有闭操作和取轮廓。 Step4.对符合条件的外接矩形进行相应的模板匹配并识别出车牌。一般而言，一幅图像须要多次模板匹配，以此确保各色车牌都被定位出来。如下图 3 所示：图 3 颜色定位车牌示例同理，可以用此算法来识别其他颜色的车牌，只需改变一下阈值区间。从实验结果来看，颜 110 色定位的效果相对较好。然则仅仅使用车牌颜色进行定位精确度不够，定位在诸如光线强度较弱，或者车身为蓝色的情况下，会出现失败的情况，下图是一辆蓝色车辆，通过实验可以看出，车牌与车身内容完全重叠，定位失败。图 4 失效的颜色定位 3.3 Sobel 算子二次定位针对那些用颜色进行车牌定位失败的车牌再进行一次改进的 soble 算子方法的定位，可以提 115 高识别的准备率，算法的具体流程为： Step1.高斯模糊。一般车牌图像都存在一定的噪音，所以需要用高斯模糊进行处理达到降低噪音的目的[11]。 Step2.灰度化处理。为下一步处理准备灰度化环境。 Step3.Sobel 算子。为了近似获得(a)中每点的梯度值，Sobel 边缘检测通过图 5(b)和(c)中的矩 120 阵来与(a)中的矩阵相乘计算过程如下所示： (1) 因此 Sobel 边缘检测的实现过程如下：首先使用图中左边的矩阵对图 5(a)进行滤波，再使用另一个矩阵对图 5(a)滤波，之后算出(b)、(c)矩阵对(a)进行处理后的梯度值，然后相加并求取平方根。若某位置处的像素梯度值 X 大于先前设置的阈值范围，则表示该位置上的像素 - 5 - 200H2800.35V10.35S11/22227891231/22369147(Z2)(Z2)(Z2)(Z2)XygGGZZZZZZZZ

中国科技论文在线是边缘像素。 http://www.paper.edu.cn -1 -2 -1 0 1 0 2 0 1 -1 -2 -1 0 0 0 1 2 1 (a) (b) (c) 图 5 Sobel 边缘检测示例图 125 由于传统的 Sobel 边缘检测算子只有水平和竖直两个方向模板，可以看出，水平方向的模板对水平方向的边缘响应最大，竖直方向的模板对竖直方向的边缘响应最大。鉴于此，本文对 Sobel 边缘检测算子进行改进，提出如下的模板：对图像进行逐点计算，并且取最大值作为图像新的灰度值，改进的算子的优点是对图像的水平、竖直以及对角线方向感兴趣，更加有利于提取车牌的的字符的图像。图 6 是经过 Sobel 130 边缘检测算子处理后的图像，从图中可以清楚的看出 Sobel 算子有很强的区分性，而且车牌中的字符描绘的非常清晰。图 6 Sobel 边缘检测效果在车牌图像中，车牌是带有字符的一个最小的外接矩形。故须将灰度图像转变为二值图像，其中灰度图像需要进过 Sobel 边缘检测处理得到。由于蓝牌和黄牌在中国车牌中最为常见。其中，蓝牌字符浅，背景深，黄牌则正好相反，因此须要正反两种二值化方法进行处理。 135 Step4.二值化为了使图像表现出较为明显的黑白效果，故此需要将各像素点的灰度值设定为 0 或 255。 Step5.闭操作为了将车牌字母连接成为一个连通域，为下一步操作做准备，其效果图如下所示。原图闭操作后的效果图图 7 闭操作效果图 Step6.取轮廓为了将连通域的外围勾勒出来，便于形成外接矩形。 - 6 - 1Z2Z3Z4Z5Z6Z7Z8Z9Z-1-20-2020210-2-120-2120-1-2-1000121-101-202-101

中国科技论文在线 http://www.paper.edu.cn 图 8 去轮廓操作 140 在图中，红色的线条即是轮廓。对图像做取轮廓操作的目的是为了选取出那些不与外接衔接且全部独立的图块。然后按照这些轮廓，求其最小外接矩形 Step7.尺寸判断排除大量由轮廓生成的不符合条件的最小外接矩形，即排除不可能是车牌的矩形。 Step8.角度判断进一步排除不符合条件的车牌。判断矩形是否是车牌的方法如下： 145 1.设定一个偏差率 D，按照 D 计算最大矩形和最小矩形的宽高比、。并判断是否满足。 2.为选取出的外接矩形设定一个面积最大值和最小值。判断矩形的面积是否满足。满足以上两个前提的判定为车牌。通过实验做如下设定：设定矩形的偏斜角度为，假如大于某个角度（如）， 150 则判定为非车牌并舍弃。 Step9.旋转将倾斜的车牌调整为水平，其效果图如下所示。图 9 倾斜车牌图 10 旋转的效果可以看出，没有使用旋转操作的车牌是倾斜，给后续车牌判断与字符识别增加了的难度。因此对车牌进行旋转是必不可少的。 4 实验结果及分析 155 上面介绍了本文算法的详细过程,其算法的整体流程如下图 11 所示。 - 7 - maxRminRRminmaxRRRmaxSminSSminmaxSSSangleSAangleSA040

中国科技论文在线 http://www.paper.edu.cn 图 11 车牌定位算法总体流程图采用自然环境中所获的图像对所提出的方法进行了验证,验证结果如图 12 所示。图 12(a)一图 12(e)是单个不同大小、不同倾斜角度的车牌的在不同的自然背景中的定位结果;图 12(f) 一图 12(g)是同一幅图像中存在多个车牌在自然复杂背景中的定位结果,其中图 12(f)是静止车辆图像,图 12(g)公路上运动车辆图像,从提取结果可看到,车牌由于运动产生了模糊。图 160 12(a)、图 12(b)阴天拍摄,图 12(d)为夜间拍摄，图 12（e）为雾天拍摄，其余图像为晴天阳光下拍摄。从图 12 中可以看出,本文方法对存在多车牌、车牌大小不同、位置不同、光照不同、环境背景复杂的图像均能成功定位,并能分割出车牌区域。 (1)原图像 (2)算法处理后（3）分割的车牌（a）无倾斜，字体较大，单个车牌的定位（1）原图像 (2)算法处理后（3）分割的车牌（b）背景复杂、无倾斜、字体较小、单个车牌的定位（1）原图像 (2)算法处理后（3）分割的车牌（c）背景复杂，倾斜小，车牌与车身颜色相近，单车牌定位 - 8 - 开始颜色定位SVM判断车牌的数量是否大于XSobel定位SVM判断输出结束是否

分享到：

赞收藏

资料库

论文研究-利用HSV色彩空间进行车牌定位的研究 .pdf

相关推荐

开发技术

热门标签

最新资料