本发明涉及计算机技术领域,具体涉及一种车牌定位方法及系统。
背景技术:
车牌识别(license plate recognition,LPR)技术是智能交通系统(intelligent transport system,ITS)管理的重要手段,其任务是通过采集、分析、处理图像来自动定位和识别车辆车牌。LPR系统可广泛用于治安卡口、停车场管理、道路违章管理、公路稽查、监测黑牌车辆等重要场合。目前一些电子警察系统是首先通过车辆触发地感线圈,抓拍到多车道的图像,然后在后台对单独抓拍的各图像进行分析,分别对各车道的车牌进行定位。因此该系统需要在抓拍口处预埋地感线圈,以及从图像抓拍到后台处理存在一定的时间延迟,而且需要在后台设定相应的处理程序,操作繁琐,使用不便。如何利用图像处理、模式识别等技术自动定位和识别车牌,进而提高车辆识别的效率是当前亟待解决的问题。
技术实现要素:
本发明所要解决的技术问题是针对现有技术的不足,提供一种车牌定位方法及系统。
本发明解决上述技术问题的技术方案如下:一种车牌定位方法,包括如下步骤:
步骤S1,根据抓拍得到的车辆图像确定车牌范围,得到车牌区域图像;
步骤S2,将车牌区域图像根据Sobel算法进行边缘提取,得到车牌边框图像;
步骤S3,以卷积方式计算车牌边框图像的平均灰度图,将所述车牌边框图像的平均灰度和Sobel梯度构成的二维点投影到二维坐标系中;
步骤S4,将车牌边框图像的平均灰度值和Sobel梯度的平均灰度值分别代入两个拟合得到的灰度抛物线方程,计算得到车牌图像。
本发明的有益效果是:本发明通过灰度图像、Sobel算法以及最小二乘法进行图像的边缘提取和优化,拟合得到的灰度抛物线方程,计算得到车牌图像,具有算法复杂度低,运行速度快,适应能力强的特点,能够较好的识别车牌,具有广泛的应用价值。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述步骤S4的具体实现包括:
以平均灰度为自变量,Sobel梯度为应变量,以最小二乘法进行二阶线性方程拟合,得到两条抛物线。
采用上述进一步方案的有益效果是:算法复杂度低,运行速度快,适用于快速识别车牌。
进一步地,所述两条抛物线是利用matlab工具箱中的a=polyfit(xdata,ydata,n)函数拟合得到。
采用上述进一步方案的有益效果是:利用matlab中的已有函数进行拟合运算,运行速度快,算法简便。
进一步地,所述车辆图像包含车牌区域和背景区域。
采用上述进一步方案的有益效果是:定位方法对输入的图像识别能力强,能够通过算法在复杂背景中识别出车牌,适应能力强。
本发明解决上述技术问题的另一种技术方案如下:一种车牌定位系统,包括:
车牌区域图像提取模块,用于根据抓拍得到的车辆图像确定车牌范围,得到车牌区域图像;
车牌边框图像提取模块,用于将车牌区域图像根据Sobel算法进行边缘提取,得到车牌边框图像;
投影模块,用于以卷积方式计算车牌边框图像的平均灰度图,将所述车牌边框图像的平均灰度和Sobel梯度构成的二维点投影到二维坐标系中;
拟合模块,用于将车牌边框图像的平均灰度值和Sobel梯度的平均灰度值分别代入两个灰度抛物线方程,计算得到车牌图像。
本发明的有益效果是:本发明通过灰度图像、Sobel算法以及最小二乘法进行图像的边缘提取和优化,拟合得到的灰度抛物线方程,计算得到车牌图像,具有算法复杂度低,运行速度快,适应能力强的特点,能够较好的识别车牌,具有广泛的应用价值。
进一步地,所述拟合模块的具体实现包括:
以平均灰度为自变量,Sobel梯度为应变量,以最小二乘法进行二阶线性方程拟合,得到两条抛物线。
采用上述进一步方案的有益效果是:算法复杂度低,运行速度快,适用于快速识别车牌。
进一步地,所述两条抛物线是利用matlab工具箱中的a=polyfit(xdata,ydata,n)函数拟合得到。
采用上述进一步方案的有益效果是:利用matlab中的已有函数进行拟合运算,运行速度快,算法简便。
进一步地,所述车辆图像包含车牌区域和背景区域。
采用上述进一步方案的有益效果是:定位方法对输入的图像识别能力强,能够通过算法在复杂背景中识别出车牌,适应能力强。
附图说明
图1为本发明所述一种车牌定位方法流程图;
图2为本发明所述一种车牌定位系统示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明所述一种车牌定位方法流程图;
如图1所示,一种车牌定位方法,包括如下步骤:
步骤S1,根据抓拍得到的车辆图像确定车牌范围,得到车牌区域图像;
步骤S2,将车牌区域图像根据Sobel算法进行边缘提取,得到车牌边框图像;
步骤S3,以卷积方式计算车牌边框图像的平均灰度图,将所述车牌边框图像的平均灰度和Sobel梯度构成的二维点投影到二维坐标系中;
步骤S4,将车牌边框图像的平均灰度值和Sobel梯度的平均灰度值分别代入两个拟合得到的灰度抛物线方程,计算得到车牌图像。
在本发明的具体实施例中,所述步骤S4的具体实现包括:
以平均灰度为自变量,Sobel梯度为应变量,以最小二乘法进行二阶线性方程拟合,得到两条抛物线。
在本发明的具体实施例中,所述两条抛物线是利用matlab工具箱中的a=polyfit(xdata,ydata,n)函数拟合得到。
在本发明的具体实施例中,所述车辆图像包含车牌区域和背景区域。
图2为本发明所述一种车牌定位系统示意图。
如图2所示,一种车牌定位系统,包括:
车牌区域图像提取模块,用于根据抓拍得到的车辆图像确定车牌范围,得到车牌区域图像;
车牌边框图像提取模块,用于将车牌区域图像根据Sobel算法进行边缘提取,得到车牌边框图像;
投影模块,用于以卷积方式计算车牌边框图像的平均灰度图,将所述车牌边框图像的平均灰度和Sobel梯度构成的二维点投影到二维坐标系中;
拟合模块,用于将车牌边框图像的平均灰度值和Sobel梯度的平均灰度值分别代入两个灰度抛物线方程,计算得到车牌图像。
在本发明的具体实施例中,所述拟合模块的具体实现包括:
以平均灰度为自变量,Sobel梯度为应变量,以最小二乘法进行二阶线性方程拟合,得到两条抛物线。
在本发明的具体实施例中,所述两条抛物线是利用matlab工具箱中的a=polyfit(xdata,ydata,n)函数拟合得到。
在本发明的具体实施例中,所述车辆图像包含车牌区域和背景区域。
在本说明书的描述中,参考术语“实施例一”、“实施例二”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体方法、装置或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、方法、装置或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。