技术领域
[0001] 本
发明属于
图像处理领域，具体涉及一种基于视觉显著性检测的MSER车牌定位方法及系统。
背景技术
[0002] 车牌识别是现代
智能交通系统中的重要组成部分之一，应用十分广泛。其中车牌定位作为车牌识别过程中关键的一步，从复杂的车辆抓拍图片中，精准的定位出车牌区域，直接影响车牌识别的效果，因此车牌定位一直是车牌识别领域研究的热点。受车牌背景复杂、图片
分辨率、车牌区域
变形和光线不均匀等众多不利因素的影响，使车牌定位的难度增加，因此许多研究者提出了有关车牌定位的方法。
[0003] 近年来部分研究者不断对传统车牌定位方法进行改进和融合，进而提高车牌定位的准确性，然而还是较依赖车牌的
颜色、纹理、边缘信息，不能进行有效的定位，特别是当图片背景复杂、图片分辨率低、车牌失真情况下，各有一定的局限性。车牌定位主要的流程是先对车辆抓拍图片预处理，去掉一些噪声和污点，增强图片细节部分，然后根据车牌结构进行特征提取和搜索车牌区域，最后去掉干扰区域定位字符区域。所以在预处理、特征提取和字符定位这三个关键步骤中进行研究和改进，能够非常有效的提升车牌定位的准确性。
[0004] 近年来，视觉显著性检测相关研究通过智能
算法模拟人的视觉特点，提取图像中的显著区域。Radhakrishna Achanta等人提出的FT(Frequency-tuned salient Region Detection)显著性检测，从频域
角度分析处理图像，主要提取反映图像整体结构的低频信息，如物体的轮廓，使获得的显著图更能反映出图像的主体目标信息。Matas等人提出的MSER(Maximally Stable Extremal Regions)检测，作为一种检测图像中文本区域的方法，具有仿射不变性、强
稳定性和鲁棒性，已被广泛应用于图像处理相关领域，Comaniciu等人提出Mean-shift分割提取图像聚类相似区域。而在车牌定位处理方面，采用MSER检测字符往往会受待检测图片的背景影响，导致产生冗余无效的非字符区域，影响到最终的车牌定位精确度。
发明内容
[0005] 针对
现有技术的以上
缺陷或改进需求，本发明提供了一种基于视觉显著性检测的MSER车牌定位方法及系统，其通过对比显著性特征和分割图像提取待检测图像的目标主体数据，对目标主体图像进行边缘增强，提取目标主体图像的最大极值稳定区域，判断所述最大极值稳定区域为候选字符区域，聚合候选字符区域定位车牌
位置。
[0006] 为实现上述目的，按照本发明的一个方面，提供了一种基于视觉显著性检测的MSER车牌定位方法，包括如下步骤：
[0007] S1.获取待检测图像的显著性特征，对待检测图像进行分割以获取分割图像，对比显著性特征和分割图像提取待检测图像的目标主体数据，以得到目标主体图像；
[0008] S2.对目标主体图像进行边缘增强，提取目标主体图像的最大极值稳定区域；
[0009] S3.利用分类器判断最大极值稳定区域为字符区域的概率，概率大于预设
阈值时，判断最大极值稳定区域为候选字符区域，聚合候选字符区域定位车牌位置。
[0010] 作为本发明的进一步改进，采用FT显著性检测方法获取待检测图像的显著性特征，其中，待检测图像的显著性特征S(x,y)为：
[0011]
[0012] 其中，Iu为原始图像转换为Lab特征空间后的平均
像素值， 为Lab特征图像像素高斯平滑后的像素值，(x,y)为像素点坐标。
[0013] 作为本发明的进一步改进，采用Mean-shift分析方法对待检测图像进行分割以获取分割图像，具体为：
[0014] 利用模点搜索找到每个数据点的分类中心点，以分类中心点的颜色更换模点颜色，同时利用模点聚类合并相似区域。
[0015] 作为本发明的进一步改进，步骤S2具体为：
[0016] 对目标主体图像采用边缘增强，即采用Laplacian变换提取
边缘图像，与原图
叠加得到边缘增强图像，对边缘增强图像进行滤波后提取MSER区域，以得到目标主体图像的最大极值稳定区域。
[0017] 作为本发明的进一步改进，对边缘增强图像进行滤波后提取MSER区域后，根据MSER区域的大小和设定的车牌字符大小对比进行粗筛选，去掉明显不符合车牌字符大小的区域，同时去掉字符区域的重叠部分，以得到目标主体图像的最大极值稳定区域。
[0018] 作为本发明的进一步改进，步骤S3具体为：
[0019] 采用训练好的字符分类器，对所述最大极值稳定区域进行分类判别，确定M所述最大极值稳定区域为字符的概率，筛选出概率大于预设阈值的最大极值稳定区域，将最大极值稳定区域判定为候选字符区域。
[0020] 作为本发明的进一步改进，聚合候选字符区域定位车牌位置的具体过程为：根据确定的候选字符区域，计算最左和最右的候选字符区域的距离作为车牌可能的最小宽度，将候选字符区域中高度最大的作为车牌可能的最小高度，以最小宽度和最小高度最为候选字符区域的外边框，将所有的候选字符区域聚合在外边框内精准定位车牌。
[0021] 为实现上述目的，按照本发明的另一个方面，提供了一种基于视觉显著性检测的MSER车牌定位系统，其包括目标主体图像获取模
块、最大极值稳定区域获取模块和车牌位置定位模块，
[0022] 目标主体图像获取模块用于获取待检测图像的显著性特征，对待检测图像进行分割以获取分割图像，对比显著性特征和分割图像提取待检测图像的目标主体数据，以得到目标主体图像；
[0023] 最大极值稳定区域获取模块用于对目标主体图像进行边缘增强，提取目标主体图像的最大极值稳定区域；
[0024] 车牌位置定位模块用于利用分类器判断最大极值稳定区域为字符区域的概率，概率大于预设阈值时，判断最大极值稳定区域为候选字符区域，聚合候选字符区域定位车牌位置，以使得该系统实现上述方法的步骤。
[0025] 为实现上述目的，按照本发明的另一个方面，提供了一种终端设备，其包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有
计算机程序，当程序被处理单元执行时，使得处理单元执行上述方法的步骤。
[0026] 为实现上述目的，按照本发明的另一个方面，提供了一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当程序在终端设备上运行时，使得终端设备执行上方法的步骤。
[0027] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
[0028] 本发明的一种基于视觉显著性检测的MSER车牌定位方法及系统，其通过对比显著性特征和分割图像提取待检测图像的目标主体数据，对目标主体图像进行边缘增强，提取目标主体图像的最大极值稳定区域，判断所述最大极值稳定区域为候选字符区域，聚合候选字符区域定位车牌位置，从而一方面采用显著性检测去除不包含车牌的背景信息，避免产生多余的非字符稳定区域；另一方面进行图像边缘增强，提升了字符MSER区域的效果，从而提高搜索字符区域的准确性，达到精准定位车牌的效果。
[0029] 本发明的一种基于视觉显著性检测的MSER车牌定位方法及系统，其通过FT显著性特征检测获取显著图像,提取反映出图像主体目标特征显著图，采用Mean-shift分割方法,聚类局部相似区域，同时保留边缘差异较大的特征，联合显著图和分割图像，采用自适应阈值，提取目标主体区域，从而去除图片背景，然后进行图像边缘增强，起到抑制噪声和增加边缘
对比度的作用，保留了车牌字符的梯度信息，进一步凸显车牌字符边缘特征，符合最大稳定极值区域的特性，有助于提取更有效的MSER区域。
[0030] 本发明的一种基于视觉显著性检测的MSER车牌定位方法及系统，其通过粗筛选MSER区域，并采用字符分类器，判断MSER区域是字符的概率，提升字符定位的准确性。
附图说明
[0031] 图1是本发明
实施例的基于视觉显著性检测的MSER车牌定位方法的示意图。
具体实施方式
[0032] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0033] 此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
[0034] 本发明相关术语解释如下：
[0035] MSER：Maximally Stable Extremal Regions，最大稳定极值区域。
[0036] 图1是本发明实施例的基于视觉显著性检测的MSER车牌定位方法的示意图。如图1所示，一种基于视觉显著性检测的MSER车牌定位方法，其包括如下步骤：
[0037] S1.对待检测图像进行显著性特征检测以获取待检测图像的显著性特征，对待检测图像进行分割以获取分割图像，对比该显著性特征和分割图像提取待检测图像的目标主体数据，以得到目标主体图像；
[0038] 作为一个优选的实施例，可以采取FT显著性检测方法获取待检测图像的显著性特征，作为示例，可以采用窗口大小为3×3的高斯
滤波器，其中，待检测图像的显著性特征S(x,y)表示如下：
[0039]
[0040] 其中，Iu为原始图像转换为Lab特征空间后的平均像素值， 为Lab特征图像像素高斯平滑后的像素值，(x,y)为像素点坐标。
[0041] 当然，FT显著性检测方法获取待检测图像的显著性特征仅为一个示例，也可以采取其他方式提取待检测图像的显著性特征，如LC算法、AC算法也可实现显著性特性提取。
[0042] 作为一个优选的实施例，可以采用Mean-shift分析方法获取分割图像G(x,y)，达到聚类局部相似区域，同时保留边缘差异较大特征的效果，具体为：
[0043] 利用模点搜索找到每个数据点的分类中心点，以分类中心点的颜色更换模点颜色，同时利用模点聚类合并相似区域。通过模点搜索找到每个数据点的分类中心，以中心的颜色代替自己的颜色。但模点搜索得到的模点太多，并且很多模点挨得很近，如果将每个模点都作为一类的话，类别太多，容易产生过分割，然后在模点聚类合并掉一些模点，也就是合并相似区域。
[0044] S2.对目标主体图像进行边缘增强，提取目标主体图像的最大极值稳定区域；
[0045] 具体地，对目标主体图像T采用边缘增强，先是Laplacian变换提取边缘图像Ts，然后与原图像Iu叠加，获取边缘增强图像M，对边缘增强图像进行滤波后提取MSER区域即为目标主体图像的最大极值稳定区域；
[0046] 作为一个优选的方案，对边缘增强图像进行滤波后提取MSER区域后，根据MSER区域的大小和设定的车牌字符大小对比进行粗筛选，去掉明显不符合车牌字符大小的区域，同时去掉字符区域的重叠部分，以得到目标主体图像的最大极值稳定区域。
[0047] S3.利用分类器判断该最大极值稳定区域为字符区域的概率，该概率大于预设阈值时，判断该最大极值稳定区域为候选字符区域，聚合候选字符区域定位车牌位置。
[0048] 作为一个示例，采用训练好的字符分类器，对粗选出的字符区域分类判别，确定MSER区域是字符的概率大小，筛选出概率大于预设阈值(作为一个示例，该阈值可以为0.9)的最大极值稳定区域，将最大极值稳定区域判定为候选字符区域；
[0049] 如果仅采用MSER字符检测定位的候选字符区域，则会将其他非字符区域定位成了车牌字符，因而利用分类器可以有效地提升车牌定位的准确性。
[0050] 作为一个示例，聚合候选字符区域定位车牌位置的具体过程为：根据确定的候选字符区域，计算最左和最右的候选字符区域的距离作为车牌可能的最小宽度，将候选字符区域中高度最大的作为车牌可能的最小高度，以最小宽度和最小高度最为候选字符区域的外边框，将所有的候选字符区域聚合在外边框内精准定位车牌。
[0051] 一种基于视觉显著性检测的MSER车牌定位系统，其包括目标主体图像获取模块、最大极值稳定区域获取模块和车牌位置定位模块，其中，
[0052] 目标主体图像获取模块用于获取待检测图像的显著性特征，对待检测图像进行分割以获取分割图像，对比显著性特征和分割图像提取待检测图像的目标主体数据，以得到目标主体图像；
[0053] 作为一个优选的实施例，可以采取FT显著性检测方法获取待检测图像的显著性特征，作为示例，可以采用窗口大小为3×3的高斯滤波器，其中，待检测图像的显著性特征S(x,y)表示如下：
[0054]
[0055] 其中，Iu为原始图像转换为Lab特征空间后的平均像素值， 为Lab特征图像像素高斯平滑后的像素值，(x,y)为像素点坐标。
[0056] 当然，FT显著性检测方法获取待检测图像的显著性特征仅为一个示例，也可以采取其他方式提取待检测图像的显著性特征，如LC算法、AC算法也可实现显著性特性提取。
[0057] 作为一个优选的实施例，可以采用Mean-shift分析方法获取分割图像G(x,y)，达到聚类局部相似区域，同时保留边缘差异较大特征的效果，具体为：
[0058] 利用模点搜索找到每个数据点的分类中心点，以分类中心点的颜色更换模点颜色，同时利用模点聚类合并相似区域。通过模点搜索找到每个数据点的分类中心，以中心的颜色代替自己的颜色。但模点搜索得到的模点太多，并且很多模点挨得很近，如果将每个模点都作为一类的话，类别太多，容易产生过分割，然后在模点聚类合并掉一些模点，也就是合并相似区域。
[0059] 最大极值稳定区域获取模块用于对目标主体图像进行边缘增强，提取目标主体图像的最大极值稳定区域；
[0060] 具体地，对目标主体图像T采用边缘增强，先是Laplacian变换提取边缘图像Ts，然后与原图像Iu叠加，获取边缘增强图像M，对边缘增强图像进行滤波后提取MSER区域即为目标主体图像的最大极值稳定区域；
[0061] 作为一个优选的方案，对边缘增强图像进行滤波后提取MSER区域后，根据MSER区域的大小和设定的车牌字符大小对比进行粗筛选，去掉明显不符合车牌字符大小的区域，同时去掉字符区域的重叠部分，以得到目标主体图像的最大极值稳定区域。
[0062] 车牌位置定位模块用于利用分类器判断最大极值稳定区域为字符区域的概率，所述概率大于预设阈值时，判断最大极值稳定区域为候选字符区域，聚合候选字符区域定位车牌位置。
[0063] 作为一个示例，采用训练好的字符分类器，对粗选出的字符区域分类判别，确定MSER区域是字符的概率大小，筛选出概率大于预设阈值(作为一个示例，该阈值可以为0.9)的最大极值稳定区域，将最大极值稳定区域判定为候选字符区域；
[0064] 如果仅采用MSER字符检测定位的候选字符区域，则会将其他非字符区域定位成了车牌字符，因而利用分类器可以有效地提升车牌定位的准确性。
[0065] 作为一个示例，聚合候选字符区域定位车牌位置的具体过程为：根据确定的候选字符区域，计算最左和最右的候选字符区域的距离作为车牌可能的最小宽度，将候选字符区域中高度最大的作为车牌可能的最小高度，以最小宽度和最小高度最为候选字符区域的外边框，将所有的候选字符区域聚合在外边框内精准定位车牌。
[0066] 一种终端设备，其包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述方法的步骤。
[0067] 一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当程序在终端设备上运行时，使得终端设备执行上方法的步骤。
[0068] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。
