车牌分割

车牌分割（共4篇）

车牌分割 篇1

0 引言

随着信息技术和人工智能技术的发展, 交通管理系统的信息化、智能化是大势所趋, 智能交通系统已成为一个热点研究领域。车牌识别系统是智能交通系统的重要组成部分, 在现代交通管理中占有举足轻重的地位。车牌识别系统包括三个主要环节, 即车牌定位、字符分割和字符识别。目前的字符识别算法基本上是针对单一字符, 因此字符分割是一项十分关键的技术。

目前的车牌字符分割方法主要有: (1) 基于二值化图像垂直投影的方法[1,2]。这是最普遍采用的方法, 优点是速度快, 但对图像质量要求较高, 当牌照中出现字符粘连和断裂等情况时会发生分割错误; (2) 基于垂直投影和先验知识的方法[3,4,5], 该方法除了应用垂直投影外, 还考虑字符的宽度等先验知识, 改善了字符分割效果, 但当字符褪色严重或有干扰信息时会分割失败; (3) 基于模板匹配的字符分割方法[6,7], 该方法设计车牌字符串模板, 通过模板匹配确定字符位置, 该方法具有较好的字符分割效果, 但如何设计匹配模板是一个难点。

本文提出了一种新的车牌字符分割算法。该算法避免仅采用垂直投影分割字符, 而是将垂直投影和反馈相结合, 既考虑车牌的先验知识, 又考虑字符的纹理特点, 通过字符个数与字符宽度反馈以及字符识别反馈, 经由粗到精的过程分割车牌字符图像。

1 图像预处理

1.1 光照不均校正与对比度增强

光照度一般变化缓慢, 可采用低通滤波获得图像背景的照度估计, 再从原始图像中减去此照度来校正光照不均, 最后通过对比拉伸变换增强对比度。图1为原始车牌图像, 图2为经过对光照不均的校正与对比度增强后的图像。

1.2 倾斜校正

倾斜的车牌图像有三种倾斜模式:水平倾斜、垂直倾斜和水平垂直倾斜。本文采用文献[8]的方法, 即通过水平和垂直边缘检测结合旋转投影来求取车牌的水平和垂直倾斜角度, 对水平倾斜的车牌进行双线性插值旋转校正, 对垂直倾斜的车牌进行双线性插值错位偏移校正, 在倾斜校正的同时确定车牌的上下位置。图3为倾斜校正后的图像。

1.3 边缘增强与二值化

将车牌图像归一化为48像素高, 然后以宽度为w, 幅值为w/2 (w根据笔画宽度选取) 的阶梯信号与车牌图像卷积进行边缘增强, 然后二值化。边缘增强图像和二值化图像分别如图4和图5所示。

2 基于垂直投影的字符粗分割

垂直投影法是字符分割的常用方法, 其基本原理是, 设车牌图像二值化后的背景点为黑像素0, 字符点为白像素1, 则在垂直方向统计白像素的个数, 获得白像素的垂直投影分布。由于字符区域白像素较多, 而字符间空隙区域白像素较少, 因此可将白像素个数的波谷作为字符间的分界处。

我们将上述垂直投影法进行了改进。首先对二值化车牌图像进行垂直投影, 然后选取阈值T, 若投影值小于T, 则将该投影值设为0, 垂直投影结果如图6所示。根据垂直投影获得的粗分割图像如图7所示。由图可见, 字母“C”被分割为两个字符, 而数字“7”被分割为三个字符。

3 基于两级反馈的字符精分割

3.1 基于字符个数与字符宽度反馈的字符分割

车牌图像的特点之一是具有7个字符, 字符的字段宽度固定。因此, 可以计算粗分割后字段的个数和每个字段的宽度, 并给它们设定合适的阈值, 然后通过反馈进行字符分割。字段个数阈值为7, 字段宽度阈值范围为[D1, D2]。如果字段的个数大于7, 将字段宽度最小的字段与其相邻两个字段中宽度小的字段合并, 否则将字段宽度最大的字段进行分裂, 直到字段的个数等于7;如果字段的宽度大于D2, 则对该字段进行分裂操作, 如果字段的宽度小于D1, 则进行合并操作。图8为分割结果。

3.2 基于识别反馈的字符分割

3.2.1 基于离散余弦变换的字符纹理特征

车牌字符具有明显的纹理特征, 该纹理特征可通过字符的垂直投影来描述。

当求车牌字符的垂直投影时, 可得到坐标对 (0, y0) , (1, y1) , …, (N-1, yN-1) , 其中N为字符区域宽度。这样, 垂直投影就可以表示为一个序列f (n) ={yn}, n=0, 1, …, N-1。求取f (n) 的离散余弦变换为:

其中, F (u) 为f (n) 的频域描绘子。由于高频系数决定细节部分, 低频系数决定总体形状, 所以可使用前m个系数 (即低频系数) 重构垂直投影图得到f^ (n) , 这里, 取m=8。

根据重构的垂直投影图可获得如下统计量:

(1) 均值μ

(2) 标准偏差σ

(3) 三阶矩3

结合重构后垂直投影的统计量, 将字符的纹理特征向量定义为:

3.2.2 基于识别反馈的字符分割

将标准车牌字符模板图像二值化和归一化, 尺寸为48×24, 按式 (7) 计算模板字符的纹理特征向量MTV和待识别字符的纹理特征向量BTV, 则与模板匹配的置信度R定义如下:

其中, m=27是纹理特征向量的维数。

按如下步骤进行字符分割:

(1) 设3.1中分割的字符子图像的宽度为N, 若N<24, 则将其和相邻子图像合并。

(2) 在子图像内移动48×24的滑动窗口, 计算窗口内图像的纹理特征向量BTV, 与字符模板序列相匹配, 计算字符匹配置信度R1, R2, …, Rd, 其中d=N-23。

(3) 设Rmax=max{Ri, i=1, 2, …, d}, 若Rmax大于给定阈值, 则匹配成功, 其对应的窗口区域为字符, 否则, 将此子图像和相邻子图像合并, 转 (2) 。

最后的字符精分割结果如图9所示。

4 实验结果

本文对154幅有严重影响的车牌图像进行字符分割, 正确分割率为98.7%, 在具有PⅣ2.66GHz CPU, 512MB内存的计算机上运行由MATLAB编写的本算法程序, 平均用时8.530s, 实际应用时采用C语言编程能够满足实时性要求。在相同的实验环境下应用文献[4]中的算法, 正确分割率为97.4%, 平均用时8.850s。图10为本文算法与文献[4]中算法的部分实验对比结果。从实验结果看, 文献[4]算法在有半圆的出租车标志牌干扰信息时分割失败, 而本文算法能正确分割。而且, 对光照不均、对比度较小、倾斜、污迹严重、褪色、字符粘连和断裂等质量严重退化的车牌图像, 本文算法也具有更好的分割效果。

5 结论

本文提出的算法具有很好的车牌字符分割性能。采取的图像预处理技术较好地解决了车牌图像光照不均、对比度较小、倾斜等问题;所采取的由粗到精, 两级反馈的方法能正确地分割污迹、褪色、字符粘连和断裂等严重影响的车牌字符图像。特别是在基于识别反馈的字符分割中, 通过对字符的垂直投影进行离散余弦变换, 应用其低频系数重构垂直投影, 可抑制噪声, 在此基础上构建的纹理特征更能反映车牌的字符纹理, 提高了字符分割的准确率。

参考文献

[1]宋建才.汽车牌照识别技术研究[J].工业控制计算机, 2004, 17 (4) :44-45.

[2]Zhang Jian, Fan Xiaoping, Huang Cailun.Research On characters seg-mentation and characters recogition in intelligent license plate recogi-tion system[C]//Proceedings of the 25th Chinese Control Conference, Harbin, 2006:1753-1755.

[3]迟晓君, 孟庆春.基于投影特征值的车牌字符分割算法[J].计算机应用研究, 2006, 7 (2) :256-257.

[4]Jia Xiaodan, Wang Xinnian, Li Wenju, et al.A novel algorithm for char-acter segmentation of degraded license plate based on prior knowledge[C]//Proceedings of the IEEE International Conference on Automa-tion and Logistics, Jinan, 2007:249-253.

[5]朱俊梅, 陈少平.基于改进的投影方法的车牌图像字符分割[J].中南民族大学学报:自然科学版, 2007, 26 (4) :58-61.

[6]王兴玲.最大类间方差车牌字符分割的模板匹配算法[J].计算机工程, 2006, 32 (19) :193-195.

[7]邓红耀, 管庶安, 宋秀丽.投影和模板匹配相结合分割车牌字符[J].计算机工程与设计, 2008, 29 (6) :1568-1570.

[8]李文举, 梁德群, 崔连延, 等.一种新的面向字符分割的车牌图像预处理方法[J].计算机应用研究, 2004, 21 (7) :258-260.

车牌分割 篇2

1 车牌字符特征与字符分割

一般而言,车牌进行字符分割之前都要进过一定的预处理,包括二值化,校正车牌的水平和垂直倾斜,去除车牌的上下边缘及无关的背景和归一化等。根据不同的算法,所采用的预处理方法不同。最后,车牌图片只剩下由字符和背景构成的二值化图或彩色图。

根据文献[1]规定,完整的97式车牌图像由7个字符组合而成,包含汉字、字母和数字,每个字符间都存在一个固定的间距。此外,我国根据车辆、车型、用途的不同制定了多种格式尺寸,不同颜色搭配的牌照以示区别。除了字符之间存在间隙的简单特征之外,车牌中的字符还存在以下特征:

1)标准车牌字符的高度H和宽度W分别为90mm和45mm,即标准字符的高宽比为2:1;

2)除第二和第三个字符之间的宽度为34mm外,其余各个字符之间的间隙宽度均为12mm;

可得到如下结论:第二和第三个字符的中轴线相距约79/90H或79/45w,其他应个字符的中轴线间距约为57/90H或57/45w。

如图1,根据这些特点,车牌的字符分割方法较多。根据车牌颜色的分割,比如基于伴生与互补颜色特征的车牌字符分割新方法[2];根据车牌图像纹理特征的分割,如基于边缘检测与Hough变换的车牌字符分割[3],基于字符像素投影统计的分割算法[4],这些算法中,基于伴生与互补颜色特征的车牌字符分割的方法只能主要处理彩色图像,对图像颜色比较敏感,特别是褪色的车牌分割效果很差。基于直线检测的车牌字符分割计算量大,执行效率差。基于字符像素点X轴投影统计的分割算法是一种最经典的算法,对正常车牌的分割效果最好。

现实中,由于各种因素影响,比如光线、天气以及车牌污损,车牌边框干扰等,车牌中存在的字符相互粘连或字符投影间距不明显的情况。由于字符点投影间隙不明确,使得上述几种算法不能对车牌图像进行有效分割。如图的车牌,由于字符粘连和车牌边框的干扰,使用投影算法进行分割的结果如图。由图2可知,单纯使用投影算法不能有效地识别,需要进行改进。

2 基于车牌字符综合特征的字符分割算法

通过对字符特征的分析,文章提出一种新的基于字符分布特征的车牌字符分割算法。先使用预处理切除车牌上下边缘,去除边框的干扰。而后,根据字符投影的方法,以字符间距为依据将车牌分割。接着将获得的所有间距进行排序,取中间值作为车牌的标准宽度,并以取得的标准字符宽度建立如图的模板。最后将模板在车牌图像区域内平移,统计模板区域内字符点的个数N,取N最大时模板所分割的各区域作为字符分割的结果。

2.1 预处理

据理想状态下的车牌特征,车牌上边框和字符上部存在一条431mm×20.5mm的近似矩形背景区域,该区域被车牌固定螺丝大致分为三个隔离区域,从左至右这三个区域的宽度分别约为车牌整体宽度的1/4,1/2和1/4,这是划分车牌字符和车牌上边框的依据,可以依此将多余部分切除。本算法分别以车牌高度的三分之一处和三分之二处为起点,分别向上和向下搜索。鉴于上下边缘的检测步骤完全一致,只是方向不同,本文以上边缘切割为例进行说明,具体算法如下:

1)取得当前行的索引下标i,判断i是否大于零,若i>0则表明检测未结束,转(2);否则表明检测结束,车牌上边缘不需要切割,跳出循环。

2)统计当前行i的最长的连续背景像素点的宽度bg_num和最长的连续字符像素点char_num的宽度,求得连续背景像素点的宽度在该行所占的比例η=bg_num/ω和连续字符像素点在该行所占的比例φ=char_num/ω,其中ω为校正后车牌的宽度,转(3)。

3)若η>1/4或φ>1/2,则该行即为非车牌行,取车牌的上边界为第i+1行,将行下标小于i+1的所有行去除,而后跳出循环;否则该行仍属车牌部分,i=i-1,跳到当前行的上一行,转(1)继续对上一行判断。

经过预处理,车牌的上下边框已经基本切除,实验效果如图3。下一步的目标是将粘连的字符分开。

2.2 字符分割

第一步:字符点纵向投影统计。

从车牌图片左边缘开始,逐列向X轴方向投影,统计各列中像素点颜色为白色的字符像素点个数,将各列扫描结果依次存储到数组中count(n)中。设定各初始参数,初始列的下标i=1,单个字符区域的开始列下标S=0,结束列下标E=0,C(n),n∈N用于存储N个符合要求的字符候选区域,N根据各车牌实际情况而定。

1)判断下标i是否大于车牌宽度W,是则结束投影分割,否则转2)。

2)以单列出现2个字符点作为判断是否是字符部分的阈值。若第i列的字符点个数count(i)≤2,表明此处为背景,转(3);反之则认为此列属字符区域,转(4)。不直接设为阈值为0的目的是为了防止噪点的干扰。

3)若S=0,则表明此列不包含字符图像,则i=i+1进入下一列,而后转1);若S≠0,则表明此处为字符与背景边界,取E=i-1,则字符候选区域宽度Ci=E-S,转(5);

4)若S=0,则表明此列为字符图像开始部分,则S=i,而后转1);若S=0,则表明此处仍在字符区域内,取进入下一列i=i+1,重复(1);

5)根据样本字符的高宽比为2的规则,判断截取的车牌区域的高度H与3)获得的间距Wi的比值是否达到指定要求。若H/Wi>1.7时,则认定该区域为字符候选区域,将宽度Ci存入字符候选数组C(i),N=N+1;若H/Wi<1.7,则认为该处为噪点,抛弃,i=S+1,转(1)开始新一列的检测。

字符点纵向投影统计的效果如图4所示。

第二部分:计算标准字符宽度,并定制模板。

将C(n),n∈N进行排序,取得排序后的中间值作为标准字符宽度ω。根据车牌的高宽比为2,将字符间距转为使用w的表示形式。根据图的比例,除第二个字符与第三个字符的间距为79/45w,其他各字符间距均为57/45w,模板如图5所示。

第三部分:分割字符区域。

将定制好的模板在车牌图片区域内平移,确保模板左右边界不超出图像区域。在平移过程中,统计平移过程中各字符区域内字符点的个数Ni,并记录相应模板左边界i。平移后,将统计结果Ni进行排序,取最大的Ni时的i为模板左边界,使用模板进行分割。

整体分割实验结果如图6、图7,车牌字符左边界Li=8,字符间距为2个像素,所需时间为0.3246秒。

3 总结

实验表明,本算法能够很好的分割正常的字符,同时对有粘连的字符分割也比较准确,执行速度也比较快。本算法的关键之处在于两个问题:能否准确的获得车牌字符的宽度,以及在车牌宽度准确的前提下准确定制出车牌字符分割模板。通过对分割失败的原因分析,发现大多数分割失败的原因主要在于没有非常准确的获得车牌宽度。此外,车牌在矫正的过程中存在变形,也会影响车牌字符的分割。这些问题也将是对该算法进一步改进的主要突破口。

摘要：字符分割技术是车牌识别系统的关键技术之一。字符分割最主要的问题是字符粘连及车牌边框的影响。鉴于车牌字符具有布局规整,字符个数确定,字符大小一致、宽高存在规律等特征,文章提出一种将投影和字符间距相结合的基于字符综合特征的字符分割算法。实验证明该算法那对分割粘连字符具有较好效果。

关键词：车牌识别系统,字符分割,字符特征,字符粘连

参考文献

[1]GA36-2007.中华人民共和国机动车号牌[S].

[2]王枚,王国宏.基于伴生与互补颜色特征车牌特征的车牌字符分割新方法[J].山东大学学报:工学版,2007,37(1):1-4.

[3]马腾飞,郑永果,赵卫东.基于边缘检测与Hough变换的车牌字符分割算法[J].系统仿真学报,2006,18(1):391-403.

基于数学形态学的车牌定位与分割 篇3

车牌自动识别是实现交通管理智能化、现代化的一项关键技术,一直以来都是一个热点的研究领域,无论是交通违章还是流量监测,其核心都是车辆牌照的自动识别,因此无差错的识别和确认牌照是系统实现的核心。车牌识别过程分为车牌定位、字符分割和字符识别三个功能独立的模块,其中车牌定位是字符识别的基础,准确地进行定位是首要工作。目前车牌定位算法主要分为以下几类:基于Canny算子或者Hough变换的边缘检测的方法[1,2]、基于车牌颜色特征的方法[3,4]和区域熵值的方法[5]。

文献[1]中基于Canny算子的方法受光照影响严重,识别率不高;Hough变换非常费时;基于颜色的方法需依据字符和车牌背景的相关性,受光照环境影响使得定位准确率不高;区域熵值法计算量较大,定位速度慢。

数学形态学[6]是由Matheron提出的,用于地质样本几何结构分析的一种方法,被Serra推广用于图像分析和图像分割。文献[7]根据车牌区纹理跳变的特点,结合形态学方法对该局部扫描线进行识别;文献[8]采用对小波变换后的图像进行直接形态学运算,其结构元素选择困难,不能自适应,且运算量较大。本文根据车牌结构特征,结合形态学运算直接定位车牌区域,提高了分割和识别效率。

1 数学形态学原理和方法

数学形态学基于集合论的观点,采用非线性代数方法,处理对象为点集和它们之间的连通性以及形状。相对于其它工具,数学形态学有更好的结果和更快的速度。形态学运算简化了图像,并且保持了物体的主要形态特征。

数学形态学用具有一定结构和特征的结构元素去度量图像的形态,并实施图像处理,是将一个集合转化为另一集合的算法,转化后的集合包含了这种特定结构的信息。基本的数学形态学算子有膨胀和腐蚀以及由这两种基本算子复合而成的其它形态学算子,如开运算、闭运算、形态学梯度运算等。

将图像设为二维欧氏空间的点集ε2,对于二值图像,每个图像上的点由一整数对坐标表示,一幅二值图像就是一个二维点集。图像点集和结构元素点集进行作用来表示一个形态学变换,通过结构元素在原始图像中进行扫描完成形态学变换。最基本的形态学运算有两种:膨胀和腐蚀。

膨胀⊕运算采用向量加法对两个集合进行合并;腐蚀运算!对集合元素采用向量减法将两个集合合并。分别定义如下:

X⊕B={p∈ε2:p=x+b,x∈X并且b∈B} (1)

X!B={p∈ε2:p+b∈X,对于每一个b∈B} (2)

膨胀是用来填补物体中小的孔洞和狭窄的缝隙,使其形成连通域,是将与目标物体接触的所有背景点合并到物体中的过程,结果是使目标增大,孔洞缩小。腐蚀具有使目标缩小、目标内孔增大,消除孤立噪声的作用。

在数学形态学图像处理中,除了腐蚀和膨胀这两种基本运算外,还有两种非常重要的运算方法,即开运算和闭运算,分别定义如下:

A。B=(X!B)⊕B (3)

A·B=(X⊕B)!B (4)

开运算是先腐蚀、后膨胀,它具有消除图像上细小物体,并在物体纤细处(目标狭窄区)分离物体和平滑较大物体边界的作用;闭运算是先膨胀后腐蚀,它具有填充物体影像内细小空洞,连接邻近物体和平滑边界的作用。

2 车牌定位算法

2.1 车牌先验知识

我们研究的对象是包含车牌的图像,由于车型大小不一、颜色各异。因此,为了实现牌照的准确定位,必需了解一些关于车牌的先验知识,帮助寻找车牌区域,节省定位时间。

(1)车牌是一个440×140(mm)的矩形,宽高比为3.14:1,字符高90mm,宽45mm,字符间隔12mm。

(2)车牌由汉字、字母和数字组成,涉及到的字符集非常小,牌照颜色搭配变化也是有限的几类:牌照颜色分为白底黑字、蓝底白字、黄底黑字等不同规格。

(3)汽车牌照的位置在图像中相对稳定,汽车前部的车牌都安装在汽车前部散热器下的缓冲栏位置,位于车辆下半部。

(4)车牌区域的纹理变化呈规律化的峰谷峰跳变,其它区域不具有这种纹理特征。

2.2 形态学定位算法

(1) 图像的倾斜校正和二值化背景去除

由于拍摄的原因,车牌图像一般在图像中呈现一定的倾斜角度,首先需要将车牌图像进行几何校正,使车牌图像处于水平。对于同一角度拍摄的图像,分别在行方向上和列方向上移动像素的方法完成校正过程,降低了校正运算量。图像背景可在二值化过程中通过设定阈值进行部分消除。

在作形态学处理之前,首先必须对输入图像进行二值化处理,二值化对后续图像处理工作起关键作用,二值化应尽可能保留原图像的特征信息。经过实验发现,使用全局阈值或局部阈值的二值化方法,效果不理想,而且在有些情况下会产生失真。因此必需找到一种耗时少且能够保留足够多车牌信息的阈值求解方法。

由于车牌区域水平方向的灰度变化大,灰度方差值明显高于背景,因此采用基于水平灰度方差的全局二值化来去除背景,如式(5)所示:

$f(x,y)=\{\begin{array}{l}1\text{如}\text{果}u(x,y)>{\rm I}{}_{threshold}\\ 0\text{如}\text{果}u(x,y)\le {\rm I}{}_{threshold}\end{array}(5)$

其中,f(x,y)表示二值图中点(x,y)处的值,u(x,y)表示图像I以(x,y)为中心的1×N窗口的灰度方差值,Ithreshold为全局二值化阈值。

(2) 结构元素选择与形态学运算

对图像进行形态学运算的关键是选择运算的结构元素,结构元素的大小和形状对图像进行形态学运算产生的效果不同。常见的结构元素一般呈现方形、准圆型和矩形,准圆形适用于骨架的提取。

车牌图像二值化后往往带有很多噪声,形态学法中腐蚀运算和开运算具有消除图像中细小噪声的特性。算法中选择4×1矩形结构元素,首先对二值图像进行腐蚀运算消噪处理。消噪后的二值图中除了包含车牌区域外还含有很多其它区域,通过再利用3×3结构元素对图像进行开运算,去除图像中面积过小的,可以肯定不是车牌的区域,开运算可以得到若干个边界光滑的区域。过程中发现结构元素选择不宜过大,应根据实际情况选定。

(3) 车牌区域标识

在二值图中查找连通区域,找出所有连通域中最可能是车牌的一个,如果只有一个连通域,则可确认为车牌区域。如果有多个连通区域,则必须剔除不符合宽高比要求的连通域,根据先验知识普通九二式车牌的宽高比约为3.14:1,车牌的面积Area和周长length的平方近似满足式(6):

length2=22×Area (6)

对式(6)引入匹配度参量δ,将式(6)变换为:

$\delta =\frac{22\times Area}{length{}^2}(7)$

式中,匹配度δ≈1,说明对应的连通域最有可能是车牌的矩形区。通过检测连通区域的匹配度是否近似为1进行非车牌区域的剔除。

此外,根据文献[7],其字符间距和高度可作为车牌识别的参数,对图像用两倍字符间距向量进行膨胀运算,可使得车牌区域构成一个矩形块状脉冲,矩形脉冲宽度即是车牌宽度,通过检测这个矩形脉冲也可有助于确定车牌区。

(4) 确定车牌区域

对处理过的二值图像进行水平投影和垂直投影,得到连通区域的坐标,即是车牌区域的范围,对于得到的车牌可以利用纹理特征进行分割开来。

(5) 字符识别

利用近似支持向量机(PSVM)方法对字符进行分类训练,根据字符的结构特征运用PSVM分类器进行识别,能够很好地满足车牌的这种小样本、非线性的模式识别问题。车牌字符分为三类:汉字、字母和数字。首先要用车牌样本对其进行训练,对每一类目标选取一定的训练样本进行训练,由于PSVM分类器是二值分类器,为了达到更好的识别效果,算法针对每一类目标训练一个PSVM。PSVM方法不需要求出支持向量,也不需要解二次规划,与模板匹配、聚类或者神经网络方法相比,本方法的准确率、效率均有优势。

3 实验结果及分析

算法利用形态学算子进行腐蚀、膨胀以及开闭运算对车牌图像进行处理,在车牌结构先验知识的指导下,通过查找连通区域进行车牌标注,不需要复杂数学计算过程,算法在准确率、速度和抗干扰能力上有明显优势。

为了验证算法的有效性,在P4 CPU,256M内存的PC机上用Matlab进行了两组仿真实验。试验1是利用数码相机在不同光照环境下拍摄的640×480图片各50幅进行测试,由于图像质量较好,车牌定位和分割比较准确,测试结果如表1所示。误识原因主要是由于车牌结构和车体上某些广告图案类似或者被遮挡造成。

试验2随机选择电子警察所拍摄的120幅违章图像进行测试,后者有5幅未能准确定位,主要原因是由于车牌过于倾斜或者污损,以及车灯光照影响,车牌区域的字符和背景灰度变化不明显,平均定位时间约为0.55s。,图1(b)、图2(b)、图3(b)分别为对输入图像图1(a)、图2(a)、图3(a)二值化的结果。图1(c)、图2(c)、图3(c)为标识出的车牌区域,车牌区以“o”标出。

图1(d)、图2(d)、图3(d)为分割出的车牌。识别出的车牌分割后,利用近似支持向量机方法进识别,准确率高。

4 结 语

与其它定位方法相比,形态学方法是一种基于图像集合的非线性运算,依靠结构元素对图像进行形态学运算就可以获得较好的图像边缘,对于图像噪声,形态学法既能不损失图像的边缘信息又具有较好的去噪能力。本算法对存在与车牌结构相似区域的标定不够鲁棒,易发生混淆。提高受污损和曝光过度的车牌图像的定位准确性以及今后优化PSVM分类器是进一步研究的目标。

参考文献

[1]詹涛,贺贵明,刘鹏昊.车辆牌照自动提取算法的研究[J].计算机工程与应用,2005,4:217-219.

[2]张云刚,张长水.利用Hough变换和先验知识的车牌字符分割算法[J].计算机学报,2004,27(1):130-135.

[3]李文举,梁德群,张旗,等.基于边缘颜色对的车牌定位新方法[J].计算机学报,2004,27(2):204-208.

[4]郭捷,施鹏飞.基于颜色和纹理分析的车牌定位方法[J].中国图像图形学报,2002,7A(5):472-476.

[5]张国敏,殷建平,祝恩.一种基于区域熵值的车牌定位方法[J].计算机工程与科学,2004,26(5):31-33.

[6]艾海舟,武勃,等.图像处理、分析与机器视觉.北京:人民邮电出版社,2003:385-411.

[7]左奇,史忠科.一种基于数学形态学的实时车牌图像分割方法[J].中国图像图形学报,2003,8A(3):281-285.

车牌分割 篇4

关键词：车牌定位分割,连通区域分析,轴对齐包围盒,倾斜矫正

车牌识别系统中,车牌定位和字符分割的精确程度会直接影响到最终的检测结果。目前对车牌定位和字符分割的研究都是独立开来的。车牌定位目前常用的方法主要包括基于投影分割［1］、纹理检测、颜色特征检测［2］混合特征检测［3］以及基于神经网络［4］、小波分析［5］等几种算法。而字符分割有基于先验知识［6］、模板匹配［7］、连通域分析［8］以及机器视觉［9］等方法。可以发现,车牌定位与字符分割的算法关联性较小,这会使得整个车牌识别流程的时间变长,耗费更多的运算资源。本文提出一种基于字符包围盒特征参数的车牌字符定位分割算法,将车牌定位和字符分割的过程合二为一。该方法采用二维高斯-拉普拉斯算子对车牌图像进行平滑处理和边缘检测,对生成的二值图像进行连通区域分析( Connect-ed Component Analysis,CCA) 来标定相连区域,之后使用二维轴对齐包围盒( Aixs Aligned Bounding Box,AABB) 来表征每个连通域,根据车牌字符的实际分布规律来筛选出车牌字符对应的包围盒,并使用包围盒中心点矫正车牌图像并分割车牌字符。

1 中国车牌的主要规格

中国常见的机动车车牌尺寸规格如图1 所示。由中国国家机动车车牌行业标准GA36—2007［10］可知,这种类型的车牌存在以下特征:

1) 车牌的几何特征为矩形,长度与高度有固定的比值。

2) 车牌内容包含7 个字符,这些字符在矩形框中基本水平均匀排列,拥有比较丰富的边缘信息。同时,这些字符具有相同的高度宽度比值且相互之间有一定的间隔。

3) 车牌的底色和字符颜色存在较强的对比度。

本文根据我国主流车牌的以上规格特性,设计字符特性参数,在此基础上设计车牌识别算法。

2 预处理

由CCD摄像机所采集到的车辆图像不可避免的会受到噪声的影响,因噪声而产生的误差会累计传递从而会严重影响到后续的边缘检测、特征提取和识别过程。CCD摄像机的噪声通常被建模成独立于信号均匀分布的零均值高斯白噪声［11］。高斯滤波器对这类噪声具有良好的滤除效果。与此同时,本文的车牌字符提取方法要求检测到的边缘能良好的反应实际的字符轮廓,既不能增加太多的无关细节,又需要在各个方向上保持边缘的完整性。边缘检测常用的Canny算子会给图像带来额外的无关细节［12］,Sobel算子不具备各向同性的性质,所得边缘有一定程度的断开,而拉普拉斯算子则能满足这些要求,但其对离散噪声点比较敏感［13］,需要现对图像进行平滑滤波处理。基于以上分析,本文采用二维高斯-拉普拉斯算子对车辆图像进行边缘检测。

对图像进行高斯滤波一般采用二维离散高斯函数

式中: G( x,y) 为经过高斯滤波之后图像; σ 表示高斯滤波器的宽度; k为规范化系数。

采用拉普拉斯算子对高斯滤波后的图像进行边缘检测可表示为

对于离散的数字图像来说,通常可以使用一个近似于高斯拉普拉斯算子的离散高斯拉普拉斯模板对其进行边缘检测。本文使用式( 3) 所示高斯拉普拉斯模板对源图像进行卷积操作来识别图像边缘。

对比三种检测算子对车牌区域的检测结果,使用高斯拉普拉斯算子的结果如图2b所示,在高斯滤波之后对同一图像进行Sobel和Canny边缘检测的结果如图2c和2d所示。可以看到,使用高斯拉普拉斯算子检测不会产生额外的细节,同时也能最大程度保证边缘的完整。

3 字符定位

3. 1 连通区域分析

考虑到一个字符的空间范围主要依靠边缘像素来标定,为了更快速准确地计算每一个字符的包围盒,本文采用8-邻域种子填充法( seed filling) 搜索具有相同像素值的相邻区域。搜索算法如下:

1) 考虑到车牌区域通常位于一幅车辆图片的下半部分,并且车牌区域的左右下三个方向都拥有相对更少的边缘信息,本文从二值图像的左下方开始,以先往右后往上的方向,向右上方扫描整幅图像,直到找到第一个值为1 的前景像素P1。

2) 把P1 编号为1,然后从左下方开始扫描8 个相邻像素点,将其中所有像素值为1 的像素编号为1 并入栈。

3) 弹出栈顶像素,扫描其8 个相邻像素点,将像素值为1且未编号的像素压入栈中,若8 邻域像素值均为0,则弹出栈中下一个像素并重复步骤( 3) ,直到栈为空。此时所有标记为1 的像素点组成了1 号连通域。

4) 重复步骤1) ~ 3) ,搜索出2 ~ n号连通域。

3. 2 AABB包围盒建立与筛选

二维AABB是一个矩形包围盒,其定义为包围一个连通域且四边与坐标轴平行的最小矩形。通常使用包围盒的左上顶点坐标( Xlu,Ylu) 和右下顶点坐标( Xrd,Yrd) 来表征其在平面坐标系中的具体位置。本文利用这两个坐标设计一组包围盒参数来筛选车牌字符所对应的包围盒。

定义包围盒的高度Height、宽度Length分别为

则包围盒的宽高比为R = Length/Height。本文利用包围盒的中心点Mi作为字符的定位点,其坐标可表示为

两个相邻包围盒M1、M2 之间的距离定义D为

车牌字符区域的具体筛选流程如下:

1) 车辆上正常安装的车牌都具有固定的宽高比,因此在清晰的车辆图像中,车牌上每一个字符的宽高比大都是相接近的。考虑到可能存在的噪声、车牌倾斜等影响宽高比的因素,本文预先设置宽高比的上下限,高度上限值和宽度下限值,遍历整幅图像并标记包围盒宽高比不在此区间内的连通域。若高宽比落在此区域中,则进一步比较高度值和宽度值并标记不符条件的连通域。扫描完成后将所有被标记的连通域内的像素值都置为0。这样可以滤除图片中大部分不属于车牌部分的干扰区域。

2) 通过对多张车辆车牌图像分析发现,即使在车牌倾斜的情况下,字符包围盒的中心点高度坐标值仍然落在相邻包围盒的两顶点高度坐标值( Ylu,Yrd) 之间,利用这一特性,结合字间距的大小规律可以对剩下的连通域做进一步的筛选。从左下方开始选择第一个连通域包围盒,以其中心点M1 为起始点,在y = Ylu1和y = Yrd1区间内向右搜索是否有其他包围盒的中心点落在此区间内。如果没有,则认为此连通域是孤立区域,将此连通域内所有像素值置0,并选择下一个中心点作为起始点继续搜索。如果有中心点M2 存在,继续检验M1 是否在M2 包围盒的高度区间内,并进一步对比两个包围盒的高度、宽度。只有满足两个中心点都在对方包围盒高度区间,并且包围盒的高度值、宽度值都比较接近这两个条件,才认为这两个包围盒相关,并计算包围盒距离D。否则将起始点退回到M1 并在M1 包围盒高度空间内继续搜索。

3) 在步骤2) 中M2 包围盒高度区间y = Ylu2和y = Yrd2内继续重复步骤( 2) 中搜索方式。当计算得到的若干个距离值满足上文所述的车牌字符间距关系时,提取对应的所有包围盒作为最终搜索到的车牌区域。

在实际车辆图像中,车牌的左右方以及下方通常都是颜色相同的平滑区域,这些区域包含的边缘信息较少。执行完步骤1) 之后,这些区域中只包含很少量的包围盒。考虑到车牌定位的实时性要求,本文从左下方开始检测,只需花费少量时间即可检测出目标包围盒。将所有目标包围盒合并成一个大包围盒,其所对应的区域即为车牌区域。由于边缘检测会不可避免漏掉少量的边缘信息,造成靠近车牌两边的一部分字符信息没有被包含进来,因此需要将大包围盒扩展一个较小的比例,以保证提取到完整的车牌图像。

使用本方法对图3a所示车辆进行检测,检测到的字符连通域如图3b所示,最终检测到的车牌图像如图3c所示。

4 倾斜矫正与字符分割

由于摄像机拍摄角度等原因,车牌图像可能会出现一定倾斜角,这会对后续字符分割和识别造成影响。使用Hough变换矫正倾斜图像存在运算量大的缺点,而使用首尾字符包围盒中心点连线来检测倾斜角度的方法简单快速,但若首尾任一字符的中心点过度偏移于实际位置,则会使检结果产生较大偏差。因此,使用最小二乘法将每个字符包围盒的中心点拟合成一次函数y = ax + b的形式,则车牌倾斜角度为

式中,a为拟合得到直线的斜率。若 α 为负,则将车牌图像逆时针旋转角度| α| ,反之则顺时针旋转 α。

以图3 为例,图3b中7 个字符包围盒的中心点分别为( 166,365) ,( 177,365) ,( 191. 5,364. 5) ,( 202,364. 5 ) ,( 212,363. 5) ,( 223,363. 5) ,( 233,363) 。经过最小二乘法拟合得到的结果为y = - 0. 031 6x + 370. 491 7。进一步求解得到车牌的倾角为 α = arctan (- 0. 031 6) = - 1. 81°。以第四个字符中心点为原点将车牌图像逆时针旋转1. 81°,得到如图4 所示的图像。

旋转图像的同时计算包围盒中心点的新位置。假设第i个字符包围盒中心点位置为( xi,yi) ,若以第四个字符中心点为原点,则其坐标可表示为( xi',y'i) = ( xi- x4,yi- y4) ,其离原点的距离为,旋转 α 角度后其新位置坐标可表示为

旋转之后首先从xi= xi″开始,分别向两边搜索垂直投影值,确定每个字符块的左右边界,之后再从yi= yi″开始在上下两个方向分别搜索每个字符块的水平投影值来确定每个字符的上下边界。这种搜索方式不需对车牌图像进行去边框处理,也不需要遍历整幅图像,对每个字符进行独立分割可以确保分割的准确度。图4 中车牌图像的分割结果见图5。

5 实验结果与分析

车牌图像的质量会受到角度倾斜、车牌污损、曝光过度等因素影响。但只要车牌部分的边缘信息足够完整,本文算法就可以有效地检测车牌区域分割车牌字符。本文对不同条件下所拍摄的200 张样本图像进行实验,定位结果如表1 所示。

由表1 可知,本文算法对大部分车辆车牌图像都有良好的定位和分割效果。能定位到车牌图像就能准确分割图像中的每一个字符。这是因为本文算法中车牌的定位也是通过预先检测车牌字符包围盒的方法实现的,如果能准确检测到车牌字符的包围盒,就可以顺利实现后续的定位和分割操作。本文算法对具有复杂纹理信息的图像也有良好的检测效果。而在夜间进行检测也能取得很不错的效果,这是因为车牌具有良好的反光特性,在夜间被灯光照射的车牌往往拥有更明显的边缘信息。不同条件下车牌检测结果如图6 所示。

过曝、曝光不足或者车牌发生较明显的污损等因素会造成车辆图像模糊从而丢失边缘信息,漏检的那一部分图像就是属于这种类型。

6 结论

1) 本文提出基于CCA和AAB包围盒的车牌字符定位分割算法,使用连通域分析和AAB包围盒来标定和表征图像中的连通区域,并根据车牌字符的实际分布规律来筛选出属于车牌区域的连通域,使用包围盒中心点定位矫正车牌图像并进行字符分割。

2) 仿真实验结果表明,本算法对不同条件下的车牌图像具有良好的检测和分割效果,成功率达到93. 5% 。