CN101727581A

CN101727581A - 基于字符预分割的车牌倾斜校正方法

Info

Publication number: CN101727581A
Application number: CN200910200259A
Authority: CN
Inventors: 刘勇
Original assignee: SHANGHAI CUBICIMAGE SOFTWARE CO Ltd
Current assignee: SHANGHAI CUBICIMAGE SOFTWARE CO Ltd
Priority date: 2009-12-10
Filing date: 2009-12-10
Publication date: 2010-06-09
Anticipated expiration: 2029-12-10
Also published as: CN101727581B

Abstract

本发明涉及基于字符预分割的车牌倾斜校正方法及模式识别领域，该方法包括以下步骤：1)定位车牌子图像；2)求得该子图像的最优阀值；3)进行图像二值化，得到二值化图像；4)对于二值化图像进行水平投影；5)根据步骤4)中的水平投影进行字符预分割，得到各个字符的水平位置；6)根据字符几何间距计算字符高度估计值H_c＝W_c*Ratio_hw；7)在神经网络分类器搜索各个字符垂直位置；8)求得最高分类值的垂直坐标；9)针对每个x_i，得到所有字符中心；10)删除分类值小于0.4的字符中心；11)对剩下的字符中心求解线性方程，得到直线方程；12)根据直线的斜角对原车牌图像进行逆变换，得到倾斜校正后的车牌图像。采用本方法校正车牌可靠稳定，所需要的运算量小、效率高。

Description

基于字符预分割的车牌倾斜校正方法

【技术领域】

本发明涉及模式识别领域，特别是一种车牌识别方法。

【背景技术】

智能交通系统ITS是目前世界上交通科学技术的前沿，是利用先进的电子技术、信息技术、传感器技术和系统工程技术对传统的交通系统进行改造而形成的一种信息化、智能化、社会化的新型交通系统。作为车辆身份信息的车牌号码是智能交通系统必须采集的关键信息之一，所以车牌识别成为智能交通系统的一项核心技术。该技术是指计算机自动对摄像机所拍摄的图像或视频中的内容进行分析、搜索，定位出车牌所在区域并识别出车牌的字符、颜色、位置等信息。车牌识别的一个重要性能指标是识别正确率，该指标受到车牌在图像中的姿态影响较大。如果车辆行驶方向正对摄像机，则拍摄的车牌图像呈矩形形态，字符变形比较小，容易得到较高的识别率。呈斜角方向行驶的车辆其车牌图像存在射影变形，该变形会导致车牌识别率显著下降。因为车辆行驶方向难以保证完全一致，所以这种射影变形无法从工程架设上根本解决，必须依靠车牌倾斜校正技术。车牌倾斜校正技术是从图像分析得到车牌倾斜的角度，然后对车牌图像进行一个逆角度变换，从而得到一个没有射影变形的车牌图像来提高车牌识别的准确率。

传统的车牌倾斜校正技术是基于图像中车牌边缘提取的计算方法，它利用了车牌边框为矩形的经验知识。通过未变形的矩形和变形后的四边形的角度对比，可以得到他们的变换关系。然而车牌的边缘信息并不是车牌的本质信息，车牌的本质信息是符合国家标准的组成车牌的字符排列。例如，即使一个车牌的边缘被装饰物所遮挡，只要车牌字符还可见，我们仍然应该可以识别出该车牌号。从工程经验来看，车牌边缘特性并不是一个稳定的特性，较多的车辆存在车牌边缘模糊的情况，此时，基于边缘提取的车牌倾斜校正方法会遇到麻烦。另外，基于车牌边缘的倾斜校正方法会涉及直线提取和Hough变换，运算量大，影响整个系统的速度。

因此，有必要发明一种基于更稳定更本质车牌特性、同时能够减少运算量的车牌倾斜校正方法，以克服上述缺陷。

【发明内容】

本发明的目的是提供一种可靠稳定，同时所需要的运算量小、效率更高的基于字符预分割的车牌倾斜校正方法。

本发明为达到上述目的所采用的技术方案是：一种基于字符预分割的车牌倾斜校正方法，该方法包括以下步骤：1)定位车牌子图像I_s；2)根据Otsu的二值化方法求得该子图像的最优阀值T；3)基于步骤2)中求得的最优阀值T进行图像二值化，得到二值化图像I_b；4)对于所述二值化图像的每个水平坐标值进行垂直方向上的求和，从而得到其水平投影，对所述二值化图像进行水平投影P_x；5)根据步骤4)中的水平投影P_x进行字符预分割，得到各个字符的水平位置x_i，i＝1...7，其中，i为1至7的自然数；6)根据字符几何间距计算字符高度估计值H_c＝W_c*Ratio_hw，其中Ratio_hw为字符高宽比例均值，W_c为字符几何间距；7)根据步骤6)中计算的字符高度估计值，在神经网络分类器中搜索各个字符垂直位置v_i＝N(x_n，y_i)i＝1，2，3....，其中，N(x_n，y_i)表示对位于(x_n，y_i)的字符图像进行神经网络分类，v_i表示其分类结果；8)求得位于x_n的最高分类值的垂直坐标y_i ^*；9)由字符的水平位置x_i与最高分类值的垂直坐标y_i ^*，对每个x_i，i＝1...7得到所有字符中心；10)删除分类值小于0.4的字符中心；11)对剩下的字符中心求解线性方程，得到直线方程；12)根据直线的斜角对原车牌图像进行逆变换，得到倾斜校正后的车牌图像I_s ^*。

其中在所述步骤2)中对求得子图像的最优阀值包括以下具体步骤：对车牌区域颜色及灰度的统计分析，由统计分析值进行最优阀值计算。

其中在所述步骤5)中对水平投影P_x进行字符预分割的模块包括对车牌字符几何参数进行建模、车牌图象水平投影、车牌颜色信息估计、车牌字符分割。

本发明之基于字符预分割的车牌倾斜校正方法由于基于车牌的更本质特性：字符属性，相比以往基于车牌边缘的车牌倾斜校正方法，本发明的方法更为可靠稳定，同时所需要的运算量小、效率更高。

【附图说明】

图1是本发明基于字符预分割的车牌倾斜校正方法的流程图；

图2是本发明基于字符预分割的车牌倾斜校正方法中车牌区域的最优二值化流程图；

图3是本发明基于字符预分割的车牌倾斜校正方法中车牌字符分割模块示意图；

图4是采用本发明方法对一具体车牌进行倾斜校正时定位车牌的车牌图象；

图5是采用本发明方法将图4所示车牌定位并二值化后的车牌图像；

图6是采用本发明方法将图4所示车牌倾斜校正后的图像。

【具体实施方式】

下面结合附图和实施例对本发明基于字符预分割的车牌倾斜校正方法作进一步的说明。图中相同的结构或功能用相同的数字标出。应该指出的是，附图的目的只是便于对本发明具体实施例的说明，不是一种多余的叙述或是对本发明范围的限制，此外，附图没有必要按比例画出。

请参照图1至图3所示，本发明基于字符预分割的车牌倾斜校正方法，该方法包括以下步骤：1)首先通过视频采集设备获得单帧的图像，结合车牌的特征描述对图像空间进行搜索，定位车牌子图像I_s，如附图4为对一具体车牌进行倾斜校正时定位车牌的子图像所得到的图象；2)根据Otsu的二值化方法求得该子图像的最优阀值T，求得子图像的最优阀值包括以下具体步骤：对车牌区域颜色及灰度的统计分析，由统计分析值进行最优阀值计算；3)基于步骤2)中求得的最优阀值T进行图像二值化，得到二值化图像I_b，对所有大于阀值的象素点设为1，小于等于阀值的象素点设为0，从而完成二值化，如图5为采用本发明方法将图4所车牌定位并二值化后得到的车牌图像；4)对于所述二值化图像的每个水平坐标值进行垂直方向上的求和，从而得到其水平投影，对所述二值化图像进行水平投影P_x；5)根据步骤4)中的水平投影P_x进行字符预分割，得到各个字符的水平位置x_i，i＝1...7，其中，i为1至7的自然数，对水平投影P_x进行字符预分割的模块包括对车牌字符几何参数进行建模、车牌图象水平投影、车牌颜色信息估计、车牌字符分割；6)根据字符几何间距计算字符高度估计值H_c＝W_c*Ratio_hw，其中Ratio_hw为字符高宽比例均值，W_c为字符几何间距；7)根据步骤6)中计算的字符高度估计值，在神经网络分类器中搜索各个字符垂直位置v_i＝N(x_n，y_i)i＝1，2，3....，其中，N(x_n，y_i)表示对位于(x_n，y_i)的字符图像进行神经网络分类，v_i表示其分类结果；8)求得位于x_n的最高分类值的垂直坐标y_i ^*，由于对于x_n，其可能的字符位置为(x_i，y_i)，i＝1，2，3…，每一个字符位置对应一个分类值，因此最高的分类值表示该位置的字符可能性最高；9)由字符的水平位置x_i与最高分类值的垂直坐标y_i ^*，对每个x_i，i＝1...7得到所有字符中心；10)删除分类值小于0.4的字符中心，由于分类值小于0.4，意味着其是字符的概率小于0.4，其是伪字符的可能性较大，伪字符将影响倾斜角度的计算，因此要删除分类值小于0.4的字符中心；11)对剩下的字符中心求解线性方程，得到直线方程，由于实际的车牌字符中心是位于一条直线上，根据所求字符中心求解线性方程即可得到直线方程；12)根据直线的斜角对原车牌图像进行逆变换，得到倾斜校正后的车牌图像I_s ^*，如图6为采用本发明方法将图4所示车牌倾斜校正后的图像。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。任何熟悉本领域的技术人员，在不脱离本发明技术方法范围情况下，利用上述揭示的方法内容对本发明技术方法做出许多可能的变动和修饰，均属于权利要求书保护的范围。

Claims

1.一种基于字符预分割的车牌倾斜校正方法，其特征在于，该方法包括以下步骤：

1)定位车牌子图像I_s；

2)根据Otsu的二值化方法求得该子图像的最优阀值T；

3)基于步骤2)中求得的最优阀值T进行图像二值化，得到二值化图像I_b；

4)对于所述二值化图像的每个水平坐标值进行垂直方向上的求和，从而得到其水平投影，对所述二值化图像进行水平投影P_x；

5)根据步骤4)中的水平投影P_x进行字符预分割，得到各个字符的水平位置x_i，i＝1...7，其中，i为1至7的自然数；

6)根据字符几何间距计算字符高度估计值H_c＝W_c*Ratio_hw，其中Ratio_hw为字符高宽比例均值，W_c为字符几何间距；

7)根据步骤6)中计算的字符高度估计值，在神经网络分类器中搜索各个字符垂直位置v_i＝N(x_n，y_i)i＝1，2，3...，其中，N(x_n，y_i)表示对位于(x_n，y_i)的字符图像进行神经网络分类，v_i表示其分类结果；

8)求得位于x_n的最高分类值的垂直坐标y_i ^*；

9)由字符的水平位置x_i与最高分类值的垂直坐标y_i ^*，对每个x_i，i＝1...7得到所有字符中心；

10)删除分类值小于0.4的字符中心；

11)对剩下的字符中心求解线性方程，得到直线方程；

12)根据直线的斜角对原车牌图像进行逆变换，得到倾斜校正后的车牌图像Is*。

2.如权利要求1所述的基于字符预分割的车牌倾斜校正方法，其特征在于，在所述步骤2)中对求得子图像的最优阀值包括以下具体步骤：对车牌区域颜色及灰度的统计分析，由统计分析值进行最优阀值计算。

3.如权利要求1所述的基于字符预分割的车牌倾斜校正方法，其特征在于，在所述步骤5)中对水平投影P_x进行字符预分割的模块包括对车牌字符几何参数进行建模、车牌图像水平投影、车牌颜色信息估计、车牌字符分割。