CN102222226B - 一种基于先验分析的迭代式车牌字符分割方法 - Google Patents
一种基于先验分析的迭代式车牌字符分割方法 Download PDFInfo
- Publication number
- CN102222226B CN102222226B CN 201110166841 CN201110166841A CN102222226B CN 102222226 B CN102222226 B CN 102222226B CN 201110166841 CN201110166841 CN 201110166841 CN 201110166841 A CN201110166841 A CN 201110166841A CN 102222226 B CN102222226 B CN 102222226B
- Authority
- CN
- China
- Prior art keywords
- character
- character block
- characters
- scale factor
- license plate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
本发明涉及一种基于先验分析的迭代式车牌字符分割方法。本发明首先对车牌图像进行预处理,利用垂直投影法对预处理后的车牌图像进行分割,并计算每个字符块参数,依据该参数作出初步筛选;其次利用阈值迭代法对初步筛选后的字符进行二值化,根据标准车牌制式,计算各字符块所含的先验知识,获得再次筛选后的字符;然后计算经过再次筛选后的字符块个数,满足设定条件则计算车牌字符宽度和所有字符的平均宽度,根据这两个参数确定是否能获得最终字符,不满足设定条件则重新投影。本发明降低了对车牌定位准确度的要求,克服了复杂背景带来的不利影响,消除了其他方法中常见的粘连、断裂等分割结果,进一步提高了分割的准确度。
Description
技术领域
本发明涉及智能交通领域,具体来说是一种基于先验分析的迭代式车牌字符分割方法。
背景技术
车牌识别是现代智能交通系统中的重要组成部分,而字符分割是车牌识别中的关键环节。由于车牌的固定制式,模板匹配曾被认为是最好的字符分割方法,如文献[1] 李占斌. 不停车收费系统中的车牌识别技术研究[D]. 青岛: 中国海洋大学, 2005。然而,模板匹配法对拍下的含车牌的车身图像质量要求极高,因此定位和分割准确度较低。随着研究者对车牌字符分割的方法进行的大量研究,根据定位后车牌的特征以及标准车牌本身存在的特性,相继提出了垂直投影法,如文献[2] 凌彤辉. 车辆牌照自动识别系统的研究[D]. 成都: 四川大学, 2005,和连通区域思想法,如文献[3] 丁兆坤. 车牌识别技术研究[D]. 辽宁: 东北大学, 2004。由于这些方法直接利用二值化后的定位车牌图像,所以对图像质量和定位准确度的要求也较高,并且只有在车牌不存在污损的情况下,才能获得良好的分割效果。
近年来,利用字符排列规律等车牌先验知识进行字符分割的方法不断出现。这类方法利用标准车牌的长宽以及所含字符的个数,作为判断分割是否合适的约束条件。在标准车牌制式下,普通车牌大小规定为440mm×140mm,其中含有7个字符,第一个为汉字即省、自治区、直辖市的简称,第二个字符为A到Z这26个英文字母中的任一大写字母,第二个字符和第三个字符之间有一个“●”间隔符,后五个字符为英文字母和阿拉伯数字的组合
◆ 标准车牌下,字符所能达到的最小宽度即为数字“1”的宽度,其它字符均以45mm宽度显示在标准车牌中;
◆ 标准车牌下,每个字符均是在面积为90mm×45mm的区域内均匀分布,不存在在某一区域中集中分布的情况;
◆ 标准车牌下,间隔符“●”直径为10mm,且集中分布在车牌中间高度位置,不符合象素均匀分布情况;
◆ 标准车牌下,每个字符在90mm×45mm面积内前景像素和背景像素呈比例分布,不存在某块区域内全是前景像素或全是背景像素的情况。
文献[4] 顾弘, 赵光宙, 齐冬莲等. 车牌识别中先验知识的嵌入及字符分割方法[J], 中国图形图像学报, 2010, 15(5): 749-756提出了一种先验知识的嵌入方法及其相应的分割方法。该方法将车牌字符分割问题转化为一组马尔可夫链的前向识别问题。利用字符排列方式的先验知识定义马尔可夫链中的状态,对于不同的车牌只需要计算其字符的可能分布,因此独立于车牌的类型。文献[5] 马婉婕. 车牌识别系统中字符分割的研究与实现[D]. 上海: 复旦大学, 2009 提出的字符分割方法分为基于二分法的粗分割和基于先验知识的细分割两部分。粗分割是根据投影的波谷进行段落分割,细分割则根据字符的排列规律确定字符的最终分割位置。文献[6] 黄凡. 车牌字符识别技术的研究与实现[D]. 重庆: 重庆大学, 2008在字符分割方面,将传统的垂直投影与车牌字符固定尺寸的先验知识相结合,提出了基于模板匹配和垂直投影的字符分割方法。
文献[4]-[6]中提出的字符分割方法忽略了图像的灰度信息,直接对定位区域二值化,按照属于一个字符的像素构成一个连通域的原则,再结合字符的高度、间距的固定比例关系等先验知识,来分割车牌图像中的字符。这类基于先验知识的分割方法,其分割准确率较文献[1]-[3]提出的方法有一定的提高,但是对车牌定位准确度的要求仍然较高,特别在车牌倾斜、包含部分车身背景以及光照不均等干扰严重的情况下,分割效果较差,对后续的识别工作带来巨大的挑战和压力。
基于先验知识的车牌字符分割方法在进行字符分割前通常会进行车牌矫正、字符归一化、去噪声等预处理。首先利用文献[7] Ondrej Martinsky, Algorithmic and mathematical principles of automatic number plate recognition systems[D], Brno, Brno University of Technology, 2007中提出的方法,通过Hough变换对倾斜车牌进行矫正。然后根据文献[8] 中华人民共和国公共安全行业标准. GA36-2007 中华人民共和国机动车号牌[S] 中华人民共和国公安部发布, 2007中标准车牌的大小,采用文献[9] 孙成叶, 桑农, 张天序等. 图像双线性插值无级放大及其运算量分析[J], 计算机工程. 2005, 31(9): 167~169所描述的双线性插值方法,对车牌字符的大小进行归一化处理。最后采用如文献[6]中所描述的方法对车牌图像进行高斯高通滤波,锐化图像边缘及其他急变区域,并利用高斯低通滤波器剔除高频随机噪声,以增强字符特征信息。
发明内容
本发明提供了一种基于先验分析的迭代式车牌字符分割方法,通过运用先验知识,对车牌进行多次迭代式分割,降低了对车牌定位准确度的要求,克服了复杂背景带来的不利影响,消除了其他方法中常见的粘连、断裂分割等结果,进一步提高了分割的准确度。
一种基于先验分析的迭代式车牌字符分割方法,包括:
(1)对车牌图像进行归一化、锐化边缘和去除噪声的预处理;
(2)利用垂直投影法对预处理后的车牌图像进行分割,并计算每个字符块的亮度p b (i)、每个字符块的对比度p c (i)、所有字符块的亮度均值 、所有字符块的对比度均值,如果字符块不满足以下任一条件,则判定该字符块为不合法,对该字符块整体予以剔除:
其中cb,cc的取值范围为[0, 1],本领域技术人员由实验经验获得,cb,cc分别取值0.14,0.16,获得初步筛选后的字符;
(3)利用阈值迭代法对初步筛选后的字符进行二值化,根据标准车牌制式,计算各字符块所含的先验知识,包括字符宽度w (i)、高度h (i)、前景和背景像素分布,如果字符块不满足以下任一条件,则判定该字符块为不合法,对该字符块整体予以剔除:
a) 字符宽度w (i)大于4个像素;
b) 水平方向全部为背景像素的行数小于字符高度的四分之一,即1/4h (i);
c) 字符高度h (i)的三分之一到三分之二区域,即在[1/3 h (i), 2/3 h (i)]内,前景像素占全部前景像素的比例大于1/4;
d) 字符块内全部的前景像素和全部的背景像素的比例大于1/4。
根据以上判定剔除不合法的字符块,获得再次筛选后的字符;
(4)计算经过再次筛选后的字符块个数,如果字符块个数大于等于5个,并且小于等于8个,则执行(5),如果字符块的个数小于5个或者大于8个,则将再次筛选后的字符依照其在车牌中出现的先后顺序拼接成新的车牌图像,调整峰值比例因子c w和边界比例因子c y,利用(2)和(3)所述重新进行字符块分割;
(5)计算车牌字符宽度w (i)和所有字符的平均宽度m,当|w (i)-m|>0.8m,则判定存在粘连情况,对该字符块按照(2)所述方法重新进行垂直投影,在最大垂直投影值处分割成两个字符,当|w (i)+ w (i+1)-m|<0.3m,则判定存在断裂情况,合并两个字符块,即将第i个字符块的右边缘与第i+1个字符块的左边缘相连接,当每个字符宽度w (i)均不满足以上两个条件时,获得最终的字符。
所述的对车牌图像进行归一化、锐化边缘和去除噪声的预处理,具体包括以下步骤:
1)采用文献[9]所公开的双线性插值方法,将车牌图像的大小归一化为136×48,即水平方向136个像素,垂直方向48个像素;
2)采用文献[6]所公开的高斯高通滤波方法,对归一化后的车牌图像运进行锐化边缘处理;
3)采用文献[6]所公开的高斯低通滤波方法,对锐化边缘后的车牌图像的进行去除噪声处理。
所述的利用垂直投影法对预处理后的车牌图像进行分割,并计算每个字符块的亮度p b (i)、每个字符块的对比度p c (i)、所有字符块的亮度均值、所有字符块的对比度均值,剔除不合法的字符块,获得初步筛选后的字符,具体包括以下步骤:
1)1)采用文献[7]所公开的方法计算车牌图像的垂直投影累积值 p x(x),其中x为像素的水平坐标,并做归一化处理,得到垂直投影累积值 p ′x(x):
其中,v b=2v a?v m,v a是垂直投影累积值 p x(x)的均值,v m是 p x(x)的最大值。
2)2)在归一化后的垂直投影累积值 p ′x(x)中依次选取n 1个当前最大投影累积值x max,确定各个峰值影响边界(v l, v r),共获得n 1个分割字符块 c 1(i),其中i表示字符块的索引:
其中cb,cc的取值范围为[0, 1],本领域技术人员由实验经验获得,cb,cc分别取值0.14,0.16。初步筛选后,共获得n 2个分割字符块 c 2(i),其中n 2 ≤ n 1。
所述的利用阈值迭代法对初步筛选后的字符进行二值化,根据标准车牌制式,计算各字符块所含的先验知识,包括字符宽度w (i)、高度h (i)、前景和背景像素分布,进一步剔除不合法区域,获得再次筛选后的字符,具体包括以下步骤:
1)利用阈值迭代法对初步筛选后的每个字符进行二值化处理,获得每个字符块的二值化图像 b (i)(x, y);
2)根据标准车牌制式,计算各字符块所含的先验知识,包括:
a)计算n 2个初步筛选后的分割字符块 c 2(i)各自的字符宽度w (i)和高度h (i),其中字符宽度w (i)即第i个字符块 c (i)(x, y)的水平像素点个数,字符高度h (i)即第i个字符块 c (i)(x, y)的垂直像素点个数;
b)用第i个字符块二值化图像 b (i)(x, y)表示第i个字符块的前景像素的分布情况 F (i)(x, y);
c)用第i个字符块二值化图像 b (i)(x, y)取反表示第i个字符块的背景像素的分布情况 B (i)(x, y);
3)利用先验知识,判定各个字符块 c (i)(x, y),如果字符块不满足以下任一条件,则判定该字符块为不合法,对该字符块整体予以剔除:
a)字符宽度w (i)大于4个像素;
b)水平方向全部为背景像素的行数小于字符高度的四分之一,即1/4h (i);
c)字符高度h (i)的三分之一到三分之二区域,即[1/3 h (i), 2/3 h (i)]内,前景像素占全部前景像素的比例大于1/4;
d)字符块内全部的前景像素和全部的背景像素的比例大于1/4;
根据以上判定剔除不合法的字符块。再次筛选后,共获得n 3个分割字符块 c 3(i),其中n 3 ≤ n 2。
1)所述的计算经过再次筛选后的字符块个数,如果字符块个数大于等于5个,并且小于等于8个,则执行(5),如果字符块的个数小于5个或者大于8个,则将再次筛选后的字符依照其在车牌中出现的先后顺序拼接成新的车牌图像,调整峰值比例因子c w和边界比例因子c y,利用(2)和(3)所述重新进行字符块分割,具体包括以下步骤:
1)计算经过再次筛选后的字符块个数n 3,如果5 ≤ n 3 ≤ 8,则不重新进行字符块分割,如果n 3 < 5或者n 3 > 8,则执行2)后重新进行字符块分割;
2)若需重新分割,则将这些字符块依照其在车牌中出现的先后顺序拼接成新的车牌图像,即第i个字符块的右边缘与第i+1个字符块的左边缘相连接。调整峰值比例因子c w和边界比例因子c y,利用(2)和(3)所述重新进行字符块分割。调整规则如下:如果字符块个数n 3 < 5,则减小峰值比例因子c w,增大边界比例因子c y。如果字符块个数n 3 > 8,则增大峰值比例因子c w,减小边界比例因子c y。根据车牌图像的特征,在迭代选取峰值的时候,c w和c y初次增加或者减少的值均为0.1,下一次增加或者减少的值是上一次的1/2。
本发明的有益效果:本发明方法降低了对车牌定位准确度的要求,克服了复杂背景带来的不利影响,消除了其他方法中常见的粘连、断裂等分割结果,进一步提高了分割的准确度,可运用于智能交通系统,为车牌自动识别提供了有力的前提条件,有着广泛的应用前景。
附图说明
图1为本发明的方法流程图;
图2为本发明车牌迭代式字符分割过程示例,其中:
(a) 原车牌图像
(b) 第1次垂直投影分割
(c) 第1次剔除不合法区域
(d) 第2次垂直投影分割
(e) 第2次剔除不合法区域
(f) 第3次垂直投影分割
(g) 第3次剔除不合法区域
(h) 车牌分割的最后结果
图3为本发明的部分分割结果;其中
(a) 普通车牌的分割结果
(b) 光照不均或含车身背景的分割结果
(c) 复杂背景且光照严重不均的分割结果
(d) 分割失败的情况。
具体实施方式
下面结合附图对本发明提供的监测系统作进一步描述。
如图1所示,一种基于先验分析的迭代式车牌字符分割方法,包括:
(1) 对车牌图像进行归一化、锐化边缘和去除噪声的预处理;
(2) 利用垂直投影法对预处理后的车牌图像进行分割,并计算每个字符块的亮度p b (i)、每个字符块的对比度p c (i)、所有字符块的亮度均值、所有字符块的对比度均值,如果字符块不满足以下任一条件,则判定该字符块为不合法,对该字符块整体予以剔除:
其中cb,cc的取值范围为[0, 1],本领域技术人员由实验经验获得,cb,cc分别取值0.14,0.16,获得初步筛选后的字符;
(3) 利用阈值迭代法对初步筛选后的字符进行二值化,根据标准车牌制式,计算各字符块所含的先验知识,包括字符宽度w (i)、高度h (i)、前景和背景像素分布,如果字符块不满足以下任一条件,则判定该字符块为不合法,对该字符块整体予以剔除:
a) 字符宽度w (i)大于4个像素;
b) 水平方向全部为背景像素的行数小于字符高度的四分之一,即1/4h (i);
c) 字符高度h (i)的三分之一到三分之二区域,即[1/3 h (i), 2/3 h (i)]内,前景像素占全部前景像素的比例大于1/4;
d) 字符块内全部的前景像素和全部的背景像素的比例大于1/4。
根据以上判定剔除不合法的字符块,获得再次筛选后的字符;
(4) 计算经过再次筛选后的字符块个数,如果字符块个数大于等于5个,并且小于等于8个,则执行(5),如果字符块的个数小于5个或者大于8个,则将再次筛选后的字符依照其在车牌中出现的先后顺序拼接成新的车牌图像,调整峰值比例因子c w和边界比例因子c y,利用(2)和(3)所述重新进行字符块分割;
(5) 计算车牌字符宽度w (i)和所有字符的平均宽度m,当|w (i)-m|>0.8m,则判定存在粘连情况,对该字符块按照(2)所述方法重新进行垂直投影,在最大垂直投影值处分割成两个字符,当|w (i)+ w (i+1)-m|<0.3m,则判定存在断裂情况,合并两个字符块,即将第i个字符块的右边缘与第i+1个字符块的左边缘相连接,当每个字符宽度w (i)均不满足以上两个条件时,获得最终的字符。
对车牌图像进行归一化、锐化边缘和去除噪声的预处理,具体包括以下步骤:
1)采用文献[9]所公开的双线性插值方法,将车牌图像的大小归一化为136×48,即水平方向136个像素,垂直方向48个像素;车牌图像 I 1(x, y)的原宽为W 0,原高为H 0,根据W 0与136的比值确定水平插值的位置,H 0与48的比值确定垂直插值的位置。利用下式,依次获得各新位置(x i , y j )的图像灰度值,归一化后的车牌图像为 I 2(x, y)。
由原车牌图像 I 1(x, y)中相应的4个像素 I 1(x 1, y 1)、I 1(x 1, y 2)、I 1(x 2, y 1)和I 1(x 2, y 2)获得第i个新位置(x i , y i )的灰度值I 2(x i , y i )。
首先在水平方向进行线性插值:
(1)
再进行垂直方向的线性插值:
2) 采用文献[6]所公开的高斯高通滤波方法,对归一化后的车牌图像运进行锐化边缘处理;定义高斯高通滤波器的传递函数为H(x, y):
其中,D0是指定的非负数值,本领域技术人员经过实验后获得D0取值20,W、H分别为车牌图像的宽度和高度。
由高斯高通滤波器的传递函数为H(x, y)与归一化后的车牌图像 I 2(x, y)进行卷积,获得锐化边缘后的车牌图像 I 3(x, y)。
3) 采用文献[6]所公开的高斯低通滤波方法,对锐化边缘后的车牌图像的进行去除噪声处理;定义高斯低通滤波器的传递函数为L(x, y):
根据文献[6]描述的方法,利用高斯低通滤波器剔除高频随机噪声,增强字符特征信息,下面给出高斯低通滤波器的传递函数L(x,y):
其中,D0是指定的非负数值,本领域技术人员经过实验后获得D0取值20,W、H分别为车牌图像的宽度和高度。
由高斯低通滤波器的传递函数为L(x, y)与锐化边缘后的车牌图像 I 3(x, y)进行卷积,获得去除噪声后的车牌图像 I 4(x, y)。
利用垂直投影法对预处理后的车牌图像进行分割,并计算每个字符块的亮度p b (i)、每个字符块的对比度p c (i)、所有字符块的亮度均值、所有字符块的对比度均值,剔除不合法的字符块,获得初步筛选后的字符,具体过程包括以下步骤:
1) 计算车牌图像的垂直投影累积值,并做归一化处理;
a) 对预处理后的车牌图像 I 4(x, y)的每个灰度值取反,其中x为像素的水平坐标, y为像素的垂直坐标,即
b) 利用文献[7] 所公开的方法进行垂直投影,获得垂直投影累积值 p x(x),其中W为车牌图像的宽,H为车牌图像的高,即
(7)
c) 为了保证垂直灰度投影的稳定性,对垂直投影累积值 p x(x)做归一化处理,即:
其中,v b=2v a?v m,v a是垂直投影累积值 p x(x)的均值,v m是 p x(x)的最大值。
2) 依次选取当前最大投影累积值,确定峰值影响边界,获得各分割字符块;
a) 由归一化后的垂直投影累积值 p ′x(x)的最大值,确定最小分割峰值v min,其中c w为峰值比例因子(范围为[0, 1],实验发现,c w过小会造成字符断裂,c w过大会造成字符粘连,本领域技术人员由实验经验获得,c w的初始值设定为0.8)。
b) 在归一化后的垂直投影累积值 p ′y(y)中进行搜索,得到 p ′x(x)中当前最大投影累积值x max。如果x max大于最小分割峰值v min,则将(v l, v r)之间的区域作为一个分割的字符块,峰值影响左边界v l和右边界v r定义如下,其中c y为边界比例因子(范围为[0, 1],本领域技术人员由实验经验获得,c y的初始值设定为0.8)。
并将(v l, v r)区域内的投影值清零后再进行当前最大投影累积值选取。
c) 重复b)所述方法依次选取当前最大投影累积值,根据确定的每一对峰值影响边界,获得每个分割字符块,直到当前最大投影累积值小于最小分割峰值v min,共获得n 1个分割字符块 c 1(i)。
3) 由于车牌制作时,对车牌内的字符宽度、高度、间隙等均有要求,所以就单个字符块的亮度和对比度而言,其值应在所有字符平均值附近。根据这一先验知识,计算每个字符块的亮度和对比度,并与所有字符块的亮度均值和对比度均值进行比较,剔除不合法的字符块。
a) 计算第i个字符块 c (i)(x, y)的亮度p b (i)和对比度p c (i),其中第i个字符块的宽度为w (i),高度为h (i)
b) 计算所有字符块的亮度均值和对比度均值:
c) 如果第i个字符不满足以下任一条件,则对该字符块整体予以剔除。
本领域技术人员由实验经验获得,cb,cc分别取值0.14,0.16。初步筛选后,共获得n 2个分割字符块 c 2(i),其中n 2 ≤ n 1。
利用阈值迭代法对初步筛选后的字符进行二值化,根据标准车牌制式,计算各字符块所含的先验知识,包括字符宽度w (i)、高度h (i)、前景和背景像素分布,进一步剔除不合法区域,获得再次筛选后的字符,具体过程包括以下步骤:
1) 利用阈值迭代法对初步筛选后的每个字符块进行二值化处理;
a) 求出第i个字符块 c (i)(x, y)中最小灰度值z min (i),最大灰度值z max (i),令初试域值为T k (i) =(z min (i)+z max (i))/2。
b) 根据阈值T k (i)将字符块分为前景和背景两部分,求出两部分的平均灰度Z F (i) ,Z B (i)。
其中, c (i)(x, y)是字符块中像素点(x, y)的灰度值,N(x, y)为1。
c) 求出新的阈值T k+l (i)=(Z F (i)+Z B (i))/2,若|T k+1 (i)-T k (i)|<Q,其中Q为允许的误差,本领域技术人员由实验经验获得,Q为1,则T k (i)为所求得最佳阈值,否则转到b)继续迭代。
d) 利用最佳阈值T k (i),对第i个字符块 c (i)(x, y)进行二值化处理,获得字符块二值化图像 b (i)(x, y)。
2) 根据标准车牌制式,计算各字符块所含的先验知识,包括字符宽度、高度、前景和背景像素分布情况;
a) 计算n 2个初步筛选后的分割字符块 c 2(i)各自的字符宽度w (i)和高度h (i),其中字符宽度w (i)即第i个字符块 c (i)(x, y)的水平像素点个数,字符高度h (i)即第i个字符块 c (i)(x, y)的垂直像素点个数,由于只执行水平方向的分割,因此每个字符块的高度h (i)是相等的,均为车牌图像的高度H。
b) 用第i个字符块二值化图像 b (i)(x, y)表示第i个字符块的前景像素的分布情况 F (i)(x, y),即
c) 用第i个字符块二值化图像 b (i)(x, y)取反表示第i个字符块的背景像素的分布情况 B (i)(x, y),即
3) 利用先验知识,判定各个字符块 c (i)(x, y),如果字符块不满足以下任一条件,则对该字符块整体予以剔除:
a) 字符宽度w (i)大于4个像素;
b) 水平方向全部为背景像素的行数l (i)小于字符高度的四分之一,即1/4h (i);
c) 字符高度h (i)的三分之一到三分之二区域,即[1/3 h (i), 2/3 h (i)]内,前景像素占全部前景像素的比例p 1 (i)大于1/4;
d) 字符块内容全部的前景像素和全部的背景像素的比例p 2 (i)大于1/4
根据以上判定剔除不合法的字符块。再次筛选后,共获得n 3个分割字符块 c 3(i),其中n 3 ≤ n 2。
计算经过再次筛选后的字符块个数,如果字符块个数大于等于5个,并且小于等于8个,则执行(5),如果字符块的个数小于5个或者大于8个,则将再次筛选后的字符依照其在车牌中出现的先后顺序拼接成新的车牌图像,调整峰值比例因子c w和边界比例因子c y,利用(2)和(3)所述重新进行字符块分割,具体包括以下步骤:
1) 计算经过再次筛选后的字符块个数n 3,如果5 ≤ n 3 ≤ 8,则不重新进行字符块分割,如果n 3 < 5或者n 3 > 8,执行2)后重新进行字符块分割;
2) 若需重新分割,则将这些字符块依照其在车牌中出现的先后顺序拼接成新的车牌图像。调整峰值比例因子c w和边界比例因子c y,利用(2)和(3)所述进行重新分割。
a) 将n 3个字符块 c 3(i)依照其在车牌中出现的先后顺序拼接成新的车牌图像 I 3(x, y),即第i个字符块的右边缘与第i+1个字符块的左边缘相连接。
b) 如果字符块个数n 3 < 5,则减小峰值比例因子c w,增大边界比例因子c y。如果字符块个数n 3 > 8,则增大峰值比例因子c w,减小边界比例因子c y。根据车牌图像的特征,在迭代选取峰值的时候,c w和c y初次增加或者减少的值均为0.1,下一次增加或者减少的值是上一次的1/2。
计算车牌字符的宽度、所有字符的平均宽度作约束条件,判断分割字符中是否存在粘连或断裂的特殊情况,并予以处理,具体包括以下步骤:
1) 经过多次迭代分割筛选后,共获得n k 个分割字符块 c k (i),其中n k ≤ n 3。
(24)
计算每个字符的宽度和所有字符的平均宽度,其中字符宽度w (i)即第i个字符块 c (i)(x, y)的水平像素点个数,字符的平均宽度m为
2) 比较单个字符的宽度和平均宽度,判断分割字符中是否存在粘连或断裂的情况,并进行处理。
a) 若|w (i)-m|>0.8m,则判定存在粘连情况,对该字符块按照(2)所述方法重新进行垂直投影,在最大垂直投影值处分割成两个字符;
b) 若| w (i)+ w (i+1)-m|<0.3m,则判定存在断裂情况,合并两个字符,即将第i个字符块的右边缘与第i+1个字符块的左边缘相连接。
最终共获得n′ k 个分割字符块 c k ′(i)。
实验所用数据库为实验人员收集的约400幅大小不一、拍摄条件不同的车牌图像。人为将定位后的车牌图像分为4类,即普通车牌、含有车身背景的车牌、光照不均的车牌、光照不均和背景复杂的车牌。利用文献[7]所描述的方法对数据库中的图像进行车牌定位,对定位后的车牌进行分类,其中普通车牌为117张,含有车身背景的车牌为179张,光照不均的车牌为87张,光照不均和背景复杂的车牌为17张。为了验证本发明方法的有效性,用本发明方法对数据库中的车牌进行分割,统计结果如表1和表2所示。
利用本发明所描述的方法,对数据库中的车牌图像进行分割,举例如图2所示。(a)是定位后的车牌图像,由于车牌背景比较复杂,垂直投影分割结果如(b)所示,分割得到的3个字符块中含有大量背景。根据字符特征进行筛选得到(c),此时字符个数为2,因此减小峰值比例因子c w,增大边界比例因子c y进行重新分割,得到的结果如(d)所示。再根据字符特征进行筛选得到(e),此时字符个数为3,继续减小c w,增大c y再进行分割,结果如(f)所示。再提取字符特征筛选后为(g),此时字符个数为7,不需再进行重新分割。进行最后的粘连、断裂处理,得到最终的分割结果,如(h)所示,此方法得到了很好的分割效果。
利用本发明所描述的方法对数据库中的所有图像进行分割,部分分割结果如图3所示,(a)是普通车牌利用本发明所分割的结果;(b)表示的是光照不均或含车身背景的车牌利用本方法所分割的结果;(c)展示的是含有复杂背景且光照严重不均下的车牌利用本发明所分割的结果;(d)所描述的部分车牌分割失败的情况。对各种车牌的分割正确率如表1所示。普通车牌的正确率达到97.46%,含有车身背景的车牌分割正确达到92.73%,光照不均的车牌分割正确率为87.36%,光照不均和背景复杂的车牌分割正确率也可以达到29.41%。表2显示了存在错误分割情况下,7个字符中出现错误分割的字符个数。上述结果表明,该方法对背景复杂或光照不均车牌适应性很强,即使车牌定位出现较大背景,也可准确分割出字符。但对背景复杂且光照不均的车牌图像,完全正确分割还不够理想,主要是由于以下原因:
a) 定位得到的背景区域纹理过于复杂,以至于难以区分分割得到的字符到底是前景还是背景。
b) 铆钉易造成错误分割,导致垂直投影分割位置出现偏差或两个字符发生粘连。粘连情况往往通过粘连处理会纠正,但投影位置偏离则较难纠正。
c) 当光照严重不均时,诸如“H”,“L”,“J”等字符易引起误分割。究其原因垂直投影法不易区分水平方向连接字段。大部分车牌经过断裂处理可合并成一个字符,但仍有少量误分割出现。
虽然该方法对十分复杂车牌全部分割正确率不高,但其中大部分字符还可以分割处理,说明方法整体还具有较强鲁棒性。由此可以看出,通过运用先验知识,对车牌进行多次迭代式分割,降低了对车牌定位准确度的要求,克服了复杂背景带来的不利影响,消除了其他方法中常见的粘连、断裂分割等结果,进一步提高了分割的准确度。
因此从客观上看,用本发明方法对车牌进行分割,结果良好。
表1 各种车牌分割结果
表2 分割失败中错误分割的字符个数所占比例
Claims (1)
1.一种基于先验分析的迭代式车牌字符分割方法,其特征在于该方法包括以下步骤:
步骤(1)对车牌图像进行归一化、锐化边缘和去除噪声的预处理;
步骤(2)利用垂直投影法对预处理后的车牌图像进行分割,并计算每个字符块的亮度p b (i)、每个字符块的对比度p c (i)、所有字符块的亮度均值 、所有字符块的对比度均值,如果字符块不满足以下任一条件,则判定该字符块为不合法,对该字符块整体予以剔除:
其中cb,cc的取值范围为[0, 1],获得初步筛选后的字符;
步骤(3)利用阈值迭代法对初步筛选后的字符进行二值化,根据标准车牌制式,计算各字符块所含的先验知识,包括字符宽度w (i)、高度h (i)、前景和背景像素分布,如果字符块不满足以下任一条件,则判定该字符块为不合法,对该字符块整体予以剔除:
条件a)字符宽度w (i)大于4个像素;
条件b)水平方向全部为背景像素的行数小于字符高度的四分之一,即1/4h (i);
条件c)字符高度h (i)的三分之一到三分之二区域,即在[1/3 h (i), 2/3 h (i)]内,前景像素占全部前景像素的比例大于1/4;
条件d)字符块内全部的前景像素和全部的背景像素的比例大于1/4;
根据以上判定剔除不合法的字符块,获得再次筛选后的字符;
步骤(4)计算经过再次筛选后的字符块个数,如果字符块个数大于等于5个,并且小于等于8个,则执行步骤(5),如果字符块的个数小于5个或者大于8个,则将再次筛选后的字符依照其在车牌中出现的先后顺序拼接成新的车牌图像,调整峰值比例因子c w和边界比例因子c y,利用步骤(2)和步骤(3)所述重新进行字符块分割;
所述的调整峰值比例因子c w用于确定中最小分割峰值v min;所述的边界比例因子c y用于确定各个峰值影响边界(v l, v r) ;调整峰值比例因子c w和边界比例因子c y的规则如下:如果字符块个数n 3 < 5,则减小峰值比例因子c w,增大边界比例因子c y;如果字符块个数n 3 > 8,则增大峰值比例因子c w,减小边界比例因子c y;根据车牌图像的特征,在迭代选取峰值的时候,c w和c y初次增加或者减少的值均为0.1,下一次增加或者减少的值是上一次的1/2;
步骤(5)计算车牌字符宽度w (i)和所有字符的平均宽度m,当|w (i)-m|>0.8m,则判定存在粘连情况,对该字符块按照(2)所述方法重新进行垂直投影,在最大垂直投影值处分割成两个字符,当|w (i)+ w (i+1)-m|<0.3m,则判定存在断裂情况,合并两个字符块,即将第i个字符块的右边缘与第i+1个字符块的左边缘相连接,当每个字符宽度w (i)均不满足以上两个条件时,获得最终的字符。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110166841 CN102222226B (zh) | 2011-06-21 | 2011-06-21 | 一种基于先验分析的迭代式车牌字符分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110166841 CN102222226B (zh) | 2011-06-21 | 2011-06-21 | 一种基于先验分析的迭代式车牌字符分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102222226A CN102222226A (zh) | 2011-10-19 |
CN102222226B true CN102222226B (zh) | 2013-01-23 |
Family
ID=44778774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110166841 Active CN102222226B (zh) | 2011-06-21 | 2011-06-21 | 一种基于先验分析的迭代式车牌字符分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102222226B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310435B (zh) * | 2012-03-21 | 2016-04-06 | 华中科技大学 | 将垂直投影和最优路径相结合对车牌字符进行分割的方法 |
CN103207998A (zh) * | 2012-12-24 | 2013-07-17 | 电子科技大学 | 一种基于支持向量机的车牌字符分割方法 |
CN105844271A (zh) * | 2015-01-13 | 2016-08-10 | 征图新视(江苏)科技有限公司 | 高速可变号码字符自动提取检测方法及系统 |
CN104657726A (zh) * | 2015-03-18 | 2015-05-27 | 哈尔滨工程大学 | 一种铁路油罐车车辆编号的识别方法 |
CN104992175B (zh) * | 2015-07-10 | 2018-02-13 | 河海大学常州校区 | 一种基于树型关系的过粘连钢坯字符分割方法 |
CN105488508A (zh) * | 2015-12-01 | 2016-04-13 | 天津普达软件技术有限公司 | 一种制药软袋薄膜字符智能切分的方法 |
CN105894528B (zh) * | 2016-05-04 | 2019-04-05 | 南京航空航天大学 | 一种自适应阈值的加油锥套图像处理方法 |
CN106296949B (zh) * | 2016-09-13 | 2018-11-27 | 成都创慧科达科技有限公司 | 一种基于h264视频解码技术的门禁系统及方法 |
CN108491845B (zh) * | 2018-03-02 | 2022-05-31 | 深圳怡化电脑股份有限公司 | 字符分割位置的确定、字符分割方法、装置及设备 |
CN108460386B (zh) * | 2018-03-19 | 2022-03-08 | 深圳怡化电脑股份有限公司 | 字符图像切割方法、装置、设备及存储介质 |
CN109871938B (zh) * | 2019-01-21 | 2023-04-25 | 重庆大学 | 一种基于卷积神经网络的零部件喷码检测方法 |
CN110059695B (zh) * | 2019-04-23 | 2021-08-27 | 厦门商集网络科技有限责任公司 | 一种基于垂直投影的字符分割方法及终端 |
CN110827418A (zh) * | 2019-10-22 | 2020-02-21 | 恒大智慧科技有限公司 | 智慧社区的停车自动收费方法、计算机设备及存储介质 |
CN112150481B (zh) * | 2020-09-17 | 2023-07-18 | 南京信息工程大学 | 一种白粉病图像分割方法 |
CN113822288B (zh) * | 2021-11-24 | 2022-02-15 | 广东电网有限责任公司湛江供电局 | 一种二次线电缆白头快速核对方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1085456A2 (en) * | 1999-09-15 | 2001-03-21 | Siemens Corporate Research, Inc. | Character segmentation method for vehicle license plate recognition |
US7302098B2 (en) * | 2004-12-03 | 2007-11-27 | Motorola, Inc. | Character segmentation method and apparatus |
CN101154271A (zh) * | 2006-09-30 | 2008-04-02 | 电子科技大学中山学院 | 基于快速区域标号算法和车牌大间隔定位方法的车牌字符分割方法 |
-
2011
- 2011-06-21 CN CN 201110166841 patent/CN102222226B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1085456A2 (en) * | 1999-09-15 | 2001-03-21 | Siemens Corporate Research, Inc. | Character segmentation method for vehicle license plate recognition |
US7302098B2 (en) * | 2004-12-03 | 2007-11-27 | Motorola, Inc. | Character segmentation method and apparatus |
CN101154271A (zh) * | 2006-09-30 | 2008-04-02 | 电子科技大学中山学院 | 基于快速区域标号算法和车牌大间隔定位方法的车牌字符分割方法 |
Non-Patent Citations (2)
Title |
---|
曹迪铭等.《牌照字符分割中的区域分裂与合并》.《计算机工程》.2000,第26卷(第10期),第18-20,43页. * |
李文举等.《利用反馈的车牌字符分割算法》.《计算机应用与软件》.2011,第28卷(第4期),第165,166,283页. * |
Also Published As
Publication number | Publication date |
---|---|
CN102222226A (zh) | 2011-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102222226B (zh) | 一种基于先验分析的迭代式车牌字符分割方法 | |
CN105405142B (zh) | 一种玻璃面板的边缺陷检测方法及系统 | |
CN109829876A (zh) | 基于机器视觉的链板缺陷在线检测装置及方法 | |
CN111080582B (zh) | 工件内外表面缺陷检测方法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN105117725B (zh) | 一种基于车牌可信度的车牌自纠正识别方法 | |
CN112528868B (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
CN108986082A (zh) | 一种基于epnp的钢轨廓形检测方法及系统 | |
CN101630411B (zh) | 基于熵值的面向输电线路部件识别的自动阈值图象分割方法 | |
CN102999886A (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN102855617A (zh) | 自适应图像处理方法及系统 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN103824091A (zh) | 一种用于智能交通系统的车牌识别方法 | |
CN110097548B (zh) | 一种基于机器视觉的钻孔缺陷检测系统及其检测方法 | |
CN110674812B (zh) | 一种面向复杂背景的民用车牌定位与字符分割方法 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN105701487A (zh) | 一种车标定位的方法 | |
CN110378417B (zh) | 一种获取施工边界的方法 | |
CN103390160A (zh) | 一种基于连通域和模板的车牌字符切分算法 | |
CN103761520B (zh) | 基于笔划宽度的文档图像无参二值化方法 | |
CN116883446B (zh) | 一种车载摄像头镜片碾磨程度实时监测系统 | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
CN103207997A (zh) | 一种基于核密度估计的车牌字符分割方法 | |
CN111145197B (zh) | 一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20111019 Assignee: SICHUAN KUNPENG TRAFFIC FACILITIES MANUFACTURING CO., LTD. Assignor: Hangzhou Electronic Science and Technology Univ Contract record no.: 2015990000609 Denomination of invention: Priori analysis based iterative method for segmenting characters of licence plate Granted publication date: 20130123 License type: Exclusive License Record date: 20150714 |
|
LICC | Enforcement, change and cancellation of record of contracts on the licence for exploitation of a patent or utility model |