CN102542274A - 基于人工免疫网络聚类的车牌字符分割方法 - Google Patents

Abstract

本发明公开了一种基于人工免疫网络聚类的车牌字符分割方法，假设一副含车牌的图像共包含了n个像素点，车牌字符的分割即为该图像内像素点的聚类，最终将字符与底色分为不同的两类。图中每个像素点均被视为人工免疫网络内的抗原，并随机产生一个初始免疫网络，所述初始免疫网络中的每一个节点均被视为抗体，通过抗原与抗体间的相互作用，免疫网络自动进行进化，最终形成一个稳定的抗体网络，然后以网络进化的结果自动对字符区域进行聚类，完成字符分割工作。本发明是一种有效的字符分割方法，能自动处理各种情况下得到的车牌图像，以更好地对车牌中的字符区域进行细分割，从而提高识别效果。

Description

基于人工免疫网络聚类的车牌字符分割方法

技术领域

本发明属于图像处理技术领域，涉及可应用于图像处理或车牌字符识别系统中的基于人工免疫网络聚类的车牌字符分割方法。

背景技术

在智能交通系统中，交通信息的获取、采集、传输和处理是一个关键问题。而要做到这一点，关键即为车辆的身份识别。而在车牌识别过程中，自动提取车牌字符是一项关键的工作。因此，在车牌区域粗定位的基础上，人们希望找到一种有效的字符提取方法，能够针对不同类型，不同特征的图像，自动提取出车牌内的字符。

传统的字符分割算法可分为三类。其一是直接分割，但分割点的确定需要较高的准确性；其二是基于识别基础上的分割，这种方式需要识别的高准确性；其三是自适应分割线聚类法，它需要建立一个分类器来判断图像的每一列是否为分割线。最近几年，有研究人员针对二值图像会丢失部分信息的问题，直接对灰度图像做处理，或者将字符分割与识别归为一个问题直接进行操作。这些方法针对特定的牌照都能达到较理想的效果，但是要更有效地推广车牌识别，就需要能够有效地处理各种光照、各种背景条件下的车牌内容。

发明内容

本发明的目的在于提供一种有效的字符分割方法，能自动处理各种情况下得到的车牌图像，以更好地对车牌中的字符区域进行细分割，从而提高识别效果。

实现本发明目的的技术方案是：假设一副含车牌图像共包含了n个像素点，则该图像表示为X＝{x₁，x₂，…，x_n}，车牌字符的分割即为该图像内像素点的聚类，最终将字符与底色分为不同的两类。每个像素点视为人工免疫网络内的抗原，并随机产生一个初始免疫网络，所述初始免疫网络中的每一个节点均被视为抗体，通过抗原与抗体间的相互作用，免疫网络自动进行进化，最终形成一个稳定的抗体网络，然后以网络进化的结果自动对字符区域进行聚类，完成字符分割工作。具体步骤如下：

步骤1：将包含车牌内容的图像视为包含n个像素点的集合，车牌字符分割问题转换为像素点的聚类问题，字符与底色分别聚成两个不同的类别；

步骤2：以随机的方式建立人工免疫网络，所产生的网络节点即为网络中的初始抗体；同时，该网络包含n个抗原，分别对应图像中的n个像素点；

步骤3：以免疫网络的进化规则对网络进行进化，直至稳定；

步骤4：对稳定网络中的抗体生成最小生成树，同时断开最长的连接边，将抗体分为两类，分别得到两类抗体的聚类中心；

步骤5：将图像中的各个像素点与两个聚类中心分别计算欧氏距离，并选取较近的聚类中心作为像素点所对应的类别。至此即可将字符与底色进行分离。

本发明的有益效果：普适性较好，除了分割外，可同时降低背景对字符的干扰。现有的字符分割方法都是针对某类特殊图像的，当图像类型发生变化时，算法的性能往往无法保证。本发明采用的是智能计算领域中的人工免疫网络聚类技术，能针对不同图像自动按照其特征进行聚类，这样做即可很大程度上消除不同图像对算法的影响，从而克服了现有分割方法的不足。

附图说明

附图为本发明的流程图。

具体实施方式

参照图1，本发明的具体实施过程如下：

假设一副含车牌图像共包含了n个像素点，则该图像表示为X＝{x₁，x₂，…，x_n}，车牌字符的分割即为该图像内像素点的聚类，最终将字符与底色分为不同的两类，每个像素点视为人工免疫网络内的抗原，并随机产生一个初始免疫网络，所述初始免疫网络中的每一个节点均被视为抗体，通过抗原与抗体间的相互作用，免疫网络自动进行进化，最终形成一个稳定的抗体网络，然后以网络进化的结果自动对字符区域进行聚类，完成字符分割工作，具体步骤如下：

步骤1：初始化，l＝1，C(l)表示第l代抗体网络，同时产生初始网络C(1)，设定网络压缩门限σ_s和克隆死亡率σ_d；

步骤2：对抗原x_i分别做如下操作：

2a)i＝1；

2b)计算抗原x_i与所有抗体节点c_j的亲合度f_ij；

$f(x_i,c_j)=\frac{1}{1+{(x_i-c_j)}^T(x_i-c_j)}\begin{array}{c}i=\mathrm{1,2},\·\·\·n\\ j=\mathrm{1,2},\·\·\·,S\end{array}---\left(1\right)$

2c)克隆操作，在所有抗体中选择与x_i亲合度最高的k个抗体，然后按照亲合度越高，克隆规模越大的原则进行克隆

$T_c^c\left(r_j\right)=r_j{\mathrm{\ΘI}}_j$ (j＝1，2，…，k)    (2)

其中I_j为q_j维全1行向量；

$q_j=\mathrm{Int}[\mathrm{Nc}*\frac{f(x_i,r_j)}{\underset{s=1}{\overset{k}{\mathrm{\Σ}}}f(x_i,r_s)}]---\left(3\right)$

其中Int[]为上取整函数；Nc为克隆规模；

2d)变异操作，提高抗体节点与抗原x_i的亲合度；

c_i＝c_i-α_i(c_i-x_i)        (4)

2e)对优化后的节点根据式(1)重新计算与抗原x_i的亲合度，将亲合度最高的ζ％个节点作为记忆细胞，存于记忆矩阵M中，该矩阵为一二维矩阵，每一行为一个节点；

2f)在M中，将抗体-抗原亲合度小于σ_d的抗体死亡；

2g)对M中所有抗体计算抗体-抗体亲合度s_ij，并进行克隆压缩，将s_ij＜σ_s的抗体节点淘汰。

2h)将M中的节点加入到网络节点矩阵C(l)中，(C(l)←[C(l)；M])；

2i)i＝i+1，如果i＜＝n，则转到2b)，否则转向步骤3；

步骤3：在C(l)中，计算抗体-抗体亲合度s_ij，将s_ij＜σ_s的抗体消除；

步骤4：随机产生抗体并替代C(l)中r％个最差的抗体，即得到下一代的初始网络C(l+1)；

步骤5：l＝l+1，若l＞10，则停止，转向步骤6，否则返回步骤2；

步骤6：对最终得到的抗体网络，利用最小生成树方法，同时断开距离最长的边，此时连通的节点归为一类，图像中的每一个像素点与最终的抗体节点计算距离，并选择离像素点最近的节点作为该像素所属的类别。

Claims (1)

1.基于人工免疫网络聚类的车牌字符分割方法，包括以下步骤：

假设一副含车牌的图像共包含了n个像素点，则该图像可表示为X＝{x₁，x₂，…，x_n}，车牌字符的分割即为该图像内像素点的聚类，最终将字符与底色聚为不同的两类，每个像素点视为人工免疫网络内的抗原，并随机产生一个初始免疫网络，所述初始免疫网络中的每一个节点均被视为抗体，通过抗原与抗体间的相互作用，免疫网络自动进行进化，最终形成一个稳定的抗体网络，然后以网络进化的结果自动对字符区域进行聚类，完成字符分割工作，具体步骤如下：

步骤1：初始化，l＝1，C(l)表示第l代抗体网络，同时产生初始网络C(1)，设定网络压缩门限σ_s和克隆死亡率σ_d；

步骤2：对抗原x_i分别做如下操作：

2a)i＝1；

2b)计算抗原x_i与所有抗体节点c_j的亲合度f_ij；

$f(x_i,c_j)=\frac{1}{1+{(x_i-c_j)}^T(x_i-c_j)}\begin{array}{c}i=\mathrm{1,2},\·\·\·n\\ j=\mathrm{1,2},\·\·\·,S\end{array}---\left(1\right)$

2c)克隆操作，在所有抗体中选择与x_i亲合度最高的k个抗体，然后按照亲合度越高，克隆规模越大的原则进行克隆

$T_c^c\left(r_j\right)=r_j{\mathrm{\ΘI}}_j$ (j＝1，2，…，k)(2)

其中I_j为q_j维全1行向量；

$q_j=\mathrm{Int}[\mathrm{Nc}*\frac{f(x_i,r_j)}{\underset{s=1}{\overset{k}{\mathrm{\Σ}}}f(x_i,r_s)}]---\left(3\right)$

其中Int[]为上取整函数；Nc为克隆规模；

2d)变异操作，提高抗体节点与抗原x_i的亲合度；

c_i＝c_i-α_i(c_i-x_i)    (4)

2e)对优化后的节点根据式(1)重新计算与抗原x_i的亲合度，将亲合度最高的ζ％个节点作为记忆细胞，存于记忆矩阵M中，该矩阵为一二维矩阵，每一行为一个节点；

2f)在M中，将抗体-抗原亲合度小于σ_d的抗体死亡；

2g)对M中所有抗体计算抗体-抗体亲合度s_ij，并进行克隆压缩，将s_ij＜σ_s的抗体节点淘汰；

2h)将M中的节点加入到网络节点矩阵C(l)中，(C(l)←[C(l)；M])；

2i)i＝i+1，如果i＜＝n，则转到2b，否则转向步骤3；

步骤3：在C(l)中，计算抗体-抗体亲合度s_ij，将s_ij＜σ_s的抗体消除；

步骤4：随机产生抗体并替代C(l)中r％个最差的抗体，即得到下一代的初始网络C(l+1)；

步骤5：l＝l+1，若l＞max，其中，max为预先设定的最大迭代次数，则停止，转向步骤6，否则返回步骤2；

步骤6：对最终得到的抗体网络，利用最小生成树方法，同时断开距离最长的边，此时连通的节点归为一类，图像中的每一个像素点与最终的抗体节点计算距离，并选择离像素点最近的节点作为该像素所属的类别。