CN103198315A - 基于字符轮廓和模板匹配的车牌字符分割算法 - Google Patents
基于字符轮廓和模板匹配的车牌字符分割算法 Download PDFInfo
- Publication number
- CN103198315A CN103198315A CN2013101352910A CN201310135291A CN103198315A CN 103198315 A CN103198315 A CN 103198315A CN 2013101352910 A CN2013101352910 A CN 2013101352910A CN 201310135291 A CN201310135291 A CN 201310135291A CN 103198315 A CN103198315 A CN 103198315A
- Authority
- CN
- China
- Prior art keywords
- character
- image
- license plate
- characters
- adhesion
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000000284 extract Substances 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 239000012467 final product Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 6
- 238000011109 contamination Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Character Input (AREA)
Abstract
本发明公开了一种基于字符轮廓和模板匹配的车牌字符分割算法,由于车牌边框、铆钉、光照强弱、车牌污损等各种因素的影响,引起字符粘连、字符断裂等不利情况,针对车牌的字符内容是固定的,利用字符的轮廓特征对有限的字符进行分类,利用区域生长和局部二值化方法在轮廓周围搜索字符,对找到的字符进行自适应模板匹配,寻找误差最小的模板对字符进行重新分割,利用模板补充剩余字符以及去除伪字符。本发明对不同光照下的大量车牌进行分割,平均字符分割正确率为97.3%,具有很好的鲁棒性,在现实中有很强的实用性。
Description
技术领域
本发明属于计算机视觉领域,特别是一种基于字符轮廓和模板匹配的车牌字符分割算法。
背景技术
智能交通系统(ITS)可以有效地解决交通拥堵、交通事故、环境污染等难题,车牌识别技术是智能交通系统的核心,其发展水平影响着智能交通系统的发展。字符分割是车牌识别技术中较为关键的模块,分割的好坏直接影响车牌识别率。
常用的字符分割算法有:垂直投影法、模板匹配法、连通区域法。当前的字符分割算法主要基于垂直投影分割算法。由于车牌区域的字符间存在间隙,所以车牌区域的垂直投影呈现连续的峰、谷、峰分布,这些波谷就是字符的分割点。但是,由于拍摄的图像受到各种环境因素的影响,常常会引起字符粘连和字符断裂,而垂直投影法通常只能分割理想环境中的车牌字符,无法准确地分割字符粘连和字符断裂的情况,对复杂环境的适应性差。
发明内容
本发明的目的在于提供一种对车牌定位精度较差、光照强弱引起的字符粘连、字符断裂、字符模糊有很好的适应性的基于字符轮廓和模板匹配的车牌字符分割算法。
实现本发明目的的技术解决方案为:
一种基于字符轮廓和模板匹配的车牌字符分割算法,包括以下步骤:
步骤一:根据原图像对比度采用自适应灰度拉伸对图像进行增强;
步骤二:提取字符边缘:采用基于HSV颜色空间对车牌图像上每个像素的颜色进行判断,确定车牌颜色,然后使用拉普拉斯算子检测出字符边缘,并采用经典的全局动态二值化方法:Otsu算法找出一个合适的阈值对图像进行二值化,将图像划分为前景和背景两个部分;
步骤三:利用车牌区域的整体字符的“峰-谷-峰”交替出现的特征,得出字符的高度,同时对图像的上下边框进行去除,再根据标准字符的高宽比,由字符的高度,得到字符的宽度;
步骤四:在黑底白字的车牌边缘图像中,提取边缘完整的独立普通字符,分离粘连的字符,提取断裂的字符和类“1”字符,每一步提取后去除相应的字符,并对提取的字符进行二次确认;
步骤五:利用车牌的颜色判断出使用哪一种车牌样式模板,在模板匹配过程中首先获取车辆模板字符宽度,由提取到的字符的平均宽度作为基础,在此基础上减2,减1,加1,加2,用5个字符宽度可以得到5个不同大小的模板,用这5个不同大小的字符模板在提取到的字符上移动作匹配,求出匹配度最大的模板。
本发明与现有技术相比,其显著优点:
本发明提出了一种基于字符轮廓和模板匹配的车牌字符分割方法。综合分析复杂的自然环境中的车牌可能出现的各种情况,如背光的车牌对比度很差、强烈光照下的车牌有些过曝、部分污损车牌的字符断裂或粘连、速度较快的车辆的车牌会有些模糊、很多车牌含有金属边框易引起字符与金属边框粘连等,传统投影法对字符粘连、对比度较差的车牌图像分割效果较差,而且受边框和二值化的影响比较大,抗干扰能力差。本发明算法很好地解决了由于车牌边框、铆钉、光照强弱、车牌污损等各种因素引起的字符粘连、字符断裂带来的字符分割问题。本发明提出的字符分割算法具有很好的鲁棒性,很强的实用性。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明字符分割流程图
图2是本发明提取字符流程图
图3是本发明灰度拉伸前的灰度图;
图4是本发明灰度拉伸后的灰度图;
图5是本发明边缘检测后的车牌图;
图6是本发明二值化后的车牌图;
图7是本发明去除边框用于估计字符高度的车牌图;
图8是本发明普通字符的车牌图;
图9是本发明与边框粘连的情况的示意图;
图10是本发明“1”字符示意图;
图11是小型汽车车牌、大型汽车前牌、领馆汽车车牌、港澳出入境车车牌、教练汽车车牌、军用汽车车牌的模板示意图;
图12是大型汽车后牌、挂车车牌的模板示意图;
图13是使馆汽车车牌的模板示意图;
图14是公安汽车车牌的模板示意图;
图15是本发明小型汽车字符分割的效果图。
具体实施方式:
如图1所示:
本发明一种基于字符轮廓和模板匹配的车牌字符分割算法,包括以下步骤:
步骤一:根据原图像对比度采用自适应灰度拉伸对图像进行增强;
步骤二:提取字符边缘:采用基于HSV颜色空间对车牌图像上每个像素的颜色进行判断,确定车牌颜色,然后使用拉普拉斯算子检测出字符边缘,并采用经典的全局动态二值化方法:Otsu算法找出一个合适的阈值对图像进行二值化,将图像划分为前景和背景两个部分;
步骤三:利用车牌区域的整体字符的“峰-谷-峰”交替出现的特征,得出字符的高度,同时对图像的上下边框进行去除,再根据标准字符的高宽比,由字符的高度,得到字符的宽度;
步骤四:在黑底白字的车牌边缘图像中,提取边缘完整的独立普通字符,分离粘连的字符,提取断裂的字符和类“1”字符,每一步提取后去除相应的字符,并对提取的字符进行二次确认,如图2所示;
步骤五:利用车牌的颜色判断出使用哪一种车牌样式模板,在模板匹配过程中首先获取车辆模板字符宽度,由提取到的字符的平均宽度作为基础,在此基础上减2,减1,加1,加2,用5个字符宽度可以得到5个不同大小的模板,用这5个不同大小的字符模板在提取到的字符上移动作匹配,求出匹配度最大的模板。
步骤四的具体步骤为:在黑底白字的车牌边缘图像中,存在完整的独立字符、粘连的字符和断裂的字符,分步进行字符提取,每一步提取后去除相应的字符,通过字符轮廓可以得到轮廓的最小外接矩形,轮廓的最小外接矩形反应字符的尺寸,字符轮廓分为两类:普通字符和类“1”字符;
(1)提取边缘完整的独立普通字符
将高度接近估计的字符高度,并且高宽比接近标准字符高宽比的字符提取到普通字符类别中;
(2)分离粘连的字符
通常字符的粘连的情况有:字符与字符的粘连,字符与上下边框的粘连,字符与左右边框的粘连;
对字符的最小外接矩形宽度是字符估计宽度的1.5倍以上的情况进行处理:
I、优先处理字符与上下边框的粘连:这种粘连可能是多个字符与边框的粘连,而字符与字符之间存在明显的间隙,字符的间隙在二值化图像的垂直方向上为连续的黑色,其长度接近或大于字符估计的高度,找到字符间隙即可分离出字符;
II、然后处理字符与字符的粘连,这种情况通常不存在字符之间的空隙,所以只能强行分割;
III、最后处理字符与左右边框的粘连,左右边框在二值化图像的垂直方向上为连续的白色,去除一部分,降低其影响即可,避免伤及字体部分;
(3)提取断裂的字符
有些模糊的字符在边缘检测后,部分边缘是断裂的,需要对断裂的边缘之间进行区域生长,边缘之间连接成功后,提取满足普通字符尺寸的字符;
(4)提取类“1”字符
首先提取“1”字符,但是字符“1”可能是字符“J”、“L”、“T”断裂而产生,因此需要对“1”字符进行空间扩展,顶部和底部进行区域生长搜索,如果满足“J”、“T”、“L”中的轮廓形状,将其提取为普通字符;如果满足“1”轮廓,将其提取为“1”字符。
步骤一中所述的自适应灰度拉伸,在图像增强中,图像拉伸是增加图像对比度的一个好方法,灰度拉伸公式:
其中a,b是指图像直方图的灰度值,是在a到b之间进行线性灰度拉伸,g(x,y)是指灰度拉伸后的图像的灰度值,f(x,y)是指未经拉伸的图像的灰度值,a,b的第一次取值如下:
这里,i为图像的灰度级,c(i)为图像的累积直方图;
但是简单的图像拉伸有可能造成拉伸过度,损失了车牌区域的细节,解决的方法就是根据原图的对比度采用自适应拉伸方法,即根据(b-a)的取值,做出调整:如果图像的动态范围较大,则车牌底色和字符色相相差较大,可进一步增加其对比度;如果图像的动态范围较小,则车牌区域的动态范围也小,可能造成拉伸过度。具体算法如下:
p=(b-a)/255
a=a+(b-a)×p1
b=b-(b-a)×p2
这里,p1和p2为权重因子,其值大小根据灰度拉伸的动态范围p做自适应调整,使用的参数是:p>0.8时,p1=p2=0.2;p>0.5时,p1=p2=0.15;其余p1=p2=0;在实验中收到了良好的效果。
本发明的具体实现步骤如下:
一、自适应灰度拉伸
由于光线不足或者反光等诸多因素,有可能造成车牌对比度较差,对接下来的提取字符轮廓产生影响,所以有必要进行图象增强。图象拉伸是增强图象对比度的一个好方法,但简单的图象拉伸有可能造成拉伸过度,损失了车牌区域的细节。一个比较好的方法是根据原图象对比度采用自适应拉伸的方法,经证明能有效增强图象对比度。
灰度拉伸公式如下:
其中a,b是指图像直方图的灰度值,是在a到b之间进行线性灰度拉伸,g(x,y)是指灰度拉伸后的图像的灰度值,f(x,y)是指未经拉伸的图像的灰度值,a,b的第一次取值如下:
这里,i为图像的灰度级,c(i)为图像的累积直方图。根据(b-a)的取值,做出调整:如果图像的动态范围较大,则车牌底色和字符色相相差较大,可进一步增加其对比度;如果图像的动态范围较小,则车牌区域的动态范围也小,可能造成拉伸过度。具体算法如下:
p=(b-a)/255
a=a+(b-a)×p1
b=b-(b-a)×p2
这里,p1和p2为权重因子,其值大小根据动态范围p做自适应调整。使用的参数是:p>0.8时,p1=p2=0.2;p>0.5时,p1=p2=0.15;其余p1=p2=0;在实验中收到了良好的效果。如图3和图4所示:
二、提取字符边缘
首先,估计车牌颜色
车牌颜色包括车牌字符颜色和车牌底色。我国的车牌颜色主要有:蓝底白字、黄底黑字、白底黑字、白底红字。不同颜色的车牌经过二值化处理后,会呈现出白底黑字和黑底白字两种情况,因此,需要估计出车牌的颜色,将车牌的二值化图像统一为黑底白字。由于HSV(色彩-饱和度-明度)颜色彩空间较好地反映了人对色彩的观察方式,更适用于颜色的判断,因此采用基于HSV颜色空间对车牌图像上每个像素的颜色进行判断,统计车牌图像的颜色分布,估计车牌颜色。在HSV空间中,利用V分量可以识别黑色,利用V、S分量可以识别白色,利用H、S、V分量可以识别蓝色、黄色和红色,由于我国各个区域的车牌颜色深浅并不一致,况且同一个车牌在不同的光照条件下,会有不同的色度和饱和度,因此必须采集各种环境下的车牌样本,对车牌颜色进行采样估计,以确定黑色、白色、蓝色、红色、黄色在HSV中三分量的阈值。其阈值如表1所示:
表1蓝色、黄色、红色、白色、黑色在HSV中三分量的阈值
以上阈值通常只能对颜色鲜亮的车牌图像有良好的判断效果,对于灰暗的车牌图像,不能很好的区分颜色。完成车牌颜色判断后,需要将黄底黑字、白底黑字、白底红字的灰度车牌图像进行反色;而对于颜色灰暗的车牌图像,需要同时对其进行不反色和反色的处理,只能通过最后的字符分割结果来判断。
其次,拉普拉斯边缘检测
边缘特征是字符非常重要的特征,也是提取字符和去除伪区域的有力工具。
拉普拉斯(Laplacian)算子是二阶导数算子,对于一个连续函数f(x,y),其在(x,y)处的拉普拉斯(Laplacian)算子如下:
数字图像在(x,y)点的拉普拉斯边缘检测可以通过(x,y)的灰度值减去其邻域各点灰度值的加权平均来实现。拉普拉斯边缘检测在图像处理中也是通过小区域模板卷积来实现的:
拉普拉斯算子边缘检测方法是一个与边缘方向无关的边缘算子,因此可以完整地检测出字符边缘。如图5所示:
最后,对图像进行二值化
二值化算法的目的就是要找出一个合适的阈值,将待研究图像划分为前景和背景两个部分。这里采用经典的全局动态二值化方法:Otsu算法。它从整个灰度图像的象素分布出发,寻求一个最佳的阈值。Otsu算法是在判别最小二乘法的基础上推导出来的。基本思想是:取一个阈值T,将图像像素按灰度值大小分为大于等于T和小于T两类,然后求出两类像素的平均值方差(类间方差)和两个类各自的均方差(类内方差)。找出使两个方差比最大的阈值T,该阈值即为二值化图像的最佳阈值,如图6所示。这种方法不论图像的直方图有无明显的双峰,都能得到较为满意的效果,因此这种方法是阈值自动选取的较优方法。
三、估计字符高度
由于在车牌区域的水平直线方向上,字符区域的灰度呈现“峰”,字符之间区域的灰度呈现“谷”。利用车牌区域的整体字符的“峰-谷-峰”交替出现的特征,可以估计出字符的高度,如图7所示。估计出字符的高度对后续的字符提取步骤至关重要。同时还可以对车牌的上下边框进行去除。根据标准字符的高宽比,由估计出的字符高度,可以估计出字符的宽度。
四、提取字符
在黑底白字的车牌边缘图像中,存在完整的独立字符、粘连的字符和断裂的字符,分步进行字符提取,每一步提取后去除相应的字符。
通过字符轮廓可以得到轮廓的最小外接矩形,轮廓的最小外接矩形反应字符的尺寸。字符轮廓分为两类:普通字符和类“1”字符。
(1):提取边缘完整的独立普通字符
将高度接近估计的字符高度,并且高宽比接近标准字符高宽比的字符提取到普通字符类别中。如图8所示:
(2):分离粘连的字符
通常字符的粘连的情况有:字符与字符的粘连,字符与上下边框的粘连,字符与左右边框的粘连。
对字符的最小外接矩形宽度是字符估计宽度的1.5倍以上的情况进行处理:
I、优先处理字符与上下边框的粘连:这种粘连可能是多个字符与边框的粘连,而字符与字符之间存在明显的间隙,字符的间隙在二值化图像的垂直方向上为连续的黑色,其长度接近或大于字符估计的高度,找到字符间隙即可分离出字符。如图9所示:
II、然后处理字符与字符的粘连,这种情况通常不存在字符之间的空隙,所以只能强行分割。
III、最后处理字符与左右边框的粘连,左右边框在二值化图像的垂直方向上为连续的白色,去除一部分,降低其影响即可,避免伤及字体部分。
(3):提取断裂的字符
有些模糊的字符在边缘检测后,部分边缘是断裂的,需要对断裂的边缘之间进行小范围区域生长,边缘之间连接成功后,提取满足普通字符尺寸的字符。
(4):提取“1”、“J”、“T”、“L”
首先提取“1”字符,但是字符“1”可能是字符“J”、“L”、“T”断裂而产生,因此需要对“1”字符进行空间扩展,顶部和底部进行区域生长搜索,如果满足“J”、“T”、“L”中的轮廓形状,将其提取为普通字符;如果满足“1”轮廓,将其提取为“1”字符,如图10所示。
(5):二次确认
在车牌定位不精确的情况中,车牌左右的车体上也许会出现轮廓尺寸满足普通字符尺寸的干扰区域,由于车牌字符笔画较细,具有在先边缘检测再二值化与直接局部二值化的效果相似的特征,这里先将“1”字符外接矩形扩展到普通字符大小,对提取的字符在外接矩形框中做局部Otsu二值化,并与边缘二值化图比较,若相似,则为字符。
由于字符具有鲜明的边缘轮廓特性,轮廓周围很有可能存在字符,所以这个部分尽可能地从轮廓周围寻找和确认字符,为后续模板匹配打好基础。
五、模板匹配
在提取字符的步骤中,可能存在部分模糊的字符没有被提取出来,也可能存在提取的字符是伪字符,因此需要利用字符排列的整体特性,寻找没有提取的字符以及去除伪字符。
以下是四种常见的车牌模板,模板主要由字符高度、字符宽度和字符间距组成,如图11,图12,图13,图14所示:
利用车牌的颜色可以判断出使用哪一种字符模板。这里仅以第一种模板为例。
在模板匹配中,首先要获取车牌模板的大小,车牌模板由字符宽度、字符高度、字符间距组成,只需知道其中一个值就能通过三者的比例求取其他两个值,这里采用由字符宽度求取字符模板的方式。字符模板匹配仅对提取到5个以上的字符情况作处理。由提取到的字符的平均宽度作为基础,在此基础减2,减1,加1,加2,用5个字符宽度可以得出5个不同大小的模板,用这5个不同大小的字符模板在提取到的字符上移动作匹配,求出匹配度最大的模板。匹配度最大即为在多种匹配情况中,提取到的字符中心位置与所用模板中对应字符的中心位置偏移总量最小。
最佳匹配度:
上述公式中C1(i)为提取字符对应的模板字符的中心X坐标,C2(i)为提取字符的中心X坐标。
本发明方法的鲁棒性验证实验及实验结果分析:
本发明测试的样本采用电子警察系统中实际拍摄的图片经车牌定位和倾斜校正后的车牌区域图片。本发明共对589张车牌图片进行字符分割,其中573张可以正确分割,16张图片因字符模糊和图片质量较差只能分割出部分字符,实验可得平均车牌字符分割正确率为97.3%,图15为小型汽车车牌分割后的结果。表2为传统垂直投影方法和本发明方法的对比结果,传统投影法对字符粘连、对比度较差的车牌图像分割效果较差,而且受边框和二值化的影响比较大,抗干扰能力差,本发明方法不受这方面影响,可以正确分割。
表2实验结果对比
Claims (3)
1.一种基于字符轮廓和模板匹配的车牌字符分割算法,其特征在于:包括以下步骤:
步骤一:根据原图像对比度采用自适应灰度拉伸对图像进行增强;
步骤二:提取字符边缘:采用基于HSV颜色空间对车牌图像上每个像素的颜色进行判断,确定车牌颜色,然后使用拉普拉斯算子检测出字符边缘,并采用经典的全局动态二值化方法:Otsu算法找出一个合适的阈值对图像进行二值化,将图像划分为前景和背景两个部分;
步骤三:利用车牌区域的整体字符的“峰-谷-峰”交替出现的特征,得出字符的高度,同时对图像的上下边框进行去除,再根据标准字符的高宽比,由字符的高度,得到字符的宽度;
步骤四:在黑底白字的车牌边缘图像中,提取边缘完整的独立普通字符,分离粘连的字符,提取断裂的字符和类“1”字符,每一步提取后去除相应的字符,并对提取的字符进行二次确认;
步骤五:利用车牌的颜色判断出使用哪一种车牌样式模板,在模板匹配过程中首先获取车辆模板字符宽度,由提取到的字符的平均宽度作为基础,在此基础上减2,减1,加1,加2,用5个字符宽度可以得到5个不同大小的模板,用这5个不同大小的字符模板在提取到的字符上移动作匹配,求出匹配度最大的模板。
2.根据权利要求1所述的一种基于字符轮廓和模板匹配的车牌字符分割算法,其特征在于:步骤四的具体步骤为:在黑底白字的车牌边缘图像中,存在完整的独立字符、粘连的字符和断裂的字符,分步进行字符提取,每一步提取后去除相应的字符,通过字符轮廓可以得到轮廓的最小外接矩形,轮廓的最小外接矩形反应字符的尺寸,字符轮廓分为两类:普通字符和类“1”字符;
(1)提取边缘完整的独立普通字符
将高度接近估计的字符高度,并且高宽比接近标准字符高宽比的字符提取到普通字符类别中;
(2)分离粘连的字符
通常字符的粘连的情况有:字符与字符的粘连,字符与上下边框的粘连,字符与左右边框的粘连;
对字符的最小外接矩形宽度是字符估计宽度的1.5倍以上的情况进行处理:
I、优先处理字符与上下边框的粘连:这种粘连可能是多个字符与边框的粘连,而字符与字符之间存在明显的间隙,字符的间隙在二值化图像的垂直方向上为连续的黑色,其长度接近或大于字符估计的高度,找到字符间隙即可分离出字符;
II、然后处理字符与字符的粘连,这种情况通常不存在字符之间的空隙,所以只能强行分割;
III、最后处理字符与左右边框的粘连,左右边框在二值化图像的垂直方向上为连续的白色,去除一部分,降低其影响即可,避免伤及字体部分;
(3)提取断裂的字符
有些模糊的字符在边缘检测后,部分边缘是断裂的,需要对断裂的边缘之间进行区域生长,边缘之间连接成功后,提取满足普通字符尺寸的字符;
(4)提取类“1”字符
首先提取“1”字符,但是字符“1”可能是字符“J”、“L”、“T”断裂而产生,因此需要对“1”字符进行空间扩展,顶部和底部进行区域生长搜索,如果满足“J”、“T”、“L”中的轮廓形状,将其提取为普通字符;如果满足“1”轮廓,将其提取为“1”字符。
3.根据权利要求1所述的一种基于字符轮廓和模板匹配的车牌字符分割算法,其特征在于:步骤一中所述的自适应灰度拉伸,在图像增强中,图像拉伸是增加图像对比度的一个好方法,灰度拉伸公式:
其中a,b是指图像直方图的灰度值,是在a到b之间进行线性灰度拉伸,g(x,y)是指灰度拉伸后的图像的灰度值,f(x,y)是指未经拉伸的图像的灰度值,a,b的第一次取值如下:
这里,i为图像的灰度级,c(i)为图像的累积直方图;
但是简单的图像拉伸有可能造成拉伸过度,损失了车牌区域的细节,解决的方法就是根据原图的对比度采用自适应拉伸方法,即根据(b-a)的取值,做出调整:如果图像的动态范围较大,则车牌底色和字符色相相差较大,可进一步增加其对比度;如果图像的动态范围较小,则车牌区域的动态范围也小,可能造成拉伸过度。具体算法如下:
p=(b-a)/255
a=a+(b-a)×p1
b=b-(b-a)×p2
这里,p1和p2为权重因子,其值大小根据灰度拉伸的动态范围p做自适应调整,使用的参数是:p>0.8时,p1=p2=0.2;p>0.5时,p1=p2=0.15;其余p1=p2=0;在实验中收到了良好的效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310135291.0A CN103198315B (zh) | 2013-04-17 | 2013-04-17 | 基于字符轮廓和模板匹配的车牌字符分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310135291.0A CN103198315B (zh) | 2013-04-17 | 2013-04-17 | 基于字符轮廓和模板匹配的车牌字符分割算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103198315A true CN103198315A (zh) | 2013-07-10 |
CN103198315B CN103198315B (zh) | 2015-12-02 |
Family
ID=48720849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310135291.0A Expired - Fee Related CN103198315B (zh) | 2013-04-17 | 2013-04-17 | 基于字符轮廓和模板匹配的车牌字符分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103198315B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390160A (zh) * | 2013-07-24 | 2013-11-13 | 佳都新太科技股份有限公司 | 一种基于连通域和模板的车牌字符切分算法 |
CN103729632A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN104408454A (zh) * | 2014-06-30 | 2015-03-11 | 电子科技大学 | 基于弹性模板匹配算法的车牌字符分割方法 |
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 |
CN106296640A (zh) * | 2015-06-09 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 一种识别模糊图像的方法和装置 |
CN106845488A (zh) * | 2017-01-18 | 2017-06-13 | 博康智能信息技术有限公司 | 一种车牌图像处理方法及装置 |
CN107451589A (zh) * | 2017-07-07 | 2017-12-08 | 南京邮电大学 | 一种基于改进的ostu算法的夜间车牌二值化的方法 |
CN107909075A (zh) * | 2017-11-28 | 2018-04-13 | 上海电科智能系统股份有限公司 | 一种基于Laplacian扩展算子的车牌图像二值化方法 |
CN108734845A (zh) * | 2017-04-20 | 2018-11-02 | 深圳怡化电脑股份有限公司 | 检测纸币冠字号的方法及装置 |
CN108956526A (zh) * | 2018-06-22 | 2018-12-07 | 西安天和防务技术股份有限公司 | 一种被动式太赫兹危险品检测装置、检测方法及其应用 |
CN109145916A (zh) * | 2018-08-02 | 2019-01-04 | 福州利倍得网络技术有限公司 | 一种图像文字识别切割方法及一种存储设备 |
CN109977959A (zh) * | 2019-03-29 | 2019-07-05 | 国家电网有限公司 | 一种火车票字符区域分割方法及装置 |
CN110097052A (zh) * | 2019-04-22 | 2019-08-06 | 苏州海赛人工智能有限公司 | 一种基于图像的真假车牌判别方法 |
CN110536063A (zh) * | 2018-05-25 | 2019-12-03 | 神讯电脑(昆山)有限公司 | 车用取像装置及影像撷取方法 |
CN110634145A (zh) * | 2018-06-22 | 2019-12-31 | 青岛日日顺物流有限公司 | 基于图像处理的仓库盘点方法 |
CN111753851A (zh) * | 2020-07-01 | 2020-10-09 | 中国铁路设计集团有限公司 | 基于图像处理的铁路雪深及风雪运移轨迹监测方法及系统 |
CN113593057A (zh) * | 2021-06-28 | 2021-11-02 | 西安坤斗科技有限责任公司 | 一种基于无人机巡检的路内停车位管理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050169500A1 (en) * | 2004-01-30 | 2005-08-04 | Fujitsu Limited | Method of and apparatus for setting image-capturing conditions, and computer program |
CN101383003A (zh) * | 2008-10-31 | 2009-03-11 | 江西赣粤高速公路股份有限公司 | 车辆号牌实时精确识别方法 |
CN102496019A (zh) * | 2011-12-08 | 2012-06-13 | 银江股份有限公司 | 一种车牌字符分割方法 |
-
2013
- 2013-04-17 CN CN201310135291.0A patent/CN103198315B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050169500A1 (en) * | 2004-01-30 | 2005-08-04 | Fujitsu Limited | Method of and apparatus for setting image-capturing conditions, and computer program |
CN101383003A (zh) * | 2008-10-31 | 2009-03-11 | 江西赣粤高速公路股份有限公司 | 车辆号牌实时精确识别方法 |
CN102496019A (zh) * | 2011-12-08 | 2012-06-13 | 银江股份有限公司 | 一种车牌字符分割方法 |
Non-Patent Citations (1)
Title |
---|
史望聪: "基于图像处理的高速公路车牌识别关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390160A (zh) * | 2013-07-24 | 2013-11-13 | 佳都新太科技股份有限公司 | 一种基于连通域和模板的车牌字符切分算法 |
CN103729632A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN103729632B (zh) * | 2014-01-22 | 2016-11-02 | 哈尔滨工业大学 | 一种基于连通区域滤波的圆形Mark点的定位方法 |
CN104408454A (zh) * | 2014-06-30 | 2015-03-11 | 电子科技大学 | 基于弹性模板匹配算法的车牌字符分割方法 |
CN106296640A (zh) * | 2015-06-09 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 一种识别模糊图像的方法和装置 |
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 |
CN106845488B (zh) * | 2017-01-18 | 2020-08-21 | 博康智能信息技术有限公司 | 一种车牌图像处理方法及装置 |
CN106845488A (zh) * | 2017-01-18 | 2017-06-13 | 博康智能信息技术有限公司 | 一种车牌图像处理方法及装置 |
CN108734845B (zh) * | 2017-04-20 | 2021-01-01 | 深圳怡化电脑股份有限公司 | 检测纸币冠字号的方法及装置 |
CN108734845A (zh) * | 2017-04-20 | 2018-11-02 | 深圳怡化电脑股份有限公司 | 检测纸币冠字号的方法及装置 |
CN107451589A (zh) * | 2017-07-07 | 2017-12-08 | 南京邮电大学 | 一种基于改进的ostu算法的夜间车牌二值化的方法 |
CN107909075A (zh) * | 2017-11-28 | 2018-04-13 | 上海电科智能系统股份有限公司 | 一种基于Laplacian扩展算子的车牌图像二值化方法 |
CN110536063A (zh) * | 2018-05-25 | 2019-12-03 | 神讯电脑(昆山)有限公司 | 车用取像装置及影像撷取方法 |
CN110536063B (zh) * | 2018-05-25 | 2021-06-15 | 神讯电脑(昆山)有限公司 | 车用取像装置及影像撷取方法 |
CN108956526A (zh) * | 2018-06-22 | 2018-12-07 | 西安天和防务技术股份有限公司 | 一种被动式太赫兹危险品检测装置、检测方法及其应用 |
CN110634145A (zh) * | 2018-06-22 | 2019-12-31 | 青岛日日顺物流有限公司 | 基于图像处理的仓库盘点方法 |
CN108956526B (zh) * | 2018-06-22 | 2021-02-26 | 西安天和防务技术股份有限公司 | 一种被动式太赫兹危险品检测装置、检测方法及其应用 |
CN109145916A (zh) * | 2018-08-02 | 2019-01-04 | 福州利倍得网络技术有限公司 | 一种图像文字识别切割方法及一种存储设备 |
CN109145916B (zh) * | 2018-08-02 | 2021-08-27 | 福建多多云科技有限公司 | 一种图像文字识别切割方法及一种存储设备 |
CN109977959B (zh) * | 2019-03-29 | 2021-07-06 | 国家电网有限公司 | 一种火车票字符区域分割方法及装置 |
CN109977959A (zh) * | 2019-03-29 | 2019-07-05 | 国家电网有限公司 | 一种火车票字符区域分割方法及装置 |
CN110097052A (zh) * | 2019-04-22 | 2019-08-06 | 苏州海赛人工智能有限公司 | 一种基于图像的真假车牌判别方法 |
CN111753851A (zh) * | 2020-07-01 | 2020-10-09 | 中国铁路设计集团有限公司 | 基于图像处理的铁路雪深及风雪运移轨迹监测方法及系统 |
CN111753851B (zh) * | 2020-07-01 | 2022-06-07 | 中国铁路设计集团有限公司 | 基于图像处理的铁路雪深及风雪运移轨迹监测方法及系统 |
CN113593057A (zh) * | 2021-06-28 | 2021-11-02 | 西安坤斗科技有限责任公司 | 一种基于无人机巡检的路内停车位管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103198315B (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103198315B (zh) | 基于字符轮廓和模板匹配的车牌字符分割算法 | |
CN103116751B (zh) | 一种车牌字符自动识别方法 | |
CN102375982B (zh) | 一种融合多字符特征的车牌定位方法 | |
Omachi et al. | Detection of traffic light using structural information | |
CN101398894B (zh) | 机动车车牌自动识别方法及其实现装置 | |
CN106650553A (zh) | 车牌识别方法及系统 | |
US9092696B2 (en) | Image sign classifier | |
CN104156704A (zh) | 一种新的车牌识别方法及系统 | |
CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
CN104751142A (zh) | 一种基于笔划特征的自然场景文本检测算法 | |
CN102880863B (zh) | 一种基于可变形部件模型的车牌及驾驶员人脸定位方法 | |
CN104361336A (zh) | 一种水下视频图像的文字识别方法 | |
CN102819728A (zh) | 一种基于分类模板匹配的交通标志检测方法 | |
CN103530608A (zh) | 车辆类型判断方法和装置 | |
CN103679168A (zh) | 文字区域检测方法及装置 | |
CN103544484A (zh) | 一种基于surf的交通标志识别方法及系统 | |
CN102999753A (zh) | 车牌定位方法 | |
Deb et al. | HSI color based vehicle license plate detection | |
CN103824081A (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN103390167A (zh) | 一种多特征的分层交通标志识别方法 | |
CN104766344B (zh) | 基于运动边缘提取器的车辆检测方法 | |
CN102880859A (zh) | 一种车牌识别方法 | |
CN103279755A (zh) | 基于汽车底部阴影特征的快速车牌定位方法 | |
CN105893960A (zh) | 基于相位对称性的道路交通标志检测方法 | |
CN105787475A (zh) | 一种复杂环境下的交通标志检测与识别方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151202 |
|
CF01 | Termination of patent right due to non-payment of annual fee |