CN106529540A - 一种基于灰度投影的车牌字符分割方法 - Google Patents
一种基于灰度投影的车牌字符分割方法 Download PDFInfo
- Publication number
- CN106529540A CN106529540A CN201610972191.7A CN201610972191A CN106529540A CN 106529540 A CN106529540 A CN 106529540A CN 201610972191 A CN201610972191 A CN 201610972191A CN 106529540 A CN106529540 A CN 106529540A
- Authority
- CN
- China
- Prior art keywords
- character
- license plate
- characters
- width
- car 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Character Input (AREA)
Abstract
本发明涉及计算机视觉领域,特指一种基于灰度投影的车牌字符分割方法。本发明针对车牌字符分割这个特定问题,为了提高车牌字符分割的准确性与可靠性,使其能满足实时性需求。本方法包括两个步骤:1.去除输入车牌区域图像的车牌边框,其包括车牌上下边框的去除,以及车牌左右边框的去除;2.车牌字符的分割。本方法有效克服了图像处理过程中图片背景比较复杂、天气和光照影响、以及旧车车牌或赃车车牌的车牌区域模糊等困难,使得车牌字符读取可靠性高,识别度好,鲁棒性好,同时步骤计算简单,能保持高效率,实时性也能满足需求,提高了监控系统的车牌识别的准确程度,对于道路交通和停车场车辆管理具有重要的促进作用。
Description
技术领域
本发明涉及计算机视觉领域,特指一种基于灰度投影的车牌字符分割方法。
背景技术
随着现代化交通的发展,车辆牌照自动识别技术越来越受到人们的重视,是近年来计算机视觉与模式识别技术在智能交通领域的重要研究课题之一。车辆牌照自动识别系统可用于公路收费站、停车场、十字路口等场所的车辆管理,对于道路交通和停车场车辆管理具有重要的促进作用。
车牌识别技术包括车牌定位、字符分割和字符识别3个基本环节,其中车牌定位是字符分割和字符识别的前提,而车牌字符分割是车牌识别的基础。
在实际的车牌图像字符分割中,通常会存在很多困难。具体体现在以下几点。首先,在具体应用中采集到的图片背景比较复杂,这对于图像的处理明显增加了难度。其次,采集得到的图片受天气、光照等的影响,故在图像处理过程中需要利用有效的算法排除光照、天气对图像的影响,这无疑对我们车牌识别分割的算法提出了更高的要求。这就需要研究性能更好的算法来提高算法的鲁棒性。第三,在实际采集的图片中,很多采集到的车牌是旧车车牌,或者是赃车车牌,这造成图片中的车牌区域很模糊、车牌区域的颜色信息丢失、车牌字符粘连等情况。这对车牌的定位、分割、识别都增加了难度。第四,由于在路上行驶的车辆所挂的车牌多是在标准GA36-1992下生产的,由于该标准的不严密性,在该标准下生产的号牌其色度值分布范围广,再加上一条原因,从而使得采集所得到的号牌其色度值分布范围广泛,从而加大了我们对该信息利用的难度。在同一副待分割的车牌图像中,上面提到的困难可能几项都存在而不仅仅是单一困难的存在,当其中几项困难一起存在时,其带来的难度并不是简单相加的过程,所以难度更大。这些就是存在于车牌识别系统中的一些问题,从这些问题中,我们也能隐约看到车牌识别系统中车牌分割的难度。
针对上述现实问题,本发明提出了一种基于灰度投影的车牌字符分割的方法。本方法车牌字符读取可靠性高,识别度好,鲁棒性好,同时步骤计算简单,能保持高效率,实时性也能满足需求。
发明内容
针对现行车牌识别中存在的这些特定难点问题,为了提高监控系统的车牌识别的准确程度,并使其满足实时性需求,本发明提出一种基于灰度投影的车牌字符分割方法,其具体技术方案如下:
一种基于灰度投影的车牌字符分割方法,包括以下步骤:
S1)去除输入车牌区域图像的车牌边框;
S2)采用投影法对车牌字符进行分割。
作为本发明的优选技术方案,
所述步骤S1)具体包括:
S1.1)车牌上下边框的去除;
S1.2)车牌左右边框的去除;
所述步骤S2)具体包括:
S2.1)对车牌图像进行字符的对比度增强;
S2.2)对前面增强的车牌图像,按列累加图像的像素值,得到车牌的投影曲线,并采用滤波平滑所述投影曲线;
S2.3)采用投影法进行字符分割。
作为本发明的优选技术方案,所述步骤S1.1)包括:
S1.1.1)获取车牌候选区域的二值化阈值,从而得到候选区域的二值图像,为了排除车牌倾斜角度的影响我们求取该二值图像中间部分的行和,然后将行和处理如下:
S1.1.2)从中间向两端开始寻找rowsum的上下方向上有一段距离为零的边界,该距离为0.75×height,此时我们得到的边界就是最后所需要的车牌上下边界;根据所得车牌上下边界去除车牌上下边框;
所述步骤S1.2)包括:
S1.2.1)用与去除上下边框相同的方法来找到一个车牌左右边框的边界:left1,right1;
S1.2.2)重新构建一个二值图像再用和S1.2.1)相同的投影法来寻找边界left2,right2;此时构建的二值图像根据车牌区域HSI模型的h值来二值化图像;首先对车牌区域的中间区域来统计其h值的范围,然后根据该范围对全部车牌区域进行二值化,就得到了我们需要的二值化图像;
S1.2.3)根据S1.2.1)和S1.2.2)得到的两个边界信息来确定最后的边界;最后确定的边界可以用下面式子表示:
left=max(left1,left2)
right=min(right1,right2)
根据所得车牌左右边界去除车牌左右边框。
作为本发明的优选技术方案,所述步骤S2.1)中,采用车牌增强算法如下:
S2.1.1):统计整个车牌区域内像素点的最大像素值和最小像素值maxvalue,minvalue;
S2.1.2):设置需要增强的像素点数占全部像素点数的比例系数coef;
S2.1.3):统计0-255像素值上对应出现的像素点的个数,并存储在1×255的数组count(1,i)里面;
S2.1.4):从count(1,i),i=255开始往下统计像素点的个数,如果统计的像素点pixelnum<width*height*coef则将i-1继续统计,否则停止统计并记下当前的像素值index;
S2.1.5):车牌区域每一点按下面的方法进行增强:
经过上面的变换后,完成图像字符的对比度的增强。
作为本发明的优选技术方案,所述步骤S2.3)具体包括如下步骤:
S2.3.1):根据车牌的灰度投影曲线图可得,车牌后面最多出现五个双峰结构,故搜索出前五个最大波谷点,然后判断该前五个最大波谷点是否为双峰结构中的波谷点,如果是,则将该双峰结构的起止位置记下;
S2.3.2):确定车牌字符宽度characterwidth;如果步骤S2.3.1)检测到了双峰结构,则字符宽度就取为检测到的所有双峰结构的平均值,否则字符宽度就取前3个单峰宽度中的最大值;
S2.3.3):设置字符起始点为第二字符和第三字符的分割点,设置结束点为车牌最后一个波谷点;如果在步骤S2.3.1)中检测到了双峰结构则进行步骤S2.3.4),否则进行步骤S2.3.5);
S2.3.4):设置字符临时分割段起始点为字符起始点,字符临时分割段终点为一个双峰结构起始位置,然后在字符临时分割段里进行检测,如果该字符临时分割段里有一个峰结构,则该峰结构就单独为一个字符,如果该字符临时分割段里有两个峰结构,则先判断这两个峰结构是一个双峰字符还是两个单峰字符,具体判断规则就利用这两个峰结构的宽度,以及该宽度和字符宽度进行比较;如果这两个峰结构宽度之和小于字符宽度的1.2倍且这两个峰结构宽度相差很小,则这两个峰结构为一个双峰字符的投影,反之为两个单峰字符,且可以肯定两个单峰字符的前面一个峰结构就是一个字符,将其前面的一个峰结构分割出来然后更新字符临时分割段如下:将字符临时分割段的起点更新到被分割出来的峰后面,字符临时分割段终点不变,但是如果此时字符临时分割段的起点等于终点时则将其起点更新到先前的双峰结构的终止位置,并将临时分割段的终点更新到下一个双峰结构的起点,如果后面没有双峰结构了则将临时分割段的终点更新为字符结束点,然后重复步骤S2.3.4)直到分割到字符结束点为止;
S2.3.5):从字符起始点开始分割直到分割出5个字符;在分割中需要检测相邻的两个峰结构是不是一个字符的双峰曲线,检测所利用的方法和步骤S2.3.4)中相同,利用两个峰的宽度和该宽度与字符宽度之间的关系进行判断;
S2.3.6):根据分割出的后面五个字符来分割前面两个字符;首先将分割出来的后面五个字符中的最大宽度作为前面两个字符的宽度;前面两个字符为字母或者汉字,使用后面五个字符中的最大宽度作为前面字符的宽度;分割前面两个字符的方法为:从第二字符和第三字符的分割点向前移动字符宽度个像素,然后将离该第二字符和第三字符的分割点的最近一个波谷值作为车牌第一字符和第二字符的分割点,利用同样方法也可以确定第一个字符的开始位置;
S2.3.7):对分割出来的字符序列进行检测,看该字符序列是否符合车牌字符序列的特征,该特征可以用下面表达式来表示,假设dis1为前面两个字符的宽度向量,dis2为后面五个字符的度向量,width为车牌宽度,height为车牌高度,则一个合理的车牌字符序列必须满足下面的表达式:
min(min(dis1),min(dis2))>width/10
max(dis2)/width/5
height/min(dis1)<3
根据上述表达式从车牌区域中分割出字符序列。
本发明相对于现有技术而言,本发明的有益效果在于:
本方法有效克服了图像处理过程中图片背景比较复杂、天气和光照影响、以及旧车车牌或赃车车牌的车牌区域模糊等困难,使得车牌字符读取可靠性高,识别度好,鲁棒性好,同时步骤计算简单,能保持高效率,实时性也能满足需求,提高了监控系统的车牌识别的准确程度,对于道路交通和停车场车辆管理具有重要的促进作用。
附图说明
图1是本发明整体算法流程图;
图2是本发明车牌图像增强算法效果图;
图3是本发明字符分割算法流程图;
图4是本发明车牌投影曲线的滤波前后的效果图。
具体实施方式:
以基于字符分割算法的灰度投影车牌识别的方法为例,结合附图对本发明做进一步详细说明。
S1.去除输入车牌区域图像的车牌边框;
对于车牌图像来说,在定位出来后的车牌图像有两种,一种是有边框的车牌,而另一种是没有边框的车牌。我们将车牌候选区域旋转至水平后就可以对车牌进行精确定位了,也就是对车牌边框的去除。对测试数据进行统计分析可以得出:经过定位旋转后的车牌候选区域边框有两种,一种是车牌本身的边框,而另一种是车牌周围的白色背景与车牌一起被当作候选车牌区域,此时该白色背景也可以被看作是车牌的边框。
车牌边框的处理分为车牌上下边框的处理和车牌左右边框的处理。车牌的上下边框的处理比较简单,车牌的上下边框分为两种:一种是车牌本身的白色边框,另一种是车牌上下位置的白色背景。而车牌的左右边界也可以归为这两类,不过由于图像本身的特征,一般来说车牌的上下边框要宽于左右边框,并且车牌左右边框要复杂一些。
对于车牌的上下边框的去除,本发明采取了下面步骤来处理:
S1.1上下边框的去除;
S1.1.1以OTSU(大津算法)方法为例,可采用其他类似方法获取车牌候选区域的二值化阈值;
用OTSU(大津算法)方法获得车牌候选区域的二值化阈值,从而得到候选区域的二值图像,为了排除车牌倾斜角度的影响我们求取该二值图像中间部分的行和,然后将行和处理如下:
S1.1.2从中间向两端开始寻找rowsum的上下方向上有一段距离为零的边界,本发明算法中采用该距离为0.75×height,因为一般车牌的上下边框去除的比较准确,故我们采用图形高度来做参考距离。此时我们得到的边界就是最后所需要的车牌上下边界。
经过上面处理后,对于大多数图片我们就可以将其上下边框进行处理掉,然后我们就可以对该车牌区域进行去除左右边框了。
对于车牌的左右边框的去除,本发明采取了下面步骤来处理:
S1.2左右边框的去除;
S1.2.1用去除上下边框相同的方法来找到一个左右边框的边界:left1,right1。
S1.2.2重新构建一个二值图像再用和第一步相同的投影法来寻找边界left2,right2。此时构建的二值图像根据车牌区域HSI模型的h值来二值化图像。首先对车牌区域的中间区域来统计其h值的范围,然后根据该范围对全部车牌区域进行二值化,就得到了我们需要的二值化图像。
S1.2.3根据第一和第二步得到的两个边界信息来确定最后的边界。最后确定的边界可以用下面式子表示:
left=max(left1,left2)
right=min(right1,right2)
按照上述两个步骤去边框处理后,得到的车牌区域比原来定位出来原始车牌区域精确了些,但是并不是绝对的精确,我们可以将其看作是边框去除过程中引入的误差。本发明采用的分割算法能够容忍在车牌边框去除时存在的少许误差。也就是说在去除车牌左右边框时,边框没有完全去除并不影响我们队字符的正确分割。
S2.车牌字符分割;
在进行分割字符前,必须要注意一个问题,那就是由于不同光照、和车牌脏旧等原因使得车牌的灰度图像中背景和字符对比度不强,这对于后一步用投影法来进行字符分割会带来一定的难度,故而在分割前需要先对车牌图像进行字符的对比度增强。
一个完整的车牌区域字符像素占整个车牌区域像素的20%,对于某些图片来说,虽然由于其他原因使得车牌中字符和背景的差异不是很大,但是总体上来说字符的像素值也比背景像素值高一些。故可以利用该特点来对车牌区域中前20%像素进行增强而对其他的像素进行抑制,从而到达增强目标字符抑制背景的目的。对此本发明采用车牌增强算法如下:
步骤1:统计整个车牌区域内像素点的最大像素值和最小像素值maxvalue,minvalue。
步骤2:设置需要增强的像素点数占全部像素点数的比例系数coef,所述比例系数范围在0-1之间,根据实际需要调整,通常原始车牌图像较清晰,比例系数就较小,原始车牌图像模糊,比例系数就大。
步骤3:统计0-255像素值上对应出现的像素点的个数,并存储在1×255的数组count(1,i)里面。
步骤4:从count(1,i),i=255开始往下统计像素点的个数,如果统计的像素点pixelnum<width*height*coef则将i-1继续统计,否则停止统计并记下当前的像素值index。
步骤5:车牌区域每一点按下面的方法进行增强:
经过上面的变换后,就可以将图像进行增强,如果原图已有很好的对比度,经过以上的变换也不会使图像的效果变差,其效果图如图2所示。
从图2的效果可以看出,前两幅由RGB直接转换为灰度图像的车牌区域其对比度不是很明显,经过增强后背景和字符的对比度明显好转,而原本对比度一般的车牌区域经过增强后其效果也变得更好了。这样的增强对下一步分割字符有利。因为本发明所采用的字符分割方法是基于灰度投影的算法,由于原本字符对比度不明显,其灰度投影图的波峰、波谷特征也不是很明显,但是经过图像增强后,其灰度投影图就能够很好的表现其波峰波谷特征,有利用对字符的精确分割。
本发明所用的灰度投影分割字符充分利用了车牌字符的特点,与一般的投影分割相比有很大的优越性。普通的投影分割就是利用灰度投影曲线的波谷点来对字符进行分割。本发明对这种普通的投影算法进行了改进大大提高了字符分割正确率。由车牌字符投影曲线可以看出,车牌圆点右边的五个字符中除了字符就是数字,当然还有少数车牌为汉字。对于字符和数字来说,其投影曲线不是双峰结构就是单峰结构。所以本发明在对字符进行分割充分利用该特征改进了投影分割算法。本发明字符分割算法流程图如图3所示。
进行字符分割前,对前面增强的车牌图像,按列累加图像的像素值,就可以得到车牌的投影曲线,但是得到的投影曲线有很多噪声使其并不平滑,这影响系对字符的分割,所以首先需要将投影曲线进行平滑,在本算法中以高斯滤波为例来平滑投影曲线,用于滤波的核为[0.25,0.5,1,0.5,0.25]。图4为车牌投影曲线的滤波前后的效果图。从图中可以很明显的看出经过滤波后的投影曲线比原曲线平滑了很多,且原曲线中的一些由噪声引起的峰值也在滤波后消失了,这样在检测波峰波谷时就不会检测出因噪声产生的波峰波谷点。
由滤波后的车牌灰度投影图,就可以根据该投影曲线来进行字符分割。本发明采用的是改进的投影法来进行字符分割。一般的投影法分割字符是直接利用波谷点来对字符进行分割,而本发明的投影法在分割字符时充分考虑了车牌字符的投影特征,具体步骤如下:
步骤1:根据车牌的灰度投影曲线图可得,车牌后面最多出现五个双峰结构,故搜索出前五个最大波谷点,然后判断这些点是否为双峰结构中的波谷点,如果是,则将该双峰结构的起止位置记下。
步骤2:确定车牌字符宽度characterwidth。如果步骤1检测到了双峰结构,则字符宽度就取为检测到的所有双峰结构的平均值,否则字符宽度就取前3个单峰宽度中的最大值。
步骤3:设置字符起始点为第二字符和第三字符的分割点,设置结束点为车牌最后一个波谷点。如果在步骤1中检测到了双峰结构则进行步骤4,否则进行步骤5。
步骤4:设置字符临时分割段起始点为字符起始点,字符临时分割段终点为一个双峰结构起始位置,然后在字符临时分割段里进行检测,如果该段里有一个峰结构,则该峰就单独为一个字符,如果该段里有两个峰结构,则先判断这两个峰是一个双峰字符还是两个单峰字符,具体判断规则就利用这两个峰的宽度,以及该宽度和字符宽度进行比较。如果这两个峰宽度之和小于字符宽度的1.2倍且这两个峰宽度相差很小。则这两个峰结构为一个双峰字符的投影,反之为两个单峰字符,且可以肯定两个单峰字符的前面一个峰结构就是一个字符,所以可以将其前面的一个峰结构分割出来然后更新字符临时分割段如下:将字符临时分割段的起点更新到被分割出来的峰后面,字符临时分割段终点不变,但是如果此时字符临时分割段的起点等于终点时则将其起点更新到先前的双峰结构的终止位置,并将临时分割段的终点更新到下一个双峰结构的起点,如果后面没有双峰结构了则将临时分割段的终点更新为字符结束点,然后重复步骤4直到分割到字符结束点为止。
步骤5:进行到该步骤说明在检测双峰结构时并未检测到,但是并不代表该车牌内不存在双峰结构的字符,并不能排除存在有双峰结构的字符。此时分割就直接从字符起始点开始分割直到分割出5个字符。在分割中需要检测的就是检测相邻的两个峰结构是不是一个字符的双峰曲线。检测所利用的方法和步骤4中相同,利用两个峰的宽度和该宽度与字符宽度之间的关系进行判断。
步骤6:根据分割出的后面五个字符来分割前面两个字符。首先将分割出来的后面五个字符中的最大宽度作为前面两个字符的宽度。前面两个字符为字母或者汉字,而字符也为双峰结构的,所以用后面五个字符中的最大宽度作为前面字符的宽度是合理的。分割前面两个字符的方法为:从第二字符和第三字符的分割点向前移动字符宽度个像素,然后将离该点的最近一个波谷值作为车牌第一字符和第二字符的分割点。利用同样方法也可以确定第一个字符的开始位置。
步骤7:对分割出来的字符序列进行检测,看该序列是否符合车牌字符序列的特征。该特征可以用下面表达式来表示,假设dis1为前面两个字符的宽度向量,dis2为后面五个字符看宽度向量,width为车牌宽度,height为车牌高度,则一个合理的车牌字符序列必须满足下面的表达式:
min(min(dis1),min(dis2))>width/10
max(dis2)/width/5
height/min(dis1)<3
这样就可以从车牌区域中分割出字符序列,从上面的算法步骤中可以看出,对于还有部分左右边框的车牌,本发明的分割算法对其有很高的鲁棒性。
本发明中提出的方法实际上可嵌入FPGA实现,运用于具有实时输出图像功能的车牌识别功能的监控系统相机或摄像机中。
本领域技术人员将清楚本发明的范围不限制于以上讨论的示例,有可能对其进行若干改变和修改,而不脱离所附权利要求书限定的本发明的范围。尽管己经在附图和说明书中详细图示和描述了本发明,但这样的说明和描述仅是说明或示意性的,而非限制性的。本发明并不限于所公开的实施例。
通过对附图,说明书和权利要求书的研究,在实施本发明时本领域技术人员可以理解和实现所公开的实施例的变形。在权利要求书中,术语“包括”不排除其他步骤或元素,而不定冠词“一个”或“一种”不排除多个。在彼此不同的从属权利要求中引用的某些措施的事实不意味着这些措施的组合不能被有利地使用。权利要求书中的任何参考标记不构成对本发明的范围的限制。
Claims (5)
1.一种基于灰度投影的车牌字符分割方法,其特征在于,包括以下步骤:
S1)去除输入车牌区域图像的车牌边框;
S2)采用投影法对车牌字符进行分割。
2.根据权利要求1所述的基于灰度投影的车牌字符分割方法,其特征在于,
所述步骤S1)具体包括:
S1.1)车牌上下边框的去除;
S1.2)车牌左右边框的去除;
所述步骤S2)具体包括:
S2.1)对车牌图像进行字符的对比度增强;
S2.2)对前面增强的车牌图像,按列累加图像的像素值,得到车牌的投影曲线,并采用滤波平滑所述投影曲线;
S2.3)采用投影法进行字符分割。
3.根据权利要求2所述的基于灰度投影的车牌字符分割方法,其特征在于,
所述步骤S1.1)包括:
S1.1.1)获取车牌候选区域的二值化阈值,从而得到候选区域的二值图像,求取该二值图像中间部分的行和,然后将行和处理如下:
S1.1.2)从中间向两端开始寻找rowsum的上下方向上有一段距离为零的边界,该距离为0.75×height,此时得到的边界就是最后所需要的车牌上下边界;根据所得车牌上下边界去除车牌上下边框;
所述步骤S1.2)包括:
S1.2.1)用去除上下边框相同的方法来找到一个车牌左右边框的边界:left1,right1;
S1.2.2)重新构建一个二值图像再用和S1.2.1)相同的投影法来寻找边界left2,right2;此时构建的二值图像根据车牌区域HSI模型的h值来二值化图像;首先对车牌区域的中间区域来统计其h值的范围,然后根据该范围对全部车牌区域进行二值化,得到二值化图像;
S1.2.3)根据S1.2.1)和S1.2.2)得到的两个边界信息来确定最后的边界;最后确定的边界可以用下面式子表示:
left=max(left1,left2)
right=min(right1,right2)
根据所得车牌左右边界去除车牌左右边框。
4.根据权利要求1所述的基于灰度投影的车牌字符分割方法,其特征在于,所述步骤S2.1)中,采用车牌增强算法如下:
S2.1.1):统计整个车牌区域内像素点的最大像素值和最小像素值maxvalue,minvalue;
S2.1.2):设置需要增强的像素点数占全部像素点数的比例系数coef;
S2.1.3):统计0-255像素值上对应出现的像素点的个数,并存储在1×255的数组count(1,i)里面;
S2.1.4):从count(1,i),i=255开始往下统计像素点的个数,如果统计的像素点pixelnum<width*height*coef则将i-1继续统计,否则停止统计并记下当前的像素值index;
S2.1.5):车牌区域每一点按下面的方法进行增强:
经过上面的变换后,完成图像字符的对比度的增强。
5.根据权利要求1所述的基于灰度投影的车牌字符分割方法,其特征在于,所述步骤S2.3)具体包括如下步骤:
S2.3.1):根据车牌的灰度投影曲线图可得,车牌后面最多出现五个双峰结构,故搜索出前五个最大波谷点,然后判断该前五个最大波谷点是否为双峰结构中的波谷点,如果是,则将该双峰结构的起止位置记下;
S2.3.2):确定车牌字符宽度characterwidth;如果步骤S2.3.1)检测到了双峰结构,则字符宽度就取为检测到的所有双峰结构的平均值,否则字符宽度就取前3个单峰宽度中的最大值;
S2.3.3):设置字符起始点为第二字符和第三字符的分割点,设置结束点为车牌最后一个波谷点;如果在步骤S2.3.1)中检测到了双峰结构则进行步骤S2.3.4),否则进行步骤S2.3.5);
S2.3.4):设置字符临时分割段起始点为字符起始点,字符临时分割段终点为一个双峰结构起始位置,然后在字符临时分割段里进行检测,如果该字符临时分割段里有一个峰结构,则该峰结构就单独为一个字符,如果该字符临时分割段里有两个峰结构,则先判断这两个峰结构是一个双峰字符还是两个单峰字符,具体判断规则就利用这两个峰结构的宽度,以及该宽度和字符宽度进行比较;如果这两个峰结构宽度之和小于字符宽度的1.2倍且这两个峰结构宽度相差很小,则这两个峰结构为一个双峰字符的投影,反之为两个单峰字符,且可以肯定两个单峰字符的前面一个峰结构就是一个字符,将其前面的一个峰结构分割出来然后更新字符临时分割段如下:将字符临时分割段的起点更新到被分割出来的峰后面,字符临时分割段终点不变,但是如果此时字符临时分割段的起点等于终点时则将其起点更新到先前的双峰结构的终止位置,并将临时分割段的终点更新到下一个双峰结构的起点,如果后面没有双峰结构了则将临时分割段的终点更新为字符结束点,然后重复步骤S2.3.4)直到分割到字符结束点为止;
S2.3.5):从字符起始点开始分割直到分割出5个字符;在分割中需要检测相邻的两个峰结构是不是一个字符的双峰曲线,检测所利用的方法和步骤S2.3.4)中相同,利用两个峰的宽度和该宽度与字符宽度之间的关系进行判断;
S2.3.6):根据分割出的后面五个字符来分割前面两个字符;首先将分割出来的后面五个字符中的最大宽度作为前面两个字符的宽度;前面两个字符为字母或者汉字,使用后面五个字符中的最大宽度作为前面字符的宽度;分割前面两个字符的方法为:从第二字符和第三字符的分割点向前移动字符宽度个像素,然后将离该第二字符和第三字符的分割点的最近一个波谷值作为车牌第一字符和第二字符的分割点,利用同样方法也可以确定第一个字符的开始位置;
S2.3.7):对分割出来的字符序列进行检测,看该字符序列是否符合车牌字符序列的特征,该特征可以用下面表达式来表示,假设dis1为前面两个字符的宽度向量,dis2为后面五个字符的宽度向量,width为车牌宽度,height为车牌高度,则一个合理的车牌字符序列必须满足下面的表达式:
min(min(dis1),min(dis2))>width/10
max(dis2)<width/5
height/min(dis1)<3
根据上述表达式从车牌区域中分割出字符序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610972191.7A CN106529540A (zh) | 2016-11-07 | 2016-11-07 | 一种基于灰度投影的车牌字符分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610972191.7A CN106529540A (zh) | 2016-11-07 | 2016-11-07 | 一种基于灰度投影的车牌字符分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106529540A true CN106529540A (zh) | 2017-03-22 |
Family
ID=58349469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610972191.7A Pending CN106529540A (zh) | 2016-11-07 | 2016-11-07 | 一种基于灰度投影的车牌字符分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529540A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103317A (zh) * | 2017-04-12 | 2017-08-29 | 湖南源信光电科技股份有限公司 | 基于图像融合和盲反卷积的模糊车牌图像识别算法 |
CN108171991A (zh) * | 2018-02-09 | 2018-06-15 | 武汉市技领科技有限公司 | 一种识别控制器及车牌识别系统 |
CN109871938A (zh) * | 2019-01-21 | 2019-06-11 | 重庆大学 | 一种基于卷积神经网络的零部件喷码检测方法 |
CN109960983A (zh) * | 2017-12-25 | 2019-07-02 | 大连楼兰科技股份有限公司 | 基于梯度与图像对比度的车辆左右边界定位方法 |
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 |
CN112560551A (zh) * | 2019-09-25 | 2021-03-26 | 西门子(中国)有限公司 | 用于车牌识别的系统、方法和设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2016
- 2016-11-07 CN CN201610972191.7A patent/CN106529540A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|
李云: "车牌定位与字符分割算法的研究及实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103317A (zh) * | 2017-04-12 | 2017-08-29 | 湖南源信光电科技股份有限公司 | 基于图像融合和盲反卷积的模糊车牌图像识别算法 |
CN109960983A (zh) * | 2017-12-25 | 2019-07-02 | 大连楼兰科技股份有限公司 | 基于梯度与图像对比度的车辆左右边界定位方法 |
CN108171991A (zh) * | 2018-02-09 | 2018-06-15 | 武汉市技领科技有限公司 | 一种识别控制器及车牌识别系统 |
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 |
CN109871938A (zh) * | 2019-01-21 | 2019-06-11 | 重庆大学 | 一种基于卷积神经网络的零部件喷码检测方法 |
CN112560551A (zh) * | 2019-09-25 | 2021-03-26 | 西门子(中国)有限公司 | 用于车牌识别的系统、方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529540A (zh) | 一种基于灰度投影的车牌字符分割方法 | |
CN107729818B (zh) | 一种基于深度学习的多特征融合车辆重识别方法 | |
CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
CN107766821B (zh) | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统 | |
CN105373794B (zh) | 一种车牌识别方法 | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN103136528B (zh) | 一种基于双边缘检测的车牌识别方法 | |
CN110210451B (zh) | 一种斑马线检测方法 | |
CN106529592A (zh) | 一种基于混合特征与灰度投影的车牌识别方法 | |
CN105488492B (zh) | 一种彩色图像预处理方法、道路识别方法及相关装置 | |
CN106815583B (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN108615034A (zh) | 一种模板匹配与神经网络算法结合的车牌识别方法 | |
CN103077384A (zh) | 一种车标定位识别的方法与系统 | |
CN107194393B (zh) | 一种检测临时车牌的方法及装置 | |
CN103903018A (zh) | 一种复杂场景中对车牌进行定位的方法和系统 | |
CN107180230B (zh) | 通用车牌识别方法 | |
CN105528609A (zh) | 一种基于字符位置的车牌定位方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN105184291B (zh) | 一种多类型车牌检测方法及系统 | |
Azad et al. | A novel and robust method for automatic license plate recognition system based on pattern recognition | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170322 |
|
RJ01 | Rejection of invention patent application after publication |