CN107273892B - 一种车牌字符分割方法及装置 - Google Patents
一种车牌字符分割方法及装置 Download PDFInfo
- Publication number
- CN107273892B CN107273892B CN201710436373.7A CN201710436373A CN107273892B CN 107273892 B CN107273892 B CN 107273892B CN 201710436373 A CN201710436373 A CN 201710436373A CN 107273892 B CN107273892 B CN 107273892B
- Authority
- CN
- China
- Prior art keywords
- character
- region
- matching
- model
- character block
- 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
Classifications
-
- 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
-
- 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
- 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)
- Image Analysis (AREA)
Abstract
本发明提供了一种车牌字符分割方法,该方法包括:输入车牌区域图像;对车牌区域图像进行图像预处理;对车牌区域图像进行阈值分割,获取车牌区域图像的二值图像,采用连通区域标记法获取标记的连通区域,根据先验知识对标记连通区域进行过滤;计算标记连通区域的字符识别置信度,若置信度不小于置信度阈值,则将该连通区域标记为字符块区域;采用多叉树模型匹配法,获取最佳字符区域并输出。与现有技术相比,本发明能快速且准确地对车牌字符进行分割。
Description
技术领域
本发明涉及图像处理、视频监控以及智能交通,特别涉及车牌字符分割方法及装置。
背景技术
随着城市的日益现代化,机动车的保有量持续增加,智能交通系统发挥着越来越重要的作用。车牌识别技术是现代智能交通系统的重要组成部分,有着十分广泛的应用。车牌识别技术分为车牌定位、字符分割和字符识别三个组成部分。其中,字符分割是在定位出来的车牌区域将其中的单个字符区域准确的分割出来。字符分割的准确与否直接影响到了后期字符识别的准确率。
目前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、分类器法、神经网络法等。其中,垂直投影法对倾斜的字符很敏感;连通区域法对断裂或字符粘连处理较差;分类器法和神经网络法算法较为复杂。模板匹配法对车牌的提取精度要求较高。
综上所述,目前迫切需要提出一种快速且分割准确率高的车牌字符分割方法及装置。
发明内容
有鉴于此,本发明的主要目的在于实现快速的车牌字符分割,且字符分割的准确性较高。
为达到上述目的,按照本发明的第一个方面,提供了一种车牌字符分割方法,该方法包括:
第一步骤,输入车牌区域图像;
第二步骤,对车牌区域图像进行图像预处理;
第三步骤,对车牌区域图像进行阈值分割,获取车牌区域图像的二值图像,采用连通区域标记法获取标记的连通区域,根据先验知识对标记连通区域进行过滤;
第四步骤,计算标记连通区域的字符识别置信度,若置信度不小于置信度阈值,则将该连通区域标记为字符块区域;及
第五步骤,采用多叉树模型匹配法,获取最佳字符区域并输出。
进一步地,所述第二步骤中图像预处理包括以下一种或者两种步骤的组合:图像倾斜矫正步骤、图像增强步骤。
进一步地,所述第三步骤中所述根据先验知识对标记连通区域进行过滤包括:统计标记连通区域的宽度和高度,计算宽度与高度的比值;若标记连通区域的宽度与高度的比值小于第一阈值或者大于第二阈值,则将该标记连通区域滤除。
进一步地,所述第五步骤包括:
字符块区域排序步骤,统计每个字符块区域的左边界,按照字符块区域的左边界所对应横坐标的值的从小到大的顺序,获取字符块区域序列{Ci},i={1,2,…,n},其中n为字符块区域的个数;
模型参数定义步骤,统计每个字符块区域的宽度,计算所有字符块区域宽度的平均值,标记为基准字符宽度,设置最小比例阈值、最大比例阈值,根据最小比例阈值和基准字符宽度计算最小间隙,即最小间隙=最小比例阈值×基准字符宽度,根据最大比例阈值和基准字符宽度计算最大间隙,即最大间隙=最大比例阈值×基准字符宽度,根据基准字符宽度、最大间隙、最小间隙,定义模型组为{Mj},j={1,2,…,m},Mj为第j个模型,m为车牌类型的个数;
模型匹配步骤,采用多叉树遍历法,对字符块区域{Ci}与模型Mj内的所有结点进行遍历,获取模型Mj的匹配长度最长的匹配方式,并根据所述匹配方式获取字符块区域{Ci}与模型Mj的匹配结果,其中i={1,2,…,n},j={1,2,…,m};
最佳匹配区域选取步骤,分别根据每个模型Mj的匹配结果,对所对应的字符块区域进行字符识别,计算相应的字符识别置信度的累加和作为所述匹配结果的打分值,选取打分值最大的匹配结果作为最佳匹配结果,获取最佳匹配结果对应的位置区域作为最佳字符区域并输出。
按照本发明的另一个方面,提供了一种车牌字符分割装置,该装置包括:
车牌区域图像输入模块,用于输入车牌区域图像;
图像预处理模块,用于对车牌区域图像进行图像预处理;
标记连通区域获取模块,用于对车牌区域图像进行阈值分割,获取车牌区域图像的二值图像,采用连通区域标记法获取标记的连通区域,根据先验知识对标记连通区域进行过滤;
字符块区域获取模块,用于计算标记连通区域的字符识别置信度,若置信度不小于置信度阈值,则将该连通区域标记为字符块区域;及
最佳字符区域获取模块,用于采用多叉树模型匹配法,获取最佳字符区域并输出。
进一步地,所述图像预处理模块中图像预处理包括以下一种或者两种步骤的组合:图像倾斜矫正模块、图像增强模块。
进一步地,所述标记连通区域获取模块中所述根据先验知识对标记连通区域进行过滤包括:统计标记连通区域的宽度和高度,计算宽度与高度的比值;若标记连通区域的宽度与高度的比值小于第一阈值或者大于第二阈值,则将该标记连通区域滤除。
进一步地,所述最佳字符区域获取模块包括:
字符块区域排序模块,用于统计每个字符块区域的左边界,按照字符块区域的左边界所对应横坐标的值的从小到大的顺序,获取字符块区域序列{Ci},i={1,2,…,n},其中n为字符块区域的个数;
模型参数定义模块,用于统计每个字符块区域的宽度,计算所有字符块区域宽度的平均值,标记为基准字符宽度,设置最小比例阈值、最大比例阈值,根据最小比例阈值和基准字符宽度计算最小间隙,即最小间隙=最小比例阈值×基准字符宽度,根据最大比例阈值和基准字符宽度计算最大间隙,即最大间隙=最大比例阈值×基准字符宽度,根据基准字符宽度、最大间隙、最小间隙,定义模型组为{Mj},j={1,2,…,m},Mj为第j个模型,m为车牌类型的个数;
模型匹配模块,用于采用多叉树遍历法,对字符块区域{Ci}与模型Mj内的所有结点进行遍历,获取模型Mj的匹配长度最长的匹配方式,并根据所述匹配方式获取字符块区域{Ci}与模型Mj的匹配结果,其中i={1,2,…,n},j={1,2,…,n};
最佳匹配区域选取模块,用于分别根据每个模型Mj的匹配结果,对所对应的字符块区域进行字符识别,计算相应的字符识别置信度的累加和作为所述匹配结果的打分值,选取打分值最大的匹配结果作为最佳匹配结果,获取最佳匹配结果对应的位置区域作为最佳字符区域并输出。
与现有的车牌字符分割方法相比,本发明的一种车牌字符分割方法及装置一方面采用多叉树模型匹配对字符块进行匹配以获取最佳的字符块,提高了字符分割的准确性且算法复杂度较低;另一方面在多叉树模型匹配前,先对字符候选区域进行识别,根据识别的反馈结果过滤字符候选区域,进一步提高了后期字符分割的准确性。
附图说明
图1示出了按照本发明的一种车牌字符分割方法的流程图。
图2示出了按照本发明的一种车牌字符分割装置的框架图。
具体实施方式
为使贵审查员能进一步了解本发明的结构、特征及其他目的,现结合所附较佳实施例详细说明如下,所说明的较佳实施例仅用于说明本发明的技术方案,并非限定本发明。
图1给出了按照本发明的一种车牌字符分割方法的流程图。如图1所示,按照本发明的一种车牌字符分割方法包括:
第一步骤S1,输入车牌区域图像;
第二步骤S2,对车牌区域图像进行图像预处理;
第三步骤S3,对车牌区域图像进行阈值分割,获取车牌区域图像的二值图像,采用连通区域标记法获取标记的连通区域,根据先验知识对标记连通区域进行过滤;
第四步骤S4,计算标记连通区域的字符识别置信度,若置信度不小于置信度阈值,则将该连通区域标记为字符块区域;及
第五步骤S5,采用多叉树模型匹配法,获取最佳字符区域并输出。
所述第一步骤S1中车牌区域图像为包含整个车牌区域的灰度图像。
进一步地,所述第二步骤S2中图像预处理包括以下一种或者两种步骤的组合:图像倾斜矫正步骤S21、图像增强步骤S22。
所述图像倾斜矫正步骤S21为现有的车牌矫正算法。
示例性地,例如所述图像倾斜矫正步骤S21可以包括:利用Hough变换,获取车牌区域的直线段,获取直线段的倾斜角;根据倾斜角和图像旋转公式,对车牌区域图像进行矫正。
所述图像旋转公式为现有的图像旋转方法中采用的旋转公式。
所述图像增强步骤S22为现有的图像增强算法。
所述第三步骤S3中阈值分割为现有的阈值分割算法。例如,局部二值化法、大津法、自适应阈值分割法、Otsu阈值分割法等。
所述连通区域标记法为现有的连通区域标记算法。
所述根据先验知识对标记连通区域进行过滤包括:统计标记连通区域的宽度和高度,计算宽度与高度的比值;若标记连通区域的宽度与高度的比值小于第一阈值或者大于第二阈值,则将该标记连通区域滤除。
所述第一阈值的取值范围为0.3~0.7。优选地,所述第一阈值的取值范围为0.45~0.6。
所述第二阈值的取值范围为1.2~2.5。优选地,所述第二阈值选的取值范围为1.5~2.2。
进一步地,所述第四步骤S4中计算标记连通区域的字符识别置信度为现有的字符识别的置信度计算方法。
所述置信度阈值的取值范围为0.5~0.95。优选地,所述置信度阈值的取值范围为0.6~0.9。
进一步地,所述第五步骤S5包括:
字符块区域排序步骤S51,统计每个字符块区域的左边界,按照字符块区域的左边界所对应横坐标的值的从小到大的顺序,获取字符块区域序列{Ci},i={1,2,…,m},其中n为字符块区域的个数;
模型参数定义步骤S52,统计每个字符块区域的宽度,计算所有字符块区域宽度的平均值,标记为基准字符宽度,设置最小比例阈值、最大比例阈值,根据最小比例阈值和基准字符宽度计算最小间隙,即最小间隙=最小比例阈值×基准字符宽度,根据最大比例阈值和基准字符宽度计算最大间隙,即最大间隙=最大比例阈值×基准字符宽度,根据基准字符宽度、最大间隙、最小间隙,定义模型组为{Mj},j={1,2,…,m},Mj为第j个模型,m为车牌类型的个数;
模型匹配步骤S53,采用多叉树遍历法,对字符块区域{Ci}与模型Mj内的所有结点进行遍历,获取模型Mj的匹配长度最长的匹配方式,并根据所述匹配方式获取字符块区域{Ci}与模型Mj的匹配结果,其中i={1,2,…,n},j={1,2,…,m};
最佳匹配区域选取步骤S54,分别根据每个模型Mj的匹配结果,对所对应的字符块区域进行字符识别,计算相应的字符识别置信度的累加和作为所述匹配结果的打分值,选取打分值最大的匹配结果作为最佳匹配结果,获取最佳匹配结果对应的位置区域作为最佳字符区域并输出。
所述最小比例阈值的取值范围为0.1~0.5,最大比例阈值的取值范围为0.5~1。优选地,最小比例阈值选为0.3或者0.35,最大比例阈值选为0.6或者0.7。
所述m可以根据现实中的车牌类型进行设置。进一步地,m的取值范围可以为1~100。示例性地,m可以选为8或者10。
所述模型匹配步骤S53中多叉树遍历法通过现有技术实现。
进一步地,所述模型匹配步骤S53包括:
匹配首结点生成步骤S531,确定字符块区域{Ci}的第一个字符块Ck,k={1,2,3},在模型Mj中搜寻与字符块Ck匹配的字符位置MCRr,r={1,2,3},记录匹配方式为字符块序号k、模型序号j、模型Mj中字符序号r、匹配长度L,L初始值为1;
匹配子结点获取步骤S532,k={k+1,k+2},r={r+1,r+2},搜寻与下一个字符块Ck匹配的字符位置MCRr,计算当前字符块Ck与前一个字符块的位置距离,若位置距离小于最小间隙或者大于最大间隙,则当前匹配的字符块Ck被过滤,否则记录匹配方式为字符块序号k、模型序号j、模型Mj中字符序号r、匹配长度L=L+1,并按继续本步骤,直至字符块区域{Ci}都匹配结束;
匹配结果获取步骤S533,重复匹配首结点生成步骤S531和匹配子结点获取步骤S532,直至所有模型Mj都匹配结束,根据记录的匹配方式,对于每个模型Mj,选取匹配长度最长的匹配方式作为模型Mj与字符块区域{Ci}的匹配结果。
图2给出了按照本发明的一种车牌字符分割装置的框架图。如图2所示,按照本发明的一种车牌字符分割装置包括:
车牌区域图像输入模块1,用于输入车牌区域图像;
图像预处理模块2,用于对车牌区域图像进行图像预处理;
标记连通区域获取模块3,用于对车牌区域图像进行阈值分割,获取车牌区域图像的二值图像,采用连通区域标记法获取标记的连通区域,根据先验知识对标记连通区域进行过滤;
字符块区域获取模块4,用于计算标记连通区域的字符识别置信度,若置信度不小于置信度阈值,则将该连通区域标记为字符块区域;及
最佳字符区域获取模块5,用于采用多叉树模型匹配法,获取最佳字符区域并输出。
所述车牌区域图像输入模块1中车牌区域图像为包含整个车牌区域的灰度图像。
进一步地,所述图像预处理模块2中图像预处理包括以下一种或者两种步骤的组合:图像倾斜矫正模块21、图像增强模块22。
所述图像倾斜矫正模块21为现有的车牌矫正算法。
示例性地,例如图像倾斜矫正模块21可以包括:用于利用Hough变换,获取车牌区域的直线段,获取直线段的倾斜角;根据倾斜角和图像旋转公式,对车牌区域图像进行矫正。
所述图像旋转公式为现有的图像旋转方法中采用的旋转公式。
所述图像增强模块22通过现有的图像增强算法实现。
所述标记连通区域获取模块3中阈值分割为现有的阈值分割算法。例如,局部二值化法、大津法、自适应阈值分割法、Otsu阈值分割法等。
所述连通区域标记法为现有的连通区域标记算法。
所述根据先验知识对标记连通区域进行过滤包括:统计标记连通区域的宽度和高度,计算宽度与高度的比值;若标记连通区域的宽度与高度的比值小于第一阈值或者大于第二阈值,则将该标记连通区域滤除。
所述第一阈值的取值范围为0.3~0.7。优选地,所述第一阈值的取值范围为0.45~0.6。
所述第二阈值的取值范围为1.2~2.5。优选地,所述第二阈值选的取值范围为1.5~2.2。
进一步地,所述字符块区域获取模块4中计算标记连通区域的字符识别置信度为现有的字符识别的置信度计算方法。
所述置信度阈值的取值范围为0.5~0.95。优选地,所述置信度阈值的取值范围为0.6~0.9。
进一步地,所述最佳字符区域获取模块5包括:
字符块区域排序模块51,用于统计每个字符块区域的左边界,按照字符块区域的左边界所对应横坐标的值的从小到大的顺序,获取字符块区域序列{Ci},i={1,2,…,n},其中n为字符块区域的个数;
模型参数定义模块52,用于统计每个字符块区域的宽度,计算所有字符块区域宽度的平均值,标记为基准字符宽度,设置最小比例阈值、最大比例阈值,根据最小比例阈值和基准字符宽度计算最小间隙,即最小间隙=最小比例阈值×基准字符宽度,根据最大比例阈值和基准字符宽度计算最大间隙,即最大间隙=最大比例阈值×基准字符宽度,根据基准字符宽度、最大间隙、最小间隙,定义模型组为{Mj},j={1,2,…,m},Mj为第j个模型,m为车牌类型的个数;
模型匹配模块53,用于采用多叉树遍历法,对字符块区域{Ci}与模型Mj内的所有结点进行遍历,获取模型Mj的匹配长度最长的匹配方式,并根据所述匹配方式获取字符块区域{Ci}与模型Mj的匹配结果,其中i={1,2,…,n},j={1,2,…,m};
最佳匹配区域选取模块54,用于分别根据每个模型Mj的匹配结果,对所对应的字符块区域进行字符识别,计算相应的字符识别置信度的累加和作为所述匹配结果的打分值,选取打分值最大的匹配结果作为最佳匹配结果,获取最佳匹配结果对应的位置区域作为最佳字符区域并输出。
所述最小比例阈值的取值范围为0.1~0.5,最大比例阈值的取值范围为0.5~1。优选地,最小比例阈值选为0.3或者0.35,最大比例阈值选为0.6或者0.7。
所述m可以根据现实中的车牌类型进行设置。进一步地,m的取值范围可以为1~100。示例性地,m可以选为8或者10。
所述模型匹配模块53中多叉树遍历法通过现有技术实现。
进一步地,所述模型匹配模块53包括:
匹配首结点生成模块531,用于确定字符块区域{Ci}的第一个字符块Ck,k={1,2,3},在模型Mj中搜寻与字符块Ck匹配的字符位置MCRr,r={1,2,3},记录匹配方式为字符块序号k、模型序号j、模型Mj中字符序号r、匹配长度L,L初始值为1;
匹配子结点获取模块532,用于k={k+1,k+2},r={r+1,r+2},搜寻与下一个字符块Ck匹配的字符位置MCRr,计算当前字符块Ck与前一个字符块的位置距离,若位置距离小于最小间隙或者大于最大间隙,则当前匹配的字符块Ck被过滤,否则记录匹配方式为字符块序号k、模型序号j、模型Mj中字符序号r、匹配长度L=L+1,并按继续本步骤,直至字符块区域{Ci}都匹配结束;
匹配结果获取模块533,用于重复匹配首结点生成模块531和匹配子结点获取模块532,直至所有模型Mj都匹配结束,根据记录的匹配方式,对于每个模型Mj,选取匹配长度最长的匹配方式作为模型Mj与字符块区域{Ci}的匹配结果。
与现有的车牌字符分割方法相比,本发明的一种车牌字符分割方法及装置一方面采用多叉树模型匹配对字符块进行匹配以获取最佳的字符块,提高了字符分割的准确性且算法复杂度较低;另一方面在多叉树模型匹配前,先对字符候选区域进行识别,根据识别的反馈结果过滤字符候选区域,进一步提高了后期字符分割的准确性。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,应当理解,本发明并不限于这里所描述的实现方案,这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善,因此本发明只受到本发明权利要求的内容和范围的限制,其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (14)
1.一种车牌字符分割方法,其特征在于,该方法包括:
第一步骤,输入车牌区域图像;
第二步骤,对车牌区域图像进行图像预处理;
第三步骤,对车牌区域图像进行阈值分割,获取车牌区域图像的二值图像,采用连通区域标记法获取标记的连通区域,根据先验知识对标记连通区域进行过滤;
第四步骤,计算标记连通区域的字符识别置信度,若置信度不小于置信度阈值,则将该连通区域标记为字符块区域;及
第五步骤,采用多叉树模型匹配法,获取最佳字符区域并输出;
进一步地,所述第五步骤包括:
字符块区域排序步骤,统计每个字符块区域的左边界,按照字符块区域的左边界所对应横坐标的值的从小到大的顺序,获取字符块区域序列{Ci},i={1,2,…,n},其中n为字符块区域的个数;
模型参数定义步骤,统计每个字符块区域的宽度,计算所有字符块区域宽度的平均值,标记为基准字符宽度,设置最小比例阈值、最大比例阈值,根据最小比例阈值和基准字符宽度计算最小间隙,即最小间隙=最小比例阈值×基准字符宽度,根据最大比例阈值和基准字符宽度计算最大间隙,即最大间隙=最大比例阈值×基准字符宽度,根据基准字符宽度、最大间隙、最小间隙,定义模型组为{Mj},j={1,2,…,m},Mj为第j个模型;
模型匹配步骤,采用多叉树遍历法,对字符块区域{Ci}与模型Mj内的所有结点进行遍历,获取模型Mj的匹配长度最长的匹配方式,并根据所述匹配方式获取字符块区域{Ci}与模型Mj的匹配结果,其中i={1,2,…,n},j={1,2,…,m},m为车牌类型的个数;
最佳匹配区域选取步骤,分别根据每个模型Mj的匹配结果,对所对应的字符块区域进行字符识别,计算相应的字符识别置信度的累加和作为所述匹配结果的打分值,选取打分值最大的匹配结果作为最佳匹配结果,获取最佳匹配结果对应的位置区域作为最佳字符区域并输出。
2.如权利要求1所述的方法,其特征在于,所述第二步骤中图像预处理包括以下一种或者两种步骤的组合:图像倾斜矫正步骤、图像增强步骤。
3.如权利要求1所述的方法,其特征在于,所述第三步骤中所述根据先验知识对标记连通区域进行过滤包括:统计标记连通区域的宽度和高度,计算宽度与高度的比值;若标记连通区域的宽度与高度的比值小于第一阈值或者大于第二阈值,则将该标记连通区域滤除。
4.如权利要求3所述的方法,所述第一阈值的取值范围为0.3~0.7,第二阈值的取值范围为1.2~2.5。
5.如权利要求1所述的方法,所述置信度阈值的取值范围为0.5~0.95。
6.如权利要求1所述的方法,所述最小比例阈值的取值范围为0.1~0.5,最大比例阈值的取值范围为0.5~1。
7.如权利要求1所述的方法,其特征在于,所述模型匹配步骤包括:
匹配首结点生成步骤,确定字符块区域{Ci}的第一个字符块Ck,k={1,2,3},在模型Mj中搜寻与字符块Ck匹配的字符位置MCRr,r={1,2,3},记录匹配方式为字符块序号k、模型序号j、模型Mj中字符序号r、匹配长度L,L初始值为1;匹配子结点获取步骤,k={k+1,k+2},r={r+1,r+2},搜寻与下一个字符块Ck匹配的字符位置MCRr,计算当前字符块Ck与前一个字符块的位置距离,若位置距离小于最小间隙或者大于最大间隙,则当前匹配的字符块Ck被过滤,否则记录匹配方式为字符块序号k、模型序号j、模型Mj中字符序号r、匹配长度L=L+1,并按继续本步骤,直至字符块区域{Ci}都匹配结束;
匹配结果获取步骤,重复匹配首结点生成步骤和匹配子结点获取步骤,直至所有模型Mj都匹配结束,根据记录的匹配方式,对于每个模型Mj,选取匹配长度最长的匹配方式作为模型Mj与字符块区域{Ci}的匹配结果。
8.一种车牌字符分割装置,其特征在于,该装置包括:
车牌区域图像输入模块,用于输入车牌区域图像;
图像预处理模块,用于对车牌区域图像进行图像预处理;
标记连通区域获取模块,用于对车牌区域图像进行阈值分割,获取车牌区域图像的二值图像,采用连通区域标记法获取标记的连通区域,根据先验知识对标记连通区域进行过滤;
字符块区域获取模块,用于计算标记连通区域的字符识别置信度,若置信度不小于置信度阈值,则将该连通区域标记为字符块区域;及
最佳字符区域获取模块,用于采用多叉树模型匹配法,获取最佳字符区域并输出;进一步地,所述最佳字符区域获取模块包括:
字符块区域排序模块,用于统计每个字符块区域的左边界,按照字符块区域的左边界所对应横坐标的值的从小到大的顺序,获取字符块区域序列{Ci},i={1,2,…,n},其中n为字符块区域的个数;
模型参数定义模块,用于统计每个字符块区域的宽度,计算所有字符块区域宽度的平均值,标记为基准字符宽度,设置最小比例阈值、最大比例阈值,根据最小比例阈值和基准字符宽度计算最小间隙,即最小间隙=最小比例阈值×基准字符宽度,根据最大比例阈值和基准字符宽度计算最大间隙,即最大间隙=最大比例阈值×基准字符宽度,根据基准字符宽度、最大间隙、最小间隙,定义模型组为{Mj},j={1,2,…,m},Mj为第j个模型,m为车牌类型的个数;
模型匹配模块,用于采用多叉树遍历法,对字符块区域{Ci}与模型Mj内的所有结点进行遍历,获取模型Mj的匹配长度最长的匹配方式,并根据所述匹配方式获取字符块区域{Ci}与模型Mj的匹配结果,其中i={1,2,…,n},j={1,2,…,m};最佳匹配区域选取模块,用于分别根据每个模型Mj的匹配结果,对所对应的字符块区域进行字符识别,计算相应的字符识别置信度的累加和作为所述匹配结果的打分值,选取打分值最大的匹配结果作为最佳匹配结果,获取最佳匹配结果对应的位置区域作为最佳字符区域并输出。
9.如权利要求8所述的装置,其特征在于,所述图像预处理模块中图像预处理包括以下一种或者两种步骤的组合:图像倾斜矫正模块、图像增强模块。
10.如权利要求8所述的装置,其特征在于,所述标记连通区域获取模块中所述根据先验知识对标记连通区域进行过滤包括:统计标记连通区域的宽度和高度,计算宽度与高度的比值;若标记连通区域的宽度与高度的比值小于第一阈值或者大于第二阈值,则将该标记连通区域滤除。
11.如权利要求10所述的装置,所述第一阈值的取值范围为0.3~0.7,第二阈值的取值范围为1.2~2.5。
12.如权利要求8所述的装置,所述置信度阈值的取值范围为0.5~0.95。
13.如权利要求8所述的装置,所述最小比例阈值的取值范围为0.1~0.5,最大比例阈值的取值范围为0.5~1。
14.如权利要求8所述的装置,其特征在于,所述模型匹配模块包括:
匹配首结点生成模块,用于确定字符块区域{Ci}的第一个字符块Ck,k={1,2,3},在模型Mj中搜寻与字符块Ck匹配的字符位置MCRr,r={1,2,3},记录匹配方式为字符块序号k、模型序号j、模型Mj中字符序号r、匹配长度L,L初始值为1;
匹配子结点获取模块,用于k={k+1,k+2},r={r+1,r+2},搜寻与下一个字符块Ck匹配的字符位置MCRr,计算当前字符块Ck与前一个字符块的位置距离,若位置距离小于最小间隙或者大于最大间隙,则当前匹配的字符块Ck被过滤,否则记录匹配方式为字符块序号k、模型序号j、模型Mj中字符序号r、匹配长度L=L+1,并按继续本步骤,直至字符块区域{Ci}都匹配结束;
匹配结果获取模块,用于重复匹配首结点生成模块和匹配子结点获取模块,直至所有模型Mj都匹配结束,根据记录的匹配方式,对于每个模型Mj,选取匹配长度最长的匹配方式作为模型Mj与字符块区域{Ci}的匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710436373.7A CN107273892B (zh) | 2017-06-12 | 2017-06-12 | 一种车牌字符分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710436373.7A CN107273892B (zh) | 2017-06-12 | 2017-06-12 | 一种车牌字符分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107273892A CN107273892A (zh) | 2017-10-20 |
CN107273892B true CN107273892B (zh) | 2020-06-16 |
Family
ID=60066056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710436373.7A Active CN107273892B (zh) | 2017-06-12 | 2017-06-12 | 一种车牌字符分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273892B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443251A (zh) * | 2019-08-13 | 2019-11-12 | 树根互联技术有限公司 | 仪表图像识别方法及装置 |
CN117671849B (zh) * | 2023-12-14 | 2024-05-14 | 浙江南星科技有限公司 | 一种采用滑钞结构的立式图像扫描点钞机 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6473517B1 (en) * | 1999-09-15 | 2002-10-29 | Siemens Corporate Research, Inc. | Character segmentation method for vehicle license plate recognition |
CN102043959A (zh) * | 2010-12-28 | 2011-05-04 | 青岛海信网络科技股份有限公司 | 车牌字符分割方法 |
CN102081732A (zh) * | 2010-12-29 | 2011-06-01 | 方正国际软件有限公司 | 一种版式识别模板方法及系统 |
CN102402686A (zh) * | 2011-12-07 | 2012-04-04 | 北京云星宇交通工程有限公司 | 一种基于连通域分析的车牌字符分割方法 |
CN102722707A (zh) * | 2012-06-11 | 2012-10-10 | 复旦大学 | 基于连通区域和间隙模型的车牌字符分割方法 |
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 |
-
2017
- 2017-06-12 CN CN201710436373.7A patent/CN107273892B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6473517B1 (en) * | 1999-09-15 | 2002-10-29 | Siemens Corporate Research, Inc. | Character segmentation method for vehicle license plate recognition |
CN102043959A (zh) * | 2010-12-28 | 2011-05-04 | 青岛海信网络科技股份有限公司 | 车牌字符分割方法 |
CN102081732A (zh) * | 2010-12-29 | 2011-06-01 | 方正国际软件有限公司 | 一种版式识别模板方法及系统 |
CN102402686A (zh) * | 2011-12-07 | 2012-04-04 | 北京云星宇交通工程有限公司 | 一种基于连通域分析的车牌字符分割方法 |
CN102722707A (zh) * | 2012-06-11 | 2012-10-10 | 复旦大学 | 基于连通区域和间隙模型的车牌字符分割方法 |
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 |
Non-Patent Citations (3)
Title |
---|
一种基于模板匹配的车牌识别方法;魏武 等;《中国公路学报》;20010330;第14卷(第1期);104-106 * |
基于快速连通域标记的车牌字符分割;王冠 等;《计算机与现代化》;20070615(第6期);55-61 * |
基于连通域提取的车牌字符分割算法;甘玲 等;《计算机仿真》;20110415;第28卷(第4期);336-339 * |
Also Published As
Publication number | Publication date |
---|---|
CN107273892A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
CN108921083B (zh) | 基于深度学习目标检测的非法流动摊贩识别方法 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
US20070058856A1 (en) | Character recoginition in video data | |
CN112819772A (zh) | 一种高精度快速图形检测识别方法 | |
CN109543753B (zh) | 基于自适应模糊修复机制的车牌识别方法 | |
CN109360179B (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN110866934A (zh) | 基于规范性编码的复杂点云分割方法及系统 | |
CN109190625A (zh) | 一种大角度透视变形的集装箱箱号识别方法 | |
CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN109543634B (zh) | 定位过程中的数据处理方法、装置、电子设备和存储介质 | |
CN107273892B (zh) | 一种车牌字符分割方法及装置 | |
CN111667425B (zh) | 一种基于先验算法的人脸表情图像遮挡修复方法 | |
CN111340041B (zh) | 一种基于深度学习的车牌识别方法及装置 | |
CN109740672B (zh) | 多流特征距离融合系统与融合方法 | |
Sahu et al. | A comparative analysis of deep learning approach for automatic number plate recognition | |
CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
CN116843155B (zh) | 一种基于saas的人岗双向匹配方法和系统 | |
CN117541652A (zh) | 一种基于深度lk光流法与d-prosac采样策略的动态slam方法 | |
CN111950556A (zh) | 一种基于深度学习的号牌印刷质量检测方法 | |
CN114387592B (zh) | 一种复杂背景下字符定位和识别方法 | |
KR102498322B1 (ko) | 딥러닝 기반의 반도체 디바이스 상태 분류를 위한 장치 및 방법 | |
CN114862786A (zh) | 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统 | |
KR102462733B1 (ko) | 샴 네트워크를 활용하는 강인한 다중 객체 검출 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |