CN109241975A - 一种基于字符中心点定位的车牌字符分割方法 - Google Patents
一种基于字符中心点定位的车牌字符分割方法 Download PDFInfo
- Publication number
- CN109241975A CN109241975A CN201810978711.4A CN201810978711A CN109241975A CN 109241975 A CN109241975 A CN 109241975A CN 201810978711 A CN201810978711 A CN 201810978711A CN 109241975 A CN109241975 A CN 109241975A
- Authority
- CN
- China
- Prior art keywords
- character
- cursor
- maxcur
- license plate
- segmentation
- 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
Classifications
-
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
Abstract
本发明属于图像处理领域,具体提供一种基于字符中心点定位的车牌字符分割方法,用于解决发生严重横向纵向拉伸、字符大角度倾斜的车牌字符的分割问题;本发明根据车牌模板构造出一个标准比例向量,再通过自适应阈值二值化、轮廓提取、轮廓中心点提取从待分割图像中提取出候选字符中心点,接着通过使用余弦相似度和标准比例向量从候选字符中心点中找到字符中心点,最后根据字符中心点计算出字符分割线位置完成车牌字符分割。综上,本发明能够实现严重横向纵向拉伸、字符大角度倾斜的车牌字符分割,且大大提高字符分割的精度与速度。
Description
技术领域
本发明属于图像处理领域,具体提供一种基于字符中心点定位的车牌字符分割方法,主要用于复杂场景下的车牌字符分割。
背景技术
车牌识别技术是智能交通系统中的一项非常重要的技术,车牌识别技术一般包含三个部分:车牌定位,字符分割,字符识别;其中,字符分割是整个技术非常重要的一部分,字符分割的好坏,直接影响后续的字符识别,进而影响整体的识别性能;车牌识别算法对精度、速度都有很高的要求,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,现有的垂直投影法和连通区域法速度快,但是鲁棒性差,无法适应复杂场景的车牌分割,模板匹配法准确率较高,但是由于要对图像进行穷举滑窗匹配,速度慢。
总体来说,这些方法对较为简单的场景有较好的效果,但是对于发生严重横向纵向拉伸、字符大角度倾斜的车牌字符分割效果差,抗干扰能力差,鲁棒性较差。
发明内容
本发明的目的在于提供一种基于字符中心点定位的车牌字符分割方法,用于解决发生严重横向纵向拉伸、字符大角度倾斜的车牌字符的分割问题,提高字符分割方法的精度与速度。
为实现上述目的,本发明采用的技术方案为:
一种基于字符中心点定位的车牌字符分割方法,其特征在于,包括以下步骤:
步骤1.构造标准比例向量
将标准车牌的7个字符中心点依次记为a、b、c、d、e、f、g,则任意两个字符中心点的距离为:ab=cd=de=ef=fg=57、bc=79、ag=364,记标准比例向量为a:
a=(0.4*ab,bc,cd,de,ef,fg);
步骤2.二值化
将彩色待分割车牌图像转化为灰度图,并对灰度图进行OSTU二值化操作得到二值图,在对二值图做腐蚀操作;其中,彩色待分割车牌图像的宽为width、高为height;
步骤3.提取轮廓中心点
首先,对腐蚀过后的二值图求轮廓,并剔除像素面积小于0.8×height的轮廓;
然后,对每个轮廓求最小外接矩形,并剔除矩形短边长度大于或矩形长边大于或长边与短边比值大于1的矩形;
最后,提取矩形中心点,并按照从左到右的顺序,将矩形中心点的x轴坐标记录到数组中,记为xl、xl的长度为lenth;
步骤4.定位字符中心点
采用cursor对xl进行索引,cursor是取值范围为[0,lenth-7]的整数,根据cursor生成向量集合V:
V={0.4*(xlcursor+1-xlcursor),xlcursor+2-xlcursor+1,xlcursor+3-xlcursor+2,
xlcursor+4-xlcursor+3,xlcursor+5-xlcursor+4,xlcursor+6-xlcursor+5,}
计算集合V中的每个向量与标准比例向量a的余弦相似度得到相似度集合{cosθcursor},求得maxcur=argmax(cosθcursor),则得到的7个字符中心点为:
[xlmaxcur,xlmaxcur+1,xlmaxcur+2,xlmaxcur+3,xlmaxcur+4,xlmaxcur+5,xlmaxcur+6]
重新计算出中文字符的位置:
步骤5.字符分割线计算
计算字符宽度为:
计算第i个字符的左分割线x轴坐标为xlmaxcur+i-0.5*char_width,右分割线x轴坐标为xlmaxcur+i+0.5*char_width;
完成分割。
本发明的有益效果在于:
本发明提供一种基于字符中心点定位的车牌字符分割方法,该方法从车牌相邻字符中心点连线的比例不变性进行设计,车牌图像中7个字符的中心点中相邻两点连线长度之间的比例关系是一种很强的先验知识,这种比例关系在不同尺度下的车牌图像、被横向、纵向拉伸过后的车牌图像或有大角度倾斜的车牌图像中都能基本保持不变,故本发明基于这种比例关系实现复杂场景下的字符分割;本发明根据车牌模板构造出一个标准比例向量,再通过自适应阈值二值化、轮廓提取、轮廓中心点提取从待分割图像中提取出候选字符中心点,接着通过使用余弦相似度和标准比例向量从候选字符中心点中找到字符中心点,最后根据字符中心点计算出字符分割线位置完成车牌字符分割。综上,本发明能够实现严重横向纵向拉伸、字符大角度倾斜的车牌字符分割,且大大提高字符分割的精度与速度。
附图说明
图1为一张标准车牌的参数信息图。
图2本发明实施例中二值化过程图。
图3为本发明实施例中提取轮廓中心点过程图。
图4为本发明实施例中车牌字符分割示例。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
本发明提供一种基于字符中心点定位的车牌字符分割方法,为方便描述本发明内容,首先对一些术语进行必要的解释:
腐蚀:腐蚀操作最基本的效果是腐蚀图像中前景色区域的边缘,使得前景图像区域变小,前景图像内部的背景区域被放大,主要作用是消除噪声,去掉图像的某些部分。
最大类间方差法:最大类间方差法是一种自适应阈值确定的方法,又叫大津法,简称OTSU,是一种基于全局的二值化算法,它是根据图像的灰度特性,将图像分为前景和背景两个部分;当取最佳阈值时,两部分之间的差别应该是最大的,在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差;前景和背景之间的类间方差如果越大,就说明构成图像的两个部分之间的差别越大,当部分目标被错分为背景或部分背景被错分为目标,都会导致两部分差别变小,当所取阈值的分割使类间方差最大时就意味着错分概率最小。
余弦相似度:余弦相似度,是通过计算两个向量的夹角余弦值来评估他们的相似度;对于两个向量,求得他们的夹角,并得出夹角对应的余弦值,此余弦值就用来表征这两个向量的相似性;夹角越小,余弦值越接近于1,它们的方向更加吻合,则越相似;a0、a1两个向量的余弦相似度的计算公式为:
在本实施例中,基于字符中心点定位的车牌字符分割方法,具体包括如下步骤:
步骤1.构造标准比例向量
如图1所示为一张标准车牌的参数信息,图中将车牌的7个字符中心点分别记为a、b、c、d、e、f、g,根据图中的尺寸标注可以得到任意两个字符中心点的距离:
ab=cd=de=ef=fg=57、bc=79、ag=364,
记标准比例向量为:a=(0.4*ab,bc,cd,de,ef,fg);
步骤2.二值化
对于一张宽width高height的待分割车牌图像如图2(a)所示,
将彩色车牌图像转化为灰度图得到图2(b),
对灰度图进行OSTU二值化操作得到二值图如图2(c)所示,
对二值图做腐蚀操作得到图2(d),可以看到腐蚀操作后6个英文数字字符形成了各自独立的连通域,而汉字字符形成了几个孤立的连通域;
步骤3.提取轮廓中心点
对腐蚀过后的二值图求轮廓得到图3(a);
剔除像素面积小于0.8*height的轮廓得到图3(b);
对每个轮廓求最小外接矩形得到图3(c);
对于上个步骤得到的矩形,剔除短边长度大于或矩形长边大于或长边与短边比值大于1的矩形,得到图3(d);
提取矩形中心点得到图3(e);
从左到右,将中心点的x轴坐标记录到一个记为xl的数组里,如图3(f)所示;
步骤4.定位字符中心点
从xl中找出7个连续的点作为字符中心点;记xl的长度为lenth,使用cursor对xl进行索引,cursor是取值范围为[0,lenth-7]的整数,根据cursor生成向量集合V:
V={0.4*(xlcursor+1-xlcursor),xlcursor+2-xlcursor+1,xlcursor+3-xlcursor+2,
xlcursor+4-xlcursor+3,xlcursor+5-xlcursor+4,xlcursor+6-xlcursor+5,}
计算集合V中的每个向量与标准向量a的余弦相似度得到相似度集合{cosθcursor},求得maxcur=argmax(cosθcursor),则得到的7个字符中心点为:
[xlmaxcur,xlmaxcur+1,xlmaxcur+2,xlmaxcur+3,xlmaxcur+4,xlmaxcur+5,xlmaxcur+6]
考虑到首个字符为中文字符,由于某些中文字符在二值化过后会形成多个连通域,所以会导致首个中心点的位置不准,本文使用剩下的6个点重新计算出中文字符的位置:
至此,已成功定位出7个字符的中心点。
步骤5.字符分割线计算
计算字符宽度为:
计算第i个字符的左分割线x轴坐标为xlmaxcur+i-0.5*char_width,右分割线x轴坐标为xlmaxcur+i+0.5*char_width;
完成分割。
如图4所示为采用本发明分割方法对部分车牌图像的分割结果,由于使用了OSTU二值化、并且利用了字符相邻中心点长度之间的比例不变性,本发明提出的基于字符中心点定位的车牌分割方法鲁棒性强,对字符严重倾斜等复杂场景下的车牌具有很好的分割效果;由于二值化、提取轮廓、求解最小外接矩形等基本步骤计算量很小,所以本方法的总体计算量非常小,经过测试本文提出的方法具有很高的实时性,在i5-2320的CPU平台下对高度小于80像素且宽度小于500像素的灰度车牌图像分割时间小于5ms。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (1)
1.一种基于字符中心点定位的车牌字符分割方法,其特征在于,包括以下步骤:
步骤1.构造标准比例向量
将标准车牌的7个字符中心点依次记为a、b、c、d、e、f、g,则任意两个字符中心点的距离为:ab=cd=de=ef=fg=57、bc=79、ag=364,记标准比例向量为a:
a=(0.4*ab,bc,cd,de,ef,fg);
步骤2.二值化
将彩色待分割车牌图像转化为灰度图,并对灰度图进行OSTU二值化操作得到二值图,在对二值图做腐蚀操作;其中,彩色待分割车牌图像的宽为width、高为height;
步骤3.提取轮廓中心点
首先,对腐蚀过后的二值图求轮廓,并剔除像素面积小于0.8×height的轮廓;
然后,对每个轮廓求最小外接矩形,并剔除矩形短边长度大于或矩形长边大于或长边与短边比值大于1的矩形;
最后,提取矩形中心点,并按照从左到右的顺序,将矩形中心点的x轴坐标记录到数组中,记为xl、xl的长度为lenth;
步骤4.定位字符中心点
采用cursor对xl进行索引,cursor是取值范围为[0,lenth-7]的整数,根据cursor生成向量集合V:
V={0.4*(xlcursor+1-xlcursor),xlcursor+2-xlcursor+1,xlcursor+3-xlcursor+2,xlcursor+4-xlcursor+3,xlcursor+5-xlcursor+4,xlcursor+6-xlcursor+5,}
计算集合V中的每个向量与标准比例向量a的余弦相似度得到相似度集合{cosθcursor},求得maxcur=argmax(cosθcursor),则得到的7个字符中心点为:
[xlmaxcur,xlmaxcur+1,xlmaxcur+2,xlmaxcur+3,xlmaxcur+4,xlmaxcur+5,xlmaxcur+6]
重新计算出中文字符的位置:
步骤5.字符分割线计算
计算字符宽度为:
计算第i个字符的左分割线x轴坐标为xlmaxcur+i-0.5*char_width,右分割线x轴坐标为xlmaxcur+i+0.5*char_width;
完成分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810978711.4A CN109241975B (zh) | 2018-08-27 | 2018-08-27 | 一种基于字符中心点定位的车牌字符分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810978711.4A CN109241975B (zh) | 2018-08-27 | 2018-08-27 | 一种基于字符中心点定位的车牌字符分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241975A true CN109241975A (zh) | 2019-01-18 |
CN109241975B CN109241975B (zh) | 2022-03-15 |
Family
ID=65068071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810978711.4A Active CN109241975B (zh) | 2018-08-27 | 2018-08-27 | 一种基于字符中心点定位的车牌字符分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241975B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097046A (zh) * | 2019-03-11 | 2019-08-06 | 上海肇观电子科技有限公司 | 一种文字检测方法及装置、设备和计算机可读存储介质 |
CN110751150A (zh) * | 2019-09-29 | 2020-02-04 | 上海工程技术大学 | 一种基于fpga的二值神经网络车牌识别方法及系统 |
CN111914845A (zh) * | 2020-07-02 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种车牌中字符分层方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010073051A (ja) * | 2008-09-19 | 2010-04-02 | Toshiba Corp | ナンバプレート認識方法およびナンバプレート認識装置 |
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 |
-
2018
- 2018-08-27 CN CN201810978711.4A patent/CN109241975B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010073051A (ja) * | 2008-09-19 | 2010-04-02 | Toshiba Corp | ナンバプレート認識方法およびナンバプレート認識装置 |
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 |
Non-Patent Citations (2)
Title |
---|
GABRIEL RESENDE GONC¸ALVES: "A Benchmark for License Plate Character Segmentation", 《RESEARCHGATE》 * |
施隆照,王凯: "基于连通区域的复杂车牌的字符分割算法", 《计算机工程与设计》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097046A (zh) * | 2019-03-11 | 2019-08-06 | 上海肇观电子科技有限公司 | 一种文字检测方法及装置、设备和计算机可读存储介质 |
CN110751150A (zh) * | 2019-09-29 | 2020-02-04 | 上海工程技术大学 | 一种基于fpga的二值神经网络车牌识别方法及系统 |
CN111914845A (zh) * | 2020-07-02 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种车牌中字符分层方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109241975B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | An insulator in transmission lines recognition and fault detection model based on improved faster RCNN | |
US10255691B2 (en) | Method and system of detecting and recognizing a vehicle logo based on selective search | |
Sahare et al. | Multilingual character segmentation and recognition schemes for Indian document images | |
Pan et al. | Text localization in natural scene images based on conditional random field | |
CN107301414B (zh) | 一种自然场景图像中的中文定位、分割和识别方法 | |
CN108764027A (zh) | 一种基于改进的rbd显著性计算的海面目标检测方法 | |
CN103310195A (zh) | 车辆高分遥感图像的基于llc特征的弱监督识别方法 | |
CN109241975A (zh) | 一种基于字符中心点定位的车牌字符分割方法 | |
CN101149801A (zh) | 一种复杂结构文档图像倾斜快速检测方法 | |
Wang et al. | Natural scene text detection with multi-channel connected component segmentation | |
CN102663378A (zh) | 连笔手写字符的识别方法 | |
CN105117707A (zh) | 一种基于区域图像的人脸表情识别方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110516525A (zh) | 基于gan和svm的sar图像目标识别方法 | |
Liang et al. | A new wavelet-Laplacian method for arbitrarily-oriented character segmentation in video text lines | |
Huang et al. | Text detection and recognition in natural scene images | |
Mukhiddinov et al. | Robust text recognition for Uzbek language in natural scene images | |
Gattal et al. | Segmentation and recognition strategy of handwritten connected digits based on the oriented sliding window | |
CN111062393B (zh) | 一种基于谱聚类的自然场景汉字分割方法 | |
Mukhiddinov | Scene text detection and localization using fully convolutional network | |
CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
CN109460763B (zh) | 一种基于多层次文本组件定位与生长的文本区域提取方法 | |
CN105005757B (zh) | 一种基于Grassmann流行的车牌字符识别方法 | |
Han et al. | Accurate and robust vanishing point detection method in unstructured road scenes | |
Chatbri et al. | An application-independent and segmentation-free approach for spotting queries in document images |
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 |