CN110619335A - 一种车牌定位与车牌字符分割方法 - Google Patents
一种车牌定位与车牌字符分割方法 Download PDFInfo
- Publication number
- CN110619335A CN110619335A CN201910893432.2A CN201910893432A CN110619335A CN 110619335 A CN110619335 A CN 110619335A CN 201910893432 A CN201910893432 A CN 201910893432A CN 110619335 A CN110619335 A CN 110619335A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- characters
- segmentation
- value
- 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
- G06V10/24—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
-
- 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
- G06V10/30—Noise filtering
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Character Input (AREA)
Abstract
本发明公布了一种车牌定位与车牌字符分割方法。包括以下步骤:首先,将车牌图像的RGB(红、绿、蓝)颜色空间转换到HSV(色调、饱和度、亮度)颜色空间,利用颜色分割原理进行车牌粗略定位。其次,运用霍夫变换直线检测来实现车牌的倾斜校正,然后用投影法对车牌进行二次定位,精确定位车牌位置。最后,根据先验知识,采用改进的投影法有效去除分隔符,并准确分割“川”,“沪”等特殊汉字字符。本发明的车牌定位与车牌字符分割方法,能够准确地进行车牌定位,对字符实现较好分割。
Description
技术领域
本发明属于数字图像处理领域,具体涉及到一种车牌定位与车牌字符分割方法。
背景技术
速度,交通拥堵、行车安全等问题已成为城市交通中的普遍现象。这些问题的存在促使了智能交通系统的产生。智能交通系统将先进的信息技术、数据通信技术、传感器技术、电子控制技术、人工智能以及计算机技术等有效的综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
车牌识别技术是智能交通系统中的关键技术,广泛应用于超速违章处罚、车辆出入管理、牌照号码自动登记、高速公路收费等领域。车牌识别系统的关键技术主要有三个部分:车牌定位、字符分割和字符识别。车牌定位算法主要分为两大类:基于彩色图像的车牌定位方法和基于灰度图像的车牌定位方法。彩色图像信息丰富,可以根据色彩信息在复杂背景中实现车牌的定位,但同时彩色图像数据量大的特点会花费更长的时间。灰度图像数据量少,运行时间短,但是对背景复杂的图像处理效果不好。常见的字符分割方法有连通域法和投影法。连通域法是根据数字和字母字符的连通性进行字符分割的,首先对车牌图像进行连通域分析,获取每个连通域上下左右的始末位置,即可获得包含连通域的一个最小矩形区域,再对连通域进行分裂或合并,即可切分出字符。字符分割技术是基于车牌图像中各字符间存在间隙,所以二值化后的车牌图像在垂直方向的投影在间隙处会出现波谷,投影法是对车牌字符进行垂直投影,波谷位置即为字符间的分界线,实现字符分割。车牌定位与车牌字符分割是车牌识别系统中的两个关键步骤,为后期的车牌字符识别奠定基础。
本方法采用HSV颜色分割算法和投影法相结合的方法,并对现有的颜色分割算法和投影算法进行了改进,实现了车牌的定位。字符分割过程通过实验确定出最佳二值化阈值,对图像进行二值化处理,然后通过垂直投影实现字符的有效分割。最终实现车牌的高效定位与字符的有效分割。
发明内容:
为了克服上述现有技术中的不足,本发明公布了一种车牌定位与车牌字符分割方法。包括以下步骤:首先,将车牌图像的RGB(红、绿、蓝)颜色空间转换到HSV(色调、饱和度、亮度)颜色空间,利用颜色分割原理进行车牌粗略定位。其次,运用霍夫变换直线检测来实现车牌的倾斜校正,然后用投影法对车牌进行二次定位,精确定位车牌位置。最后,根据先验知识,采用改进的投影法有效去除分隔符,并准确分割“川”,“沪”等特殊汉字字符。
具体实现方法如下:
本发明公布了一种车牌定位与车牌字符分割方法,其特征在于:包括以下步骤,
步骤(A)根据HSV颜色特征进行车牌粗略定位;
步骤(B)根据霍夫变换原理校正倾斜车牌;
步骤(C)去除车牌的边框,并精确提取车牌;
步骤(D)车牌分割前车牌图像的预处理;
步骤(E)采用垂直投影法对车牌字符分割。
1.步骤(A),根据HSV颜色特征进行车牌粗略定位,由先验知识,汽车车牌的HSV值如表1所示:
表1HSV的取值范围,‘\’表示不予考虑
本方法利用HSV颜色空间中蓝色的色调、饱和度、亮度的取值范围分别在水平方向和垂直方向累计蓝色像素的个数,分别确定水平分割阈值和垂直分割阈值,对图像进行分割,确定车牌位置;在定位过程中,确定上下边界进行水平投影时,针对出现的上下边界范围太大或太小的问题,将水平分割阈值适当提高,每当检测到小于阈值的数据时,再检测下一个数据是否同样小于阈值,直到接下来的若干个数据均小于阈值,则该位置即为定位出的车牌边界,实验表明效果较好;确定左右边界进行垂直投影时,出现了边界范围太小的问题,解决方法同上。
2.步骤(B),根据霍夫变换原理校正倾斜车牌;包括以下步骤,本方法采用霍夫(Hough)变换的原理进行校正;
在采用霍夫变换直线检测对图片进行校正前,还需要对图像进行一些预处理,首先将图像转为二值图像,然后对二值图像进行膨胀、腐蚀、边缘检测等操作,使图中尽可能少地含有白色像素,且能通过霍夫变换检测出要得到的直线,最后计算直线倾斜角度,对图像进行旋转校正;
本软件中主要检测车牌框架上下边界的的倾斜角,由于要用到车牌框架上下边界图像,所以二值化时阈值不能太小,设图像I是一幅灰度图像,有0~255共256个亮度等级,设level取值范围为[0,1],二值化过程是将像素大于level*255的值转为255,像素小于level*255的值转为0,本软件将level设为0.4,然后进行边缘检测,再用霍夫变换直线检测求得图中直线的倾斜角,进行倾斜校正。
3.步骤(C),去除车牌的边框,并精确提取车牌,校正后的车牌图像还有边框,需要进一步去除图像中的边框,完成对车牌的精确定位。首先对图像进行二值化处理,其中level先使用默认值0.5,引入一个比例因子t,
t=n/m
其中n是二值化后图像中白色像素的个数,m是图像总像素数。经试验表明,t在0.1~0.22范围内,字符分割效果最好,根据t的值调整level的值,得到最终的二值图像;然后对二值图像进行水平投影,确定车牌上下边界,对图像进行垂直投影,确定车牌左右边界。
4.步骤(D)车牌分割前车牌图像的预处理,包括以下步骤:先将车牌图像转为灰度图像,然后对灰度图像进行中值滤波降噪,最后进行二值化处理。
5.步骤(E),采用垂直投影法对车牌字符分割,垂直投影法就是根据车牌字符间存在间隙的特点进行字符分割的,先对二值图像进行垂直投影,累计每一列的值,确定阈值,小于阈值的即为字符间的边界,然后就可以对字符进行分割;但是有些汉字比较特殊,如“川”字,在进行投影阈值分割时会在字符内部进行分割,对此算法改进如下:由于精确定位后的车牌中含有7个字符,平均每个字符占图像总长度的1/8~1/10,根据这一先验知识,先定位出第一个字符的起始位置,然后再定位剩下字符的起始位置;车牌中的分隔符会被当作字符进行分割,根据分隔符起始位置间距小,并且在起始位置间白色像素少的特点对分割出的图像进行判断,找出分隔符的图像将其去除,仅留下字符图像。
附图说明:
如附图所示,图1车牌定位及字符分割流程图,图2为部分典型车牌定位及字符分割结果。
具体实施方式:
图1给出了车牌定位与字符分割的流程框图。其中包括车牌粗略定位、车牌倾斜校正、车牌精确定位和车牌字符分割等步骤。
其中,车牌粗略定位采用HSV颜色分割来实现,运用霍夫变换直线检测来实现车牌的倾斜校正,然后用投影法对车牌进行二次定位,精确定位车牌位置。车牌字符分割根据先验知识,采用改进的投影法有效去除分隔符,并准确分割“川”,“沪”等特殊汉字字符。
为了验证本文软件的有效性。实验仿真平台均在PC机上,基于Matlab2014a语言仿真实现;程序运行环境是Windows 7旗舰版32位操作系统,计算机配置为Core(TM)CPU处理器,3.20GHz主频和4GB内存。
对不同背景下拍摄的200幅车牌图像进行了车牌定位、字符分割测试,实验表明,应用本软件中方法能准确地进行车牌定位,对字符实现较好分割,图2为部分典型的车牌图像及其分割结果。测试结果表明有效定位率达到100%,字符分割正确率达到了98%。
Claims (6)
1.本发明公布了一种车牌定位与车牌字符分割方法,其特征在于:包括以下步骤,
步骤(A)根据HSV颜色特征进行车牌粗略定位;
步骤(B)根据霍夫变换原理校正倾斜车牌;
步骤(C)去除车牌的边框,并精确提取车牌;
步骤(D)车牌分割前车牌图像的预处理;
步骤(E)采用垂直投影法对车牌字符分割。
2.根据权利要求1所述的一种车牌定位与车牌字符分割方法,其特征在于:步骤(A),根据HSV颜色特征进行车牌粗略定位,由先验知识,汽车车牌的HSV值如表1所示:
表1 HSV的取值范围,‘\’表示不予考虑
本方法利用HSV颜色空间中蓝色的色调、饱和度、亮度的取值范围分别在水平方向和垂直方向累计蓝色像素的个数,分别确定水平分割阈值和垂直分割阈值,对图像进行分割,确定车牌位置;在定位过程中,确定上下边界进行水平投影时,针对出现的上下边界范围太大或太小的问题,将水平分割阈值适当提高,每当检测到小于阈值的数据时,再检测下一个数据是否同样小于阈值,直到接下来的若干个数据均小于阈值,则该位置即为定位出的车牌边界,实验表明效果较好;确定左右边界进行垂直投影时,出现了边界范围太小的问题,解决方法同上。
3.根据权利要求1所述的一种车牌定位与车牌字符分割方法,其特征在于:步骤(B),根据霍夫变换原理校正倾斜车牌;包括以下步骤,本方法采用霍夫(Hough)变换的原理进行校正;
在采用霍夫变换直线检测对图片进行校正前,还需要对图像进行一些预处理,首先将图像转为二值图像,然后对二值图像进行膨胀、腐蚀、边缘检测等操作,使图中尽可能少地含有白色像素,且能通过霍夫变换检测出要得到的直线,最后计算直线倾斜角度,对图像进行旋转校正;
本软件中主要检测车牌框架上下边界的的倾斜角,由于要用到车牌框架上下边界图像,所以二值化时阈值不能太小,设图像I是一幅灰度图像,有0~255共256个亮度等级,设level取值范围为[0,1],二值化过程是将像素大于level*255的值转为255,像素小于level*255的值转为0,本软件将level设为0.4,然后进行边缘检测,再用霍夫变换直线检测求得图中直线的倾斜角,进行倾斜校正。
4.根据权利要求1所述的一种车牌定位与车牌字符分割方法,其特征在于:步骤(C),去除车牌的边框,并精确提取车牌,校正后的车牌图像还有边框,需要进一步去除图像中的边框,完成对车牌的精确定位;首先对图像进行二值化处理,其中level先使用默认值0.5,引入一个比例因子t,
t=n/m
其中n是二值化后图像中白色像素的个数,m是图像总像素数;经试验表明,t在0.1~0.22范围内,字符分割效果最好,根据t的值调整level的值,得到最终的二值图像;然后对二值图像进行水平投影,确定车牌上下边界,对图像进行垂直投影,确定车牌左右边界。
5.根据权利要求1所述的一种车牌定位与车牌字符分割方法,其特征在于:步骤(D)车牌分割前车牌图像的预处理;包括以下步骤:先将车牌图像转为灰度图像,然后对灰度图像进行中值滤波降噪,最后进行二值化处理。
6.根据权利要求1所述的一种车牌定位与车牌字符分割方法,其特征在于:步骤(E),采用垂直投影法对车牌字符分割,垂直投影法就是根据车牌字符间存在间隙的特点进行字符分割的,先对二值图像进行垂直投影,累计每一列的值,确定阈值,小于阈值的即为字符间的边界,然后就可以对字符进行分割;但是有些汉字比较特殊,如“川”字,在进行投影阈值分割时会在字符内部进行分割,对此算法改进如下:由于精确定位后的车牌中含有7个字符,平均每个字符占图像总长度的1/8~1/10,根据这一先验知识,先定位出第一个字符的起始位置,然后再定位剩下字符的起始位置;车牌中的分隔符会被当作字符进行分割,根据分隔符起始位置间距小,并且在起始位置间白色像素少的特点对分割出的图像进行判断,找出分隔符的图像将其去除,仅留下字符图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910893432.2A CN110619335A (zh) | 2019-09-20 | 2019-09-20 | 一种车牌定位与车牌字符分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910893432.2A CN110619335A (zh) | 2019-09-20 | 2019-09-20 | 一种车牌定位与车牌字符分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110619335A true CN110619335A (zh) | 2019-12-27 |
Family
ID=68923871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910893432.2A Pending CN110619335A (zh) | 2019-09-20 | 2019-09-20 | 一种车牌定位与车牌字符分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619335A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883977A (zh) * | 2021-02-22 | 2021-06-01 | 三峡大学 | 车牌识别方法、装置、电子设备和存储介质 |
CN114299275A (zh) * | 2021-12-03 | 2022-04-08 | 江苏航天大为科技股份有限公司 | 一种基于霍夫变换的车牌倾斜校正方法 |
-
2019
- 2019-09-20 CN CN201910893432.2A patent/CN110619335A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883977A (zh) * | 2021-02-22 | 2021-06-01 | 三峡大学 | 车牌识别方法、装置、电子设备和存储介质 |
CN114299275A (zh) * | 2021-12-03 | 2022-04-08 | 江苏航天大为科技股份有限公司 | 一种基于霍夫变换的车牌倾斜校正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
CN103065138B (zh) | 一种机动车牌号的识别方法 | |
CN101334836B (zh) | 一种融合色彩、尺寸和纹理特征的车牌定位方法 | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN104036262B (zh) | 一种lpr车牌筛选识别的方法和系统 | |
CN109241920B (zh) | 一种用于车载道路监控取证系统的车道线检测方法 | |
CN103235938A (zh) | 车牌检测与识别的方法及系统 | |
CN105336169A (zh) | 一种基于视频判断交通拥堵的方法和系统 | |
CN108416316B (zh) | 一种黑烟车的检测方法及系统 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN102902957A (zh) | 一种基于视频流的自动车牌识别方法 | |
CN107705254B (zh) | 一种基于街景图的城市环境评估方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN108734131B (zh) | 一种图像中的交通标志对称性检测方法 | |
CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
CN112651293B (zh) | 一种公路违法设摊事件视频检测方法 | |
CN114387591A (zh) | 车牌识别方法、系统、设备及存储介质 | |
CN110619335A (zh) | 一种车牌定位与车牌字符分割方法 | |
CN110516666B (zh) | 基于mser和isodata相结合的车牌定位方法 | |
CN112528994B (zh) | 一种自由角度车牌检测方法、车牌识别方法和识别系统 | |
CN113989771A (zh) | 一种基于数字图像处理的交通信号灯识别方法 | |
CN111178359A (zh) | 车牌号码识别方法、装置和设备及计算机存储介质 | |
CN113053164A (zh) | 一种利用环视图像的车位识别方法 | |
CN110059695B (zh) | 一种基于垂直投影的字符分割方法及终端 | |
CN111985482B (zh) | 一种基于深度学习的多模式多场景的自动车牌识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191227 |