一种基于典型位置的车牌字符分割方法
【技术领域】
[0001] 本发明涉及车牌识别技术领域，具体是一种基于典型位置的车牌字符分割方法。
【背景技术】
[0002] 车牌识别是智能交通的核心技术，包含了三个部分：车牌定位，字符分割，字符识 另IJ。其中，字符分割是整个技术最重要的一部分，字符分割的好坏，直接影响后续的字符识 另Ij，进而影响整体的识别性能。
[0003] 字符分割是指在一幅已知车牌准确位置的图像中，精确分割出每个单一字符。对 于清晰的车牌图像，已有很多成熟方法，可以获得较好的分割结果，然而，实际环境中，由于 光线变化、拍摄角度、车牌污损等各种复杂场景的存在，会造成车牌字符的模糊、缺失、粘连 等缺陷的出现，当前的成熟方法很难进行精确分割，造成最终的车牌识别失败。因此，如何 有效的对低质量车牌图像进行精确字符分割，仍然是当前限制车牌识别技术的难题。
[0004] 目前，车牌字符分割主要有以下几类方法：
[0005] (1)基于垂直投影的方法，该方法通过获取车牌字符的垂直投影曲线，依据曲线的 波峰波谷位置，获取每个字符的边缘位置。该类方法的优点是算法简单，速度快，对于清晰 车牌，分割效果较佳，其缺点是对于一些污损、粘连、定位不够精确的低质量车牌，分割效果 会明显下降，甚至失效。
[0006] (2)基于连通区域分析的方法，该方法首先进行车牌图像二值化，利用单个字符都 是单连通区域的特征进行分析，最终获取字符的位置。该类方法的优点是对低图像质量的 车牌适应性较好，速度较快，然而，它对于缺失、粘连的字符，却无能为力。
[0007] (3)基于机器学习的方法，如"一种基于支持向量机的车牌字符分割方法"，该类方 法通过获取车牌的布局规律特征，借助分类器进行训练学习，最终完成车牌字符的分割。其 优点是对于清晰车牌，识别效果较佳，对于低质量图像也有一定的抵抗性，其缺点是合适的 布局规律特征较难选取，部分变形车牌不满足布局规律，计算特征的过程，相对较复杂。
【发明内容】
[0008] 本发明提供了一种精确分割车牌字符的方法，特别针对车牌字符存在模糊、缺失、 粘连的现象的分割具有较好的应用价值。
[0009] 本发明是通过以下技术方案实现的：
[0010] -种基于典型位置的车牌字符分割方法，包括以下步骤：
[0011] (1)基于待处理车牌图像的水平投影曲线精确定位车牌字符的上下边缘；
[0012] (2)基于车牌2-3字符位置区域训练的分类器，选择待处理车牌图像2-3字符位置 区域，借助车牌字符的布局特征精确定位车牌字符的左右边缘；所述2-3字符位置区域为 车牌的第2、3字符以及它们之间的间隔。
[0013] 本发明所述的一种基于典型位置的车牌字符分割方法，步骤（1)所述的精确定位 车牌字符的上下边缘包括以下步骤：
[0014] (11)使用中值滤波器对车牌样本图像进行模糊处理；
[0015] (12)使用局部二值化算法获取车牌的二值图像；
[0016] (13)去除车牌字符上下边缘外的区域；
[0017] (14)获取车牌的水平投影曲线，精确定位字符上下边缘位置。
[0018] 本发明所述的一种基于典型位置的车牌字符分割方法，步骤（11)所述的中值滤 波器采用如下公式：
[0019] g (x, y) = median {f (xi; Yj) | 0 ^ i ^ m, 0 ^ j ^ η},
[0020] 其中，g(x, y)是车牌（x, y)处滤波后的灰度值，f (Xi, y_j)是以（x, y)为中心的m*n 邻域内的像素灰度值，median函数的功能是获取所有元素中的中值，m、η是邻域的宽度和 高度。
[0021] 本发明所述的一种基于典型位置的车牌字符分割方法，步骤（12)所述的局部二 值化算法采用如下公式：
[0023] 其中，bin(X，y)为车牌的二值图像，g(x, y)是车牌（X，y)处滤波后的灰度值， g(Xi, Yi)是以（x，y)为中心的N邻域内的像素灰度值，η是以（x，y)为中心的N邻域内的像 素个数，T是二值化阈值。
[0024] 本发明所述的一种基于典型位置的车牌字符分割方法，步骤（13)所述的去除车 牌字符上下边缘外的区域包括：
[0025] (131)形态学闭运算，连接小于阈值A的缝隙；
[0026] (132)基于前景目标到背景的跳变次数，去除上下边框；
[0027] (133)去除面积小于阈值B的前景区域块。
[0028] 本发明所述的一种基于典型位置的车牌字符分割方法，步骤（2)所述的精确定位 车牌字符的左右边缘包括以下步骤：
[0029] (21)获取车牌字符检测矩形区域；
[0030] (22)归一化字符检测区域，去除不同尺寸的影响；
[0031] (23)基于训练的分类器，获取车牌2-3字符位置区域；
[0032] (24)获取车牌的二值图像；
[0033] (25)获取车牌的垂直投影曲线；
[0034] (26)获取第2、3字符的左右边缘位置；
[0035] (27)预测其余字符边缘的位置；
[0036] (28)在每一个预测的边缘位置附近区域，搜索垂直投影曲线的突变位置，作为当 前边缘位置的最佳位置，精确获取每个字符的左右边缘。
[0037] 本发明所述的一种基于典型位置的车牌字符分割方法，步骤（21)所述的车牌字 符检测矩形区域采用以下公式获取：
[0039] 其中，rect_detect. x和rect_detect. y分别为字符检测矩形区域左上角的横纵 坐标值，rect_detect. width和rect_detect. height分别为字符检测矩形区域的宽度和高 度，image_width是车牌图像的宽度，y_up是字符的上边缘纵坐标值，y_down是字符的下边 缘纵坐标值，a和b分别为常数系数。
[0040] 本发明所述的一种基于典型位置的车牌字符分割方法，步骤（23)所述的车牌2-3 字符位置区域的获取包括以下步骤：
[0041] (231)训练车牌2-3字符位置分类器；
[0042] (232)检测车牌的2-3字符位置区域；
[0043] (233)对每一个检测到的候选矩形位置区域赋予一个固定的灰度值，然后进行叠 加，最终的图像区域的灰度值代表了该区域属于2-3位置区域的概率，获取车牌检测矩形 区域内每个位置属于2-3位置区域的概率；
[0044] (234)判断最大概率区域的灰度值是否大于一定阈值C，如果大于说明当前位置 是2-3位置区域，进入步骤（24)，否则说明当前图像不存在车牌，退出步骤（2)。
[0045] 本发明所述的一种基于典型位置的车牌字符分割方法，步骤（231)所述的训练车 牌2-3字符位置分类器的训练过程包括：
[0046] (2311)收集车牌样本图像，要求车牌边框距图像上、下边缘的距离至少在1倍的 车牌区域高度以上，车牌边框距图像左、右边缘的距离至少在〇. 5倍的车牌区域宽度以上；
[0047] (2312)选择正负训练样本，所述训练正样本为所述样本图像的2-3字符位置局部 矩形区域与此局部矩形区域向上、下、左、右分别平移1、2、3个像素所得的13个局部矩形区 域，其余部分作为所述训练负样本；
[0048] (2313)基于harr特征和adaboost分类算法，获取局部位置分类器文件。
[0049] 本发明所述的一种基于典型位置的车牌字符分割方法，步骤（27)所述的预测其 余字符边缘的位置按照如下公式进行：
[0053] 其中，后缀i代表向左侧预测字符边缘位置，取值范围是{1，2};后缀j代表向右 侧预测字符边缘位置，取值范围是{3, 4, 5, 6, 7}，char_i. right代表第i个字符右边缘， char_j. left代表第j个字符左边缘，w和w'分别代表中间变量，c和d分别代表常数系数。
[0054] 本发明的有益效果在于：
[0055] 本发明通过精确定位车牌第2、3字符以及它们之间的间隔的位置，进而确定各个 字符的左右边缘，分割结果更加准确；基于adaboost学习算法自适应选择最优的字符特 征，对于污损、粘连、定位不够精确的低质量车牌图像，鲁棒性更强。
【附图说明】：
[0056] 图1是本发明车牌字符分割方法的流程图；
[0057] 图2是精确定位字符左右边缘流程图；
[0058] 图3是车牌的2-3字符位置定义图；
[0059] 图4是实施例中采用的例图；
[0060] 图5是定位字符上下边缘位置效果图；
[0061] 图6是检测车牌2-3字符位置区域效果图；
[0062] 图7是车牌2-3字符位置区域的概率图；
[0063] 图8是车牌字符左右边缘预测位置图，其中，较粗的直线表示2、3字符的左、右边 缘位置，较细的直线表示预测的字符边缘位置；
[0064] 图9是最终的车牌字符分割效果图。
【具体实施方式】
[0065] 下面结合附图和具体实施例进一步说明本发明。
[0066] 本发明所述方法针对的图像是已经完成倾斜校正的车牌图像，有关车牌的倾斜校 正已有很多成熟的方法，这里不再叙述。
[0067] 本实施例中采用的例图是典型的困难车牌图像，该图存在明显的字符缺失，如图4 所示。
[0068] 如图1所示，本发明的具体实施步骤如下：
[0069] S1、精确定位车牌字符的上下边缘。由于车牌所有字符的上下边缘均位于相同的 高度位置，因此，基于车牌的水平投影曲线可以很方便的获取字符的上下边缘，具体步骤如 下：
[0070] S11、对车牌图像进行模糊处理。因为实际车牌图像不可避免的会存在一些噪声区 域，影响车牌的二值化效果，因此，适当的模糊处理对于去除噪声区域是很有必要的，同时 也不会过多破坏车牌字符区域。本发明采用的是公式（1)表示的中值滤波器；
[0071 ] g (x, y) = median {f (xi; Yj) | 0 ^ i ^ m, 0 ^ j ^ η} (I)
[0072] 其中，g(x, y)是（x, y)处滤波后的灰度值，f (Xi, y_j)是以（x, y)为中心的m*n邻域 内的像素灰度值，median函数的功能是获取所有元素中的中值，m，η是邻域的宽度和高度。
[0073] S12、获取车牌的二值图像bin (X，y)，主要采用公式（2)所示的局部二值化算法；
[0075] 其中，g(x, y)是（X，y)处滤波后的灰度值，g(Xi, y;)是以（X，y)为中