一种基于典型位置的车牌字符分割方法

文档序号:9506542阅读:585来源:国知局
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
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1