一種基于典型位置的車牌字符分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及車牌識別技術(shù)領(lǐng)域，具體是一種基于典型位置的車牌字符分割方法。
【背景技術(shù)】
[0002] 車牌識別是智能交通的核心技術(shù)，包含了三個(gè)部分：車牌定位，字符分割，字符識 另IJ。其中，字符分割是整個(gè)技術(shù)最重要的一部分，字符分割的好壞，直接影響后續(xù)的字符識 另Ij，進(jìn)而影響整體的識別性能。
[0003] 字符分割是指在一幅已知車牌準(zhǔn)確位置的圖像中，精確分割出每個(gè)單一字符。對 于清晰的車牌圖像，已有很多成熟方法，可以獲得較好的分割結(jié)果，然而，實(shí)際環(huán)境中，由于 光線變化、拍攝角度、車牌污損等各種復(fù)雜場景的存在，會造成車牌字符的模糊、缺失、粘連 等缺陷的出現(xiàn)，當(dāng)前的成熟方法很難進(jìn)行精確分割，造成最終的車牌識別失敗。因此，如何 有效的對低質(zhì)量車牌圖像進(jìn)行精確字符分割，仍然是當(dāng)前限制車牌識別技術(shù)的難題。
[0004] 目前，車牌字符分割主要有以下幾類方法：
[0005] (1)基于垂直投影的方法，該方法通過獲取車牌字符的垂直投影曲線，依據(jù)曲線的 波峰波谷位置，獲取每個(gè)字符的邊緣位置。該類方法的優(yōu)點(diǎn)是算法簡單，速度快，對于清晰 車牌，分割效果較佳，其缺點(diǎn)是對于一些污損、粘連、定位不夠精確的低質(zhì)量車牌，分割效果 會明顯下降，甚至失效。
[0006] (2)基于連通區(qū)域分析的方法，該方法首先進(jìn)行車牌圖像二值化，利用單個(gè)字符都 是單連通區(qū)域的特征進(jìn)行分析，最終獲取字符的位置。該類方法的優(yōu)點(diǎn)是對低圖像質(zhì)量的 車牌適應(yīng)性較好，速度較快，然而，它對于缺失、粘連的字符，卻無能為力。
[0007] (3)基于機(jī)器學(xué)習(xí)的方法，如"一種基于支持向量機(jī)的車牌字符分割方法"，該類方 法通過獲取車牌的布局規(guī)律特征，借助分類器進(jìn)行訓(xùn)練學(xué)習(xí)，最終完成車牌字符的分割。其 優(yōu)點(diǎn)是對于清晰車牌，識別效果較佳，對于低質(zhì)量圖像也有一定的抵抗性，其缺點(diǎn)是合適的 布局規(guī)律特征較難選取，部分變形車牌不滿足布局規(guī)律，計(jì)算特征的過程，相對較復(fù)雜。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明提供了一種精確分割車牌字符的方法，特別針對車牌字符存在模糊、缺失、 粘連的現(xiàn)象的分割具有較好的應(yīng)用價(jià)值。
[0009] 本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的：
[0010] -種基于典型位置的車牌字符分割方法，包括以下步驟：
[0011] (1)基于待處理車牌圖像的水平投影曲線精確定位車牌字符的上下邊緣；
[0012] (2)基于車牌2-3字符位置區(qū)域訓(xùn)練的分類器，選擇待處理車牌圖像2-3字符位置 區(qū)域，借助車牌字符的布局特征精確定位車牌字符的左右邊緣；所述2-3字符位置區(qū)域?yàn)?車牌的第2、3字符以及它們之間的間隔。
[0013] 本發(fā)明所述的一種基于典型位置的車牌字符分割方法，步驟（1)所述的精確定位 車牌字符的上下邊緣包括以下步驟：
[0014] (11)使用中值濾波器對車牌樣本圖像進(jìn)行模糊處理；
[0015] (12)使用局部二值化算法獲取車牌的二值圖像；
[0016] (13)去除車牌字符上下邊緣外的區(qū)域；
[0017] (14)獲取車牌的水平投影曲線，精確定位字符上下邊緣位置。
[0018] 本發(fā)明所述的一種基于典型位置的車牌字符分割方法，步驟（11)所述的中值濾 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)是車牌（x, y)處濾波后的灰度值，f (Xi, y_j)是以（x, y)為中心的m*n 鄰域內(nèi)的像素灰度值，median函數(shù)的功能是獲取所有元素中的中值，m、η是鄰域的寬度和 高度。
[0021] 本發(fā)明所述的一種基于典型位置的車牌字符分割方法，步驟（12)所述的局部二 值化算法采用如下公式：
[0023] 其中，bin(X，y)為車牌的二值圖像，g(x, y)是車牌（X，y)處濾波后的灰度值， g(Xi, Yi)是以（x，y)為中心的N鄰域內(nèi)的像素灰度值，η是以（x，y)為中心的N鄰域內(nèi)的像 素個(gè)數(shù)，T是二值化閾值。
[0024] 本發(fā)明所述的一種基于典型位置的車牌字符分割方法，步驟（13)所述的去除車 牌字符上下邊緣外的區(qū)域包括：
[0025] (131)形態(tài)學(xué)閉運(yùn)算，連接小于閾值A(chǔ)的縫隙；
[0026] (132)基于前景目標(biāo)到背景的跳變次數(shù)，去除上下邊框；
[0027] (133)去除面積小于閾值B的前景區(qū)域塊。
[0028] 本發(fā)明所述的一種基于典型位置的車牌字符分割方法，步驟（2)所述的精確定位 車牌字符的左右邊緣包括以下步驟：
[0029] (21)獲取車牌字符檢測矩形區(qū)域；
[0030] (22)歸一化字符檢測區(qū)域，去除不同尺寸的影響；
[0031] (23)基于訓(xùn)練的分類器，獲取車牌2-3字符位置區(qū)域；
[0032] (24)獲取車牌的二值圖像；
[0033] (25)獲取車牌的垂直投影曲線；
[0034] (26)獲取第2、3字符的左右邊緣位置；
[0035] (27)預(yù)測其余字符邊緣的位置；
[0036] (28)在每一個(gè)預(yù)測的邊緣位置附近區(qū)域，搜索垂直投影曲線的突變位置，作為當(dāng) 前邊緣位置的最佳位置，精確獲取每個(gè)字符的左右邊緣。
[0037] 本發(fā)明所述的一種基于典型位置的車牌字符分割方法，步驟（21)所述的車牌字 符檢測矩形區(qū)域采用以下公式獲取：
[0039] 其中，rect_detect. x和rect_detect. y分別為字符檢測矩形區(qū)域左上角的橫縱 坐標(biāo)值，rect_detect. width和rect_detect. height分別為字符檢測矩形區(qū)域的寬度和高 度，image_width是車牌圖像的寬度，y_up是字符的上邊緣縱坐標(biāo)值，y_down是字符的下邊 緣縱坐標(biāo)值，a和b分別為常數(shù)系數(shù)。
[0040] 本發(fā)明所述的一種基于典型位置的車牌字符分割方法，步驟（23)所述的車牌2-3 字符位置區(qū)域的獲取包括以下步驟：
[0041] (231)訓(xùn)練車牌2-3字符位置分類器；
[0042] (232)檢測車牌的2-3字符位置區(qū)域；
[0043] (233)對每一個(gè)檢測到的候選矩形位置區(qū)域賦予一個(gè)固定的灰度值，然后進(jìn)行疊 加，最終的圖像區(qū)域的灰度值代表了該區(qū)域?qū)儆?-3位置區(qū)域的概率，獲取車牌檢測矩形 區(qū)域內(nèi)每個(gè)位置屬于2-3位置區(qū)域的概率；
[0044] (234)判斷最大概率區(qū)域的灰度值是否大于一定閾值C，如果大于說明當(dāng)前位置 是2-3位置區(qū)域，進(jìn)入步驟（24)，否則說明當(dāng)前圖像不存在車牌，退出步驟（2)。
[0045] 本發(fā)明所述的一種基于典型位置的車牌字符分割方法，步驟（231)所述的訓(xùn)練車 牌2-3字符位置分類器的訓(xùn)練過程包括：
[0046] (2311)收集車牌樣本圖像，要求車牌邊框距圖像上、下邊緣的距離至少在1倍的 車牌區(qū)域高度以上，車牌邊框距圖像左、右邊緣的距離至少在〇. 5倍的車牌區(qū)域?qū)挾纫陨希?br>[0047] (2312)選擇正負(fù)訓(xùn)練樣本，所述訓(xùn)練正樣本為所述樣本圖像的2-3字符位置局部 矩形區(qū)域與此局部矩形區(qū)域向上、下、左、右分別平移1、2、3個(gè)像素所得的13個(gè)局部矩形區(qū) 域，其余部分作為所述訓(xùn)練負(fù)樣本；
[0048] (2313)基于harr特征和adaboost分類算法，獲取局部位置分類器文件。
[0049] 本發(fā)明所述的一種基于典型位置的車牌字符分割方法，步驟（27)所述的預(yù)測其 余字符邊緣的位置按照如下公式進(jìn)行：
[0053] 其中，后綴i代表向左側(cè)預(yù)測字符邊緣位置，取值范圍是{1，2};后綴j代表向右 側(cè)預(yù)測字符邊緣位置，取值范圍是{3, 4, 5, 6, 7}，char_i. right代表第i個(gè)字符右邊緣， char_j. left代表第j個(gè)字符左邊緣，w和w'分別代表中間變量，c和d分別代表常數(shù)系數(shù)。
[0054] 本發(fā)明的有益效果在于：
[0055] 本發(fā)明通過精確定位車牌第2、3字符以及它們之間的間隔的位置，進(jìn)而確定各個(gè) 字符的左右邊緣，分割結(jié)果更加準(zhǔn)確；基于adaboost學(xué)習(xí)算法自適應(yīng)選擇最優(yōu)的字符特 征，對于污損、粘連、定位不夠精確的低質(zhì)量車牌圖像，魯棒性更強(qiáng)。
【附圖說明】：
[0056] 圖1是本發(fā)明車牌字符分割方法的流程圖；
[0057] 圖2是精確定位字符左右邊緣流程圖；
[0058] 圖3是車牌的2-3字符位置定義圖；
[0059] 圖4是實(shí)施例中采用的例圖；
[0060] 圖5是定位字符上下邊緣位置效果圖；
[0061] 圖6是檢測車牌2-3字符位置區(qū)域效果圖；
[0062] 圖7是車牌2-3字符位置區(qū)域的概率圖；
[0063] 圖8是車牌字符左右邊緣預(yù)測位置圖，其中，較粗的直線表示2、3字符的左、右邊 緣位置，較細(xì)的直線表示預(yù)測的字符邊緣位置；
[0064] 圖9是最終的車牌字符分割效果圖。
【具體實(shí)施方式】
[0065] 下面結(jié)合附圖和具體實(shí)施例進(jìn)一步說明本發(fā)明。
[0066] 本發(fā)明所述方法針對的圖像是已經(jīng)完成傾斜校正的車牌圖像，有關(guān)車牌的傾斜校 正已有很多成熟的方法，這里不再敘述。
[0067] 本實(shí)施例中采用的例圖是典型的困難車牌圖像，該圖存在明顯的字符缺失，如圖4 所示。
[0068] 如圖1所示，本發(fā)明的具體實(shí)施步驟如下：
[0069] S1、精確定位車牌字符的上下邊緣。由于車牌所有字符的上下邊緣均位于相同的 高度位置，因此，基于車牌的水平投影曲線可以很方便的獲取字符的上下邊緣，具體步驟如 下：
[0070] S11、對車牌圖像進(jìn)行模糊處理。因?yàn)閷?shí)際車牌圖像不可避免的會存在一些噪聲區(qū) 域，影響車牌的二值化效果，因此，適當(dāng)?shù)哪：幚韺τ谌コ肼晠^(qū)域是很有必要的，同時(shí) 也不會過多破壞車牌字符區(qū)域。本發(fā)明采用的是公式（1)表示的中值濾波器；
[0071 ] g (x, y) = median {f (xi; Yj) | 0 ^ i ^ m, 0 ^ j ^ η} (I)
[0072] 其中，g(x, y)是（x, y)處濾波后的灰度值，f (Xi, y_j)是以（x, y)為中心的m*n鄰域 內(nèi)的像素灰度值，median函數(shù)的功能是獲取所有元素中的中值，m，η是鄰域的寬度和高度。
[0073] S12、獲取車牌的二值圖像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)處濾波后的灰度值，g(Xi, y;)是以（X，y)為中