基于闭运算和背景减法的车牌字符分割算法*

齐美彬 ，刘 亮 ，蒋建国

（合肥工业大学 a.计算机与信息学院；b.安全关键工业测控技术教育部工程研究中心，安徽 合肥 230009）

1 引言

车牌识别系统工作原理可分为车牌定位、字符分割、字符识别3个环节，字符的分割对车牌识别系统的好坏具有直接的影响。车牌字符分割方法可分为彩色图像分割[1]、灰度图像分割[2-3]和二值化图像分割[4]三种。基于彩色图像的分割，由于过多地依赖于车牌颜色信息，使得这种分割方法对昏暗或者雨雾等环境下颜色分辨能力较弱时的车牌字符分割适应性较差；基于灰度图像的分割，虽然能充分利用车牌的灰度信息，但是由于其对比度不强，容易造成误分割，特别是字符“1”，“7”，“L”与相邻字符之间的灰度级与字符的灰度级相近时，利用垂直投影不能实现较为满意的分割；二值化分割比灰度分割优越的方面是前景与背景的对比度大，缺点是如果预处理与二值化变换处理得不好，会使得字符复杂的粘连与断裂同时出现，给字符分割增加了难度。鉴于此，笔者提出一种在闭运算和背景减法相结合的车牌预处理基础之上利用垂直投影和先验知识对字符进行分割的算法。由于预处理较强地抑制了车牌上下边框等背景对字符分割的影响，从而有效提高了车牌字符分割的效率。

2 预处理

2.1 背景减法及闭运算

车辆在外界环境中由于受到各种噪声的干扰，定位后的车牌必须经过一定的预处理才能得到较好的二值化效果。常用的预处理方法有中值滤波、灰度拉伸、目标增强[2]、灰度均衡[5]等算法，中值滤波和灰度拉伸，对去除背景噪声有一定效果，但是不能削弱边框噪声；灰度均衡算法对改变光照不均的车牌有较好的效果，但是该算法对光照均匀的车牌并不适用，因为它引入的大量噪声反而会影响字符的准确分割。

背景减法通过削弱背景从而将前景目标从图像中提取出来，常用于运动目标的检测[6]；数学形态学算法在车牌定位的算法[7-8]中使用广泛。本文根据背景减法和闭运算[9]的特点，将其应用于字符二值化前的预处理中，主要用来削弱车牌的上下边框等背景区域，从而达到增强字符的目的。

由于车牌字符以垂直结构为主，上下边框以水平结构为主，字符的宽度稳定且字符之间有明显的背景，所以本文所选择的结构元形式固定为[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0] 。 图 1 为定位到的灰度车牌中值滤波后的图像；图2为闭运算结果，由图可知，车牌的字符区域已经被背景区域所代替；图3为背景减法结果（图1减去图2）。由图可知，闭运算与背景减法相结合能够削弱车牌的上下边框，减少背景噪声。

2.2 二值化变换

图像进行背景减法运算后，字符与背景之间的对比已经比较明显，使用简单的二值化变换方法即能得到较好的二值化效果。笔者提出一种在目标增强[2]基础上进行的的二值化变换方法，见图4。即先将车牌背景减法图像的灰度值归一化到0～100，然后将灰度值前20%的点的灰度值全部变为0，其余部分全部变为255，从而使车牌变为白底黑字的图像，如图4d所示。由图4可知，在预处理基础上，本文的二值化算法能达到和经典二值化算法一样的效果，但过程要简单得多。

2.3 倾斜校正

车牌的倾斜校正即把倾斜的车牌字符通过校正使之高度在同一水平线上。本文主要对水平倾斜的车牌进行处理。常用的车牌倾斜度校正方法有Hough变换[11]和旋转投影法[12]，Hough变换先要对车牌进行多次边缘检测，再用Hough变换确定车牌边框的倾斜度，但是车牌图像常因噪声干扰和二值化等原因，使得车牌的边框不清楚，导致倾斜度校正不理想，且计算量偏大；旋转投影法通过比较不同旋转角度投影的最大值，求取倾斜角度进行校正，该方法中最佳倾角的求取是一个寻优过程，要进行多次投影才能逐步逼近最佳倾角，因此也存在计算量大的问题。本文中，由于车牌上下边框已经基本消除，先对车牌进行粗分割，获得初始字符块，再对单字符块进行水平垂直投影，获得各个字符的上下左右边缘位置信息，由最小二乘法[13]获得字符整体倾斜率。即利用上下边缘位置信息求得上下边缘的斜率分别为k0，k1，由于噪声的影响，往往k0≠k1，为避免校正过度或者校正不足，最终确定车牌的校正斜率为k=（k0+k1）/2。图5为图4d倾斜校正后的结果。

3 字符分割

字符分割即是在前面预处理基础上把车牌字符分割成单个字符，主要是去除字符粘连与合并断裂字符。由于本文的预处理基本上去掉了车牌的上下边框，使得字符的边缘粘连一般为铆钉造成的第5个与第6个字符之间的粘连 （与第2个字符靠近的铆钉一般不会造成两字符边缘的粘连）。外界噪声（如泥巴）往往也会造成字符之间的粘连，具体处理过程如下：

1）铆钉造成的字符粘连，可用灰度跳变去除。对二值化字符倾斜校正后，字符基本上在同一高度，利用灰度跳变[14]去除铆钉噪声。车牌字符区域灰度值跳变次数至少为14，考虑到字符可能出现的断裂和校正不足问题，设置跳变阈值为10。由图像的中间行M0逐行向上扫描，当跳变值 K＜10时，记录该行为 M1，若 M1-M0＞H（H 为经验值，为字符高度的一半），则M1为字符顶端行；同理可找到字符底端行，顶端以上底端以下全部转变为背景区域，从而能去除铆钉造成的两字符粘连，同时也去除了字符顶端以上和低端以下的离散噪声。

2）对于字符非边缘处的粘连（包括“1”与相邻字符之间的粘连），利用垂直投影和先验知识便可去除[15]。字符的合并即是把左右断裂的字符合并到一起。断裂字符主要在以下情况中出现：左右偏旁的汉字；字母中的“H”，“M”，“N”，“O”，“U”，“V”，“W”；数字中的“0”和“8”。字符的具体合并步骤由文献[15]的方法便可完成。图6去除了噪声和铆钉粘连，图7为最终分割结果。

4 字符分割算法步骤

整个分割算法的流程如下：

1）将定位后的蓝底白字、黑底白字车牌转化为灰度图时进行反色变换[16]；将黄底黑字、白底黑字车牌直接转化为灰度图。

2）对灰度图进行中值滤波后再进行闭运算。

3）用中值滤波后的车牌图像减去闭运算后的车牌图像，获得背景减法图像，并采用本文的二值化算法对车牌进行二值化变换。

4）对二值化图像进行倾斜校正，并去除字符粘连和背景噪声，在此基础上完成字符的合并，得到最终的分割结果。

5 实验结果分析

为了说明本文方法的优越性，现将本文方法与其他文献提供的方法进行对比。图8a为灰度车牌进行中值滤波后的图像，图8b为文献[17]中直接进行的二值化变换结果，效果较差，无法完成字符的分割；图8c为文献[18]中目标增强的结果，由图可知，预处理后再进行二值化变换（图8d），比直接二值化有很大的改进（图8b），但分割结果（图8e）仍然有字符缺损；图8f为文献[15]的预处理结果，图8g为其二值化变换，图8h为分割结果。由图可知，虽然能得到正确的分割结果，但该预处理方法给二值化结果增加了大量的边框等背景噪声，从而整个分割过程仍然比较复杂。图8i为本文方法的预处理结果，图8j为其二值化结果，图8k为原灰度图上的分割结果，由图可知，不均匀光照下的二值化字符能够较完整地显示，且边框噪声较少，字符粘连较少，从而能够大大简化分割过程。

由图8的比较可知，由于车牌受噪声干扰，直接进行二值化往往得不到预期效果，因此分割效果很差；目标增强的预处理方法是根据先验知识从整个车牌字符区域出发，先对灰度值排序，再有序地选择像素区域进行增强，该方法能够较大程度地改善二值化效果。但是，当出现光照不均或者边框区域较大且字符区域的灰度级相近时，会使得某些字符的增强受到影响，从而无法准确地完成字符分割；子块部分重叠直方图均衡[5]的预处理方法能够改变光照不均造成的不良影响，但是，该法引入的噪声给字符分割增加了难度。而本文的预处理方法根据闭运算的原理，用当前字符附近的背景区域取代该字符区域，然后利用背景减法削弱上下边框，增强字符与背景之间的对比度，从而能够在较好的二值化结果之上更好更快地完成分割。

在对比实验中，对100张定位后的不同噪声干扰下的车牌图片进行了验证，使用文献[18]的方法，有82张分割成功；使用文献[5]的方法，有76张分割成功；使用本文的方法，有90张分割成功，分割失败的图片主要是因为车牌所处的环境较昏暗，使得车牌字符与其附近的背景的灰度级较近，无法使车牌字符突出于车牌背景。实验结果表明，本文的分割方法具有较好的适应性。

6 小结

本文的闭运算与背景减法相结合的预处理算法能够较大程度消除光照不均、车牌边框等因素造成的不良影响，在此预处理方法基础之上进行的目标增强的二值化变换，达到了较好的效果，从而能够利用最小二乘法完成车牌的倾斜校正，顺利处理字符的粘连与合并，有效提高了字符的分割效率。但是，当车牌所处环境太过昏暗，变换到灰度图像再进行二值化变换时，由于其灰度值太低，会使得字符出现破损。如何改变这些状况，将是下一步研究的方向。

[1]赵雪春，戚飞虎.基于彩色分割的车牌自动识别技术[J].上海交通大学学报，1998，32（10）：4-9.

[2]张云刚，张长水.利用Hough变换和先验知识的车牌字符分割算法[J].计算机学报，2004，27（1）：130-135.

[3]刘兴，蒋天发.车牌字符图像分割技术的研究与应用[J].武汉大学学报：工学版，2006，39（6）：125-128.

[4]CHANG S，CHEN L，CHUNG Y，etal.Automaticlicenseplate recognition[J].IEEE Transactions on Intelligent Transaction Systems，2004，5（1）：42-53.

[5]吴成东，樊玉泉，张云洲，等.基于差分投影与优割字符的车牌字符分割[J].东北大学学报自然科学版，2008，29（7）：921-923.

[6]代科学，李国辉，涂丹，等.监控视频运动目标检测减背景技术的研究现状和展望[J].中国图象图形学报，2006，11（7）：919-927.

[7]戴青云，余英林.一种基于小波与形态学的车牌图像分割方法[J].中国图象图形学报，2000，5（5）：411-415.

[8]左奇，史忠科.一种基于数学形态学的实时车牌图像分割方法[J].中国图象图形学报，2003，8（3）：281-285.

[9]GONZALEZ R C.数字图像处理[M].阮秋琦，阮宇智，译.2版.北京：电子工业出版社，2007：446-450.

[10]欧阳庆.不均匀光照下车牌图像二值化研究[J].武汉大学学报：工学版，2006，39（4）：145-146.

[11]杨立刚，张兴会，李兰友.车牌照字符倾斜校正方法的研究[J].仪器仪表学报，2004，25（4）：696-697.

[12]李文举，梁德群，崔连延，等.一种新的面向字符分割的车牌图像预处理方法[J].计算机应用研究，2004，21（7）：258-260.

[13]王宗跃，马洪超，黄樟灿，等.基于字符上下边缘的车牌校正方法[J].武汉理工大学学报：信息与管理工程版，2009，31（2）：178-179.

[14]胡爱明，周孝宽.利用形态特征的汽车车牌图像分割方法[J].计算机辅助设计与图形学学报，2003，15（6）：717.

[15]陈涛，杨晨晖，青波.基于投影和固有特征结合的车牌字符分割方法[J].计算机技术与发展，2009，19（5）：46-47.

[16]周运祥，林志毅.车牌识别中反色判断的新方法[J].交通与计算机，2005，23（3）：117-119.

[17]马腾飞，郑永果，赵卫东.基于边缘检测与Hough变换的车牌字符分割算法[J].系统仿真学报，2006，18（S1）：391-392.

[18]张宝强，高满屯，张茜.字符分割前车牌图像的预处理[J].计算机工程与科学，2008，30（4）：40-42.