基于改进的K-means的车牌字符分割

李 金，宫宁生，张 蕾

(南京工业大学 电子与信息工程学院，江苏 南京 211816)

基于改进的K-means的车牌字符分割

李 金，宫宁生，张 蕾

(南京工业大学 电子与信息工程学院，江苏 南京 211816)

提出了一种基于改进的K-means的车牌字符分割方法。该方法首先利用均值跳变法对车牌区域进行精确定位，再利用改进的K-means算法对车牌字符进行聚类，最后根据K-means算法得到的聚类中心对车牌字符进行分割。实验结果表明，该方法能够准确地分割出车牌字符，且具有较强的抗干扰性。

车牌字符分割；均值跳变；K-means

随着现代社会的发展，对交通的管理趋于智能化，其中车牌识别是智能交通系统一个很重要的组成部分。目前车牌自动识别主要用在高速公路收费站、道路交通情况监测、停车场等场合。车牌识别系统主要包括3个部分：车牌定位、车牌字符分割、车牌字符识别。其中车牌字符分割是车牌识别系统中很重要的一个环节，字符分割的准确度直接决定后面字符识别的正确与否。

目前常用的车牌字符分割方法主要有垂直投影法、基于Hough变换的方法、基于聚类分析的方法及质量退化法等。本文提出了一种基于改进的K-means的车牌字符分割方法，该方法通过改进的K-means方法，对精确定位后的车牌字符进行聚类，进而对车牌字符进行分割。通过实验证明，该方法能较准确地分割出字符，具有很强的实用性。

1 预处理

本文的车牌字符分割是建立在车牌已经初步定位的基础之上，由于初步定位得到的车牌图像还含有边框、铆钉等，会对后续的操作造成影响，因此，需要对车牌进行精确定位。

1.1 图像的均衡化

初次定位后得到的车牌区域包含大量的色彩信息，为便于处理，需要将其变成灰度图像。同时，由于图片采集时的环境、照明等条件互不相同，使得图片的亮度也互不相同。为了提高图像对比度，需要对其进行均衡化处理，即将特定区域内的像素拉开，使得它们均匀地分布在整个灰度空间中。

1.2 图像的二值化

为了突出车牌底色与字符的区别，需要对其进行二值化处理。在这里选择OTSU算法(最大类间方差法)，该算法被认为是图像分割中阈值选取的最佳算法。

该算法的主要思想是按图像的灰度特性，将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的两部分差别越大。其表达式如下

σ2=ω0(u0-u)2+ω1(u1-u)2=ω0ω1(u0-u1)2

(1)

式中：σ2为类间方差；ω0为目标的像素点数占整幅图像的比例；ω1为背景的像素点数占整幅图像的比例；u0为目标像素点的平均灰度；u1为背景像素点的平均灰度；u为整个图像的平均灰度。

源图像和经过二值化处理后的图像如图1和图2所示。

图1 源图像

图2 二值化

1.3 均值跳变法

对前文二值化后的图像，采用均值跳变法来确定车牌字符区域的上、下、左、右4个边界。具体算法步骤如下：

1)将二值化后的图像等分成若干个包含3×3像素点的小方格，如图3所示。

图3 分成小方格后的车牌

2)由上到下逐行遍历小方格，统计每个小方格中包含像素点为0的点的个数，并计算每行中像素点为0的点的个数的均值。

3)由图像的中间行分别向上、向下逐行遍历，当向上遍历时，若相邻两行中，下面一行方格的均值大于0.5，且上面一行方格的均值小于0.5，则可以认为上面一行为字符的上边界；当向下遍历时，若相邻两行中，上面一行方格的均值大于1，且下面一行方格的均值小于1，则可以认为下面一行为字符的下边界。

4)在步骤3)确定的上下边界基础之上，从左到右逐列遍历小方格，统计每个小方格中包含像素点为0的点的个数，并计算每列中像素点为0的点的个数的均值。

5)由图像的两端分别向右、向左逐列遍历，当向右遍历时，若相邻两列中，左边一列方格的均值小于1，且右边一列方格的均值大于1，则可以认为左边一列为字符的左边界；当向左遍历时，若相邻两列中，右边一列方格的均值小于1，且左边一列方格的均值大于1，则可以认为右边一列为字符的右边界。

经过均值跳变法精确定位的车牌区域如图4所示，图中矩形框为精确定位后的车牌区域。

图4 精确定位后的车牌

2 K-means算法基本思想

(2)

聚类中心为

(3)

输入：聚类的数目k和包含n个对象的数据集。

输出：满足目标函数值最小的k个簇。

1)从n个数据对象中任意选择k个作为初始聚类中心；

2)根据每个聚类对象的均值，计算每个对象与这些中心对象的距离，并且根据最小距离重新对相应的对象进行划分；

3)重新计算每个聚类的均值；

4)循环2)和3)，直到目标函数E不再发生变化为止。

3 车牌字符分割

3.1 改进的K-means算法

通过观察车牌的特征可知，一般的车牌只有7个字符，且其相对位置比较固定，为了提高K-means算法的效率，可以自行选定初始聚类中心，而不采用随机产生的方法。改进的K-means算法具体步骤如下：

输入：聚类的数目k和包含n个对象的数据集。

输出：满足目标函数值最小的k个簇。

1)选择7个字符的中心点作为初始聚类中心；

2)根据每个聚类对象的均值，计算每个对象与这些中心对象的距离，并且根据最小距离重新对相应的对象进行划分；

3)重新计算每个聚类的均值；

4)循环2)和3)，直到目标函数E不再发生变化为止。

3.2 字符分割方法

字符分割方法步骤为：

1)以车牌图片的左上角为零点，逐行扫描图片，统计图片中像素点为0的个数及其坐标。

2)选取7个车牌字符的中心点作为初始聚类的中心，如图5所示。

图5 初始聚类中心

3)使用改进后的K-means算法对车牌字符进行聚类，将1)中点的坐标作为K-means算法的输入，则经过改进的K-means算法聚类后得到的车牌字符如图6所示。

4)根据K-means算法得到7个车牌字符的最终聚类中心，坐标数据如表1所示。

图6 K-means算法聚类后的图像

表1 聚类中心坐标

5)根据4)中得到的聚类中心横坐标，分别向左、向右扩展9个像素作为边界分割字符，其中第一个字符仅需向右扩展9个像素点，以图片的左边界作为其左边界，最后一个字符仅需向左扩展9个像素点，以图片的右边界作为其右边界，则字符分割示意图如图7所示。

图7 字符分割示意图

6)分割后的字符有可能大小不一样，为了便于后续的字符识别操作，需要对得到的车牌进行调整大小，这里将车牌字符大小统一调整为20×30像素，调整后的字符图像如图8所示。

图8 调整后的字符

4 实验结果

本文中所有算法的实现都是基于VS2010和OpenCV开源视觉库，实验随机选取了50张图片，这些图片都是由关卡固定的摄像头拍摄的，且正对车头方向，经过车牌初步定位后得到。限于篇幅，本文只选择了其中的2幅车牌分割实验效果图，如图9所示。

图9 车牌分割效果图

由于经典的垂直投影法简单易于实现，经常用于车牌字符分割方法中。因此利用上述50幅图像，将本文算法与垂直投影法做比较。采用垂直投影法，其字符分割效果如图10所示。

通过对比投影法和本文算法可知，本文算法成功分割的正确率更高，达到了98%，而投影法分割成功的正确率只有88%。由此可见，运用本文算法分割字符具有较好的鲁棒性，实验结果如表2所示。

图10 垂直投影法

表2 实验结果对比

5 总结

本文提出的算法利用均值跳变法对车牌进行精确定位，再利用改进的K-means算法对车牌字符进行聚类后分割，经实验证明该方法抗干扰能力强，车牌字符分割的准确度高，具有很强的实用性。

[1]刘海波，沈晶，郭耸.VisualC++数字图像处理技术详解[M].北京：机械工业出版社，2010：246-249.

[2]汪中，刘贵全，陈恩红．一种优化初始中心点的K-means算法[J]．模式识别与人工智能，2009，22(2)：299-304．

[3]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.

[4]甘玲，林小晶. 基于连通域提取的车牌字符分割算法[J].计算机仿真，2011，28(4)：336-339.

[5]迟晓君，孟庆春. 基于投影特征值的车牌字符分割算法[J].计算机应用研究，2006(7)：256-257.

[6]瞿中，李梦露，常庆丽，等. 退化车牌字符的两级分割算法研究[J].计算机工程与设计，2013，34(7)：2465-2469.

[7]白建华. 车牌字符分割及识别算法研究[D].西安：西安电子科技大学，2010.

[8]胡金凤. 车牌字符分割和识别算法研究[D].重庆：重庆大学，2010.

李 金(1989— )，硕士生，研究方向为图像处理；

宫宁生(1958— )，教授，硕士生导师，研究方向为模式识别、图像处理；

张 蕾(1989— )，女，硕士生，研究方向为图像处理。

责任编辑：任健男

License Plate Character Segmentation Based on Improved K-means Algorithm

LI Jin，GONG Ningsheng，ZHANG Lei

(CollegeofElectronicsandInformationEngineering,NanjingUniversityofTechnology,Nanjing211816,China)

A character segmentation method of license plate is proposed based on improved K-means algorithm. This method firstly uses the mean jump method to locate the license plate precisely. And the character of license plate is clustered by using improved K-means algorithm. Finally, according to the cluster center, which is acquired by K-means algorithm, segment the character of license plate. The experimental results show that this method can segment the character of license plate accurately, and has a strong anti-interference.

license plate character segmentation；mean jump；K-means

国家重点基础研究发展计划项目(2005CB321901)；软件开发环境国家重点开放实验室开放课题(BUAA-SKLSDE-09KF-03)

TP391

A

10.16280/j.videoe.2015.01.034

2014-05-11

【本文献信息】李金，宫宁生，张蕾.基于改进的K-means的车牌字符分割[J].电视技术,2015，39(1).