车牌定位与字符分割的新方法

李培灵，王 锋

（河南工业大学信息科学与工程学院，河南郑州450001）

0 引言

车牌识别技术是智能交通系统中的关键技术，广泛应用于超速违章处罚、车辆出入管理及高速公路收费等领域。车牌识别的关键技术主要有车牌定位、字符分割和字符识别3个部分。

车牌定位算法主要分为基于彩色图像的车牌定位方法[1-3]和基于灰度图像的车牌定位方法[4-5]两大类。彩色图像信息丰富，可以在复杂背景中实现车牌的定位，但同时其数据量大的特点会花费更长的时间。灰度图像数据量少，运行时间短，但是对背景复杂的图像处理效果不好。常见的字符分割方法有连通域法和投影法[6-7]。连通域法是根据数字和字母字符的连通性进行字符分割的，投影法是依据字符间存在间隙的特点实现字符分割。

本文着重对车牌定位和字符分割技术进行研究，以期提高车牌识别方法的鲁棒性和车牌识别率。

1 车牌定位与字符分割流程

车牌定位与字符分割包括车牌粗略定位、车牌倾斜校正、车牌精确定位和车牌字符分割等步骤，如图1所示。

图1 车牌定位及字符分割流程

其中，车牌粗略定位采用HSV颜色分割来实现，运用霍夫变换直线检测来实现车牌的倾斜校正，然后用投影法对车牌进行二次定位，精确定位车牌位置。精确定位后的车牌共有7个字符，平均每个字符占图像总长度的1/8～1/10，第2个字符和第3个字符间有一个分隔符。车牌字符分割采用改进的投影法有效去除分隔符，并能准确分割“川”、“沪”等特殊汉字字符。

2 车牌定位

通过改进的颜色分割方法对车牌进行粗略定位，利用霍夫变换技术对粗略定位出来的车牌图像进行倾斜校正，最后在其二值图像上进行二次车牌定位，得到精确的车牌定位图像。

2.1 车牌粗略定位

RGB彩色图像容易受到光照强弱、阴影等因素的影响，相比之下，HSV彩色图像面对这些光照的变化更稳定一些。在HSV颜色空间下，根据颜色对图像中的车牌进行定位，利用HSV颜色空间中蓝色的色调、饱和度、亮度的取值范围分别在水平方向和垂直方向累计蓝色像素的个数，确定水平分割阈值和垂直分割阈值，对图像进行分割，确定车牌位置。

在定位过程中，确定上下边界进行水平投影时，针对出现的上下边界范围太大或太小的问题，将水平分割阈值适当提高，每当检测到小于阈值的数据时，再检测下一个数据是否同样小于阈值，直到接下来的若干个数据均小于阈值，则该位置即为定位出的车牌边界，实验表明效果较好。原始图像如图2所示，经定位后的车牌图像如图3所示。

图2 原图

图3 车牌粗略定位

实验表明，采用改进后的颜色分割算法进行车牌定位，得到理想的定位结果的比例有明显提高，部分车牌定位效果对比图如图4所示。

图4 算法效果对比

2.2 车牌倾斜校正

由于车牌字符分割需要对车牌进行垂直投影来实现，而倾斜的车牌会影响垂直投影的结果，所以需要对其进行校正。采用霍夫变换原理对图像进行直线检测，计算直线倾斜角度，对图像进行旋转校正。

本文主要检测车牌框架上下边界的倾斜角，对图像进行二值化时阈值不能太小。首先将上一步得到的结果图转为灰度图像，则有0～255共256个亮度等级，设level取值范围为[0，1]。二值化过程是将像素大于level*255的值转为255，像素小于level*255的值转为0。本文将level设为0.4，进行边缘检测，再用霍夫变换直线检测求得图中直线的倾斜角，进行倾斜校正，倾斜校正后的图像如图5所示。

图5 校正后的车牌图像

2.3 车牌精确定位

校正后的车牌图像需要进一步去除图像中的边框，完成对车牌的精确定位。首先对图像进行二值化处理，其中level先使用默认值0.5，引入一个比例因子 ，=/。 为二值化后图像中白色像素的个数， 为图像总像素数。经试验表明，在0.1～0.22范围内，字符分割效果最好。根据 的值调整level的值，得到最终的二值图像。对二值图像进行水平投影，确定车牌上下边界，对图像进行垂直投影，确定车牌左右边界。经精确定位后的车牌图像如图6所示。

图6 车牌精确定位图像

3 字符分割

字符分割的目的是把车牌中的字符逐一切分出来，在分割字符之前一般还需要对提取出来的图像做一些预处理，如先转为灰度图像，然后进行滤波降噪和二值化处理，最后采用投影法对字符进行分割。

3.1 车牌图像预处理

原始的车牌图像是彩色的，颜色信息丰富，但是处理起来复杂。先将车牌图像转为灰度图像，然后对灰度图像进行中值滤波降噪，最后进行二值化处理，效果图如图7所示。

图7 车牌预处理图像

3.2 车牌字符分割

本文字符分割采用投影法实现。由于有些汉字比较特殊，如“川”字，在进行投影阈值分割时会在字符内部进行分割，对此算法改进如下：精确定位后的车牌中含有7个字符，平均每个字符占图像总长度的1/8～1/10，根据这一先验知识，先定位出第一个字符的起始位置，再定位剩下字符的起始位置。

车牌中的分隔符会被当作字符进行分割，根据分隔符起始位置间距小，并且在起始位置间白色像素少的特点对分割出的图像进行判断，找出分隔符的图像将其去除，仅留下字符图像。效果图字符分割的结果如图8所示。

图8 字符分割结果

4 实验结果及分析

对不同背景下拍摄的200幅车牌图像进行了车牌定位和字符分割测试，实验表明，应用本文方法能准确地进行车牌定位，对字符实现较好分割，部分典型的车牌图像及其分割结果如图9所示。测试结果表明有效定位率达到100%，字符分割正确率达到了98%。

图9 部分典型车牌定位及字符分割结果

5 结束语

车牌定位与字符分割是车牌识别的关键技术。本文采用HSV颜色空间和二值化投影相结合的方法，并对现有的颜色分割算法和投影算法进行了改进，通过粗略定位和精确定位，能够准确截取车牌图像。采用结合先验知识的投影法对字符进行了有效分割，提高了车牌定位的可靠性和字符分割的准确性。测试结果表明，本文方法有效提高了车牌定位和字符分割的鲁棒性和准确率。

[1]刘万军,姜庆玲,张闯.基于CNN彩色图像边缘检测的车牌定位方法[J].自动化学报,2009,35(12)：1503-1512.

[2]王义兴,黄凤岗,韩金玉,等.基于颜色搭配与纹理特征的车牌定位方法[J].中国图象图形学报,2009,14(2)：303-308.

[3]张吉斌.基于图像处理及支持向量机的车牌识别技术研究[D].兰州：兰州交通大学,2013.

[4]黄灿.基于局部特征的车辆识别[D].上海：上海交通大学,2010.

[5]杜晓刚,王建中,白艳萍,等.一种快速有效的混合倾斜车牌校正方法[J].数学的实践与认识,2012,42(19)：87-95.

[6]马宁,李斌.基于神经网络集成的车牌字符识别[J].安徽广播电视大学学报,2012(2)：116-120.

[7]SHAN Baoming.License Plate Character Segmentation And Recognition based on RBF Neural Network[C]//ETCS 2010,the 2nd International Workshop on Education Technology and Computer Science,6-7 March,2010,Wuhan,China,2010：86-89.