專利名稱：一種車牌字符分割方法
技術(shù)領(lǐng)域：
一種車牌字符分割方法，屬于計算機(jī)圖象處理技術(shù)領(lǐng)域，特別涉及復(fù)雜背景中車牌自動識別技術(shù)。
背景技術(shù)：
智能交通是當(dāng)前交通管理發(fā)展的主要方向，是目前世界交通運(yùn)輸領(lǐng)域的前沿研究課題。汽車牌照自動識別技術(shù)則是智能交通系統(tǒng)的核心。它是解決高速公路管理問題的重要手段，是計算機(jī)圖像處理技術(shù)和模式識別技術(shù)在智能交通領(lǐng)域的應(yīng)用。該技術(shù)在解決高速公路的諸多問題，如車輛收費和管理，交通流量檢測，停車場收費管理，違章車輛監(jiān)控，假牌照車輛識別等具體問題中應(yīng)用廣泛，具有巨大的經(jīng)濟(jì)價值和現(xiàn)實意義。同時，它在城市道路、港口和機(jī)場等項目管理中占有重要地位。隨著計算機(jī)性能的提高和圖像處理技術(shù)的發(fā)展，車牌識別系統(tǒng)已經(jīng)日趨成熟。詳見文獻(xiàn)T.Vaito，T.Tsukada，K.Yamada，K.Kozuka，and S.Yamamoto，“Robust license-plate recognition method for passing vehicles under outsideenvironment，”IEEE Trans.Veh.Technol.，vol.49，pp.2309-2319，Nov.2000和文獻(xiàn)Shyang-Lih Chang，Li-Shien Chen，YunChung Chung，Sei-Wan Chen，Automatic licenseplate recognition，Intelligent Transportation Systems，IEEE Transactions on，March2004所述。
在自動車牌識別技術(shù)中，車牌字符的精確分割是整個識別技術(shù)的難點和關(guān)鍵。車牌字符分割的精度直接影響整個車牌識別系統(tǒng)的性能。在實際生活中，由于受背景的復(fù)雜性、光照條件的不均勻性和天氣變換的不定性等環(huán)境因素，以及車牌本身傾斜程序、受污染程度等因素的影響，目前的多數(shù)車牌字符分割方法只是在一定程度上解決了特定條件下從復(fù)雜背景中提取字符的問題，然而這些方法必須利用具體問題的先驗知識，比如要利用車牌在圖像中出現(xiàn)的位置以及車牌顏色等特定信息，這樣雖然可以解決某個特定的問題，但是當(dāng)遇到新的問題或者某些先驗知識不再成立時，又必須重新設(shè)計新的方法。通用的、能適用于所有環(huán)境和條件的車牌定位方法目前還沒有成功研究出來。因此，如何在現(xiàn)有所有有價值的研究成果之上，提高車牌字符分割系統(tǒng)的通用性、縮短定位時間和提高分割精度成為焏待解決的技術(shù)問題。詳見文獻(xiàn)Rahman，C.A.；Badawy，W.；Radmanesh，A，“A real time vehicle’slicenseplate recognition system”，Proceedings.IEEE Conference on Advanced Video and SignalBased Surveillance，Page(s)163-166，2003和文獻(xiàn)Dogaru，R.；Dogaru，I.；Glesner，M，“Emergent computation in semitotalistic cellular automataapplications incharacter segmentation”，Semiconductor Conference，2004.CAS 2004 Proceedings，Page(s)451-454 vol.2，2004現(xiàn)在通常使用的車牌字符分割方法有(1)基于投影法的車牌字符分割方法。它通過對車牌區(qū)域的直方圖進(jìn)行分析，利用字符區(qū)域的投影值比背景區(qū)域大的特性達(dá)到識別字符區(qū)域的目的。其缺點是適用于車牌圖像亮度變化比較均勻、對比度比較良好的情況。但是在實際應(yīng)用中車牌圖像處于變化光源的環(huán)境中，亮度極不均勻，從而限制了上述方法的使用。詳見文獻(xiàn)Yungang Zhang，ChangshuiZhang，″A New Algorithm for Character Segmentation of License Plate″，IntelligentVehicles Symposium，2003.Proceedings.IEEE，9-11 June 2003 Page(s)106-109(2)基于人工神經(jīng)網(wǎng)絡(luò)的方法。它利用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)、自學(xué)習(xí)能力，通過訓(xùn)練來達(dá)到車牌字符分割的目的。其優(yōu)點是融若干預(yù)處理和識別于一體、識別速度快；缺點是當(dāng)特征定義遇到困難時，效果不能令人滿意。詳見文獻(xiàn)Satriyo Nugroho，A，Kuroyanagi，S，Iwata，A，″An algorithm for locating characters in color image using stroke analysisneural network″，Neural Information Processing，2002.ICONIP’02.Proceedings of the9th International Conference on Volume 4，18-22 Nov.2002 Page(s)2132-2136 vol.4.
(3)基于彩色的車牌字符分割方法。它是通過提取車牌中字符區(qū)域不同于其他區(qū)域的特殊彩色特征來區(qū)別字符區(qū)域和背景區(qū)域，從而在車牌中分割出字符。其缺點是難以解決在照明不均勻環(huán)境下定位準(zhǔn)確率問題，并且定位速度慢，難以達(dá)到實時性識別的要求。詳見文獻(xiàn)H.Goto and H.Aso.Character Pattern Extraction from Colorful Documents withComplex Backgrounds[C].Proceedings of 16th International Conference on PatternRecognition，ICPR2002，Aug.2002，Canada.
(4)基于邊緣檢測的方法。它通過提取圖像的邊緣信息進(jìn)行分析，進(jìn)而測得車牌字符邊緣。其缺點是要求圖像邊緣的連續(xù)性要好，但實際拍攝的車牌字符邊框往往不連續(xù)。詳見文獻(xiàn)Fu Yuqing，Shen Wei，Huang Xinhua.Research on vehicle license plate characterextraction from complex background[J].Pattern Recognition and ArtificialIntelligence，2000，13(3)345~348(in Chinese)上述的四種車牌字符分割算法的共同點是這些方法都是針對一個特定的條件，容易受天氣、背景、光照等因素的限制，魯棒性不好。一旦條件發(fā)生變化，它們的分割準(zhǔn)確率就會發(fā)生較大的波動，從而整個車牌識別系統(tǒng)的性能大大降低。

發(fā)明內(nèi)容
本發(fā)明的任務(wù)是提供一種基于拉普拉斯變換、區(qū)域生長法和車牌先驗知識相結(jié)合的車牌字符分割方法，它具有在照明不均勻環(huán)境下定位準(zhǔn)確率高和便于識別的特點。
本發(fā)明的車牌字符分割方法，它包含以下步驟步驟一.對車牌定位過程分割出來的車牌源圖像進(jìn)行預(yù)處理，具體包括車牌圖像歸一化和車牌圖像增強(qiáng)兩個分步驟1)、確定車牌類型并歸一化。車牌源圖像是車牌的灰度圖，具有白底黑字和黑底白字兩種類型，在對字符進(jìn)行分割之前對車牌進(jìn)行歸一化。本發(fā)明使用點象素分析方法對車牌灰度圖像進(jìn)行分析，確定車牌的類型，并把車牌歸一化。點象素分析方法是確定車牌圖像到底是白底黑字類型還是黑底白字類型的一種分析方法，它通過選取一個閾值，然后分別統(tǒng)計大于閾值和小于閾值的象素點的個數(shù)，并且比較。如果前者象素點的個數(shù)是后者的1.05倍以上，則認(rèn)為車牌是白底黑字，否則車牌為黑底白字。在本發(fā)明中，統(tǒng)一把所有的車牌歸一化為黑底白字。
2)、車牌圖像增強(qiáng)。為了更好的實現(xiàn)從背景中分割出字符，應(yīng)對車牌圖像進(jìn)行增強(qiáng)處理，以突出字符在車牌中的位置。本發(fā)明運(yùn)用灰度直方圖和灰度拉伸變換對車牌區(qū)域進(jìn)行變換，實現(xiàn)對車牌中的字符區(qū)域的增強(qiáng)。灰度直方圖描述了圖像的灰度級內(nèi)容，反映了圖像的灰度分布情況。它通過對整個車牌區(qū)域進(jìn)行掃描，統(tǒng)計車牌圖像中各個灰度級出現(xiàn)的次數(shù)或概率，具體的統(tǒng)計公式為grayA(1，A(i，j)+1)＝grayA(1，A(i，j)+1)+1，其中，i表示圖像的行位置，j表示圖像的列位置，A表示原始車牌圖像，A(i，j)表示車牌圖像中的一個象素值，grayA表示灰度直方圖矩陣。灰度拉伸變換是一種最簡單的分段線性變換函數(shù)，它的基本思想是找出灰度直方圖中的最大和最小灰度值，將車牌圖像中所有灰度值小于最小灰度值的點的灰度值置為0，將車牌圖像中所有灰度值大于最大灰度值的點的灰度值置為255，而將車牌圖像中所有灰度值介于最大和最小灰度值之間的點用以下變換公式來重新計算灰度值B(i，j)＝((A(i，j)-min)/(max-min))*255。其中，max和min分別表示最大和最小灰度值，B為經(jīng)過灰度拉伸變換后的車牌圖像。
步驟二.采用拉普拉斯算子對車牌區(qū)域進(jìn)行邊緣檢測。拉普拉斯算子是線性二次微分算子，與梯度算子一樣，具有旋轉(zhuǎn)不變性，從而滿足不同走向的圖像邊界的銳化要求。用拉普拉斯算子對經(jīng)預(yù)處理后的車牌圖像中每一個象素點進(jìn)行計算，找出像素值為零的點的位置作為邊緣點；本方法中所采用的拉普拉斯算子如附圖1所示。
步驟三.運(yùn)用區(qū)域生長算法，確定車牌字符的“初步”候選區(qū)域。區(qū)域生長算法是一種把性質(zhì)相同或相近的點集合在一起形成一個區(qū)域的算法，其基本原理是首先確定一個“種子”點，然后在“種子”點周圍搜索性質(zhì)相同或相近的點，接著以找到的新的點作為“種子”點，繼續(xù)搜索，一直到“種子”點周圍沒有性質(zhì)相同或相近的點為止。本方法中，以拉普拉斯變換檢測到的邊緣點為“種子”點開始區(qū)域生長，將相鄰的“種子”點合并，得到車牌字符的初步候選區(qū)域，記錄下每個初步候選區(qū)域的上、下、左、右邊界。
步驟四.去除虛假字符區(qū)域。由于受噪聲、光照不均勻等因素的影響，源圖像不一定是理想狀態(tài)下得到的車牌圖像，在區(qū)域生長算法后得到的區(qū)域中可能存在著虛假字符區(qū)域，必須對這些字符候選區(qū)域進(jìn)行篩選。具體的篩選方法如下首先，根據(jù)標(biāo)準(zhǔn)車牌的長度、寬度和標(biāo)準(zhǔn)字符的寬度和高度等先驗知識，計算車牌字符的理論寬度、高度和高寬比。其具體計算方法如下char_width＝(45/440)*n＝0.1n，char_height＝(90/140)*m＝0.643m，height-to-width＝char_height/char_width，其中char_width和char_height分別為車牌字符的理論寬度和高度，m和n分別為車牌的高度和寬度，height-to-width為字符的高寬比。然后，根據(jù)計算得到的字符理論高度、寬度和高寬比，去除高度、寬度和高寬比明顯不符合字符區(qū)域要求的“初步”字符候選區(qū)，剩下的字符候選區(qū)域為“中間”字符候選區(qū)域。
步驟五.若步驟四所得的“中間”字符候選區(qū)域為7個，則得到本發(fā)明的最終車牌字符分割結(jié)果；若步驟四所得的“中間”字符候選區(qū)域不足7個，則補(bǔ)足7個車牌字符候選區(qū)域，得到“最終”字符候選區(qū)域，具體包括以下順序的分步驟1)、對“中間”字符候選區(qū)域進(jìn)行排序?qū)Σ襟E四所得的“中間”字符候選區(qū)域從左至右進(jìn)行排序，排列后的候選字符區(qū)域和車牌中的字符區(qū)域具有相同的次序；2)、計算字符的實際高度和寬度計算所有“中間”字符候選區(qū)域的寬度和高度的平均值，把該平均值作為本幅車牌圖像中字符的實際寬度和高度；3)、對“中間”字符候選區(qū)域進(jìn)行中間補(bǔ)足，即檢測相鄰的字符候選區(qū)域的間隔距離，判斷兩個字符候選區(qū)域之間是否有遺失字符，如果有遺失，則補(bǔ)足遺失的字符候選區(qū)域4)、定位“中間”字符候選區(qū)域在實際車牌中的位置采用基于車牌右邊界的定位方法，首先確定經(jīng)過中間補(bǔ)足后的最右邊一個“中間”字符候選區(qū)域在實際車牌中的位置，具體過程為如果該區(qū)域和車牌右邊界的間隔距離小于1.2*(t+1)倍的字符實際寬度而大于1.2*t倍的字符實際寬度，則該區(qū)域右邊遺失了t字符沒有補(bǔ)足，應(yīng)該根據(jù)車牌的先驗知識向右對這個t個區(qū)域進(jìn)行補(bǔ)足；如果該區(qū)域和車牌右邊界的間隔距離小于1.2倍的字符實際寬度而大于0.8倍的字符實際寬度，則該區(qū)域右邊遺失了1字符沒有定位出來，同樣向右補(bǔ)足一個“中間”字符候選區(qū)域；然后，根據(jù)上面確定的最右邊一個“中間”字符候選區(qū)域在實際車牌中的位置情況來依次定位剩余“中間”字符候選區(qū)域在實際車牌中的位置；5)、向左定位可能存在的字符如果所有的“中間”字符候選區(qū)域都確定了在車牌中的實際位置，而此時定位出的車牌字符還不足7個，則說明左邊還有字符沒有補(bǔ)足，應(yīng)根據(jù)車牌的先驗知識向左補(bǔ)足其余的“中間”字符候選區(qū)域；經(jīng)過上述步驟，最終得到7個“中間”字符候選區(qū)域作為“最終”字符候選區(qū)域，即是本發(fā)明的最終車牌字符分割結(jié)果。
需要說明的是1.步驟1中使用的車牌源圖像是經(jīng)過車牌定位程序后得到的灰度圖像，不需要再做灰度轉(zhuǎn)換處理。
2.車牌彩色圖像一共有3種主要類型，即黃底黑字、藍(lán)底白字和黑底白字，經(jīng)過車牌定位程序的灰度轉(zhuǎn)換后步驟1中使用的車牌灰度圖像一共有2種類型，即白底黑字和黑底白字，因此在進(jìn)行字符定位之前要對車牌進(jìn)行歸一化處理。
3.由于受光照、噪聲等因素的影響，如果直接對原始的車牌灰度圖像進(jìn)行字符定位，那么定位的精度一定不高，因此在步驟1中采用灰度直方圖和灰度拉伸變換對車牌區(qū)域進(jìn)行變換，實現(xiàn)對車牌中的字符區(qū)域的增強(qiáng)。
4.由于有些字符可能因為斷裂或者對比度的原因在區(qū)域生長過程中沒有完全被定位出來，在步驟4的去除偽候選區(qū)域過程中，這些不完全的字符區(qū)域可能會被去除，因此需要通過步驟5來檢測是否有遺失的字符區(qū)域，并重新定位出來。
5.受車牌對比度和噪聲、光照等因素的影響，在區(qū)域生長過程中定位出來的字符候選區(qū)域有時可能會比較少，經(jīng)過步驟5的第四步后得到的字符區(qū)域可能不足7個，需要步驟5的第五步來補(bǔ)齊遺失的字符區(qū)域。
7.由于字符識別程序一般都是針對二值車牌字符進(jìn)行識別，本發(fā)明最終得到的車牌字符分割結(jié)果在字符識別之前，應(yīng)當(dāng)進(jìn)行二值化處理。具體的二值化方法可以是若字符區(qū)域中的某點的灰度值大于或等于閥值，就把該處的值設(shè)置為255，否則把該處的值不變。二值化處理的具體步驟可以作為字符分割的最后一個步驟，也可以作為字符識別的第一個步驟。
本發(fā)明采用一種基于拉普拉斯變換、區(qū)域生長法和車牌先驗知識相結(jié)合的車牌字符分割方法，首先對所有的車牌進(jìn)行歸一化處理；然后通過灰度直方圖和灰度拉伸變換對車牌區(qū)域進(jìn)行變換，實現(xiàn)對車牌中的字符區(qū)域的增強(qiáng)；接著采用拉普拉斯算子對進(jìn)行車牌區(qū)域進(jìn)行邊緣檢測；接著以拉普拉斯變換檢測到的邊緣點為“種子”點進(jìn)行區(qū)域生長，得到“初步”字符候選區(qū)；接著去除高度、寬度和高寬比明顯不符合字符區(qū)域要求的“初步”字符候選區(qū)，得到“中間”字符候選區(qū)域；接著結(jié)合車牌的先驗知識修正和補(bǔ)足字符區(qū)域，得到“最終”字符候選區(qū)域并作為最終車牌字符分割結(jié)果。
本發(fā)明的創(chuàng)新之處在于本發(fā)明采用一種基于拉普拉斯變換、區(qū)域生長法和車牌先驗知識相結(jié)合的車牌字符分割方法，既充分利用了拉普拉斯變換和區(qū)域生長法的相關(guān)特性，又結(jié)合了車牌本身的先驗知識，因而能夠更加準(zhǔn)確的定位字符區(qū)域。以拉普拉斯變換檢測到的邊緣點為“種子”點進(jìn)行區(qū)域生長的方法，能夠有效的定位出車牌字符的候選區(qū)域，提高了區(qū)域生長算法的定位精度。結(jié)合車牌先驗知識的字符區(qū)域修正和補(bǔ)足方法只要求車牌定位程序?qū)嚺朴疫吔绲臏?zhǔn)確定位，而對車牌的上下邊界和左邊界的定位精度要求不是很高，提高了系統(tǒng)整體的魯棒性。


圖1是本發(fā)明使用的拉普拉斯變換算子示意圖。
圖2是通常車牌圖像示意圖。其中，X1、X2、X3、X4、X5、X6和X7分別代表車牌的第一個、第二個、第三個、第四個、第五個、第六個和第七個字符。
圖3是原始的車牌灰度圖像示意圖。
圖4是增強(qiáng)后的車牌圖像示意圖。
圖5是拉普拉斯變換后的車牌圖像示意圖。
圖6是區(qū)域生長法得到的字符候選區(qū)域示意圖。
圖7是去除偽區(qū)域后得到的字符候選區(qū)域示意圖。
圖8是最終得到的車牌中字符區(qū)域示意圖。
圖9是從車牌中分割出來的字符。
圖10是本發(fā)明的流程示意圖。
圖11是本發(fā)明中步驟五采用基于先驗知識的車牌補(bǔ)齊方法確定7個車牌字符的具體流程示意圖。
權(quán)利要求
1.一種車牌字符分割方法，其特征是，它包含以下步驟步驟一.對車牌定位過程分割出來的車牌源圖像進(jìn)行預(yù)處理，具體包括車牌圖像歸一化和車牌圖像增強(qiáng)兩個分步驟1)、確定車牌類型并歸一化使用點象素分析方法對車牌灰度圖像進(jìn)行分析，確定車牌的類型，并把車牌歸一化為黑底白字；2)、車牌圖像增強(qiáng)運(yùn)用灰度直方圖和灰度拉伸變換對經(jīng)歸一化后的車牌圖像進(jìn)行變換，實現(xiàn)對車牌中字符區(qū)域的增強(qiáng)；步驟二.采用拉普拉斯算子對經(jīng)預(yù)處理后的車牌圖像進(jìn)行邊緣檢測用拉普拉斯算子對經(jīng)預(yù)處理后的車牌圖像中每一個象素點進(jìn)行計算，找出像素值為零的點的位置作為邊緣點；步驟三.運(yùn)用區(qū)域生長算法，確定車牌字符的“初步”候選區(qū)域以拉普拉斯變換檢測到的邊緣點為“種子”點開始區(qū)域生長，將相鄰的“種子”點合并，得到車牌字符的初步候選區(qū)域，記錄下每個初步候選區(qū)域的上、下、左、右邊界；步驟四.去除虛假字符區(qū)域首先，根據(jù)標(biāo)準(zhǔn)車牌的長度、寬度和標(biāo)準(zhǔn)字符的寬度和高度等先驗知識，計算車牌字符的理論寬度、高度和高寬比；然后，根據(jù)計算得到的字符理論高度、寬度和高寬比，去除高度、寬度和高寬比明顯不符合字符區(qū)域要求的“初步”字符候選區(qū)，剩下的字符候選區(qū)域為“中間”字符候選區(qū)域；步驟五.若步驟四所得的“中間”字符候選區(qū)域為7個，則得到本發(fā)明的最終車牌字符分割結(jié)果；若步驟四所得的“中間”字符候選區(qū)域不足7個，則補(bǔ)足7個車牌字符候選區(qū)域，得到“最終”字符候選區(qū)域，具體包括以下順序的分步驟1)、對“中間”字符候選區(qū)域進(jìn)行排序?qū)Σ襟E四所得的“中間”字符候選區(qū)域從左至右進(jìn)行排序，排列后的候選字符區(qū)域和車牌中的字符區(qū)域具有相同的次序；2)、計算字符的實際高度和寬度計算所有“中間”字符候選區(qū)域的寬度和高度的平均值，把該平均值作為本幅車牌圖像中字符的實際寬度和高度；3)、對“中間”字符候選區(qū)域進(jìn)行中間補(bǔ)足，即檢測相鄰的字符候選區(qū)域的間隔距離，判斷兩個字符候選區(qū)域之間是否有遺失字符，如果有遺失，則補(bǔ)足遺失的字符候選區(qū)域4)、定位“中間”字符候選區(qū)域在實際車牌中的位置采用基于車牌右邊界的定位方法，首先確定經(jīng)過中間補(bǔ)足后的最右邊一個“中間”字符候選區(qū)域在實際車牌中的位置，具體過程為如果該區(qū)域和車牌右邊界的間隔距離小于1.2*(t+1)倍的字符實際寬度而大于1.2*t倍的字符實際寬度，則該區(qū)域右邊遺失了t字符沒有補(bǔ)足，應(yīng)該根據(jù)車牌的先驗知識向右對這個t個區(qū)域進(jìn)行補(bǔ)足；如果該區(qū)域和車牌右邊界的間隔距離小于1.2倍的字符實際寬度而大于0.8倍的字符實際寬度，則該區(qū)域右邊遺失了1字符沒有定位出來，同樣向右補(bǔ)足一個“中間”字符候選區(qū)域；然后，根據(jù)上面確定的最右邊一個“中間”字符候選區(qū)域在實際車牌中的位置情況來依次定位剩余“中間”字符候選區(qū)域在實際車牌中的位置；5)、向左定位可能存在的字符如果所有的“中間”字符候選區(qū)域都確定了在車牌中的實際位置，而此時定位出的車牌字符還不足7個，則說明左邊還有字符沒有補(bǔ)足，應(yīng)根據(jù)車牌的先驗知識向左補(bǔ)足其余的“中間”字符候選區(qū)域；經(jīng)過上述步驟，最終得到7個“中間”字符候選區(qū)域作為“最終”字符候選區(qū)域，即是本發(fā)明的最終車牌字符分割結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種車牌字符分割方法，其特征是，所述步驟一中的分步驟1)確定車牌類型并歸一化時，選取一個閾值，然后分別統(tǒng)計大于閾值和小于閾值的象素點的個數(shù)，并且進(jìn)行比較，如果前者象素點的個數(shù)是后者的1.05倍以上，則認(rèn)為車牌是白底黑字，否則車牌為黑底白字；然后，統(tǒng)一把所有的車牌歸一化為黑底白字。
3.根據(jù)權(quán)利要求1所述的一種車牌字符分割方法，其特征是，所述步驟一中的分步驟2)對車牌圖像增強(qiáng)處理時，通過對整個車牌區(qū)域進(jìn)行掃描，統(tǒng)計車牌圖像中各個灰度級出現(xiàn)的次數(shù)或概率，具體的統(tǒng)計公式為grayA(1，A(i，j)+1)＝grayA(1，A(i，j)+1)+1，其中，i表示圖像的行位置，j表示圖像的列位置，A表示原始車牌圖像，A(i，j)表示車牌圖像中的一個象素值，grayA表示灰度直方圖矩陣；然后，找出灰度直方圖中的最大和最小灰度值，將車牌圖像中所有灰度值小于最小灰度值的點的灰度值置為0，將車牌圖像中所有灰度值大于最大灰度值的點的灰度值置為255，而將車牌圖像中所有灰度值介于最大和最小灰度值之間的點用以下變換公式來重新計算灰度值B(i，j)＝((A(i，j)-min)/(max-min))*255，其中，max和min分別表示最大和最小灰度值，B為經(jīng)過灰度拉伸變換后的車牌圖像。
4.根據(jù)權(quán)利要求1所述的一種車牌字符分割方法，其特征是，所述步驟二中采用拉普拉斯算子對經(jīng)預(yù)處理后的車牌圖像進(jìn)行邊緣檢測時，具體算法為Alp(i，j)＝8*A(i，j)-A(i+1，j)-A(i-1，j)-A(i，j+1)-A(i，j-1)-A(i-1，j-1)-A(i+1，j-1)-A(i-1，j+1)-A(i+1，j+1)其中，Alp(i，j)是拉普拉斯變換后的該點的值，A(i，j)是該點的原值，A(i+1，j)是該點右邊那個點的值，A(i-1，j)是該點左邊那個點的值，A(i，j+1)是該點下面那個點的值，A(i，j-1)是該點上面那個點的值，A(i-1，j-1)是該點左上角那個點的值，A(i+1，j-1)是該點右上角那個點的值，A(i-1，j+1)是該點左下角那個點的值，A(i+1，j+1)是該點右下角那個點的值。
5.根據(jù)權(quán)利要求1所述的一種車牌字符分割方法，其特征是，所述步驟四去除虛假字符區(qū)域時，計算車牌字符的理論寬度、高度和高寬比的具體計算方法如下char_width＝(45/440)*n＝0.1n，char_height＝(90/140)*m＝0.643m，height-to-width＝char_height/char_width，其中char_width和char_height分別為車牌字符的理論寬度和高度，m和n分別為原始車牌圖像的高度和寬度，height-to-width為字符的高寬比。
全文摘要
一種車牌字符分割方法，屬于圖象處理技術(shù)領(lǐng)域，涉及車牌自動識別技術(shù)。采用拉普拉斯變換、區(qū)域生長和車牌先驗知識相結(jié)合的方法，先對原始車牌圖像歸一化；然后通過灰度直方圖和灰度拉伸變換增強(qiáng)字符區(qū)域；接著采用拉普拉斯算子進(jìn)行邊緣檢測；接著以檢測到的邊緣點為“種子”點進(jìn)行區(qū)域生長，得到“初步”字符候選區(qū)；接著去除高度、寬度和高寬比明顯不符合字符區(qū)域要求的“初步”字符候選區(qū)，得到“中間”字符候選區(qū)域；接著補(bǔ)足字符區(qū)域，得到“最終”字符候選區(qū)域并作為最終車牌字符分割結(jié)果。本發(fā)明充分利用了拉普拉斯變換和區(qū)域生長法的相關(guān)特性，又結(jié)合了車牌本身的先驗知識，因而能夠更加準(zhǔn)確的定位字符區(qū)域；提高了區(qū)域生長算法的定位精度和提高了分割方法的魯棒性。
文檔編號G06K9/54GK1851731SQ200610020899
公開日2006年10月25日 申請日期2006年5月25日 優(yōu)先權(quán)日2006年5月25日
發(fā)明者馬爭, 楊峰 申請人:電子科技大學(xué)