基于最大間隔符號特征的車牌字符分割算法*

段 娜，劉力政

(公安部第三研究所，上海200000)

0 引 言

基于機器視覺的車牌識別是智能交通系統的重要組成部分，其核心技術主要包括車牌定位，字符分割和字符識別3 塊。字符分割的目的在于將字符串分割成易于識別的單個字符，大幅削弱噪聲對識別的影響。目前常用的方法主要分為以下幾類［1］:①投影法利用二值圖像［2］的水平垂直投影的波谷進行切分。但由于噪聲、光照變化、污染等不利情況，投影分割法可能存在字符斷裂或粘連。因此采用類似于文獻［3-5］中的方法，將投影分割與自適應閾值法結合起來解決粘連字符的再分割問題;②連通域分析法在對二值圖像進行聚類的基礎上結合先驗知識實現單個字符區域的分離。連通域分析法通常利用二值區域的尺寸［6-8］，或者利用向量量化［9］和數學形態學［10］等工具提高連通域的分析效果。但類似于投影法，在噪聲、光線變化、污染等情況的影響下同樣會遇到對于邊框與多個字符粘連的字符分割和斷裂字符的合并問題;③先驗知識法是依據先驗知識進行分割的方法，準確獲取分割基準點是此方法的關鍵。Jin Q 等依據車牌的長寬比、字符的長寬比以及相鄰字符間隔等先驗知識的車牌模板進行切割，但該方法并沒有明確指出使用先驗知識所必須的基準點，需要多次匹配運算并評估相應的置信度，時間復雜度較大。X.N.Wang 等根據車牌的長寬比、字符寬度比以及相鄰字符間隔等先驗知識定位車牌的第二三個字符的間隔符，從而在投影圖像中將其直接濾除，然后利用先驗知識計算字符的中心距離，據此實現粘連字符的分割和斷裂字符的合并。然而該方法也沒有指出先驗知識所必需的基準點。綜上所述，先驗知識法具有較強的抗噪能力，容易解決光照變化和噪聲干擾引起的字符粘連、斷裂問題，但是其分割效果完全取決于基準點的選擇，一旦基準點選擇不當，將直接導致分割失敗。

綜合上述方法的優缺點，針對有效準確的分割基準點的選取文中提出了一種基于車牌最大間隔位置的符號特征作為基準點字符分割算法。實驗結果表明該基準點的高準確性，此外結合先驗知識通過該基準點的特征準確地細分出特殊車牌的類別，具有較強的實用性。

1 算法原理

1.1 預處理

文中的預處理過程包括以下幾個步驟

1)車牌傾斜校正。采用Hough 變換進行水平和垂直方向的傾斜校正，提高字符分割的準確性;

2)圖像二值化。二值化算法采用Otsu 提出的自適應閾值算法;

3)統一白底黑字標準。各種顏色的車牌圖像經過二值化處理后都會變為白底黑字或者黑底白字，將其統一為黑底白字;

4)車牌的上下邊界定位。對車牌灰度圖進行垂直投影分析，尋找上下邊框與字符之間的投影波谷點，由此分別得到字符區域上下邊界的位置并進行切割，可以有效地去除水平邊框的干擾。

預處理后的圖像效果如圖1 所示。從圖中可以看出該圖像經預處理后，車牌的文字信息清晰度提高，且去除了水平邊框的干擾。

圖1 圖像預處理效果圖Fig.1 Image pre-processing effect

1.2 特征函數的提出

對經預處理后的車牌圖像依據式(1)所示計算其垂直投影并做平滑處理。

其中 fi(j)表示平滑處理后的垂直投影;m 表示車牌的長度;i ∈［0，…，m］，j ∈hTop，…，hBottom」，hTop，hBottom表示車牌定位的上下邊界;p1是灰度圖像;p2是二值化圖像。

定義垂直投影的特征函數為

其中

m，i 同(1)式，FWidth 為車牌字符平均寬度;Mod(m)為對m 求模。如圖2 所示，垂直投影圖中的綠色直方圖即為特征函數B(i).

圖2 特征函數Fig.2 Characteristic function

從圖2 可知，特征函數B(i)所表示的意義是:類似于低通濾波器，是一種保持字符邊界坐標的非線性平滑方法。其基本原理是用一個固定寬度的移動窗口，將窗口中心點的值用窗口內最近兩個字符邊界的坐標歐式距離代替。

取長度為n 的滑動窗口，對車牌的垂直投影進行如式(3)所示從右至左，如式(4)所示從左至右的滑動，窗口中心點的值為

其中 j1，j2為垂直投影f(i)＜x1，x2對應滑動窗口中字符邊界個數和的閾值。

1.3 分割算法

定義了特征函數后，比較準確的找到垂直投影的分割線位置，具體步驟如下

1)利用特征函數的預設參數慢慢m，n 初步計算車牌字符的寬度FWidthpre;

2)計算垂直投影的特征函數。利用步驟(1)中得到的F Widthpre，由式(5)得出參數n 的值，并根據式(2)計算出垂直投影的特征函數B(i);

3)找垂直分割線。通過字符垂直投影的特征函數B(i)求出垂直投影f(i)各峰的起始點和終止點作為每個字符的候選分割線。

圖3 峰的起始點和終止點的檢測Fig.3 Detection example of start and end point of a peak

如圖3 所示，黑色曲線為車牌的垂直投影f(i)，綠色曲線為垂直投影的特征函數曲線B(i).兩曲線的交叉點中，Sp是字符的起始點;Ep是字符的終止點。依據Sp和Ep個數統計出字符總數nbr.文中提出的特征函數結合垂直投影求垂直分割線的方法不僅有效的去除左右邊框和間隔符的影響，而且解決了字符粘連、漢字斷裂、特殊字體(如L，H，O)等問題，分割準確率高。

4)確定最大間隔的位置wp. 根據步驟(2)中字符的候選分割線區域(即起始點和終止點之間的區域)的特征及2 個分割線間的距離判斷出最大間隔區域位置。其中字符的候選分割線區域的特征包括投影的高度、寬度和投影個數和(Heightchar，Widthchar，Areachar);

其中α，β，γ 分別為閾值參數。若候選分割線區域的特征滿足式(7)(8)，則分割線位置為最大間隔位置(如圖3 所示藍色分割線處位置);

5)提取最大間隔的特征。通過最大間隔位置和最大間隔特征對字符的候選分割區域進行校正并對車牌進行分類。

結合特征函數的垂直投影分割法，不僅可以有效地去除左右邊框和間隔符的影響，而且有效地解決了字符粘連等問題，分割準確率高。對特殊車車牌如軍車、警車、武警車的車牌能準確有效的分割，并依據最大間隔特征對車牌進行了大致分類，為車牌識別提供了有效的特征。

1.4 最大間隔的特征以及車牌類別

依據先驗知識的字符間隔寬度Intervalchar，在最大間隔位置區域內以其分割線為準，分割線的左右兩邊各擴展Intervalchar寬度。對應到二值化圖并截取最大間隔的ROI 區域如圖4 所示Sroi.

1)提取最大間隔ROI 區域Sroi的特征。像素間的連通性是確定區域的一個重要概念，常用的連通域有4 連通和8 連通。通過計算最大間隔ROI 區域的連通域，得到Sroi區域內的特征(包括位置，面積，形狀等信息)。

圖4 最大間隔的ROI 區域Fig.4 Largest interval ROI area

2)對Sroi區域的特征按符號分類。最大間隔內的符號一般分武警車牌的盾牌間隔符和一般車牌的間隔符。2 類間隔符的特征差異可以輕易的將其分開，如圖5 所示。

圖5 間隔分割符Fig.5 Interval delimiter

根據上述方法對提取最大間隔ROI 區域的間隔符識別并分類Sroitype. 提取結果如圖6 所示，其中紅色連通域標記的為武警車牌的盾牌間隔符，其他為圓點間隔符，標記間隔符的類別如式(10)所示。

圖6 各類車牌的間隔分割符Fig.6 Interval delimiter of all kinds of license plate

結合間隔符的類別、最大間隔的位置和車牌顏色，并參考車牌字符總數等特征可以對特殊車牌(白色車牌)如軍車、警車、武警車的車牌大致分類，車牌類別如式(11)所示。

其中color 為車牌的底色;platetype= 0 為藍底白字的小型汽車車牌;platetype為警車車牌;platetype= 2為軍車車牌;platetype= 3 為武警車牌。以武警車牌為例，若間隔符Sroitype為盾牌、最大間隔位置wp 為第三個字符之后、字符總數nbr 為8 并且車牌底色color 是白色，則為武警車車牌。

1.5 調整分割結果

由于存在車牌光照不均、臟污以及特殊車牌字符特征等因素的影響，導致車牌分割后字符數量過多或過少、筆畫出現斷裂或者粘連以及字符分割結果不準確等，因此在單個字符左右邊界分割之后，需要進一步對字符有效性進行判斷以及粘連字符再次分割。對此文中提出了相應的改進方案，依據車牌類別的先驗知識，修正字符塊。以武警車牌platetype= 3 為例，其先驗知識為nbr =8，wp = 3，并且前兩個字符WJ 容易出現粘連且寬度比例近似2 ∶1，具體解決方案如下

1)若間隔符為盾牌Sroitype= 2，nbr ＜8，wp =2 且第一個字符塊過寬，則判定為首字符塊內兩個字符粘連。因此在首字符塊寬度的2 ∶1 位置處分裂字符塊，且修正wp = 3，nbr = 8.

2)若間隔符為盾牌Sroitype= 2，nbr ＜8 且wp= 3，則在尾字符塊后添加字符塊，且修正nbr = 8.

3)若間隔符為盾牌Sroitype= 2，nbr ＞8 且wp= 3，則刪除尾字符塊，且修正nbr = 8.

2 實驗結果

為了驗證算法的有效性，文中分別對4 種不同類型的車牌進行分割測試，圖像分割結果見表1.部分實驗結果如圖7 中所示，列出了圖像的二值化、垂直投影、特征函數、以及分割結果。文中提出的字符分割算法對于各類車牌均具有較好的分割效果，自適應性很強。特別針對白底黑字的特殊車牌也能準確地進行字符分割并分類，為后續的字符識別提供了重要的特征，具有較強的實用性。

圖7 各類車牌的分割結果Fig.7 Segmentation results of all kinds of license plate

表1 分割結果Tab.1 Results of segmentation

3 結 論

字符分割是整個車牌識別系統的中間環節，其分割準確度對字符識別的準確性起到決定性的影響。

1)文中提出了一種基于特征函數的垂直投影分割法，并提取車牌最大間隔位置內符號特征作為基準點的字符分割算法;

2)通過對各類車牌圖像的分割驗證，結果表明，該算法能夠準確分割出光照不均、臟污以及筆畫出現斷裂或者粘連字符(包括白底黑字的特殊車牌)的車牌圖像，分割精度高，計算速度快。并且能夠通過分割基準點的特征準確地細分出武警車、警車、軍車車牌的類別，為車牌識別提供了一個基于字符間隔的類別特征具有較強的魯棒性和實用性。

References

［1］ LI Jian-chun，YANG Xing，LIU Wei.A survey of the research on license plate character segmentation［J］.Computer Technology and Application，2013(3):49 -53.

［2］ 段 娜，曲曉川.基于曲率分割的多閾值選擇［J］.西安科技大學學報，2010，30(2):245 -250.DUAN Na，QU Xiao-Chuan. Multi-thresholds selection based on curvature segmentation method［J］. Journal of Xi’an University of Science and Technology，2010，30(2):245 -250.

［3］ Shapiro V，Gluhchev G，Dimov D. Towards a multinational car license plate recognition system［J］. Machine Vision and Applications，2006，17(3):173 -183.

［4］ 遲曉君，孟慶春.基于投影特征的車牌字符分割算法［J］.計算機應用研究，2006(7):256 -257.CHI Xiao-jun，MENG Qing-chun. Character segmentation of license plate based on projection and eigenvalue［J］.Computer Application and Research，2006(7):256-257.

［5］ 余 婷，管庶安.基于最小字符投影的車牌圖像錯切校正方法［J］. 計算機工程與設計，2009，30(11):2 814 -2 815.YU Ting，GUAN Shu-an.Shear correction method of vehicle license plate image based on smallest character projection［J］.Computer Engineering and Design，2009，30(11):2 814 -2 815.

［6］ Giannoukos I，Anagnostopoulos C N，Loumos V，et al.Operator context scanning to support high segmentation rates for real time license plate recognition［J］. Pattern Recognition，2009，43(11):3 866 -3 878.

［7］ Mahini H，Kasaei S，Dorri V，et al.An efficient featuresbased license plate localization method［J］.Proceedings of 18th IEEE International Conference on Pattern Recognition，2006(2):841 -844.

［8］ Yang F，Ma Z，Xie M.A novel approach for license plate character segmentation［J］.Proceedings of IEEE Conference on Industrial Electronics and Applications，Singapore，2006(24 -26):1 -6.

［9］ Kahraman F，Kurt B，Kmen M G.License plate character segmentation based on the Gabor transform and vector quantization［J］.Proceedings of ISCIS，2003，2 869:381-388.

［10］Ter Brugge M H，Stevens J H，Nijhuis J A G，et al. License plate recognition using DTCNNs［J］. Proceedings of IEEE International Workshop on Cellular Neural Networks and Their Applications，London，1998(14 -17):212 -217.