基于最大间隔符号特征的车牌字符分割算法*

段 娜，刘力政

(公安部第三研究所，上海200000)

0 引 言

基于机器视觉的车牌识别是智能交通系统的重要组成部分，其核心技术主要包括车牌定位，字符分割和字符识别3 块。字符分割的目的在于将字符串分割成易于识别的单个字符，大幅削弱噪声对识别的影响。目前常用的方法主要分为以下几类［1］:①投影法利用二值图像［2］的水平垂直投影的波谷进行切分。但由于噪声、光照变化、污染等不利情况，投影分割法可能存在字符断裂或粘连。因此采用类似于文献［3-5］中的方法，将投影分割与自适应阈值法结合起来解决粘连字符的再分割问题;②连通域分析法在对二值图像进行聚类的基础上结合先验知识实现单个字符区域的分离。连通域分析法通常利用二值区域的尺寸［6-8］，或者利用向量量化［9］和数学形态学［10］等工具提高连通域的分析效果。但类似于投影法，在噪声、光线变化、污染等情况的影响下同样会遇到对于边框与多个字符粘连的字符分割和断裂字符的合并问题;③先验知识法是依据先验知识进行分割的方法，准确获取分割基准点是此方法的关键。Jin Q 等依据车牌的长宽比、字符的长宽比以及相邻字符间隔等先验知识的车牌模板进行切割，但该方法并没有明确指出使用先验知识所必须的基准点，需要多次匹配运算并评估相应的置信度，时间复杂度较大。X.N.Wang 等根据车牌的长宽比、字符宽度比以及相邻字符间隔等先验知识定位车牌的第二三个字符的间隔符，从而在投影图像中将其直接滤除，然后利用先验知识计算字符的中心距离，据此实现粘连字符的分割和断裂字符的合并。然而该方法也没有指出先验知识所必需的基准点。综上所述，先验知识法具有较强的抗噪能力，容易解决光照变化和噪声干扰引起的字符粘连、断裂问题，但是其分割效果完全取决于基准点的选择，一旦基准点选择不当，将直接导致分割失败。

综合上述方法的优缺点，针对有效准确的分割基准点的选取文中提出了一种基于车牌最大间隔位置的符号特征作为基准点字符分割算法。实验结果表明该基准点的高准确性，此外结合先验知识通过该基准点的特征准确地细分出特殊车牌的类别，具有较强的实用性。

1 算法原理

1.1 预处理

文中的预处理过程包括以下几个步骤

1)车牌倾斜校正。采用Hough 变换进行水平和垂直方向的倾斜校正，提高字符分割的准确性;

2)图像二值化。二值化算法采用Otsu 提出的自适应阈值算法;

3)统一白底黑字标准。各种颜色的车牌图像经过二值化处理后都会变为白底黑字或者黑底白字，将其统一为黑底白字;

4)车牌的上下边界定位。对车牌灰度图进行垂直投影分析，寻找上下边框与字符之间的投影波谷点，由此分别得到字符区域上下边界的位置并进行切割，可以有效地去除水平边框的干扰。

预处理后的图像效果如图1 所示。从图中可以看出该图像经预处理后，车牌的文字信息清晰度提高，且去除了水平边框的干扰。

图1 图像预处理效果图Fig.1 Image pre-processing effect

1.2 特征函数的提出

对经预处理后的车牌图像依据式(1)所示计算其垂直投影并做平滑处理。

其中 fi(j)表示平滑处理后的垂直投影;m 表示车牌的长度;i ∈［0，…，m］，j ∈hTop，…，hBottom」，hTop，hBottom表示车牌定位的上下边界;p1是灰度图像;p2是二值化图像。

定义垂直投影的特征函数为

其中

m，i 同(1)式，FWidth 为车牌字符平均宽度;Mod(m)为对m 求模。如图2 所示，垂直投影图中的绿色直方图即为特征函数B(i).

图2 特征函数Fig.2 Characteristic function

从图2 可知，特征函数B(i)所表示的意义是:类似于低通滤波器，是一种保持字符边界坐标的非线性平滑方法。其基本原理是用一个固定宽度的移动窗口，将窗口中心点的值用窗口内最近两个字符边界的坐标欧式距离代替。

取长度为n 的滑动窗口，对车牌的垂直投影进行如式(3)所示从右至左，如式(4)所示从左至右的滑动，窗口中心点的值为

其中 j1，j2为垂直投影f(i)＜x1，x2对应滑动窗口中字符边界个数和的阈值。

1.3 分割算法

定义了特征函数后，比较准确的找到垂直投影的分割线位置，具体步骤如下

1)利用特征函数的预设参数慢慢m，n 初步计算车牌字符的宽度FWidthpre;

2)计算垂直投影的特征函数。利用步骤(1)中得到的F Widthpre，由式(5)得出参数n 的值，并根据式(2)计算出垂直投影的特征函数B(i);

3)找垂直分割线。通过字符垂直投影的特征函数B(i)求出垂直投影f(i)各峰的起始点和终止点作为每个字符的候选分割线。

图3 峰的起始点和终止点的检测Fig.3 Detection example of start and end point of a peak

如图3 所示，黑色曲线为车牌的垂直投影f(i)，绿色曲线为垂直投影的特征函数曲线B(i).两曲线的交叉点中，Sp是字符的起始点;Ep是字符的终止点。依据Sp和Ep个数统计出字符总数nbr.文中提出的特征函数结合垂直投影求垂直分割线的方法不仅有效的去除左右边框和间隔符的影响，而且解决了字符粘连、汉字断裂、特殊字体(如L，H，O)等问题，分割准确率高。

4)确定最大间隔的位置wp. 根据步骤(2)中字符的候选分割线区域(即起始点和终止点之间的区域)的特征及2 个分割线间的距离判断出最大间隔区域位置。其中字符的候选分割线区域的特征包括投影的高度、宽度和投影个数和(Heightchar，Widthchar，Areachar);

其中α，β，γ 分别为阈值参数。若候选分割线区域的特征满足式(7)(8)，则分割线位置为最大间隔位置(如图3 所示蓝色分割线处位置);

5)提取最大间隔的特征。通过最大间隔位置和最大间隔特征对字符的候选分割区域进行校正并对车牌进行分类。

结合特征函数的垂直投影分割法，不仅可以有效地去除左右边框和间隔符的影响，而且有效地解决了字符粘连等问题，分割准确率高。对特殊车车牌如军车、警车、武警车的车牌能准确有效的分割，并依据最大间隔特征对车牌进行了大致分类，为车牌识别提供了有效的特征。

1.4 最大间隔的特征以及车牌类别

依据先验知识的字符间隔宽度Intervalchar，在最大间隔位置区域内以其分割线为准，分割线的左右两边各扩展Intervalchar宽度。对应到二值化图并截取最大间隔的ROI 区域如图4 所示Sroi.

1)提取最大间隔ROI 区域Sroi的特征。像素间的连通性是确定区域的一个重要概念，常用的连通域有4 连通和8 连通。通过计算最大间隔ROI 区域的连通域，得到Sroi区域内的特征(包括位置，面积，形状等信息)。

图4 最大间隔的ROI 区域Fig.4 Largest interval ROI area

2)对Sroi区域的特征按符号分类。最大间隔内的符号一般分武警车牌的盾牌间隔符和一般车牌的间隔符。2 类间隔符的特征差异可以轻易的将其分开，如图5 所示。

图5 间隔分割符Fig.5 Interval delimiter

根据上述方法对提取最大间隔ROI 区域的间隔符识别并分类Sroitype. 提取结果如图6 所示，其中红色连通域标记的为武警车牌的盾牌间隔符，其他为圆点间隔符，标记间隔符的类别如式(10)所示。

图6 各类车牌的间隔分割符Fig.6 Interval delimiter of all kinds of license plate

结合间隔符的类别、最大间隔的位置和车牌颜色，并参考车牌字符总数等特征可以对特殊车牌(白色车牌)如军车、警车、武警车的车牌大致分类，车牌类别如式(11)所示。

其中color 为车牌的底色;platetype= 0 为蓝底白字的小型汽车车牌;platetype为警车车牌;platetype= 2为军车车牌;platetype= 3 为武警车牌。以武警车牌为例，若间隔符Sroitype为盾牌、最大间隔位置wp 为第三个字符之后、字符总数nbr 为8 并且车牌底色color 是白色，则为武警车车牌。

1.5 调整分割结果

由于存在车牌光照不均、脏污以及特殊车牌字符特征等因素的影响，导致车牌分割后字符数量过多或过少、笔画出现断裂或者粘连以及字符分割结果不准确等，因此在单个字符左右边界分割之后，需要进一步对字符有效性进行判断以及粘连字符再次分割。对此文中提出了相应的改进方案，依据车牌类别的先验知识，修正字符块。以武警车牌platetype= 3 为例，其先验知识为nbr =8，wp = 3，并且前两个字符WJ 容易出现粘连且宽度比例近似2 ∶1，具体解决方案如下

1)若间隔符为盾牌Sroitype= 2，nbr ＜8，wp =2 且第一个字符块过宽，则判定为首字符块内两个字符粘连。因此在首字符块宽度的2 ∶1 位置处分裂字符块，且修正wp = 3，nbr = 8.

2)若间隔符为盾牌Sroitype= 2，nbr ＜8 且wp= 3，则在尾字符块后添加字符块，且修正nbr = 8.

3)若间隔符为盾牌Sroitype= 2，nbr ＞8 且wp= 3，则删除尾字符块，且修正nbr = 8.

2 实验结果

为了验证算法的有效性，文中分别对4 种不同类型的车牌进行分割测试，图像分割结果见表1.部分实验结果如图7 中所示，列出了图像的二值化、垂直投影、特征函数、以及分割结果。文中提出的字符分割算法对于各类车牌均具有较好的分割效果，自适应性很强。特别针对白底黑字的特殊车牌也能准确地进行字符分割并分类，为后续的字符识别提供了重要的特征，具有较强的实用性。

图7 各类车牌的分割结果Fig.7 Segmentation results of all kinds of license plate

表1 分割结果Tab.1 Results of segmentation

3 结 论

字符分割是整个车牌识别系统的中间环节，其分割准确度对字符识别的准确性起到决定性的影响。

1)文中提出了一种基于特征函数的垂直投影分割法，并提取车牌最大间隔位置内符号特征作为基准点的字符分割算法;

2)通过对各类车牌图像的分割验证，结果表明，该算法能够准确分割出光照不均、脏污以及笔画出现断裂或者粘连字符(包括白底黑字的特殊车牌)的车牌图像，分割精度高，计算速度快。并且能够通过分割基准点的特征准确地细分出武警车、警车、军车车牌的类别，为车牌识别提供了一个基于字符间隔的类别特征具有较强的鲁棒性和实用性。

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，曲晓川.基于曲率分割的多阈值选择［J］.西安科技大学学报，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］ 迟晓君，孟庆春.基于投影特征的车牌字符分割算法［J］.计算机应用研究，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车牌图像错切校正方法［J］. 计算机工程与设计，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.