一种改进的汽车牌照字符分割算法及MATLAB实现

0引言上世纪以来，随着科学技术的日新月异，人们的生活发生了巨大的变化，尤其是自动化交通工具的普及使人们享受到了前所未有的便捷，但是交通发展的同时也带来很多问题，因而人们一直在探索利用现有的技术使交通更加顺畅、安全。智能交通系统（Intel-ligentTransportationSystem,ITS)是人们提出的一种有效地解决交通问题的方案，而车牌识别(LicensePlateRecognition,LPR)是ITS中的关键技术之一，同时作为一项单独的技术，车牌识别在公共安全、交通管理等部门有着极其重要地应用前景。本文所探讨的针对我国汽车牌照的字符分割算法正是车牌识别系统的基础与关键之所在,因为只有正确地分割字符才能保证后期正确地识别车牌号码完成指定的功能。应用的广泛性也决定了该算法具有一定的难度，对于我国来讲，汽车牌照图字符分割算法存在许多难点，如：1）在大部分实际应用中都要求算法速度快，从而能够实时地对车辆进行识别以及时地反馈车牌信息，对信息做进一步处理，所以算法执行效率必须很好以满足实时化的要求。2）有些车辆车牌存在严重的干扰（如褪色，污损），车牌周围有各种装饰物等。3）车牌本身信息较为复杂，既有汉字也有英文字母与数字。基于上述考虑，本论文中的算法流程简单，思路清晰、明了，以垂直投影法[1]基础，利用先验知识大大增加了对汽车牌照图像的处理准确性，本算法先将图像二值化图，所处理的数据量小，未对图像进行大量复杂的运算，有利于算法简单、高效实现。1字符分割算法1）首先对提取好的汽车牌照灰度图像进行二值化，图像在二值化后所要处理的数据量大大减少，本算法采用全局阙值法[2]，在MATLAT中采用im2bw函数实现[3]，阙值参数为0.7，待处理图像及其二值化效果如图1、2所示。2）在车牌二值化之后之后对各个字符进行分割以便进一步对其进行识别。算法分析：在车牌二值化图像中，一般字符部分是白色，其它部分是黑色，这里使用垂直投影法逐个统计每列中所包含的白色像素的数量，结果如图3所示,在各个字符的间隙处的列白色像素很少，甚至为0。(1)第一个字符的判断。以水平方向为X轴，以第一个白色像素点高于一定值的点为第一个字符的起始点，然后以下一个白色像素低于一定值(本文中取5,与车牌图像本身像素有关)的点作为第一个字符的始终点、由于第一个字符一般是汉字笔划比较多，所以一般不会误判。判断一个字符的算法流程见图4。(2)其它字符的判断。这里利用先验知识，字符的大小是均匀的，这样其它字符的宽度与第一个字符相差不会太大。这样在判断其它字符时同样是利用（1）中所提的算法进行判断，检测每一个字符一起始点，但是要加上限制条件:字符宽度须大小第一个字符宽度90%，否则继续向后搜索符合条件的点，这样大大减少了对”C”“U”“L”“7”等字符的误分割。图5为误判结果，图6为改进后的结果。同时由于第二个与第三个字符之间有空隙且可吕利青（中北大学信息与通信工程学院，山西太原030051）【摘要】在相关资料的基础上，对汽车牌照图像字符分割算法进行了研究,提出了基于垂直投影法的改进的字符分割算法。在上述研究的基础上，用MATLAB7.0设计了相应程序，并采集图片进行了测试，表明了算法的有效性和实用性。【关键词】汽车牌照辨识系统；二值化；字符分割【中图分类号】TP391【文献标识码】A【文章编号】1003-773X（2009）01-0192-02一种改进的汽车牌照字符分割算法及MATLAB实现

图1待处理的图像图2二值化后的图像图3每列白色像素数量的坐标图像图4

算法流程图第24卷第1期(总第106期)机械管理开发2009年2月Vol.24No．1(SUMNo．106)MECHANICALMANAGEMENTANDDEVELOPMENTFeb．2009

作者简介：吕利青(1979-)，女，山西朔州人，助工，中北大学在读硕士研究生，研究方向：电气工程及其自动化。收稿日期：2008-09-01192··第24卷第1期(总第106期)机械管理开发2009年2月吕利青：一种改进的汽车牌照字符分割算法及其MATLAB实现

!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!（上接第191页）从预测结果可以看出，预测结果与理论值较为接近，说明Elman神经网络预测铣削力的可行性。3结束语本文以切削深度，切削宽度，主轴转速，每齿进给量作为影响因素，以铣削力为输出，建立了铣削力的Elman神经网络模型对铣削力进行了预测，取得了较为准确的预测结果，说明了Elman神经网络模型预测铣削力的可行性。如果要取得更加客观、准确的结果，需要加入其他影响因素如材料性质，刀具磨损等，将会提高网络的泛化能力，提高网络的预测精度。参考文献[1]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2006.[2]韩力群.人工神经网络教程[M].北京:北京邮电大学出版社,2006.[3]林岗,周月平,彭宝权.基于遗传神经网络的铣削力预测方法[J].组合机床与自动化加工技术2005：11-13.EvaluatingModelofMillingForcesBasedonElmanNeuralNetworkLIU-Xu-hui(SchoolofInformationandCommunicationEngineering,NorthUniversityofChina,Taiyuan030051,China)〔Abstract〕Thispaperbasedoncuttingdepth,cuttingwidth,spindlespeed,feedpertoothtakeastheinput,themillingforcesinx,y,zthreedirectioncomponentstakeasoutput,establishestheElmanevaluatingmodel.Theforecastingresultisclosetotheexpectationresult,thereforethemethodissuitableforevaluatingthemillingforces.〔Keywords〕Elmanneuralnetwork;Millingforces;EvaluatingModel能存在一定干扰信息如铆钉等，所以在判断第三个字符时加上另一个限制条件:第三个字符的起始点与最二个字符的结束点之的横坐标差大于第一个字符宽度50%，这样大大减少了对这一区域的误断。图7为误判结果，图8为改进后的结果。图9为应用本算法对图1的最终处理结果。2软件测试结果及分析2.1测试结果测试结果如表1所示：2.2结果分析不能正确分割的4张图像中，都是由于车牌本身噪声较多，二值化后白色像素分布散乱，无法区分字符与间隙造成的。这说明算法在大多情况下能得到正确的结果，但鲁棒性还不够强，不能对严重干扰的图像做出正确的预处理。考虑到本次测试所使用的摄像头像素较低，成像效果较差，预计本软件对清晰的高质量的图片的分割成功比率还能进一步地提高。3结束语本文在所讨论的算法简单，实用，执行速度快，有利于实际应用中的实时化要求，正符合ITS系统的需要，但也存在一些缺点，主要是其鲁棒性不够强，对质量差的图像不能成功处理，离实际应用还有一定的差距。参考文献[1]刘广起，严殊，张晓波.车牌定位和分割技术的研究与实现．可编程控制器与工厂自动化[J].2005(1):124-126.[2]陈书海，傅录祥.实用数字图像处理[M].北京：科学出版社，2005.[3]苏金明，王永利.MATLAB图形图像[M].北京:电子工业出版社，2005.表1测试结果编程软件Matlab7.0测试图像总量60张图像分辨率640×480(插值)图像采集设备130万像素CMOS摄像头测试结果正确分割56张，分割成功的比率93.3％单张图像处理时间<9ms微机硬件环境P42.0,512MAModifiedCharacterSegmentationAlgorithminLicensePlateandItsImplementationinMatlabLVLi-qing（CollegeofInformationandCommunication,NorthUniversityofChina,Taiyuan030051,Shanxi）〔Abstract〕Onthebasisofanalyzingrelevantinformation,methodsofCharactersegmentationAlgorithminLicensePlatearestudiedinthispaper.Amodifiedalgorithmbasedonverticalprojectionisadvancedinthepaper.Throughabovestudy,corresponding

programisdesignedin

matlab7.0andexperimentisdoneusingthecollectedpictures.Theresultsshowsthevalidity

andpraticaluseofthealgorithm.〔Keywords〕Licenseplaterecognitionsystem;Binarization;Charactersegmentation图5误分割图像图6矫正后的分割结果图7误分割图像图8矫正后的分割结果图9对图1的最终处理结果

193··