蒙佳_车牌及车标识别技术的研究_20170531.ppt

本文的字符分割算法流程图如下图所示。 图3-5 车牌字符分割流程图 其中车牌图像预处理如下： 车牌图像预处理部分主要是为字符分割提供良好的分割环境。 车牌图像预处理 水平矫正及上下边界提取 （Hough变换+水平投影） 垂直矫正及左右边界提取 （Randon变换+垂直投影） 反色判断统一车牌底色 （字符平均灰度值和背景的平均灰度值作为反色判断依据） 在字符分割部分，提出一种动态模板结合非零像素点的字符分割算法，其流程图如下： 图3-6 车牌字符分割流程图 标准车牌长度为440mm，宽为140mm；车牌字符高为90mm，字符宽为45mm（数字“1”除外），第二个与第三个字符间隔34mm，其余字符间隔12mm，字符宽度总长409。尺寸排列示意图如图所示。 以标准民用车牌的字符排列、字符间隔规律构造模板，使用模板在车牌图像中滑动，并动态改变车牌模板的宽度，其滑动示意图如下： 图3-6 模板动态滑动示意图 （1）滑动条件 以预处理后的车牌图像的左端作为起始位置（本文取左端的第一个像素点），基于初始车牌模板进行模板滑动，每次滑动一个像素点，每滑动一次，则记录所属车牌图像在当前模板的各字符位置处的非零像素点的个数和当前车牌模板所对应的分割位置。 （2）停止条件 ①车牌模板的宽度 增加到车牌图像的宽度 时停止滑动； ②车牌模板的起始位置滑动到车牌图像的T处时停止滑动，T的取值范围为 。 （3） 循环条件 逐渐增加车牌模板的宽度 ，车牌模板的高度保持不变，基于各字符的宽高比 ，第2、3字符间的间隔的宽高比 ，其余5个字符间隔的宽高比 相应的调整车牌模板各字符及间隔的宽度，重复执行模板滑动处理，直到满足某一循环停止条件。 动态模板结合非零像素点对车牌字符分割效果如下图所示： 第一行为原车牌图像，第二行为预处理后的车牌二值图，第三行为初始模板在车牌二值图上的滑动效果图，第四行为动态模板在车牌二值图上的滑动效果图，第五行为动态模板的最佳匹配效果图，第六行为最后的字符分割效果图。 图3-7 车牌字符分割示意图 实验结果及分析 为了验证本文算法的有效性，实验中使用成功预处理后的3485例车牌图像作为测试数据，并且对比文献[18]中基于条件随机场的字符分割方法和垂直投影结合模板匹配的字符分割方法的效果。 实验的硬件条件为CPU Intel core due 3.30GHz，8GB内存，软件环境为Window7操作系统、Visual Studio 2013开发工具、开源计算机视觉库OpenCV。三种算法的实验结果如下表所示。 从分割准确率的比较来看，本文方法的字符分割效果优于文献[18]中提出的两种字符分割方法。从耗时来看，本文方法由于需要多次滑动模板并计算各字符位置处的非零像素点数目，耗时较多，但仍能满足实时系统要求。 基于条件随机场的字符分割方法 垂直投影结合模板匹配的字符分割方法 本文方法 平均尺寸 120×30 120×30 136×36 分割准确率 3157/3485=90.59% 3314/3485=95.10% 3386/3485=97.16% 平均耗时 16.58ms 1.82ms 9.82ms 表3-2 车牌分割算法结果对比 3.4 车牌字符识别 我国车牌字符由数字共10个字符，以及除了O和I之外的其余24个英文大写字符和特定含义的有限个汉字组成。本文首先对车牌字符图像进行归一化，并在特征提取的基础上，设计了一种基于支持向量机的车牌字符识别方法，其流程图如下所示。 基于SVM的车牌字符识别流程图 LBP特征提取 LBP特征能够很好地表达和突出图像的纹理和结构特征，且算法精度较高，运算简单。本文对字符图像进行分块，再提取每一图像块的LBP特征，作为最终表示该字符图像的特征，流程如图所示： 字符LBP特征提取流程图 支持向量机 SVM方法以统计学理论为基础，从求解线性可分条件下的最优超平面发展而来，很好地解决了小样本情况下模式分类的问题。不仅如此，核函数思想的引入使得SVM在能够处理非线性分类问题的同时，还可以在一定程度上避免非线性分类问题中的“维数灾难”问题。 基于SVM的字符识别 1）字符数据库