一種基于形狀特征的車牌字符識別方法

一種基于形狀特征的車牌字符識別方法

識別車牌符號是識別漢字、英文字母和數(shù)字符號的具體應用。這是車牌識別系統(tǒng)的核心。它將經(jīng)車牌定位、分割后的字符作為輸入,提取字符的特征,構(gòu)建合理分類器,輸出字符識別結(jié)果。車牌識別系統(tǒng)需全天候在室外工作,受空氣粉塵的影響、光照條件的變化以及其他不可預測的干擾,導致采集到的車牌圖像已被噪聲污染,車牌字符模糊、大小粗細不一和傾斜角度各異等難以處理的情況,因此,提取具有良好區(qū)分度和魯棒性的字符特征是車牌字符識別過程中的關(guān)鍵。到目前為止,用于字符識別的特征已有很多種了,如字符的輪廓特征、字符在水平或垂直方向的投影分布、字符的寬高比、字符的連通區(qū)域、字符的筆順和筆畫密度、字符的重心位置、字符的過線特征等。這些特征大多屬于字符圖像的點特征,在提取之前需對字符進行歸一化、細化、傾斜矯正等處理,以確保特征的區(qū)分度和魯棒性。這一過程不僅繁瑣耗時,也因細化等造成的字符畸變而使字符的有效信息丟失,拒識率和誤識率偏高。人眼根據(jù)對字符結(jié)構(gòu)、輪廓的直觀度量來進行字符識別,即根據(jù)字符的形狀特征來辨認和區(qū)分每個字符,若能精確表征和提取字符的形狀特征,就能準確快速地區(qū)分不同的字符。因此,經(jīng)過對字符形狀特征的研究,提出了兩種字符特征,即字符的凹凸性和彎曲度,這不同于字符的局部特征,它們是一種基于字符整體形狀的特征,在提取前不需要對字符作歸一化、細化、傾斜校正的預處理,避免了因細化、傾斜校正造成字符形變所帶來的拒識、誤識和處理時間。另外,在本文所提出的凹凸性和彎曲度特征的基礎上,結(jié)合交點數(shù)特征,新設計了一種基于字符形狀特征的車牌字符分類器,該分類器根據(jù)字符的凹凸性、彎曲度、交點數(shù)特征對字符進行由粗到細的分類,它不需要樣本圖像,識別效率高。1車牌字符的預處理與一般的字符識別相比,車牌字符識別有其自身的特點。首先是字符集小、字符結(jié)構(gòu)簡單,除去車牌上的漢字字符,共有25個大寫英文字母(字母“I”除外)以及0～9這10個阿拉伯數(shù)字,字母“O”與數(shù)字0的形狀相同,要分類的字符類別較少,并且是機器印刷體;受攝像機分辨率和成像角度的限制,字符將會發(fā)生向左或向右的傾斜畸變,且字符的分辨率較低;另外,受室外環(huán)境變化(光線、粉塵等)的影響大,使得采集到的車牌字符已被污染,變得模糊,大小和粗細不一;再就是車牌識別系統(tǒng)的實時性要求高于一般的字符識別。車牌字符識別的關(guān)鍵之一是提取具有良好區(qū)分度和魯棒性的字符特征。如前所述,已有的特征大多屬于字符圖像的點特征,在提取這些特征之前需對字符進行歸一化、細化、傾斜矯正等預處理。其中,字符細化通過提取字符的骨架,消除因為光照變化等因素所引起字符粗細不一的情況,雖然近年來有許多研究人員對細化算法所提取目標的骨架中存在著偽分支、毛刺、斷裂這些缺陷和運行耗時問題進行了改進,但這些問題仍然存在。又由于車牌字符受噪聲污染的影響,經(jīng)閾值處理后的車牌字符本身就存在著毛刺和空洞,再對車牌字符進行細化處理,上述缺陷就表現(xiàn)得更加明顯,不僅復雜、繁瑣和耗時,而且由于毛刺、分叉、斷裂對字符的影響,使得經(jīng)細化處理后字符在形狀上發(fā)生嚴重的形變。圖1(b)(d)(f)分別為(a)(c)(e)的細化結(jié)果,由于字符本身的毛刺和空洞,細化后的字符中存在著較強的毛刺與偽分支,讓字符的形狀發(fā)生了變化,影響了字符識別的準確率。1.1字符圖像的賦值模式不同于局部的點特征,凹凸性是字符的整體特征,是對字符結(jié)構(gòu)和輪廓的一種度量,在提取前,無須對字符進行歸一化、細化、傾斜矯正處理。凹凸性也可用于手寫數(shù)字識別。本文凹凸性的提取過程如下:a)背景賦值。它是從字符圖像的所有背景點(即白色點,這里指二值圖像中像素值為1的點)出發(fā),向右、右下、下、左下、左、左上、上、右上八個方向(圖2)發(fā)出八條射線,判斷射線是否與字符的前景點(黑色點,像素值為0)相交,有幾條射線相交,則將該背景點的值賦為幾。如圖2,給字符“U”任一背景點賦值。b)凹凸性提取。凹凸性包括字符圖像結(jié)構(gòu)中的圈和凹區(qū)域,圈是指賦值背景后字符圖像中像素值為8且周圍值為0的區(qū)域;凹區(qū)域是指賦值背景中像素值為5、6、7的區(qū)域。c)凹區(qū)域模式。在字符凹凸性基礎上,將字符圖像賦值背景中的凹區(qū)域作進一步劃分,具體定義描述如下:上凹區(qū)tC:任意背景點左邊、右邊、下邊均可以找到字符的凹區(qū)域;下凹區(qū)bC:任意背景點左邊、右邊、上邊均可以找到字符的凹區(qū)域;左凹lC:任意背景點右邊可以找到字符的凹區(qū)域;右凹rC:任意背景點左邊可以找到字符的凹區(qū)域;左上凹ltC:任意背景點上邊可以找到字符,而下邊不能找到字符的左凹區(qū);左下凹lbC:任意背景點下邊可以找到字符,而上邊不能找到字符的左凹區(qū);右上凹rtC:任意背景點上邊可以找到字符,而下邊不能找到字符的右凹區(qū);右下凹rbC:任意背景點下邊可以找到字符,而上邊不能找到字符的右凹區(qū)。圖3為凹凸域模式。本文的凹凸性特征提取方法簡單高效,特征不受字符大小、粗細變化的影響,魯棒性強。1.2彎曲度的生成通過字符的凹凸性特征已能對字符進行粗分類,但有些字符(如字符“D”與“O”,字符“8”與“B”等)的凹凸性相同,還需要使用其他的字符特征進行細分類。通過對字符形狀進一步的研究,字符“O”的左輪廓彎曲程度明顯強于字符“D”的左輪廓,這一結(jié)論也適用于字符“8”與字符“B”,因此,可以用彎曲度這一字符形狀特征對字符進行細分類。字符彎曲度r定義為:定義1字符彎曲度r是字符圖像左(右)輪廓點中最左(右)邊點L到字符左(右)輪廓上、下端點所構(gòu)成線段的歐式距離DTB和該線段DLP的比值,如式(1)。在提取字符彎曲度時,首先掃描字符圖像得到其左(右)輪廓線并同時求出左輪廓線的上端點T(Tx,Ty)、下端點B(Bx,By)與最左(右)點L(Lx,Ly),再計算點T到點B的距離DTB,點L到線段TB上的投影點P,并計算點L到點P的距離DLP。R=DLPDTB=(Lx?Px)2+(Ly?Py)2√(Tx?Bx)2+(Ty?By)2√R=DLΡDΤB=(Lx-Ρx)2+(Ly-Ρy)2(Τx-Bx)2+(Τy-By)2(1)1.3農(nóng)業(yè)保險界面點數(shù)特征當字符的凹凸性和彎曲度相同時,進一步采用字符的交點數(shù)特征進行分類。交點數(shù)特征是指在水平或垂直方向上掃描字符時與字符相交的次數(shù),如字符“D”在水平與垂直方向上的交點數(shù)均為2,字符“B”在水平方向上的交點數(shù)為2、垂直方向上的交點數(shù)為3。2大寫字母分類在本文所提出的凹凸性和彎曲度特征的基礎上,結(jié)合交點數(shù)特征,新設計了一種基于字符形狀特征的車牌字符分類器,該分類器根據(jù)字符的凹凸性、彎曲度、交點數(shù)特征對字符進行由粗到細的分類,它不需要樣本圖像,識別效率高。首先根據(jù)凹凸性(圈和凹區(qū)域的位置)對數(shù)字字符2～9和25個英文大寫字母共33個字符(在車牌字符集中,字符“I”不會出現(xiàn),“0”與“O”形狀相同,字符“1”可根據(jù)其寬高比來識別)進行粗分類,然后再根據(jù)彎曲度、交點數(shù)進行細分類。設計出的分類器如表1所示。其中:CN為圈數(shù)目,hPN為水平方向掃描交點數(shù),vpN為垂直方向掃描交點數(shù),bCN為下凹區(qū)數(shù)目,lR為左彎曲度,rR為右彎曲度,lC為左凹區(qū),rC為右凹區(qū),tC為上凹區(qū),bC為下凹區(qū),rtC為右上凹,rbC為右下凹,ltC為左上凹,caR為凹區(qū)域與字符總面積比例。分類器根據(jù)字符凹凸性、彎曲度、交點數(shù)等形狀特征的邏輯組合進行分類,如字符“A”,可根據(jù)其有一個圈(CN=1)、無左右凹(lC=0&rC=0)、有下凹(bC=1)來與其余字符相區(qū)別,即CN=1,lC=0&rC=0,bC=1。該分類器簡單,只需對相應字符特征所構(gòu)成的邏輯表達式進行判別,沒有復雜繁瑣的計算,不需要樣本圖像,是一種簡單快速有效的分類器。3優(yōu)化下的車牌識別實驗本文方法的實驗程序在CxImage圖像處理框架下,使用C++編寫,在HPPresarioV3000筆記本電腦(IntelT20801.73GHzCPU,1GB內(nèi)存,VistaHomeBasic操作系統(tǒng))上運行,對進出于攀枝花營口、云甸和會理這三個礦物運輸站點采集到的大量不同光照條件和不同環(huán)境下質(zhì)量較差的車牌圖像字符和在停車場中采集到的車牌圖像字符作為測試集,對分割后的字符進行二值、去噪處理后,分別使用本文的識別方法與模板匹配、BP神經(jīng)網(wǎng)絡對大小為45×120的字母和數(shù)字字符進行識別。實驗中,確保所抽取車牌圖像中覆蓋了所有字母和數(shù)字字符的前提下,從測試集中隨機地抽取了2368張車牌圖片,對約有14208個字符進行了測試。圖4列舉了測試集中的部分車牌字符。在用模板匹配與BP神經(jīng)網(wǎng)絡進行識別時,提取的是經(jīng)過細化與傾斜矯正后字符的網(wǎng)格點特征(前景像素占網(wǎng)格像素總數(shù)的比例,實驗中使用的是5×5的網(wǎng)格),樣本庫由每一字符的35個樣本圖像構(gòu)成,圖5列舉了樣本圖像的部分示例。模板匹配的識別中以待測字符與樣本庫中樣本的最小歐氏距離作為分類準則;BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)為:輸入層、隱含層和輸出層,各層的節(jié)點數(shù)分別為25、50、5,輸入層與隱含層、隱含層與輸出層間的權(quán)值學習率分別為0.05、0.047。實驗結(jié)果如表2所示。結(jié)果表明本文方法不僅改進了字符的識別率,而且識別速度也提高了1倍左右,本文方法是一種高效的車牌識別算法。在對實驗結(jié)果進行分析后發(fā)現(xiàn),字符斷裂和毛刺是影響本文方法拒識率和誤識率的主要原因,它們影響了字符形狀結(jié)構(gòu)特征的提取,使得粗分類失敗。在圖6(a)中的字符“A”由于毛刺的影響,其凹凸性變?yōu)橐粋€圈、一個下凹、一個右上凹,在分類器中沒有這樣的字符,因此被拒識;(b)中的字符“8”同樣因為毛刺的存在改變了其凹凸性的提取被拒識;(c)中的字符“8”由于字符斷裂被誤識為字符“0”或“O”;(d)～(f)也因為字符斷裂的原因被拒識?？梢?車牌字符的閾值和去噪處理效果的好壞對識別結(jié)果有很大的影響。4車牌字符識別方法如何提高實際應用中車牌識別系統(tǒng)字符識別的準確率和速度仍然是一個值得