一种基于形状特征的车牌字符识别方法

一种基于形状特征的车牌字符识别方法

识别车牌符号是识别汉字、英文字母和数字符号的具体应用。这是车牌识别系统的核心。它将经车牌定位、分割后的字符作为输入,提取字符的特征,构建合理分类器,输出字符识别结果。车牌识别系统需全天候在室外工作,受空气粉尘的影响、光照条件的变化以及其他不可预测的干扰,导致采集到的车牌图像已被噪声污染,车牌字符模糊、大小粗细不一和倾斜角度各异等难以处理的情况,因此,提取具有良好区分度和鲁棒性的字符特征是车牌字符识别过程中的关键。到目前为止,用于字符识别的特征已有很多种了,如字符的轮廓特征、字符在水平或垂直方向的投影分布、字符的宽高比、字符的连通区域、字符的笔顺和笔画密度、字符的重心位置、字符的过线特征等。这些特征大多属于字符图像的点特征,在提取之前需对字符进行归一化、细化、倾斜矫正等处理,以确保特征的区分度和鲁棒性。这一过程不仅繁琐耗时,也因细化等造成的字符畸变而使字符的有效信息丢失,拒识率和误识率偏高。人眼根据对字符结构、轮廓的直观度量来进行字符识别,即根据字符的形状特征来辨认和区分每个字符,若能精确表征和提取字符的形状特征,就能准确快速地区分不同的字符。因此,经过对字符形状特征的研究,提出了两种字符特征,即字符的凹凸性和弯曲度,这不同于字符的局部特征,它们是一种基于字符整体形状的特征,在提取前不需要对字符作归一化、细化、倾斜校正的预处理,避免了因细化、倾斜校正造成字符形变所带来的拒识、误识和处理时间。另外,在本文所提出的凹凸性和弯曲度特征的基础上,结合交点数特征,新设计了一种基于字符形状特征的车牌字符分类器,该分类器根据字符的凹凸性、弯曲度、交点数特征对字符进行由粗到细的分类,它不需要样本图像,识别效率高。1车牌字符的预处理与一般的字符识别相比,车牌字符识别有其自身的特点。首先是字符集小、字符结构简单,除去车牌上的汉字字符,共有25个大写英文字母(字母“I”除外)以及0～9这10个阿拉伯数字,字母“O”与数字0的形状相同,要分类的字符类别较少,并且是机器印刷体;受摄像机分辨率和成像角度的限制,字符将会发生向左或向右的倾斜畸变,且字符的分辨率较低;另外,受室外环境变化(光线、粉尘等)的影响大,使得采集到的车牌字符已被污染,变得模糊,大小和粗细不一;再就是车牌识别系统的实时性要求高于一般的字符识别。车牌字符识别的关键之一是提取具有良好区分度和鲁棒性的字符特征。如前所述,已有的特征大多属于字符图像的点特征,在提取这些特征之前需对字符进行归一化、细化、倾斜矫正等预处理。其中,字符细化通过提取字符的骨架,消除因为光照变化等因素所引起字符粗细不一的情况,虽然近年来有许多研究人员对细化算法所提取目标的骨架中存在着伪分支、毛刺、断裂这些缺陷和运行耗时问题进行了改进,但这些问题仍然存在。又由于车牌字符受噪声污染的影响,经阈值处理后的车牌字符本身就存在着毛刺和空洞,再对车牌字符进行细化处理,上述缺陷就表现得更加明显,不仅复杂、繁琐和耗时,而且由于毛刺、分叉、断裂对字符的影响,使得经细化处理后字符在形状上发生严重的形变。图1(b)(d)(f)分别为(a)(c)(e)的细化结果,由于字符本身的毛刺和空洞,细化后的字符中存在着较强的毛刺与伪分支,让字符的形状发生了变化,影响了字符识别的准确率。1.1字符图像的赋值模式不同于局部的点特征,凹凸性是字符的整体特征,是对字符结构和轮廓的一种度量,在提取前,无须对字符进行归一化、细化、倾斜矫正处理。凹凸性也可用于手写数字识别。本文凹凸性的提取过程如下:a)背景赋值。它是从字符图像的所有背景点(即白色点,这里指二值图像中像素值为1的点)出发,向右、右下、下、左下、左、左上、上、右上八个方向(图2)发出八条射线,判断射线是否与字符的前景点(黑色点,像素值为0)相交,有几条射线相交,则将该背景点的值赋为几。如图2,给字符“U”任一背景点赋值。b)凹凸性提取。凹凸性包括字符图像结构中的圈和凹区域,圈是指赋值背景后字符图像中像素值为8且周围值为0的区域;凹区域是指赋值背景中像素值为5、6、7的区域。c)凹区域模式。在字符凹凸性基础上,将字符图像赋值背景中的凹区域作进一步划分,具体定义描述如下:上凹区tC:任意背景点左边、右边、下边均可以找到字符的凹区域;下凹区bC:任意背景点左边、右边、上边均可以找到字符的凹区域;左凹lC:任意背景点右边可以找到字符的凹区域;右凹rC:任意背景点左边可以找到字符的凹区域;左上凹ltC:任意背景点上边可以找到字符,而下边不能找到字符的左凹区;左下凹lbC:任意背景点下边可以找到字符,而上边不能找到字符的左凹区;右上凹rtC:任意背景点上边可以找到字符,而下边不能找到字符的右凹区;右下凹rbC:任意背景点下边可以找到字符,而上边不能找到字符的右凹区。图3为凹凸域模式。本文的凹凸性特征提取方法简单高效,特征不受字符大小、粗细变化的影响,鲁棒性强。1.2弯曲度的生成通过字符的凹凸性特征已能对字符进行粗分类,但有些字符(如字符“D”与“O”,字符“8”与“B”等)的凹凸性相同,还需要使用其他的字符特征进行细分类。通过对字符形状进一步的研究,字符“O”的左轮廓弯曲程度明显强于字符“D”的左轮廓,这一结论也适用于字符“8”与字符“B”,因此,可以用弯曲度这一字符形状特征对字符进行细分类。字符弯曲度r定义为:定义1字符弯曲度r是字符图像左(右)轮廓点中最左(右)边点L到字符左(右)轮廓上、下端点所构成线段的欧式距离DTB和该线段DLP的比值,如式(1)。在提取字符弯曲度时,首先扫描字符图像得到其左(右)轮廓线并同时求出左轮廓线的上端点T(Tx,Ty)、下端点B(Bx,By)与最左(右)点L(Lx,Ly),再计算点T到点B的距离DTB,点L到线段TB上的投影点P,并计算点L到点P的距离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农业保险界面点数特征当字符的凹凸性和弯曲度相同时,进一步采用字符的交点数特征进行分类。交点数特征是指在水平或垂直方向上扫描字符时与字符相交的次数,如字符“D”在水平与垂直方向上的交点数均为2,字符“B”在水平方向上的交点数为2、垂直方向上的交点数为3。2大写字母分类在本文所提出的凹凸性和弯曲度特征的基础上,结合交点数特征,新设计了一种基于字符形状特征的车牌字符分类器,该分类器根据字符的凹凸性、弯曲度、交点数特征对字符进行由粗到细的分类,它不需要样本图像,识别效率高。首先根据凹凸性(圈和凹区域的位置)对数字字符2～9和25个英文大写字母共33个字符(在车牌字符集中,字符“I”不会出现,“0”与“O”形状相同,字符“1”可根据其宽高比来识别)进行粗分类,然后再根据弯曲度、交点数进行细分类。设计出的分类器如表1所示。其中:CN为圈数目,hPN为水平方向扫描交点数,vpN为垂直方向扫描交点数,bCN为下凹区数目,lR为左弯曲度,rR为右弯曲度,lC为左凹区,rC为右凹区,tC为上凹区,bC为下凹区,rtC为右上凹,rbC为右下凹,ltC为左上凹,caR为凹区域与字符总面积比例。分类器根据字符凹凸性、弯曲度、交点数等形状特征的逻辑组合进行分类,如字符“A”,可根据其有一个圈(CN=1)、无左右凹(lC=0&rC=0)、有下凹(bC=1)来与其余字符相区别,即CN=1,lC=0&rC=0,bC=1。该分类器简单,只需对相应字符特征所构成的逻辑表达式进行判别,没有复杂繁琐的计算,不需要样本图像,是一种简单快速有效的分类器。3优化下的车牌识别实验本文方法的实验程序在CxImage图像处理框架下,使用C++编写,在HPPresarioV3000笔记本电脑(IntelT20801.73GHzCPU,1GB内存,VistaHomeBasic操作系统)上运行,对进出于攀枝花营口、云甸和会理这三个矿物运输站点采集到的大量不同光照条件和不同环境下质量较差的车牌图像字符和在停车场中采集到的车牌图像字符作为测试集,对分割后的字符进行二值、去噪处理后,分别使用本文的识别方法与模板匹配、BP神经网络对大小为45×120的字母和数字字符进行识别。实验中,确保所抽取车牌图像中覆盖了所有字母和数字字符的前提下,从测试集中随机地抽取了2368张车牌图片,对约有14208个字符进行了测试。图4列举了测试集中的部分车牌字符。在用模板匹配与BP神经网络进行识别时,提取的是经过细化与倾斜矫正后字符的网格点特征(前景像素占网格像素总数的比例,实验中使用的是5×5的网格),样本库由每一字符的35个样本图像构成,图5列举了样本图像的部分示例。模板匹配的识别中以待测字符与样本库中样本的最小欧氏距离作为分类准则;BP神经网络的结构为:输入层、隐含层和输出层,各层的节点数分别为25、50、5,输入层与隐含层、隐含层与输出层间的权值学习率分别为0.05、0.047。实验结果如表2所示。结果表明本文方法不仅改进了字符的识别率,而且识别速度也提高了1倍左右,本文方法是一种高效的车牌识别算法。在对实验结果进行分析后发现,字符断裂和毛刺是影响本文方法拒识率和误识率的主要原因,它们影响了字符形状结构特征的提取,使得粗分类失败。在图6(a)中的字符“A”由于毛刺的影响,其凹凸性变为一个圈、一个下凹、一个右上凹,在分类器中没有这样的字符,因此被拒识;(b)中的字符“8”同样因为毛刺的存在改变了其凹凸性的提取被拒识;(c)中的字符“8”由于字符断裂被误识为字符“0”或“O”;(d)～(f)也因为字符断裂的原因被拒识。可见,车牌字符的阈值和去噪处理效果的好坏对识别结果有很大的影响。4车牌字符识别方法如何提高实际应用中车牌识别系统字符识别的准确率和速度仍然是一个值得