车牌分割与识别PPT课件

1、车牌字符分割识别,计算机专业,目录,1,2,3,4,图像预处理,车牌分割,车牌识别,结果截图,5,组员感想,2,.,01/图像预处理,1,2,3,4,车牌图像的灰度化,车牌图像的二值化,车牌图像的开运算,车牌图像的闭运算,6,5,去除车牌边框,去除车牌图像中的圆点,3,.,01 /图像预处理,由于车牌上会有泥点、刮痕、锈蚀或光照、阴影等的影响造成车牌上有一些噪声，在二值化时会成为小洞，给字符分割带来阻碍，因而在对车牌分割前必须将这些噪声去掉，因此可以根据闭运算操作来达到目的。,第四步：车牌图像的闭运算,4,.,01 /图像预处理,在对车牌进行定位后，车牌的上下边缘处总会残留一些车牌的边框或者铆

2、钉等噪声无法去除，待车牌被分割后也会给后续的字符识别带来麻烦，为了消除这些影响，须将其去除。因此本文根据其边框与字符间有空隙的特点，对于垂直边框，先找到车牌正中间的一个字符，向右找到第四个间隙即为车牌的最右端，找到第一个字符位置，向左寻找即可找到车牌最左端位置；对于水平方向的边框，先找到车牌水平方向的最中间，向车牌的上下方向分别寻找车牌字符与边框之间的间隙，即可找到车牌的上下位置。 步骤为： Step1：计算每一行的像素值总和。 Step2：选取车牌行方向的正中间位置，分别向车牌上下扫描寻找到行像素和突然变小的位置，即为车牌的上下端。 Step3：只保留Step2找到的车牌上下端以内的车牌数据

3、即可将车牌的上下边框去除。,第五步：去除车牌边框,5,.,02/车牌分割,1,2,3,据处理后的二值图像计算出列方向像素值之和。,选取一较小的像素和阈值，找到车牌上汉字的左端，在用该阈值继续寻找汉字右端的同时，根据车牌标准，利用高与宽的比例关系找到汉字的右端。,重复利用上一步骤的方法找到其他字符的左右端，然后将字符逐一分割。,6,.,03/车牌识别,1,2,3,车牌识别的特殊性,车牌字符的归一化处理,常用的车牌字符识别方法,7,.,03 /车牌识别,1.车牌字符的字符集少，车牌上出现的汉字字符只包括各省，市，直辖市和部队，武警，公安的简称，再加上26个英文字母以及10个数字。 2.字符点阵的分

4、辨率低，受摄影机分辨率的限制，从一副汽车图像中分割出的牌照字符所占的像素比较小。 3.环境影响大。通常OCR系统的工作环境在室内，而车牌识别是在室外全天候工作，光照条件经常变化，并且受天气状况等的影响，各种干扰不可预测。 4.在我国，车牌字符包括汉字，字母和数字。标准车牌上的字符排列顺序为： 第一位是汉字，第二位是字母，第三位是字母或数字，第四位至第七位是数字。,01/车牌识别的特殊性,8,.,03 /车牌识别,从不同图像分割出的字符在大小和位置上有很大的差异，给后续的自负特征提取和识别带来困难。为了消除字符由于大小，位置上对字符特征提取，识别的影响。需要对字符图像进行归一化处理。归一化一般分

5、为位置归一化，大小归一化，笔划粗细归一化。这里主要介绍位置归一化，大小归一化。 1.位置归一化 为了消除字符点阵位置上的偏差，需要将整个字符点阵移动到固定的位置上，这个过程被称为位置归一化。有两种简单的位置归一化方法。一种是基于质心的位置归一化，另一种是基于字符外边框的位置归一化。基于质心的方法需要先求出字符的质心，然后质心移到指定位置，。基于外边框的需要首先计算字符的外边框找到其中心，然后把字符外边框移到指定的位置上，相对而言，质心计算是全局性的，因此抗干扰能力强。,02/车牌字符的归一化处理,9,.,03 /车牌识别,2.大小归一化 字符字号的变化引起字符尺寸相差接近十倍，对于字号不同的字

6、符识别，需要有效的对字符大小进行归一化。常用的大小归一化有两种，一种是按外边框进行线性放大或缩小，另一种是根据水平和垂直两个方向的字符像素的分布进行归一化。,02/车牌字符的归一化处理,10,.,03 /车牌识别,1.模板匹配法。利用建立的标准模板图像与待识别字符图像进行点对点的比较，去相似度最高的字符作为识别结果。此方法如果模板多则耗时长，但是对于车牌识别来说足够了。 2.特征识别法。通过分析字符的结构特征和各种统计特征，来设计各种分类器，来识别字符。本实验采取特征匹配方法。 字符特征提取与分类器的选择 字符识别主要在于字符分类器的选择和设计。而字符分类器依赖于提取的字符特征。,03/常用的车牌字符识别方法,11,.,03 /车牌识别,字符的特征： 1.结构特征 有轮廓特征，骨架特征，笔划密度特征，孔洞和缺口，字符链码，特征点。 2.字符统计特征 有复杂指数，粗网格特征，字符的垂直和水平投影，整体变换特征，几何矩特征等。 本实验采用了粗网格的汉字识别系统。 粗网格特征以网格为单位，体现了文字整体形状的分布，即使个别点统计有误差也不会有大的影响。 字母数字的识别 车牌中非汉字的识别较为简单，本实验设计的分类器中，通过提取字母和数字的粗网格特征，与标准粗网格