专利名称：一种车牌字符分割方法
技术领域：
本发明属于智能交通方面的车牌识别技术领域，具体地说，是涉及一种车牌字符分割方法。
背景技术：
随着各国公路建设的迅速发展和汽车数量的不断增加，交通管理的任务日趋繁重，利用计算机汽车车牌识别技术，自动检测与识别汽车车牌号在现代交通监控中具有非常重要的作用。车牌检测与识别技术是数字图像处理与模式识别技术在智能交通 (Intelligent Transportation System, ITS)领域中的重要研究课题之一，其对智能交通系统的发展和交通业的发展起着重要的推动作用，更具有广阔的市场前景。如图1所示，车牌检测与识别技术分为四个步骤车牌定位、车牌校正、字符分割和字符识别。车牌字符分割是车牌检测与识别技术中的重要组成部分，只有有效地完成分割才能进一步提取出目标字符特征并进行识别。目前常用的车牌字符分割方法有投影法、连通域法和聚类分析法等。其中，投影法是目前最常用的车牌字符分割方法，其思想是根据字符的特点，把二值化后的车牌图像进行垂直方向的投影。因为字符的像素点多而集中，且每个车牌字符之间有一定的空隙隔开。 这样投影下来得到的投影图像应该有七个相对集中的投影峰值群，然后根据峰值间的最低点进行分割就可得到车牌的字符。由于字符块在竖直方向上的投影不仅在字符间取得局部最小值，而且在字符内的间隙也能取得局部最小值，因此传统的投影分割方法很容易把汉字分割成两部分或者三部分，导致分割错误。另外，车牌左右边框和二三字符间的间隔点也都会干扰到投影分割，导致分割错误；且对不同光照条件下所拍摄图像中字符分割效果差， 抗干扰能力差。连通域法是将图像水平线上的目标像素作为起始点，通过区域生长提取出图像中包含这些初始点的全部连通域。由于车牌中的字母和数字都是一笔写成的，即只包括一个连通分支，因此每个连通域即为一个字符，图像中剩余部分(区域生长过程中没有访问过的部分)将作为噪声去除。该方法对于去除噪声干扰要求很高，因为字符和车牌边缘粘连的现象十分普遍(特别是通过第二和第六字符处的铆钉)，这将导致把多个字符作为一个字符提取，导致分割错误。另外，许多汉字在二值化后包括多个连通域，而数字和字母在二值化后会出现笔划断裂的现象，因此用此方法会丢失部分字符信息，字符分割很容易发生错误。聚类分析法是利用模式识别中聚类分析算法来实现车牌字符分割。它能较好地解决汉字不连通的问题，较好地解决了车牌字符分割中存在的噪声干扰，车牌磨损造成字符粘连等问题。另外，其通过改变预设类心的坐标，可以较好地处理一些新式车牌。但是该方法的程序逻辑设计复杂，循环嵌套较多，实时处理时间过长。同时为了提高预设类心的精度，对车牌的宽度有一定的限制。可见现有技术车牌字符分割方法存在诸多缺陷传统投影法和连通域法受车牌背景的影响较大，当车牌字符受到污染时其分割错误率很高，从而直接影响到后面的车牌字符识别；而聚类分析法则虽能克服一些稍复杂的背景，但是其计算量大，对计算机的速度要求比较高；执行时间长，比较耗时，且对于宽边距车牌图像，容易将边距分割成字符，造成误判。故，实有必要进行研究，提供一种具有良好的实时性，计算复杂度低，能从复杂车牌背景中准确分割出字符的技术方案。
发明内容
为解决上述问题，本发明的目的在于提供一种具有良好的实时性，计算复杂度低， 能从复杂车牌背景中准确分割出字符的车牌字符分割方法。为实现上述目的，本发明的技术方案为一种车牌字符分割方法，包括如下步骤S10:车牌倾斜校正；Sll 车牌上下边框去除；S12 车牌字符分割；S13:字符大小归一化。进一步地，所述步骤SlO包括有如下步骤SlOO 对已经定位得到的原始灰度车牌图像进行Carmy边缘检测；SlOl 对已完成Carmy边缘检测的车牌图像使用概率Hough变换检测直线，并计算出车牌的倾斜角度；S102 根据步骤SlOl所得到的车牌倾斜角度对原始灰度车牌图像进行相应角度的旋转，以得到水平灰度车牌图像。进一步地，所述步骤Sll包括有如下步骤SllO 对步骤S102中得到的水平灰度车牌图像使用Otsu阈值法进行二值化，得到
二值车牌图像；Slll 利用灰度跳变法去除二值车牌图像的车牌上下边框。进一步地，所述步骤S12包括有如下步骤S120 对去除车牌上下边框后的二值车牌图像进行垂直投影后再进行粗分割；S121 利用字符中心间距和车牌先验知识对粗分割后的车牌图像进行细分割。本发明车牌字符分割方法克服了已有车牌字符分割方法受车牌背景影响大、分割错误率高、计算量大、执行时间长的不足，其基于垂直投影和字符中心间距的车牌字符分害I]，先利用垂直投影法实现车牌字符的粗分割，然后根据车牌的字符中心间距、车牌字符宽度以及车牌先验知识找到车牌的第一个或者第二个字符分割区域，实现汉字字符的合并和数字和英文字符的细分割。本发明车牌字符分割方法计算复杂度低，抗干扰能力强，能够从复杂背景中分割出字符，具有很高的可靠性。
图1为现有技术中车牌检测与识别流程图。图2为本发明字符分割流程图。
图3为本发明以7位字符为例的原始灰度车牌图像。图4为图3Carmy边缘检测之后的车牌图像。
图5为图3概率Hough变换检测到的直线。图6为图3倾斜校正之后的车牌图像。图7为图30tsu法二值化后的车牌图像。图8为图3去除上下边框之后的车牌图像。图9为图3字符分割后的车牌图像。图10为图3分割出来并归一化后的车牌字符图示。
具体实施例方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。请参照图2所示，本发明车牌字符分割方法包括以下步骤SlO 车牌倾斜校正；Sll 车牌上下边框去除；Sl2 :车牌字符分割；S13 字符大小归一化。其中，步骤SlO车牌倾斜校正包括有如下步骤SlOO 对已经定位得到的原始灰度车牌图像进行Carmy边缘检测；SlOl 对已完成Carmy边缘检测的车牌图像使用概率Hough变换检测直线，并计算出车牌的倾斜角度；S102 根据步骤SlOl所得到的车牌倾斜角度对原始灰度车牌图像进行相应角度的旋转，以得到水平灰度车牌图像。步骤Sll车牌上下边框去除包括有如下步骤SllO 对步骤S102中得到的水平灰度车牌图像使用Otsu阈值法进行二值化，得到
二值车牌图像；Slll 利用灰度跳变法去除二值车牌图像的车牌上下边框。步骤S12车牌字符分割包括有如下步骤S120 对去除车牌上下边框后的二值车牌图像进行垂直投影后再进行粗分割；S121 利用字符中心间距、车牌字符宽度和车牌先验知识对粗分割后的车牌图像进行细分割。其中，车牌先验知识主要包括实际车牌字符的宽高比和车牌第一、二个字符不包括字符“1”。请参照图3至图10所示，本发明实施例以车牌京LR8251为例进行说明。SlO 车牌倾斜校正在理想情况下，车牌图像应该是一个矩形，但是由于拍摄时受到镜头与牌照角度， 车辆运动，路面状况等的影响，车牌照经常会出现一定程度的倾斜，也有可能产生变形。倾斜的车牌会接着影响到车牌的垂直投影，进而间接造成字符分割错误。因此，有必要对倾斜的车牌图像进行校正。车牌倾斜校正体具体如下SlOO 对已经定位得到的原始灰度车牌图像进行Carmy边缘检测。车牌的倾斜角度是根据车牌上下边框的倾斜度来计算的，所以此处使用Carmy边缘检测法突出原始灰度车牌图像的边缘，以便于下一步检测边框直线。本实施例中使用了 htel公司的开源计算机视觉库OpenCV，Canny边缘检测的函数原型如下void cvCanny(const CvArr氺image, CvArr氺edges, double thresholdl, double threshold2, int aperture_size = 3)；其中image代表输入图像，edges代表输出图像，thresholdl和threshold当中的小阈值用来控制边缘链接，大的阈值用来控制边缘的初始分割，aperture_SiZe为Sobel算子内核大小。本实施例中采用的函数及参数如下cvCanny(image, edges,50,200,3)；完成Carmy边缘检测之后车牌图像的效果如图4所示。SlOl 对完成Carmy边缘检测的车牌图像使用概率Hough变换检测直线，并计算出车牌的倾斜角度。直线检测通常是利用传统的Hough变换算法，但是这种算法需要对整幅图像的每个像素进行扫描计算，计算量大，处理时间长；本发明中采用了概率Hough变换来检测图像中的直线，以减少计算时间。概率Hough变换在OpenCV中的函数原型如下CvSeq*cvHoughLines2(CvArr^image, void*line_storage, int method, double rho, double theta, int threshold, double paraml = 0，double param2 = 0)；其中，image为输入图像，line_storage为检测到的线段存储仓，method是Hough 变换变量，rho为与像素相关单位的距离精度，theta为弧度测量的角度精度，threshold为阈值参数，paraml为最小线段长度，param2表示在同一条直线上进行碎线段连接的最大间隔。本实施例中采用的函数及参数如下cvHoughLines2 (image, lines_storage, CV_H0UGH_PR0BABILISTIC, 1，CV_PI/180, 80，30，10)；在采用该函数检测到线段之后，计算出各个线段的斜率和倾斜角度，并从小于30 度的倾斜角度中选择最大的角度作为车牌的倾斜角度。概率Hough变换检测到的线段如图 5所示。S102:根据检测到的倾斜角度对原始灰度车牌图像，进行相应角度的旋转，得到水平灰度车牌图像。本实施例中采用双线性插值算法对原始灰度车牌图像进行旋转，能够保留旋转图像中的细节，其旋转后的效果如图6，可见旋转后车牌字符没有发生变形。Sll 车牌上下边框去除车牌经过倾斜校正后还会存在上下边框的干扰，如果不去除，将会对字符切割和识别带来不利影响。车牌上下边框的去除具体如下SllO 对得到的水平灰度车牌图像使用Otsu阈值法进行二值化，得到二值车牌图像。本实施例中，按图像的灰度特性，将图像分成背景和前景两部分。Otsu阈值法通过计算最大类间方差而获得分割门限，在较为理想的“双峰条件下”，用Otsu阈值法能够得到较好的分割效果。OpenCV中的二值化函数原型如下void cvThreshold(const CvArr^src,CvArr^dst,double threshold,doublemax_ value, int threshold_type)；
其中，src为原始数组，dst为输出数组，threshold为阈值，maxjalue为使用CV_ THRESH_BINARY 和 CV_THRESH_BINARY_INV 的最大值，threshold_type 为阈值类型。本实施例中使用的函数及参数如下cvThreshold(src, dst, 100，255，CV_THRESH_0TSU)；如图7所示，其为利用Otsu阈值法对经过校正的灰度车牌图像进行二值化后得到
的二值图像。Slll 利用灰度跳变法去除二值车牌图像的车牌上下边框。根据车牌先验知识，经过二值化后的车牌上有7个字符，每个字符的跳变点数至少为2，在字符区域，其水平黑白跳变点总数大于14，而非字符区域则不满足这个特征。所以可以利用黑白跳变法来去除车牌上下边框，其包括如下步骤SlllO 从二值图像的二分之一处开始向上扫描，统计每一行的黑白跳变数，如果其值小于14，则说明该行已经不是字符区域，把它作为字符区域的首行；Sllll 从二值图像的二分之一处开始向下扫描，统计每一行的黑白跳变数，如果其值小于14，则说明该行已经不是字符区域，把它作为字符区域的末行；S1112:首行和末行之间的区域即为字符区域，这样就去除了上下边框的影响。如图8所示，其示出了去除边框运算后车牌图像的效果图。S12 车牌字符分割S120 对去除车牌上下边框后的二值车牌图像进行垂直投影后再进行粗分割。其中，具体步骤如下S1200 从去除车牌上下边框后的二值车牌图像的左边开始列扫描，当黑色像素数小于一定阈值T (本实施例中取2)，则记录下这个列号a，放入数组ColNo [2i]；S1201 如果黑色像素数大于一定阈值(本实施例中取2)，则记录下这个列号b，放入数组ColNo [2i+l]；结合步骤S1200得到的a，就可以确定第一个分割区域，a和b分别为分割区域的左、右边界；S1202 按照上述步骤S1200、步骤S1201继续扫描下去，直到扫描完所有列后，数组ColNo[i]中的偶数位置存放的是分割区域的左边界，奇数位置存放的是分割区域的右边界。S121 利用字符中心间距和车牌先验知识对粗分割后的车牌图像进行细分割。以国内普通小轿车的实际车牌高度为例，国内普通小轿车的实际车牌高度为140mm，宽度为 440mm ；实际字符高度为90mm，除“ 1”以外，其他单个字符的实际宽度为45mm ；实际字符中心间距为57mm( 二三字符中心间距为79mm)。因此实际字符宽高的比例为1 2，实际字符中心间距与车牌字符高度的比例为57 90和79 90 ( 二三字符中心间距与车牌字符高度的比例)。所以在知道车牌字符高度的情况下，就可根据实际车牌宽高比和字符中心间距与车牌字符高度的比例确定字符的宽度范围和字符中心间距的范围。利用以上的字符中心间距与车牌先验知识就可以实现车牌字符的细分割，其具体包括如下步骤S1210 检查粗分割出来的区域数量。如果数量少于7则进入后续步骤S1211 ；如果数量大于15则分割失败，退出程序；而如果在7和15中间则进入后续步骤S1212。S1211 增大阈值后再进行一次粗分割，并检查区域数量。如果数量少于7或者大于15则分割失败，退出程序。
S1212 检查各个分割区域的宽度，与设定阈值MaxThresholdWidth(该阈值可以根据定位到的车牌高度(height)来确定，本实施例中取为height/2^eight/10+2.5)比较。如果大于这个阈值则再次增加阈值后对图像再进行一次粗分割；如果没有进行粗分割， 则直接进入后续步骤S1214。S1213 检查分割出来的区域数量。如果大于15，则分割失败，退出程序。S1214 :检查各个分割区域的宽度。如果还存在有区域的宽度大于 MaxThresholdWidth,则分割失败，退出程序。S1215 统计各个分割区域内的白色像素点数量。如果分割区域数量少于7个，则分割失败，退出程序；如果分割区域内的白色像素点数量小于某一阈值ThresholdNo (本实施例中取为heights)，则放弃该区域。从而可以过滤掉一些小的干扰点以及第二和第三字符之间的那个分隔点。S1216:检查每个分割区域的宽度。如果其宽度小于某一阈值(这里设为 height/10-0. 5)，则把它去除。此操作可以去掉一些干扰分割区域，但保证不会把字符“1”去除。S1217 检查分割区域数量如果少于7个，则分割失败，退出程序。S1218 :搜索下一个区域宽度满足一定范围(这里取为 (height/2-height/10-l. 5，height/2+height/10+l. 5))的分割区域 Ω，如果搜索不到，则分割失败，退出程序。S1219:检查分割区域Ω的中心位置与下一个分割区域中心位置的水平距离，检查其是否等于Tl =车牌高度*57/90或者等于Τ2 =车牌高度*79/90。如果等于Tl，则把分割区域Ω作为第一个车牌字符区域，并进入步骤S1220 ；如果等于Τ2，则把分割区域Ω 作为车牌第二个字符区域，进入步骤S1221 ；如果与Tl和Τ2都不符合，则搜索下一个区域宽度满足一定范围的分割区域Ω，重复执行步骤S1219。S1220 找到的分割区域Ω为第一个车牌字符区域(汉字区域)，判断其后面的分割区域数量，如果数量大于等于6，则顺序读取后面六个区域即组成了车牌字符区域，分割结束，退出程序；如果数量小于6，则分割失败，退出程序。S1221 找到的分割区域Ω为第二个字符区域，说明汉字可能是由两部分或者三部分组成，则检查后面的分割区域数量，如果少于5个，则分割失败，退出程序。S1222 检查区域Ω前面的分割区域数量。如果小于2，则分割失败，退出程序；如果等于2，进入步骤S1223 ；如果大于等于3，进入步骤S1224。S1223 合并区域Ω前面两个区域，并检查合并后的区域宽度。如果其宽度满足一定范围(本实施例中取为(height/2-height/10-l. 5，height/2+height/10+l. 5))，且合并区域与区域Ω的中心水平距离大致为车牌高度*57/90，则认为合并后的区域即为汉字区域。接着顺序读取区域Ω后面的五个区域，组成车牌字符区域，分割结束，退出程序；如果不满足上面其中一个要求，则分割失败，退出程序。S1224 先合并区域Ω前面两个区域，并检查合并后的区域宽度。如果其宽度满足一定范围(本实施例中取为(height/2-height/10-l. 5，height/2+height/10+l. 5))，且合并区域与区域Ω的中心水平距离大致为车牌高度*57/90，则认为合并后的区域即为汉字区域。接着顺序读取区域Ω后面的五个区域，组成车牌字符区域，分割结束，退出程序；如果合并后的宽度大于(height/2^eight/10+1.5)，则分割失败，退出程序；如果合并后的宽度小于(height/2-height/10-l. 5)，则进入步骤 S1225。S1225 合并区域Ω前面三个区域，并检查合并后的区域宽度。如果其宽度满足一定范围(本实施例中取为(height/2-height/10-l. 5，height/2+height/10+l. 5))，且合并区域与区域Ω的中心水平距离大致为车牌高度*57/90，则认为合并后的区域即为汉字区域。接着顺序读取区域Ω后面的五个区域，组成车牌字符区域，分割结束，退出程序；如果不满足上面其中一个要求，则分割失败，退出程序。如图9所示，其示出了字符分割后的车牌图像。S13 字符大小归一化车牌图像的大小不一往往导致分割出来的字符也大小不一，为了有助于后续的字符识别，还需要对切割下来的字符大小进行归一化。本实施例中把字符归一化到36x20大小。在OpenCV中，改变图像大小的函数原型如下Void cvResize(const CvArr^src, CvArr^dst, int interpolation = CV_INTER_ LINEAR)；src为输入图像，dst为输出图像，interpolation为插值方法。本实施例中使用的函数及参数如下cvResize (src, dst, CV_INTER_NN)。如图10所示，其示出了分割出来并归一化后的车牌字符图示。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
权利要求
1.一种车牌字符分割方法，其特征在于，包括如下步骤510车牌倾斜校正；511车牌上下边框去除；512车牌字符分割；513字符大小归一化。
2.如权利要求1所述的车牌字符分割方法，其特征在于所述步骤SlO包括有如下步骤5100对已经定位得到的原始灰度车牌图像进行Carmy边缘检测；5101对已完成Carmy边缘检测的车牌图像使用概率Hough变换检测直线，并计算出车牌的倾斜角度；5102根据步骤SlOl所得到的车牌倾斜角度对原始灰度车牌图像进行相应角度的旋转，以得到水平灰度车牌图像。
3.如权利要求2所述的车牌字符分割方法，其特征在于所述步骤Sll包括有如下步骤5110对步骤S102中得到的水平灰度车牌图像使用Otsu阈值法进行二值化，得到二值车牌图像；5111利用灰度跳变法去除二值车牌图像的车牌上下边框。
4.如权利要求3所述的车牌字符分割方法，其特征在于所述步骤S12包括有如下步骤5120对去除车牌上下边框后的二值车牌图像进行垂直投影后再进行粗分割；5121利用字符中心间距和车牌先验知识对粗分割后的车牌图像进行细分割。
5.如权利要求4所述的车牌字符分割方法，其特征在于在所述步骤S102中，采用双线性插值算法对原始灰度车牌图像进行旋转。
6.如权利要求5所述的车牌字符分割方法，其特征在于在所述步骤SllO中，按图像的灰度特性，使用Otsu算法将图像分成背景和前景两部分。
7.如权利要求6所述的车牌字符分割方法，其特征在于所述步骤Slll包括如下步骤51110从二值图像的二分之一处开始向上扫描，统计每一行的黑白跳变数，如果其值小于14，则说明该行已经不是字符区域，把它作为字符区域的首行；51111从二值图像的二分之一处开始向下扫描，统计每一行的黑白跳变数，如果其值小于14，则说明该行已经不是字符区域，把它作为字符区域的末行；51112首行和末行之间的区域即为字符区域，这样就去除了上下边框的影响。
8.如权利要求7所述的车牌字符分割方法，其特征在于所述步骤S120包括如下步骤51200从去除车牌上下边框后的二值车牌图像的左边开始列扫描，当黑色像素数小于一定阈值τ时，则记录下这个列号a，放入数组ColNo [2i]；51201如果黑色像素数大于一定阈值，则记录下这个列号b，放入数组ColNo [2i+l]； 结合步骤S1200得到的a，就可以确定第一个分割区域，a和b分别为分割区域的左、右边界；S1202 按照上述步骤S1200、步骤S1201继续扫描下去，直到扫描完所有列后，数组 ColNoti]中的偶数位置存放的是分割区域的左边界，奇数位置存放的是分割区域的右边界。
9.如权利要求8所述的车牌字符分割方法，其特征在于所述步骤S121包括如下步骤51210检查粗分割出来的区域数量，如果数量少于7则进入后续步骤S1211 ；如果数量大于15则分割失败，退出程序；而如果在7和15中间则进入后续步骤S1212 ；51211增大阈值后再进行一次粗分割，并检查区域数量，如果数量少于7或者大于15 则分割失败，退出程序；51212检查各个分割区域的宽度，与设定阈值MaxThresholdWidth比较，如果大于这个阈值则再次增加阈值后对图像再进行一次粗分割；如果没有进行粗分割，则直接进入后续步骤S1214。51213检查分割出来的区域数量，如果大于15，则分割失败，退出程序；51214检查各个分割区域的宽度，如果还存在有区域的宽度大于 MaxThresholdWidth,则分割失败，退出程序；S1215:统计各个分割区域内的白色像素点数量，如果分割区域内的白色像素点数量小于某一阈值ThresholdNo，则放弃该区域，从而可以过滤掉一些小的干扰点以及第二和第三字符之间的那个分隔点；51216检查每个分割区域的宽度，如果其宽度小于某一阈值，则把它去除，此操作可以去掉一些干扰分割区域，但保证不会把字符“ 1”去除；51217检查分割区域数量如果少于7个，则分割失败，退出程序；51218搜索下一个区域宽度在 height/2-height/10-l. 5 和 height/2+height/10+l. 5 之间的分割区域Ω，如果搜索不到，则分割失败，退出程序；S1219:检查分割区域Ω的中心位置与下一个分割区域中心位置的水平距离，检查其是否等于Tl =车牌高度*57/90或者等于Τ2 =车牌高度*79/90 ；如果等于Tl，则把分割区域Ω作为第一个车牌字符区域，并进入步骤S1220;如果等于Τ2，则把分割区域Ω作为车牌第二个字符区域，进入步骤S1221 ；如果与Tl和Τ2都不符合，则搜索下一个区域宽度满足一定范围的分割区域Ω，重复执行步骤S1219 ；S1220:找到的分割区域Ω为第一个车牌字符区域，判断其后面的分割区域数量，如果数量大于等于6，则顺序读取后面六个区域即组成了车牌字符区域，分割结束，退出程序； 如果数量小于6，则分割失败，退出程序；S1221 找到的分割区域Ω为第二个字符区域，说明汉字可能是由两部分或者三部分组成，则检查后面的分割区域数量，如果少于5个，则分割失败，退出程序；S1222:检查区域Ω前面的分割区域数量，如果小于2，则分割失败，退出程序；如果等于2，进入步骤S1223 ；如果大于等于3，进入步骤S1224 ；S1223:合并区域Ω前面两个区域，并检查合并后的区域宽度，如果其宽度在 height/2-height/10-l. 5 和 height/2+height/10+l. 5 之间，且合并区域与区域 Ω 的中心水平距离大致为车牌高度*57/90，则认为合并后的区域即为汉字区域，接着顺序读取区域 Ω后面的五个区域，组成车牌字符区域，分割结束，退出程序；如果不满足上面其中一个要求，则分割失败，退出程序；S1224:先合并区域Ω前面两个区域，并检查合并后的区域宽度，如果其宽度在 height/2-height/10-l. 5 和 height/2+height/10+l. 5 之间，且合并区域与区域 Ω 的中心水平距离大致为车牌高度*57/90，则认为合并后的区域即为汉字区域，接着顺序读取区域Ω后面的五个区域，组成车牌字符区域，分割结束，退出程序；如果合并后的宽度大于height/2^eight/10+l. 5，则分割失败，退出程序；如果合并后的宽度小于 height/2-height/10-l. 5，则进入步骤 S1225 ；S1225:合并区域Ω前面三个区域，并检查合并后的区域宽度；如果其宽度在 height/2-height/10-l. 5 和 height/2+height/10+l. 5 之间，且合并区域与区域 Ω 的中心水平距离大致为车牌高度*57/90，则认为合并后的区域即为汉字区域；接着顺序读取区域 Ω后面的五个区域，组成车牌字符区域，分割结束，退出程序；如果不满足上面其中一个要求，则分割失败，退出程序。
全文摘要
本发明公开了一种车牌字符分割方法，包括如下步骤S10车牌倾斜校正；S11车牌上下边框去除；S12车牌字符分割；S13字符大小归一化。本发明车牌字符分割方法克服了已有车牌字符分割方法受车牌背景影响大、分割错误率高、计算量大、执行时间长的不足，其基于垂直投影和字符中心间距的车牌字符分割，先利用垂直投影法实现车牌字符的粗分割，然后根据车牌的字符中心间距、车牌字符宽度以及车牌先验知识找到车牌的第一个或者第二个字符分割区域，实现汉字字符的合并和数字和英文字符的细分割。本发明车牌字符分割方法计算复杂度低，抗干扰能力强，能够从复杂背景中分割出字符，具有很高的可靠性。
文档编号G06K9/34GK102496019SQ20111040522
公开日2012年6月13日 申请日期2011年12月8日 优先权日2011年12月8日
发明者俞胜锋, 吴越, 孟利民, 张标标, 徐志江, 杜克林, 王毅, 王辉 申请人:杭州银江智慧交通技术有限公司, 浙江银江交通技术有限公司, 银江股份有限公司