车辆牌照识别系统综述(3)

车牌识别综述,写的不错,引用率挺高的

　第2期王广宇:车辆牌照识别系统综述　　　 49 行调整,这样,图像二值化的效果好于灰度直方图取阈值方法.此外,也有部分牌照检测系统根据彩色牌照图像的色度、亮度和饱和度来确定阈值,直接将彩色图像转换为二值图像[1].

2.3.2　牌照字符的切分

经过牌照字符图像的分割与二值化,得到的是一个只包含牌照字符的水平条形区域,为了进行字符识别,需要将牌照字符从二值图像中分割出来.通常车辆牌照的字符大小、字体以及排列间隔都有一定的规律,绝大多数只有一行,由7位字符组成:第一位是汉字,代表车辆所属省份,或是军种、警别等有特定含义的字符简称,第二位为大写的英文字符,一个圆点间隔之后的第三位是英文字母或数字,其余的4位均为数字.文献[5]就充分利用了牌照字符固定的高宽比和间距作为经验知识对牌照图像进行精确的字符定位切分.该方法在分割前先估算出字符宽度、间距,并从图像竖直方向的投影直方图定出字符的开始位置,再参照估算值逐个定位切分全部字符.另一种切分方法[6,9]则是根据牌照图像竖直投影直方图的期望与方差确定一个阈值,阈值过大或过小都会影响切分的准确性,因此阈值可依据切分结果进行重新调整.实际上,受车辆牌照有污斑或剥落等因素的影响,图像会有较大的噪声干扰,图像二值化过程中会有部分信息丢失,造成待分割的牌照字迹模糊,相邻字符粘连,甚至残缺不全,严重影响切分结果,所以,参考牌照字符特点的分割方法是有效的.

2.3.3　字符的细化

对字符识别来说,字符笔划的宽度信息冗余有可能导致识别错误.为此,需对字符进行细化处理,除去冗余的部分,仅保留构成字符骨架的线宽为1pixel的笔划中心线.字符的细化有利于字符几何特征的提取,减少识别运算量,提高识别率.

字符细化的算法主要有串行算法和并行算法2种.串行算法是按一定的次序对字符边缘的象素进行迭代检测,按约定判据确定象素的删留,层层“剥离”而留下字符的骨架;并行算法与此类似,但无需逐点进行,因而实现简单,速度更快.文献[12]提出一种并行的自适应细化算法(ATA),将字符笔划中象素点的连接结构分为一般、复杂和特殊3种形态,并分别设计结构模板(如条形模板、T形模板、Y形模板等)来检测笔划上相邻象素点的删留,较好地防止了字符在T形连接和拐角处的交接点畸变,同时也防止了长直笔划被截断造成的字符失真.另一种基于字符笔划轮廓的细化算法[13]首先对字符进行轮廓跟踪,然后检测轮廓形状的拐点,再将相邻2拐点之间的轮廓线定为该方向上的向量段进行匹配,构成笔划,最后把完整的笔划归整而得到字符骨架.通过比较可知,该算法很好地保持了字符的整体结构,细化后的字符骨架最接近字符的原结构.

2.4　字符的识别

牌照字符识别系统的关键是字符特征提取和模式匹配,主要有以下几种方法:1)利用字符的结构特征和变换(如Fourier变换、Karhunen-Loeve变换[14]等)进行特征提取.该方法对字符的倾斜、变形都有很高的适应性,但运算量大,对计算机性能要求较高.2)利用字符的统计特征进行特征提取.如提取字符号的投影特征、网格特征和轮廓特征组成字符特征矢量,进行特征匹配的方法[10],识别率就比较高.3)基于字符结构分析的识别方法.该方法可以识别有较大旋转、变形、缩放的字符图像,但需要进行复杂的字符笔划分析和抽取,对牌照字符图像质量要求较高.4)模板匹配法.由于车辆牌照字符中只有26个大写英文字母,10个阿拉伯数字和约50个汉字,字符集合较小,所以该方法对于有轻微变形、笔划缺损、污迹干扰的字符图像有较好的识别率,总体识别率超过90%[6],同时也可以满足实时性的要求.此外,还可以将神经网络模型运用于模式识别系统进行牌照字符识别[15,16].

3　结论

近年来,在车辆牌照字符识别系统的研究领域出现了许多切实可行的识别技术和方法.从这些新技术和新方法中可以看到2个明显的趋势:1)单一的预处理和识别技术都无法达到理想的结果,多种方法的有机结合才能使系统的有效识别能力提高;2)在有效和实用的原则下,结合神经网络和人工智能的新技术的应用