車牌字元分割用了哪些演算法

① 車牌識別演算法的研究與分類

車牌識別系統要綜合應用多種手段提取車牌區域，對汽車牌照的精確定位並最終完成對汽車牌照的識別。因此車牌識別系統要應對多種復雜環境，如車流量高峰期、照射反光、車牌污染等。利用模擬人腦智能的ANN，在識別車牌時能進行聯想記憶與推理，能夠較好地解決字元殘缺不完整而無法識別的問題。

車牌識別方法的研究

車牌識別系統主要包括車牌定位、字元分割、字元識別等工作模塊，同時系統統自身具有良好的維護性和擴展性，可在無需為車輛加裝其他特殊裝置情況下實現對車輛的自動檢測。

車牌定位方法的研究

車牌定位就是把車牌區域完整的從一副具有復雜背景的車輛圖像中分割出來，它是解決圖像處理中的實際問題，其方法多種多樣，當前最常見的定位技術主要有：基於邊緣檢測的方法、基於彩色分割的方法、基於小波變換的方法、遺傳演算法和人工神經網路技術等。

基於邊緣檢測的車牌定位方法：在對車牌進行定位前，先將汽車圖像通過灰度變換、直方圖均衡化等增強預處理，再經二值化，最後利用邊緣檢測運算元對圖像進行邊緣檢測。檢測到邊緣後在進行區域膨脹，腐蝕去無關的小物件，這時圖像會呈現出多個連通的判斷區域，最後找出所有連通域中最可能是車牌的那一個便可 。

基於色彩分割的車牌定位方法：主要由彩色分割和日標定位等模塊組成，在進行色彩分割前，要先將原始圖像從RGB色彩空間轉換到HSV空間，再在HSV空間內進行色彩分析。具體的分割運算：依次將四種車牌底色中一種為基準，對圖像中每一像素先對照表1進行色彩分量比較，對超出基準色限定范圍的像素直接設置為背景色（白色），否則統計所有落在該區間內的像素三分量的均值，作為分割計算的顏色中心，再對所有區間范圍內的像素計算其與顏色中心的色彩距離，若距離大於閥值，則設置為背景色，否則設置為日標色（黑色）

由於圖像背景的復雜性，色彩過濾後的圖像仍然可能包含多個可能的目標區域，需進一步使用車牌體態比特徵對多個目標區域進行過濾。

基於小波變換的車牌定位方法：先將車輛圖像轉換成索引圖像，然後對索引圖像作用小波變換，獲取圖像在不同子帶的小波系數。車牌識別特徵提取就是基於汽車圖像在小波變換後的LH高頻子帶，根據圖像中車牌區域的小波系數幅值大、密度高的特點，可以通過作用一個閾值來濾掉非牌照候選區域的小波系數。通過小波尺度分解提出紋理清晰且具有不同空間解析度、不同方向的邊緣子圖；再利用車牌日標區域具有水平方向低頻、垂直方向高頻的特點實現子圖提取，最後用數學形態學方法對小波分解後的細節圖像進行一系列的形態運算，進一步消除無用信息和雜訊，以確定車牌位置。

基於遺傳演算法的車牌定位方法：車牌日標區域的主要特點有車牌底色往往與車身顏色、字元顏色有較大差異；另外牌照的長度比變化有一定范圍，存在一個最大和最小長寬比。根據這些特點，可以在灰度圖像的基礎上提取相應的特徵。還有車牌內字元之間的間隔比較均勻，字元和牌照底色在灰度值上存在跳變，而字元本身與牌照底的內部都有較均勻灰度。又由於車牌有一個連續或由於磨損而不連續的邊框，車牌內字元有多個，基本呈水平排列，所以在牌照的矩形區域內存在較豐富的邊緣，呈現出規則的紋理特徵，因此在實際中我們只要先對彩色圖像進行灰度化和二值化處理，採用反映不同疏密度的一維濾波器組在水平方向對二值圖像進行濾波便可獲得車牌圖像的紋理特徵向量，再對待定局部區域圖像進行濾波處理獲得其特徵向量，將其與車牌特徵描述向量進行比較就能得到該區域作為車牌區的可能性。

採用神經網路實現車牌定位演算法：可採用對灰度圖像直接感知的方法實現，即使用一個滑動窗口作為采樣窗口(可根據車牌特徵選擇長條形或狹長形滑動窗口)，在灰度圖像上依次移動，將窗口覆蓋下的圖像塊作為神經網路的輸入，所採用的BP網路是3層全連接前饋網路，其輸入層神經元數日為滑動窗口的尺寸，其輸出層神經元數日為l。當輸出接近二分之一時，表示滑動窗口下的圖像塊屬於車牌區域：當輸出接近二分之一時，表示滑動窗口下的圖像塊屬於背景區域。此演算法的樣本集的選擇和搜索策略都是很重要的，這都會對定位效果有影響，因此首先要對車牌和北京交替反復采樣，並且要在所選圖像中盡量包括各種不同光照條件、背景復雜度和牌照顏色，以有利於網路實現泛化，這樣可以加強網路的容錯性；而對於搜索策略而言，由於車牌一般位於圖像的中下方，因此一般採取白下而上遍歷，這樣不容易誤將車型標志處定位為車牌區域，並且當遍歷圖像後出現不止一個候選車牌區域的時候，也應優先考慮最下的候選車牌區域。另外，由於神經網路具有一定的容錯性，對於傾斜角度較大的車牌，要在神經網路處理之前先進行水平校正。

字元分割方法的研究

字元分割的任務是把多行或多字元圖像中的每個字元從整個圖像中切割出來成為單個字元。字元分割的演算法很多，通常根據處理對象的不同採用不同的演算法。常見的方法主要有：模板匹配法、水平投影法、聚類分析法、基於自適應退化形態特徵的圖像分割法等，在這里我們詳細闡述前三種方法。

模板匹配法：此方法先在二值圖像上計算豎直積分投影的平滑曲線，搜索平滑曲線的局部最小值得到一個波谷位置序列；再將相鄰兩個波谷分別作為左右邊界提取出一組矩形區域；最後，根據一定的規則對矩形區域進行刪除、分裂、合並及調整大小，從而實現對車牌區域的單字元分割。

水平投影法：此方法先自下而上再白上而下對車牌區域圖像進行逐行掃描，找到並分別記錄下掃描到的第1個白色像素點位置，確定圖像大致的高度范圍；在此高度范圍之內再自左向右逐行掃描，遇到第1個白色像素時認為是字元分割的起始位置，然後繼續掃描，直至遇到沒有白色像素的列，則認為是這個字元分割結果。重復上述過程，直至圖像的最右端，得到每個字元比較精確的寬度范圍：在已知的每個字元比較精確的寬度范圍內，再分別進行自上而下和白下而上的逐行掃描來確定每個字元精確的高度范圍。

聚類分析法：此方法是按照屬於同一個字元的像素構成一個連通域的原則，再結合先驗知識，字元的高度、間距的固定比例關系等，來逐個分割車牌區域中的字元的。

② 車牌字元識別演算法原理是怎樣的

原理就是通過攝像機拍攝道路上行駛的車輛圖像進行車牌號碼的識別，過程涉及：車輛檢測—圖像採集—預處理—車牌定位—字元分割—字元識別—結果輸出。

• 輛檢測：可採用埋地線圈檢測、紅外檢測、雷達檢測技術、視頻檢測等多種方式感知車輛的經過，並觸發圖像採集抓拍。

• 圖像採集：通過高清攝像抓拍主機對通行車輛進行實時、不間斷記錄、採集。

• 預處理：雜訊過濾、自動白平衡、自動曝光以及伽馬校正、邊緣增強、對比度調整等。

• 車牌定位：在經過圖像預處理之後的灰度圖像上進行行列掃描，確定車牌區域。

• 字元分割：在圖像中定位出車牌區域後，通過灰度化、二值化等處理，精確定位字元區域，然後根據字元尺寸特徵進行字元分割。

• 字元識別：對分割後的字元進行縮放、特徵提取，與字元資料庫模板中的標准字元表達形式進行匹配判別。

• 結果輸出：將車牌識別的結果以文本格式輸出。

③ 車牌識別系統的識別原理

車輛檢測可以採用埋地線圈檢測、紅外檢測、雷達檢測技術、視頻檢測等多種方式。採用視頻檢測可以避免破壞路面、不必附加外部檢測設備、不需矯正觸發位置、節省開支，而且更適合移動式、攜帶型應用的要求。
系統進行視頻車輛檢測，需要具備很高的處理速度並採用優秀的演算法，在基本不丟幀的情況下實現圖像採集、處理。若處理速度慢，則導致丟幀，使系統無法檢測到行駛速度較快的車輛，同時也難以保證在有利於識別的位置開始識別處理，影響系統識別率。因此，將視頻車輛檢測與牌照自動識別相結合具備一定的技術難度。 為了進行車牌識別，需要以下幾個基本的步驟：
1) 牌照定位，定點陣圖片中的牌照位置；
2) 牌照字元分割，把牌照中的字元分割出來；
3) 牌照字元識別，把分割好的字元進行識別，最終組成牌照號碼。
車牌識別過程中，牌照顏色的識別依據演算法不同，可能在上述不同步驟實現，通常與車牌識別互相配合、互相驗證。
1) 牌照定位
自然環境下，汽車圖像背景復雜、光照不均勻，如何在自然背景中准確地確定牌照區域是整個識別過程的關鍵。首先對採集到的視頻圖像進行大范圍相關搜索，找到符合汽車牌照特徵的若干區域作為候選區，然後對這些侯選區域做進一步分析、評判，最後選定一個最佳的區域作為牌照區域，並將其從圖像中分離出來。
2) 牌照字元分割
完成牌照區域的定位後，再將牌照區域分割成單個字元，然後進行識別。字元分割一般採用垂直投影法。由於字元在垂直方向上的投影必然在字元間或字元內的間隙處取得局部最小值的附近，並且這個位置應滿足牌照的字元書寫格式、字元、尺寸限制和一些其他條件。利用垂直投影法對復雜環境下的汽車圖像中的字元分割有較好的效果。
3) 牌照字元識別方法主要有基於模板匹配演算法和基於人工神經網路演算法。基於模板匹配演算法首先將分割後的字元二值化並將其尺寸大小縮放為字元資料庫中模板的大小，然後與所有的模板進行匹配，選擇最佳匹配作為結果。基於人工神經網路的演算法有兩種：一種是先對字元進行特徵提取，然後用所獲得特徵來訓練神經網路分配器；另一種方法是直接把圖像輸入網路，由網路自動實現特徵提取直至識別出結果。
實際應用中，車牌識別系統的識別率還與牌照質量和拍攝質量密切相關。牌照質量會受到各種因素的影響，如生銹、污損、油漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假牌照等等；實際拍攝過程也會受到環境亮度、拍攝方式、車輛速度等等因素的影響。這些影響因素不同程度上降低了車牌識別的識別率，也正是車牌識別系統的困難和挑戰所在。為了提高識別率，除了不斷地完善識別演算法還應該想辦法克服各種光照條件，使採集到的圖像最利於識別。