基于閉運算和背景減法的車牌字符分割算法*

齊美彬 ，劉 亮 ，蔣建國

（合肥工業大學 a.計算機與信息學院；b.安全關鍵工業測控技術教育部工程研究中心，安徽 合肥 230009）

1 引言

車牌識別系統工作原理可分為車牌定位、字符分割、字符識別3個環節，字符的分割對車牌識別系統的好壞具有直接的影響。車牌字符分割方法可分為彩色圖像分割[1]、灰度圖像分割[2-3]和二值化圖像分割[4]三種。基于彩色圖像的分割，由于過多地依賴于車牌顏色信息，使得這種分割方法對昏暗或者雨霧等環境下顏色分辨能力較弱時的車牌字符分割適應性較差；基于灰度圖像的分割，雖然能充分利用車牌的灰度信息，但是由于其對比度不強，容易造成誤分割，特別是字符“1”，“7”，“L”與相鄰字符之間的灰度級與字符的灰度級相近時，利用垂直投影不能實現較為滿意的分割；二值化分割比灰度分割優越的方面是前景與背景的對比度大，缺點是如果預處理與二值化變換處理得不好，會使得字符復雜的粘連與斷裂同時出現，給字符分割增加了難度。鑒于此，筆者提出一種在閉運算和背景減法相結合的車牌預處理基礎之上利用垂直投影和先驗知識對字符進行分割的算法。由于預處理較強地抑制了車牌上下邊框等背景對字符分割的影響，從而有效提高了車牌字符分割的效率。

2 預處理

2.1 背景減法及閉運算

車輛在外界環境中由于受到各種噪聲的干擾，定位后的車牌必須經過一定的預處理才能得到較好的二值化效果。常用的預處理方法有中值濾波、灰度拉伸、目標增強[2]、灰度均衡[5]等算法，中值濾波和灰度拉伸，對去除背景噪聲有一定效果，但是不能削弱邊框噪聲；灰度均衡算法對改變光照不均的車牌有較好的效果，但是該算法對光照均勻的車牌并不適用，因為它引入的大量噪聲反而會影響字符的準確分割。

背景減法通過削弱背景從而將前景目標從圖像中提取出來，常用于運動目標的檢測[6]；數學形態學算法在車牌定位的算法[7-8]中使用廣泛。本文根據背景減法和閉運算[9]的特點，將其應用于字符二值化前的預處理中，主要用來削弱車牌的上下邊框等背景區域，從而達到增強字符的目的。

由于車牌字符以垂直結構為主，上下邊框以水平結構為主，字符的寬度穩定且字符之間有明顯的背景，所以本文所選擇的結構元形式固定為[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0] 。 圖 1 為定位到的灰度車牌中值濾波后的圖像；圖2為閉運算結果，由圖可知，車牌的字符區域已經被背景區域所代替；圖3為背景減法結果（圖1減去圖2）。由圖可知，閉運算與背景減法相結合能夠削弱車牌的上下邊框，減少背景噪聲。

2.2 二值化變換

圖像進行背景減法運算后，字符與背景之間的對比已經比較明顯，使用簡單的二值化變換方法即能得到較好的二值化效果。筆者提出一種在目標增強[2]基礎上進行的的二值化變換方法，見圖4。即先將車牌背景減法圖像的灰度值歸一化到0～100，然后將灰度值前20%的點的灰度值全部變為0，其余部分全部變為255，從而使車牌變為白底黑字的圖像，如圖4d所示。由圖4可知，在預處理基礎上，本文的二值化算法能達到和經典二值化算法一樣的效果，但過程要簡單得多。

2.3 傾斜校正

車牌的傾斜校正即把傾斜的車牌字符通過校正使之高度在同一水平線上。本文主要對水平傾斜的車牌進行處理。常用的車牌傾斜度校正方法有Hough變換[11]和旋轉投影法[12]，Hough變換先要對車牌進行多次邊緣檢測，再用Hough變換確定車牌邊框的傾斜度，但是車牌圖像常因噪聲干擾和二值化等原因，使得車牌的邊框不清楚，導致傾斜度校正不理想，且計算量偏大；旋轉投影法通過比較不同旋轉角度投影的最大值，求取傾斜角度進行校正，該方法中最佳傾角的求取是一個尋優過程，要進行多次投影才能逐步逼近最佳傾角，因此也存在計算量大的問題。本文中，由于車牌上下邊框已經基本消除，先對車牌進行粗分割，獲得初始字符塊，再對單字符塊進行水平垂直投影，獲得各個字符的上下左右邊緣位置信息，由最小二乘法[13]獲得字符整體傾斜率。即利用上下邊緣位置信息求得上下邊緣的斜率分別為k0，k1，由于噪聲的影響，往往k0≠k1，為避免校正過度或者校正不足，最終確定車牌的校正斜率為k=（k0+k1）/2。圖5為圖4d傾斜校正后的結果。

3 字符分割

字符分割即是在前面預處理基礎上把車牌字符分割成單個字符，主要是去除字符粘連與合并斷裂字符。由于本文的預處理基本上去掉了車牌的上下邊框，使得字符的邊緣粘連一般為鉚釘造成的第5個與第6個字符之間的粘連 （與第2個字符靠近的鉚釘一般不會造成兩字符邊緣的粘連）。外界噪聲（如泥巴）往往也會造成字符之間的粘連，具體處理過程如下：

1）鉚釘造成的字符粘連，可用灰度跳變去除。對二值化字符傾斜校正后，字符基本上在同一高度，利用灰度跳變[14]去除鉚釘噪聲。車牌字符區域灰度值跳變次數至少為14，考慮到字符可能出現的斷裂和校正不足問題，設置跳變閾值為10。由圖像的中間行M0逐行向上掃描，當跳變值 K＜10時，記錄該行為 M1，若 M1-M0＞H（H 為經驗值，為字符高度的一半），則M1為字符頂端行；同理可找到字符底端行，頂端以上底端以下全部轉變為背景區域，從而能去除鉚釘造成的兩字符粘連，同時也去除了字符頂端以上和低端以下的離散噪聲。

2）對于字符非邊緣處的粘連（包括“1”與相鄰字符之間的粘連），利用垂直投影和先驗知識便可去除[15]。字符的合并即是把左右斷裂的字符合并到一起。斷裂字符主要在以下情況中出現：左右偏旁的漢字；字母中的“H”，“M”，“N”，“O”，“U”，“V”，“W”；數字中的“0”和“8”。字符的具體合并步驟由文獻[15]的方法便可完成。圖6去除了噪聲和鉚釘粘連，圖7為最終分割結果。

4 字符分割算法步驟

整個分割算法的流程如下：

1）將定位后的藍底白字、黑底白字車牌轉化為灰度圖時進行反色變換[16]；將黃底黑字、白底黑字車牌直接轉化為灰度圖。

2）對灰度圖進行中值濾波后再進行閉運算。

3）用中值濾波后的車牌圖像減去閉運算后的車牌圖像，獲得背景減法圖像，并采用本文的二值化算法對車牌進行二值化變換。

4）對二值化圖像進行傾斜校正，并去除字符粘連和背景噪聲，在此基礎上完成字符的合并，得到最終的分割結果。

5 實驗結果分析

為了說明本文方法的優越性，現將本文方法與其他文獻提供的方法進行對比。圖8a為灰度車牌進行中值濾波后的圖像，圖8b為文獻[17]中直接進行的二值化變換結果，效果較差，無法完成字符的分割；圖8c為文獻[18]中目標增強的結果，由圖可知，預處理后再進行二值化變換（圖8d），比直接二值化有很大的改進（圖8b），但分割結果（圖8e）仍然有字符缺損；圖8f為文獻[15]的預處理結果，圖8g為其二值化變換，圖8h為分割結果。由圖可知，雖然能得到正確的分割結果，但該預處理方法給二值化結果增加了大量的邊框等背景噪聲，從而整個分割過程仍然比較復雜。圖8i為本文方法的預處理結果，圖8j為其二值化結果，圖8k為原灰度圖上的分割結果，由圖可知，不均勻光照下的二值化字符能夠較完整地顯示，且邊框噪聲較少，字符粘連較少，從而能夠大大簡化分割過程。

由圖8的比較可知，由于車牌受噪聲干擾，直接進行二值化往往得不到預期效果，因此分割效果很差；目標增強的預處理方法是根據先驗知識從整個車牌字符區域出發，先對灰度值排序，再有序地選擇像素區域進行增強，該方法能夠較大程度地改善二值化效果。但是，當出現光照不均或者邊框區域較大且字符區域的灰度級相近時，會使得某些字符的增強受到影響，從而無法準確地完成字符分割；子塊部分重疊直方圖均衡[5]的預處理方法能夠改變光照不均造成的不良影響，但是，該法引入的噪聲給字符分割增加了難度。而本文的預處理方法根據閉運算的原理，用當前字符附近的背景區域取代該字符區域，然后利用背景減法削弱上下邊框，增強字符與背景之間的對比度，從而能夠在較好的二值化結果之上更好更快地完成分割。

在對比實驗中，對100張定位后的不同噪聲干擾下的車牌圖片進行了驗證，使用文獻[18]的方法，有82張分割成功；使用文獻[5]的方法，有76張分割成功；使用本文的方法，有90張分割成功，分割失敗的圖片主要是因為車牌所處的環境較昏暗，使得車牌字符與其附近的背景的灰度級較近，無法使車牌字符突出于車牌背景。實驗結果表明，本文的分割方法具有較好的適應性。

6 小結

本文的閉運算與背景減法相結合的預處理算法能夠較大程度消除光照不均、車牌邊框等因素造成的不良影響，在此預處理方法基礎之上進行的目標增強的二值化變換，達到了較好的效果，從而能夠利用最小二乘法完成車牌的傾斜校正，順利處理字符的粘連與合并，有效提高了字符的分割效率。但是，當車牌所處環境太過昏暗，變換到灰度圖像再進行二值化變換時，由于其灰度值太低，會使得字符出現破損。如何改變這些狀況，將是下一步研究的方向。

[1]趙雪春，戚飛虎.基于彩色分割的車牌自動識別技術[J].上海交通大學學報，1998，32（10）：4-9.

[2]張云剛，張長水.利用Hough變換和先驗知識的車牌字符分割算法[J].計算機學報，2004，27（1）：130-135.

[3]劉興，蔣天發.車牌字符圖像分割技術的研究與應用[J].武漢大學學報：工學版，2006，39（6）：125-128.

[4]CHANG S，CHEN L，CHUNG Y，etal.Automaticlicenseplate recognition[J].IEEE Transactions on Intelligent Transaction Systems，2004，5（1）：42-53.

[5]吳成東，樊玉泉，張云洲，等.基于差分投影與優割字符的車牌字符分割[J].東北大學學報自然科學版，2008，29（7）：921-923.

[6]代科學，李國輝，涂丹，等.監控視頻運動目標檢測減背景技術的研究現狀和展望[J].中國圖象圖形學報，2006，11（7）：919-927.

[7]戴青云，余英林.一種基于小波與形態學的車牌圖像分割方法[J].中國圖象圖形學報，2000，5（5）：411-415.

[8]左奇，史忠科.一種基于數學形態學的實時車牌圖像分割方法[J].中國圖象圖形學報，2003，8（3）：281-285.

[9]GONZALEZ R C.數字圖像處理[M].阮秋琦，阮宇智，譯.2版.北京：電子工業出版社，2007：446-450.

[10]歐陽慶.不均勻光照下車牌圖像二值化研究[J].武漢大學學報：工學版，2006，39（4）：145-146.

[11]楊立剛，張興會，李蘭友.車牌照字符傾斜校正方法的研究[J].儀器儀表學報，2004，25（4）：696-697.

[12]李文舉，梁德群，崔連延，等.一種新的面向字符分割的車牌圖像預處理方法[J].計算機應用研究，2004，21（7）：258-260.

[13]王宗躍，馬洪超，黃樟燦，等.基于字符上下邊緣的車牌校正方法[J].武漢理工大學學報：信息與管理工程版，2009，31（2）：178-179.

[14]胡愛明，周孝寬.利用形態特征的汽車車牌圖像分割方法[J].計算機輔助設計與圖形學學報，2003，15（6）：717.

[15]陳濤，楊晨暉，青波.基于投影和固有特征結合的車牌字符分割方法[J].計算機技術與發展，2009，19（5）：46-47.

[16]周運祥，林志毅.車牌識別中反色判斷的新方法[J].交通與計算機，2005，23（3）：117-119.

[17]馬騰飛，鄭永果，趙衛東.基于邊緣檢測與Hough變換的車牌字符分割算法[J].系統仿真學報，2006，18（S1）：391-392.

[18]張寶強，高滿屯，張茜.字符分割前車牌圖像的預處理[J].計算機工程與科學，2008，30（4）：40-42.