基于小波分析的车牌字符分割方法

基于小波分析的车牌字符分割方法
摘要:
针对汽车车牌图像自动识别的问题,提出了一种对多字符图像的分割技术。

此技术具有很好地分析信号局部特征的优点,利用小波分析与图像投影特征相结合的方法,快速检测出图像中多字符的边缘突变点,将多字符图像分割成多个单字符区域,从而实现一幅图像中多字符的定位及分割。

关键词：车牌；字符分割；小波分解
引言
随着我国经济的高速发展和人民生活水平的提高,汽车成为人们日常生活中不可缺少的组成部分,因此在交通管理、车辆管理、收费管理等方面车牌的识别也显得尤为重要了。

其中字符图像分割是车牌自动识别的关键技术,也是车牌自动识别的第一步,它的准确性和可靠性,将为后续的图像处理和识别打下良好的基础。

因此,汽车车牌在自动检测和识别之前必须对车牌图像中的多个字符进行目标定位及分割。

字符分割效果的好坏,直接影响了自动检测和识别的效率,因此,本文提出了基于小波分析和投影特征的车牌字符分割技术。

图像分割是对图像进行处理时必不可少的工作,是图像分析的第一步。

目前图像分割方法大多都是基于一维或二维灰度直方图对图像做阈值化处理。

虽然阈值点通常在直方图的局部极小值点附近,然而实践中要用计算机来找到这一点并不容易。

因为不知道物体和背景的像素个数、均值、方差等等特征量,通常是采用估计阈值的大致范围的办法来计算阈值,这样选取的阈值误差大,图像分割效果不好。

本文抓住小波分析能够很好的分析信号局部特征的优点,检测出其它分析方法忽略的信号特性,找到多个目标物体的边缘突变点,从而实现多字符图像的目标定位及分割。

1 图像预处理
为了提高车牌字符分割的效果,首先对汽车图像进行一系列的处理:
下面对其部分进行说明:
1.1 灰度变换
为了增强图像的对比度,使其明暗鲜明,我们对图像进行灰度变换从而消除光照不均
对图像分割的影响。

假设原始图像f(x,y)的灰度范围大部分在[a,b],希望变换后图像g(x,y)的灰度范围扩展至[c,d],M 为原始图像中的最大灰度值,可采用下面的公式来实现:
()⎪⎩
⎪⎨⎧≤≤≤≤+--≤≤=a y x f c b y x f a c y x f c b c d a y x f c d y x g ),(0,),(,),()/()(),(,,
1.2 二值化
图像的二值化是一种将连续色调图像变成黑白图的方法。

基本思想是使像素值小于指定的阈值的像素转成黑像素。

像素值大于或等于指定阈值的像素转成白像素。

一般初始阈值:
T =f max -(f max -f min )/3
1.3 中值滤波
中值滤波属于空域处理中的一种区处理方法,它根据邻域中各像素的值来决定中心像素值的大小的方法。

但是,它不需要根据邻域值用算术方法计算出新像素值,而是一种按邻域中的像素排序后的中位像素(即排序后位置处于正中的那个像素值)作为中心像素的新值的方法。

中值滤波的优点是能够保持目标图像的边缘,去除中型噪声,阶跃状灰度变化保持较好。

缺点是损失部分细节,平滑效果不好。

系统采用3×3的图像窗口进行9点中值滤波,既能消除随机噪声,又能保持图像的边缘,优化了图像的质量,为下一步的区域定位打下良好的基础。

1.4 区域定位
本文采用对中值滤波的图像进行逐行、逐列扫描的方法来实现对车牌区域的定位。

具体扫描的方法是从下到上、从左到右的扫描。

从下到上的扫描记录下每行中黑白像素的跳变次数,第一次遇到某一行中的黑白像素跳变次数大于12时,记录下此行,同样记录下最后一行。

然后从左到右逐列扫描行扫描记录下来的两行区域图像，第一次遇到某一列的象素全部为白像素，或是某两列的像素全部为白像素，记录下这一列，依次扫描，记录下最后一列。

再对得到的4个值进行适当的调整即可找出车牌区域。

2 分割原理
2.1 小波变换模极大值点与信号突变点之间的关系
在某一尺度x0下, 如果存在一点(x0,y0) 使得0)
,(00=∂∂y y x W f ,则称点(x0,y0)是局
部极值点,且y y x W f ∂∂)
,(00在y=y 0上有一个模极大值(过零)点。

如果对y0的某一邻域内任意
点y, 有|Wf(x0,y)|≤|Wf(x0,y0)|,则称(x0,y0)为小波变换的模极大值点。

当积分等于1,并在无穷远处收敛到0时,设二阶可微,并定义它的一阶和二阶微商为:
dx x d x dx d x b a
)()()(2θθ=ψ=ψ （1） 因为0)(=⎰∞-dx x a ψ，0)(=⎰∞-dx x b ψ故Ψa(x),Ψb(x)为小波函数。

小波变换是通过信号与一个扩展小波函数的卷积实现的,信号g(x) 在尺度s 上和位置x 上,关于小波Ψa(x) 的小波变换为:
)()(x g x g W a s a s ψ⨯= （2）
信号g(x)关于Ψb(x) 的小波变换为:
)()(x g x g W b s b s ψ⨯= （3）
可以导出：
))(()(x g dx d s dx d s g x g W s s a s θθ⨯=⎥⎦
⎥⎢⎣⎢⨯= ))(()(22x g dx d s dx d s g x g W s s b s θθ⨯=⎥⎦⎥⎢⎣⎢⨯= （4）
小波变换)(x g W a
s ,)(x g W b s
分别是尺度s 上已平滑信号的一阶和二阶微商。

)(x g W a s 的局部极值点对应于)(x g W b s 的零值点和)(x g s θ⨯的拐点。

尺度s 小时，)(x s θ对g(x)的平滑作用可以忽略,因此边缘检测提供了g(x)的大部分突变点位置;尺度s 较大时,信号与)(x s θ的卷积除去了小的信号波动,检测到的只是较大结构的突变点,那麽这些得到的突变点就对应多字符图像的分割点。

如何快速准确地求得这些分割点,取决于有效的特征提取方法。

2.2 特征提取
对用于模式识别的实际图像,在众多的普遍特征中,抽取有效的特征进行识别是一个重要问题,这不仅影响识别的精度,也直接影响识别的速度。

由于投影特征具有计算简单、唯一性和可区别性好、特征数量少等特点,在此我们采用投影特征进行多字符的分割[4]。

车牌中多字符图像的分割分为两部分:目标定位及图像分割。

目标定位的过程又可分为车牌粗定位、车牌的矫正、车牌字符分割点的确定三大步骤。

车牌的粗定位,是将车牌的大致区域定位出来,并将其作为感兴趣区域单独处理;车牌的矫正是指对发生形变的车牌图像进行几何校正的过程;车牌字符分割点的确定,就是提取分离出的车牌图像的垂直投影特征作为研究对象进行小波分解,在分解后的高频信息中寻找突变点,确定多个字符的边缘,从而得到车牌字符分割点的坐标。

根据得到的坐标,利用公式(5)－(8) ,对单个字符
图1 原始汽车图像
进行归一化处理,从而完成车牌中多字符图像的分割。

Ed1(i)=max[p(χn)- p(χn-1)] n = 1, 2,3⋯N
[]N n p p i Ed n n ,...3,2,1)()(max )(11=-=-χχ (5)
多字符左边缘点
Ed2(i)=max[p(χn-1-p(χn))] n = 1, 2, 3⋯. N
[]N n p p i Ed n n ,...3,2,1))((max )(21=-=-χχ (6)
多字符右边缘点(N 为图像的宽度)
)(1)(2i Ed i Ed ZD -=(ZD 为对应字符的边缘宽度) (7)
2))(2)(1()(i Ed i Ed i mid += (mid(i)为单字符中轴坐标)(8)
3 多字符图像中分割点的检测过程
将车牌图像的垂直投影作为分析对象,利用公式(5)、(6)可计算出水平方向上的突变点坐标,它们对应于车牌图像中单个字符区域的边缘坐标,从而实现了多个目标的定位。

3.1具体步骤
图1是一幅原始汽车图像,图像的大小为700*500个像素。

对汽车图像进行粗分割,利用车牌区域的特点,将车牌区域从整个图像中分离出来,效果如图2所示。

对得到的如图2所示的车牌图像
,将其在垂直方向上投影，投影特征如图3所示。

图2 车牌图 图3 车牌垂直投影图
将得到的投影特征作为小波分析的对象,小波分解的结果如图4所示,由于在此只需辨别信号的间断点,所以用‘db1’小波效果较好。

根据图4的特点,利用公式(5)、(6)可得出这幅图像中多个字符的水平边缘坐标,即多字符图像的分割点坐标。

将得到的多组数据代入公式(7)、(8),可计算出多字符图像经过归一化后的坐标,从而可将多字符图像分割成大小相等的多幅单字符图像,效果如图5所示。

4 结论
本文抓住小波变换具有很好地分析信号局部特征的优点,快速检测出图像中多字符的边缘分界点,将多字符图像分割成多个单字符区域,将多字符图像的处理归结为单字符图像的处理,简化了复杂图像识别的难度,算法简单,满足系统后期图像处理、识别与理解的要求,大大提高了汽车车牌自动检测系统的效率。

参 考 文 献:
[1]郑晓东. 基于小波分解的车牌图像分割[J ] . 华中科技大学学报,2005 ,33 (3) .
[2]杨霈. 基于小波分析的字符图像分割技术[J ] . 太原科技大学学报,2007 ,28 (4) .
[3]吴舟舟,李树广. 视频图像中的实时车牌识别[ J ]. 微型电脑应用, 2006, 22 (2) : 12215.
[4]王经民. 小波分析[M]. 西北农林科技大学出版社,2004,8.
[5]郑伟,赵红斌. 基于小波变换的字符图像分割[ J ]. 山西电子技术,2008,3.
[6]龚声蓉,刘纯平. 数字图像处理与分析[M]. 北京:清华大学出版社,2006.7.
d 1图4 对投影信号进行小波分解。