基于ICA的车牌牌照字符识别系统_赵丹

T 1 < x < T2 x T2
( 3) 其中 , g( i , j ) 为图像在点 ( i , j ) 的灰度值, g ( i, j ) 为 拉伸后的图像灰度值. 本文利用直方图统计图像灰
T
1
255
度分布, 得到门限值 T 1 、 T 2 , 满足
l= 0
hl =
l= T
2
hl =
T n . 其中, T n 取车牌图像 像素个数的 1/ 12 . 结 果如 图 3 所示 .
第 S2 期
赵
丹 等 : 基于 ICA 的车牌牌照字符识别系统
209
0, g ( i, j ) = 255 ( g ( i, j ) - T 1 ) , T 2 - T1 255,
x
T1
所以 ICA 是很好的特征提取方法之一 . ICA 和盲源信号分离 ( BSS) 问题密切相关, 都是 把观察到的信号分解为未知的独立信号的线性组合. x = As 互独立的随机顺序的矢量, A 是待估计的 n 合矩阵( m n) . s = Wx 其中解混矩阵 W 是 A 的伪逆 . 对 ICA 模型的估计 , 主要有非高斯的最大化、 互信息的最小化和最大似然函数等方法, 文献[ 5] 介 绍了多种基于非高斯最大化的独立性度量准则, 本 文采用的是一种基于负熵的独立性判决准则和分离 ( 5) ( 4) m混 其中 x 是 n 维观察信号矢量 , s 是 m 维假设成分相
Abstract: T his paper describes t he char act er recognit io n mo dule based o n independent co mpo nent anal y sis( ICA) . T he met ho d of charact er f eat ure ext raction in t his paper based on the high o rder st at ist ics im prov es t he quality of f eat ure ex t ract ion. T he approach of charact er reco gnit ion on gr ay scale level based on ICA overcomes t he short st ages of classif icat io n on binary images, and is simple. Key words: license plat e; independent component analysis( ICA) ; char act er recog nit ion
, a m ) 就是待识别字符在特征空间中的投影系 a= f ( S+ ) - 1 ( 7)
分割 ; 小于平
数, 可以用 ( 7) 式求得 : 其中 ( S )
+ - 1
均字宽 k 2 倍的视为无效 字符; bw idt h 小于平均 距 离且此距离与 cw idth 之和不大于平均字宽的, 则合 并为一个字符. k 1 、 k 2 为设定的参数 . 得到如图 4 的 字符图像 . 再对分割后的汉字字符图像归一化为 48 24 , 数字和字母图像归一化为 32 16.
H( ) =
i= 1
Ri ( )
( 1)
其中
[ - 10 , 10 ] , h 为车 牌图像的高度 , R i ( )
是水平边缘图像旋转 a 后第 i 行的投影值. 最大的 H 值所对应的角度就是要旋转的角度 , 得到水平 倾斜校正后的车牌 . 对水平校正后的车牌图像进行上下位置精分割 后, 再作垂直倾斜校正 . 用 P rew it t 垂直模板求取垂直边缘 , 在 - 10 ~ 10 内, 以 1 递增旋转边缘图 , 得到垂直投影, 记下每 度的投影值为 0 的列的个数 N . 最大个数 N 所对应 的角度就是垂直倾斜角 . 通过 ( 2 ) 式 , 计算出校正 后像素的坐标 ( i , j n ew ) , i 不变 , 得到垂直倾斜校正 后的车牌 , 如图 2 所示 . j n ew = j + ( i - 1) t an , j + ( h - i ) t an , > 0 < 0 ( 2)
赵 丹, 孙云莲

( 武汉大学 电气工程学院 , 独立分量分析法 ) 的牌照识别系统的字符识别 . 为了提高字符特征提取的质量 , 首先
通过车牌图像的预处理 , 然后采用了基于高阶统 计信息的特征提取方法 , 即 I CA 对车牌灰度图像的 字符进行识别 . 该系统避免了二值化对字符特征的影响 , 识别方 法简单 , 结果理想 . 关 键 词 : 车牌 ; 独立分量分析法 ( ICA ) ; 字符识别 文献标识码 : A 中图分类号 : T P 391. 41
1
1. 1
对车牌区域图像的处理和字符分割
车牌区域图像的精定位 由于拍摄角度和车牌悬挂倾斜等原因造成车牌
图像的倾斜, 如图 1 所示. 这里用文献 [ 1] 中的方法 对车牌进行水平倾斜校正和垂直倾斜校正. 具 体方 法如下 : 用 Prew itt 水平模 板得到水 平 1. 2
图 2 校正后的 车牌图像
m
和混
, A 的行即为对应字符的权重向量.
将每一幅待识别的字符投影到这个空间中去, 即用 独立分量的线性组合来表示. 把待识别的字符转换 成一维向量 f , 有 f = a1 s1 + a2 s2 + 其中 s1 , s2 , a2 , + am s m ( 6) , sm 为 m 个独立分量 , 向量 A= A( a1 ,
3
结
论
本文具体讨论了利用 ICA 进行车牌字符 的自 动识别. 对车牌的倾斜进行校正、 精定位和字符分割
License Plate Character Recognition System Based on ICA
ZHAO Dan, SUN Yun lian
( Scho ol of Electr ical Engineer ing, Wuhan U niv ersity , W uhan 430072, Hubei, China)
图3
对比度拉伸后的车牌图像
由于车牌字 符灰度相对于底 牌灰度的高低 未 知, 要对字符灰度进行统一 , 还需要进一步的处理 . 本文采用文献[ 2] 中基于纹理的分割阈值选取方法 , 通过亮、 暗基元的长度的比较 , 得到字符灰度级别的 相对高低 , 对图像灰度直方图归一化. 1. 3 字符分割 对处理后的车牌图像垂直投影 , 得出图像的直 方图 , 确定分割阈值 T 3 = u+ k , 其中 u 为垂直投影 直方图的均值, 为方差, k 为设定的参数. 进行分割 得到 ch( i) . lef t ( 字符的左边界 ) 、 ch ( i) . right ( 字符 的右边界 ) 、 ch ( i) . bw idt h( 字符与下一个字符 的间 距) , ch( i) . cw idt h( 字符的宽度 ) . 判断字符是 否分 裂或粘连 : 对于 cw idt h 大于平均字宽 k 1 倍的 视为 出现粘连 , 采用 peak t o valley 方法
[ 3]
算法 2. 2
快速定点算法 ( F ast ICA) . 汉字识别 把样本库中的每个汉字模板 48 24 转换成一
维矢量 x i 作为混合信号 X 的一行 , 样本库中有 n 个 模板 , X Rn
n 1 152
, 用 Fast ICA 算法对混 合信号 X R
m 1 152
进行独立分量提取, 得到独立分量 S 合矩阵 A R
2
2. 1
字符识别
ICA 简介 本文采用 ICA [ 4] 对字符图像进行特征提取 . 相
对于基于二阶统计的 PCA 而言 , ICA 是一种基 于 高阶统计的数据分析方法, 能够提取并利用多像素 间隐藏的信息, 得到像素间高阶统计独立的基图像 ,
210
武汉大学 学报( 理学版 )
第 51 卷
前对车牌区域的预处理 , 以利于后续字符图像的识 别. 本文提出了基于 ICA 算法的字符识别 . 识别对 象在字符的灰度图像上进行, 避免了字符图像二值 化带来的笔画的断裂或粘连 . 在识别判断时 , 只需比 较字 符的 投影 , 速度 更 快. 在 PC Ⅲ 的 平 台 上, 用 VC+ + 编程 , 得到的结果理想 ( 识别时间< 1 s) , 识 别率高.
图5
待识别汉字字符
2. 3
字母数字识别 本文所采用的字母和数字样本库中的字符模板
为 32 16. 车牌中第 2 个字符为字母 , 将其大小归一化为 32 16, 此处采用字母样本库 . 方法和 2. 2 节的汉字 识别子系统相同 , 得到独立分量 S、 混合矩阵 A 和待 识别字符的投影向量 a , 计算得到判别结果. 第 3 和 第 4 个字符为数字或字母 , 将其大小归一化为 32 16, 此处采用数字字母样本库 . 第 5 到第 7 个字符为 数字 , 将其大小归一化为 32 16, 此处采用数字样 本库 . 同上得到判别结果 . 对容易混淆的字符, 如 8 和 B, O, D 和 Q 等, 还 要进行进一步判断.
表示 S 矩阵的伪逆. 有了投影系数, 就
可以在特征空间设计分类器实现分类 . 对 a 的模式判别可以用余弦判别法进行判别, 公式为: p = a1 a1 a2 a2 ( 8)
图4
分割并归一化后的字符图像
其中 a1 , a 2 为进行比较的向量. 因为混合 矩阵 A ( n m) 相对 图 像数 据 ( n 1 152) 已达到很 大降维, 也可以用 BP 神 经网络进 行字符模式识别. 由于所采用的 ICA 算法对车牌字符识别 , 是在 灰度图像上进行的 , 因而避免了图像二值化对字符 造成的缺失或粘连 , 识别率得到提高. 待识别的汉字 字符如图 5, 都达到了很好的识别效果.