【doc】車牌識別中先驗知識的嵌入及字符分割方法

1、車牌識別中先驗知識的嵌入及字符分割方法第l5卷第5期2010年5月中國圖象圖形journalofimageandgraphicsvo1.15.no.5may,2010車牌識別中先驗知識的嵌入及字符分割方法顧弘趙光宙齊冬蓮孫贊張建良(浙江大學(xué)電氣工程學(xué)院,杭州310027)(浙江工業(yè)大學(xué)信息工程學(xué)院,杭州310014)摘要針對車牌字符分割過程中先驗知識嵌入困難,分割過程對于前期車牌定位依賴較強的問題,提出了一種新的先驗知識嵌入方法及其對應(yīng)的字符分割算法.給定一種類型的車牌,利用字符的可能排列方式定義馬爾可夫鏈中的狀態(tài),可以將車牌字符分割轉(zhuǎn)化為一組馬爾可夫鏈的前向識別過程.結(jié)合連通分量提取及垂直投

2、影分割算法,可以有效地獲取車牌的最優(yōu)分割結(jié)果及其置信度.在實際應(yīng)用中,該算法不依賴于前期的精確定位,對粗定位后的圖像即可進(jìn)行快速有效地分割.該方法統(tǒng)一了不同類型車牌的先驗知識嵌入方法,降低了編碼復(fù)雜度.在中國車牌及馬來西亞車牌上的實驗結(jié)果均證明,該方法有效地提高了車牌字符分割的性能.關(guān)鍵詞先驗知識嵌人車牌字符分割馬爾可夫鏈中圖法分類號:tp391.4文獻(xiàn)標(biāo)志碼:a文章編號:10068961(2010)0574908prioriembeddingandcharactersegmentationforlicenseplaterecognitionguhong,zhaoguangzhou,qidon

3、glian,sunyun,zhangjianliang(collegeofelectricalengineering,zhejianguniversity,hangzhou310027).(collegeofinformation,zhqianguniversityoftechnology,hangzhou310014)abstractprioriembeddingforcharactersegmentationinlicenseplaterecognition(lpr)isdifficult,andthesegmentationresultsgreatlydependedonthepreci

4、sionoflicenselocalization.thusinthispaper,wepresentanovelintegrationmethodofthepriorknowledgeanditscorrespondingcharactersegmentationalgorithm.givenonecategory,thesegmentationprocedurecanbetransformedtoasetofmarkovtransitionswherethestateisdefinedbythecharacterspermutation.withthecombinationofconnec

5、tedcomponentbasedandverticalprojectionbasedalgorithms,theoptimizedsegmentationresultanditsconfidencelevelcanbeobtained.oneadvantageofourmethodisthatonlycoarselocalizationisenoughforthesegmentationalgorithm.theproposedmethodisuniformfordifferentlicensecategories,whichreducesthecodingcomplexity.theper

6、formanceimprovementoftheproposedapproachisillustratedbythelprsystemsappliedpracticallyinchinaandmalaysia,bothcontainsmultiplecategoriesoflicenseplates.keywordsprioriembedding,licensecharactersegmentation,markovchains0引言典型的車牌識別系統(tǒng)通常由3個基本步驟組成:車牌定位,字符分割以及字符識別.其中車牌定位又可以細(xì)分為粗定位以及精確定位兩步.雖然也存在不進(jìn)行定位而直接在全圖像上進(jìn)行

7、字符分割的算法,但是從識別性能(特別是分割時間)上來看與前者稍有差距.目前已經(jīng)存在較多的方法可以實現(xiàn)車牌的粗定位.,且效果較好,基本上可以滿足實際應(yīng)用的需求.而關(guān)于車牌精確定位的研究則相對較少.另外對于雙行車牌,精確定位存在一定基金項目:國家自然科學(xué)基金項目(60872070);浙江省科技計劃項目(2007c11094,2008c21141)收稿日期:20081205;改回13期:2009.03.03第一作者簡介:顧弘(1986一),男.浙江大學(xué)電氣學(xué)院系統(tǒng)所博士研究生.主要研究方向為機器學(xué)習(xí),圖像分析及計算機視覺.e-mail:.ell750中國圖象圖形第15卷的難度

8、,到目前為止還沒有可以完全精確定位雙行車牌的算法.因此,不依賴于前期車牌精確定位的字符分割算法可以有效改善識別性能,并且在多種車牌識別時具有更高的可靠性及更好的移植性.基于連通分量提取的車牌字符分割算法,提出了一種先驗知識的嵌人方法及其相應(yīng)的分割算法.該方法將車牌字符分割問題轉(zhuǎn)化為一組馬爾可夫鏈的前向識別問題.其先驗知識的嵌入利用字符的排列方式定義馬爾可夫鏈中的狀態(tài),對于不同的車牌只需要計算其字符的可能分布,因此獨立于車牌的類型.提出的字符分割算法不依賴于車牌的精確定位,在粗定位的車牌圖像上即可獲得非常好的分割結(jié)果.另外在分割結(jié)束后可以獲得一個后驗概率對此次分割進(jìn)行評價,可以與字符識別的置信度

9、相結(jié)合獲得更好的識別性能.1相關(guān)研究現(xiàn)狀與ocr中的字符分割有所區(qū)別,車牌字符分割所應(yīng)對的圖像更為復(fù)雜,且由于字符較少,在應(yīng)用通用字符分割算法時效果較差.本節(jié)主要針對車牌的專用字符分割算法進(jìn)行介紹.最傳統(tǒng)的車牌字符分割算法基于字符灰度的垂直投影特征分割5,11,13-18.此類算法的主要思路是將預(yù)先矯正好斜度的車牌通過垂直投影的方式獲得一組1維的投影向量,并通過分析投影向量的直方圖來分割字符.對于這一類分割算法的研究已經(jīng)非常廣泛,如文獻(xiàn)15在垂直投影法的基礎(chǔ)上提出了基于隱馬爾可夫鏈的最優(yōu)分割算法,文獻(xiàn)13則給出了計算國內(nèi)單行車牌后驗概率的一個具體的函數(shù)形式.文獻(xiàn)17提出將投影操作預(yù)先作用與傾斜

10、校正,然后利用投影分割后中心點的霍夫變換來校正整個車牌圖像.但是這類單純基于垂直投影法的優(yōu)化求解過于依賴前期的精確定位過程,無法獲得更為精確的分割結(jié)果,對于雙行車牌也無法識別.基于連通分量提取的車牌字符分割則可以有效地解決以上問題【.1.在這類方法中,非連通的字符通過連通區(qū)域標(biāo)記被標(biāo)記為不同的區(qū)域,再利用先驗知識對標(biāo)記區(qū)域進(jìn)行篩選,最后獲取單獨候選字符.事實上在這一類字符分割算法中,通常會將垂直投影法作為子步驟對一些粘連字符進(jìn)行分割,并通過一系列預(yù)先定義的操作,如分裂合并等操作對獲取的連通區(qū)域進(jìn)行處理,并最終獲取分割結(jié)果.另一些方法如文獻(xiàn)22則利用模板匹配直接獲得最佳的匹配位置.這類方法在光照

11、條件非常差的情況下依然可以工作,并對車牌陰影較不敏感,但是由于模板的大小固定問題限制了可識別車牌大小的范圍,而在模板匹配前標(biāo)準(zhǔn)化車牌大小的操作在實際的車牌定位過程中,其準(zhǔn)確性通常無法得到有效的保證使得整個匹配過程失效.在以上幾種方法中,基于連通分量提取結(jié)合先驗知識已經(jīng)被證明具有很好的識別效果,適用性最強,是目前主流的研究算法.但是隨著車牌識別系統(tǒng)應(yīng)用的推廣,在一些識別性能要求極高的場合,如卡口,區(qū)間測速等應(yīng)用中,當(dāng)前的方法中還存在一些問題.1)分割過程是一個硬編碼過程,移植性差.對于每一種新的車牌,這一類算法都需要完全重新設(shè)計其相應(yīng)的先驗知識嵌入方法,對于不同種類的車牌,如中國的雙行車牌以及單

12、行車牌,需要進(jìn)行完全獨立的編碼.2)分割結(jié)果是一個可行解,不是最優(yōu)解,且缺乏評價機制.在一個車牌分割中,可能存在多組分割結(jié)果,特別是在一些字符存在粘連或者斷裂的情況下(如末尾字符與邊框相連),抗干擾能力有待提高.因此在實際應(yīng)用中,由于現(xiàn)場條件的影響(光照,畫質(zhì)等),很難達(dá)到文獻(xiàn)測試結(jié)果中所獲得的性能.文獻(xiàn)15利用機器學(xué)習(xí)方法在一組訓(xùn)練圖像中獲得隱馬爾可夫鏈的權(quán)值并用于前向識別.其識別的結(jié)果是一個最優(yōu)解,且返回其后驗概率可用于評價分割置信度.本文方法可以視為該方法在連通分量分割基礎(chǔ)上的擴展.由于車牌本身具備固定的模板,因此通過字符的排列狀態(tài),即可估計出相應(yīng)分割的可能狀態(tài).利用此方法,定義字符的排

13、列狀態(tài)為馬爾可夫狀態(tài),那么整個車牌字符分割過程可以等價于一組馬爾可夫鏈的概率轉(zhuǎn)移過程,且其狀態(tài)轉(zhuǎn)移函數(shù)/矩陣可以由模板直接計算獲得,達(dá)到先驗知識嵌入的目的.2基于馬爾可夫鏈的先驗知識嵌入2.1車牌字符分割問題形式化的車牌字符分割問題可以描述為c=argmaxv(c,)(1)ces式中,c=c.,c,c為車牌位置的解變量,其中為需要分割出的字符個數(shù),s為解空間.如分別第5期顧弘等:車牌識別中先驗知識的嵌入及字符分割方法751采用垂直投影及連通分量法對國內(nèi)的單行車牌進(jìn)行字符分割,假設(shè)車牌定位階段車牌大小為寬w,高,并且車牌的所屬字符都處于車牌定位區(qū)域之內(nèi),則垂直投影法對應(yīng)的解空間為s:left:0

14、,),width:0,一z)(2)連通分量法對應(yīng)的解空間為s=zeft:0,w),top:0,h),width:0,一left),height:0,htop)(3)圖1非常直觀地說明了兩種方法對應(yīng)的某個解c.式中c為所需要獲取的分割最優(yōu)解,(c,s)為車牌字符分割結(jié)果的置信度,即根據(jù)先驗知識來評價分割結(jié)果.在實際應(yīng)用中(c,)通?？梢缘韧谧畲蠛篁灨怕蕄,下文將使用p來等同描述(c.s).圖1垂直投影法及連通分量法對應(yīng)的某個解cfig.1candidateresultbasedonhorizontalsegmentationandconnectedregionbasedsegmentation

15、methods2.2基于字符排列的馬爾可夫狀態(tài)及其轉(zhuǎn)移過程考慮實際的車牌字符分割問題,假設(shè)一個車牌的候選區(qū)域已經(jīng)由車牌定位階段獲得,并且已經(jīng)二值化,將此圖像記為,.由圖像,可以標(biāo)記出單獨的連通區(qū)域,記為l=e,c:,c,那么由式(1)定義的字符分割問題可以由顯式的通過馬爾可夫過程來表達(dá).令車牌字符的某一個分割結(jié)果為c=c1,c,c,其中n為車牌包含的字符個數(shù),在車牌字符排列方式固定的情況下,其分割過程可以展開為如圖2所示的馬爾可夫鏈(假設(shè)車牌為3個字符,類似于國內(nèi)車牌,其中左方1個字符與右方2個字符問具有可分辨的固定間隔).此時車牌共5種(如圖2,1個與3個字符時各1種,兩個字符時3種)可區(qū)分

16、的字符排列形式.對于實際車牌,表1與表2分別給出了國內(nèi)單行以及雙行車牌(武警車牌除外)以及馬來西亞的4種車牌的可區(qū)分字符排列狀態(tài)數(shù)量.圖2中,s(i)為車牌包含i個觀測字符時的所有可區(qū)分排列狀態(tài)的索引集合,s(i)為根據(jù)上次表1國內(nèi)單雙行車牌的排列狀態(tài)數(shù)量tab.1permutationcountofchinesehcenseplates字符數(shù)量1234567排列狀態(tài)單l1025302071數(shù)量雙21533342171表2馬來西亞雙行車牌的排列狀態(tài)數(shù)量tab.2permutationcountofmalaysialicenseplates字符數(shù)量1234567原始車牌字符數(shù)排列狀態(tài)口l口馬爾可

17、夫鏈口口3口口口a1】一h.0)a2.一3.偽圖2字符分割的馬爾可夫模型fig.2markovmodelforcharactersegmentation狀態(tài)轉(zhuǎn)移所獲得的當(dāng)前最優(yōu)字符排列狀態(tài)索引,為當(dāng)前車牌包含i個字符時所處在的第s(i)種排列的狀態(tài)描述,a.(1)()5.()(c)為選擇一個區(qū)域c后從狀態(tài)轉(zhuǎn)移到狀態(tài)m+i的轉(zhuǎn)移概率.通過圖2的形式,采用字符排列方式作為其車牌定位過程中的狀態(tài)可以將車牌字符分割問題轉(zhuǎn)化為一組馬爾可夫鏈的狀態(tài)轉(zhuǎn)移過程.假設(shè)一個車牌包含rt個字符,到達(dá)最終狀態(tài)所需經(jīng)過的轉(zhuǎn)移概率為a=a,a,a,車牌最后的觀測概率p可以通過式(4)獲得:p=p(w(;)=a(c)p(w

18、(i.).(.)=f=li=1n一1i=1p(i)玎a)(4)式中,p()是當(dāng)前選取的初始區(qū)域為某個車牌字符的概率,通常可以通過計算字符的長寬比來獲得,為當(dāng)前車牌包含i個字符時處于的排列狀態(tài)s(i),a(cj)為當(dāng)前車牌的觀測狀態(tài)下選擇區(qū)域cj后車牌的觀測狀態(tài)變?yōu)閣(川).(j+i)時的轉(zhuǎn)移ll一一77llo16622o54433ll457523ll7377)單雙單雙;(4433+3333態(tài)狀量列數(shù)752中國圖象圖形第15卷概率,可以通過式(5)獲得:rgmltx(p(1)|1)=argmax(a-+1)+1)(c)p(,.(j)=argmax(a+1)+1)(c)(5)式中,a().()_+

19、(,+1)(,+1)(c)為狀態(tài)(.(d下選擇字符區(qū)域c后可能的所有排列狀態(tài)()對應(yīng)的轉(zhuǎn)移概率集合.根據(jù)式(5)可知,c每次都選擇為可以使得當(dāng)前觀測序列具備最大轉(zhuǎn)移概率的區(qū)域,則車牌序列分割的最大后驗概率為ni一1p:p(wi.)()=ij.ini一1p(1)max(a哪,+1,+1)(6)i=1=l2.3車牌分割算法式(6)獲取的是整個觀測序列為車牌的概率,因此可以有效地處理車牌存在污損或者粘連字符時的分割問題.整個獲取最優(yōu)車牌觀測序列的步驟如下:1)對圖像,進(jìn)行區(qū)域連通標(biāo)記,獲取字符候選區(qū)域l=cl,c2,c.2)初始化c=及后驗概率p=0.3)對于l中任意一個字符候選區(qū)域c,構(gòu)造其對應(yīng)的

20、最優(yōu)觀測序列:(1)令c=c,p=p(1)為當(dāng)前的字符的初始觀測序列及相應(yīng)概率.(2).遍歷集合,根據(jù)式(5)獲得最大轉(zhuǎn)移概率a及對應(yīng)的區(qū)域c,并根據(jù)式(4)更新后驗概率p.若a小于某固定閾值盧或者c中字符區(qū)域個數(shù)已經(jīng)達(dá)到預(yù)知車牌個數(shù)rt時結(jié)束.4)步驟集合p,p:,p中的最大概率p,其對應(yīng)的c即為p及c.最終由此算法獲得的即為具備最大后驗概率p的分割觀測序列c=c,c,c,其中11,為圖像中正?？煞指畹淖址麛?shù)量.此分割結(jié)果的好壞可以直接由最大后驗概率p或間接使用p=p/u來評價,當(dāng)分割結(jié)果評價小于閥值s時,認(rèn)為本次字符分割過程失敗.由于車牌中存在字符粘連以及污損,并不是每個字符都可以被區(qū)域連

21、通法正確標(biāo)識,在算法中被加入到觀測序列的都是完整的,無粘連的字符.如果當(dāng)前的最大轉(zhuǎn)移概率小于一個經(jīng)驗閥值盧,則表示可以接受的車牌字符區(qū)域已經(jīng)全部找到,其余字符將在下一步使用投影法來處理.算法中經(jīng)驗閾值屆的選取與轉(zhuǎn)移概率的計算相關(guān).考慮一個實際的車牌候選區(qū)域,首先使用車牌定位程序來獲得一系列的車牌原始候選區(qū)域,將此區(qū)域二值化為黑白圖像后通過hough變換獲取傾斜角度,并進(jìn)行相應(yīng)的傾斜校正.在運用上文所述算法獲得了最優(yōu)分割序列c=c,c,c后,開始判斷此最優(yōu)序列的完整性并做進(jìn)一步處理.如果序列中沒有哉到指定的rt個字符,則通過序列確定車牌的上界以及下界,并通過局部垂直投影獲得垂直投影向量.此時車牌

22、字符的長寬等信息可以通過c獲得,利用垂直投影向量在局部候選區(qū)域內(nèi)分割獲取字符的垂直信息,再根據(jù)字符的高度構(gòu)造出相應(yīng)區(qū)域即可.如果在序列中只有兩個及以下字符,則因為信息量過少而無法確定序列中的區(qū)域為車牌字符,此時必須進(jìn)行去邊框操作,并重新利用本文算法進(jìn)行分割操作.不同于車牌精確定位過程,去邊框操作只需利用hough變換獲得二值化圖像中的最長直線并將直線標(biāo)記為背景即可.圖3(a)顯示了候選車牌區(qū)域的整個字符分割.過程,原圖采用實際中一個稍有干擾的圖像,二值化圖像中4個字符區(qū)域被列入最優(yōu)觀測序列c,在此基礎(chǔ)上進(jìn)行局部投影生成區(qū)域,最后將字符區(qū)域進(jìn)行歸一化生成字符圖像用于最后的字符識別操作.亙亙至三至

23、連霆盆量一h曩卜匭觀測序列l(wèi)l投影分割ll:(a)車牌字符分割流程一一(b)全局垂直投影(左)和局部垂直投影(右)圖3車牌字符分割過程fig.3theproposedalgorithmofcharactersegmentation第5期顧弘等:車牌識別中先驗知識的嵌入及字符分割方法753圖3(b)比較了局部垂直投影分割與原始的投影分割的垂直投影向量.3實驗結(jié)果及討論3.1基于標(biāo)準(zhǔn)圖像數(shù)據(jù)集的車牌分割給出了基于先驗知識的車牌分割算法與本文算法在應(yīng)用于標(biāo)準(zhǔn)圖像中的國內(nèi)車牌識別以及馬來西亞車牌識別時的實際性能對比.所有圖像由窄波雷達(dá)在實際市郊環(huán)境中觸發(fā)工業(yè)相機抓拍獲得,分辨率為768x576,圖4顯

24、示了實際場景(高速路)中抓拍的測試圖像.實驗中,所有分割結(jié)果均在車牌粗定位結(jié)果下進(jìn)行測試.圖4國內(nèi)車牌及馬來西亞車牌的標(biāo)準(zhǔn)測試圖像fig.4standardtestingimagesofchineseandmalaysialicenses在國內(nèi)車牌中,在實際環(huán)境中任意截取了1200張圖像,圖像中共包含單行車牌1127個(包括藍(lán)牌,黃牌,白牌以及黑牌),雙行車牌94個(黃牌雙行),其中某些圖像為多車牌圖像.在實際的過程中分別采用單車牌定位算法(具有精確定位過程)及多車牌定位算法進(jìn)行車牌定位,定位算法均基于紋理分析.本文測試比較了兩種最新的基于先驗知識的車牌分割算法的準(zhǔn)確性j.在馬來西亞的車牌分割

25、測試中,同樣采用在實際環(huán)境中截取的1200張圖像進(jìn)行測試.由于馬來西亞車牌類型繁多,為了對比方便,只測試了4種車牌(占車牌總數(shù)的90%左右)的分割結(jié)果.分別是:單行3+4(左邊3個字符,右邊4個字符)類型572個,雙行3+4(上行3個字符,下行4個字符)類型106個,單行3+3類型312個以及雙行3+3類型73個.在實驗中,車牌的轉(zhuǎn)移概率a.().+(+,)()通過人為構(gòu)造函數(shù)獲取,其定義如式(7)所示,其中字符的可能排列狀態(tài)集合s()通過計算機離線窮舉預(yù)先獲得.圖像二值化基于niblack算法,傾斜校正使用hough變換檢測角度,在實際計算過程中分割評價使用p,選取經(jīng)驗閾值口為0.72,s為

26、0.6.a().(f)_+(f+1);u+1)(c):(c)一e)(c)一eh)2e塒2eh字符長寬比置信度一ecr(1),iicl(c)一ecrn)2(ew+eh)早_付位置排劉重信鹱(7)式(7)中,(c),h(c)為當(dāng)前候選區(qū)域的寬度及高度,ew,eh為由狀態(tài)預(yù)測獲得的車牌期望寬度和期望高度,cr(c)及ecr(i)分別為區(qū)域c的中心及由狀態(tài),預(yù)測獲得的車牌期望的第i個字符的中心,并將最符合的字符索引記為r.在計算轉(zhuǎn)移概率時,如果第2項獲得的最小值所對應(yīng)的r已經(jīng)在中存在,則此轉(zhuǎn)移概率為無效,區(qū)域c可以直接排除在觀測隊列之外.圖5給出了一些由多車牌定位算法獲得的圖像及使用本文算法分割得到的

27、結(jié)果,表3給出了實驗中幾種方法的分割結(jié)果比較.實驗中,原有的區(qū)域連通法分割單行車牌時大部分的錯誤分割原因都集中在將邊框當(dāng)成字符1,以及字符粘連嚴(yán)重時無法同時找到兩個以上類似的字符區(qū)域而分割失敗.在分割雙行時以上兩個問題表現(xiàn)的更為嚴(yán)重,并且經(jīng)常將雙行分割成單行.另外,由于雙行車牌中存在較多污損以及干擾,對于分割影響非常嚴(yán)重,而本文算法明顯提高了分割準(zhǔn)確率.如圖5中所示的某些干擾圖像,車尾的噴漆非常類似于車牌,并且與車牌共存在同一圖像中,應(yīng)用本文算法依然可以很好地獲得車牌的分割結(jié)果.實驗中,本文算法也存在一些無法處理的情況(如圖6).當(dāng)所有的字符都無法通過連通分量提取,且去邊框操作失敗時,本文算法

28、分割失敗.這類情況在雙行黃牌的情況下尤其突出.另外,本文算法仍然不能有效地解決邊框粘連的問題.如最后一個字符與邊框粘連時,有時會出現(xiàn)字體和邊框同時被當(dāng)成單個字符的情況.對于這類邊框粘連問題只能通過后期的處理來解決.754中國圖象圖形第l5卷圖5本文算法在國內(nèi)車牌以及馬來西亞車牌上的一些分割結(jié)果,其中包含了污損以及定位不準(zhǔn)確的車牌fig.5segmentationresultsoftheproposedmethodoilchineseandmalaylicensesthatalsocontainbadsamples表3幾種最新的車牌字符分割算法性能對比tab.3performanceevalua

29、tionandcomparisonofseveralstate-of-the-artsegmentationalgorithms分割失敗圖6一些分割失敗及錯誤的實例fig.6someincorrectsegmentations3.2基于高清圖像數(shù)據(jù)集的車牌分割當(dāng)前國內(nèi)的部分車輛監(jiān)控與識別應(yīng)用已經(jīng)開始從標(biāo)準(zhǔn)圖像(40萬像素)逐步過渡到了高清圖像(140萬或200萬以上像素).將本文算法應(yīng)用于140萬高清圖像的車牌識別應(yīng)用中,并測試了兩種不同拍攝角度下的分割效果,如圖7所示.圖像分辨率為13901038.與標(biāo)準(zhǔn)圖像下的車牌識別過程不同,高清圖像圖7國內(nèi)車牌的高清圖像數(shù)據(jù)集fig.7high-qua

30、litytestingimagesofchineselicense由于畫面較大,為了加快識別速度,通常將車牌定位過程進(jìn)一步簡化以加快搜索速度.因此車牌定位準(zhǔn)確率降低,情況更為復(fù)雜.任意選取了某天日問全天候情況下抓取的側(cè)向拍攝415張圖像,高架拍攝的400張圖像進(jìn)行了分割實驗.所有圖像由窄波雷達(dá)觸發(fā)拍攝獲得,每張圖像只包含單個車牌.另外在高架拍攝模式下,分別選取了200張車頭與200張車尾(車尾圖像中不包含雙行車牌)圖像進(jìn)行分割測試,用于比較本文算法在兩種情況下的分割性第5期顧弘等:車牌識別中先驗知識的嵌入及字符分割方法755能.其分割結(jié)果分別由表4,表5給出.表4高清圖像上的車牌分割性能(側(cè)向

31、)tab.4licensesegmentationperformanceonthehigh-qualitytestingimages(roadside)表5高清圖像上的車牌分割性能(高架)tab.5licensesegmentationperformanceonthehigh-quailtytestingimages(overheadj從表4的數(shù)據(jù)可以看出,側(cè)向拍攝高清圖像的分割結(jié)果與普通圖像下的分割實驗結(jié)果(表3)比較,其性能是非常接近的,可以證明本文算法對于不同的場景都具有很好的魯棒性.而高架拍攝模式下的兩組測試數(shù)據(jù)(表5)表明,車頭的分割性能要明顯優(yōu)于車尾的分割性能.其主要原因是由于車尾

32、的邊框更為明顯,而車頭的邊框較細(xì),且牌照的懸掛較為工整.另外,表5的數(shù)據(jù)說明高架拍攝模式下車牌分割的性能要優(yōu)于側(cè)向拍攝的圖像.圖8給出了一些高清圖像上的分割結(jié)果實例.一霜進(jìn)行字符分割,也可以代替文獻(xiàn)3中所述的ga作為在全局范圍內(nèi)搜索最佳車牌的方法.算法本身不依賴于車牌的精確定位過程,抗干擾能力很強,分割正確率明顯優(yōu)于其余算法.在實際的多車牌識別系統(tǒng)中其分割平均正確率可以達(dá)到93%以上.在本文算法基礎(chǔ)上開發(fā)的字符分割模塊在白天,夜間等各種情況下均具有非常好的分割效果.同時對于各種不同排列的車牌只需要采用不同的轉(zhuǎn)移概率a(即可進(jìn)行快速的移植,降低了編碼的復(fù)雜度,可以廣泛應(yīng)用于不同車牌的識別情況.2

33、3456789圖8在高清圖像上的車牌分割結(jié)果fig?8licensesegmentationresuhsonhighqualityimages1o4結(jié)論提出的基于馬爾可夫鏈的先驗知識嵌入方法以及字符分割技術(shù)可以用于單獨的車牌候選區(qū)域11參考文獻(xiàn)(references)changsl,chenls,chungyc,eta1.automaticlicenseplaterecognitionj.ieeetransactionsonintelligenttransportationsystems,2004,5(1):4253.anagnost.pou1oscne,angn0stop0ul0sie,ps

34、oroulasid,eta1.licenseplaterecognitionfromstillimagesandvideosequences:asurveyj.ieeetransactionsonintelligenttransportationsystems,2008,9(3):377391.parkerjr,federlp.anapproachtolicenceplaterecognitioneb/ol.(1996)200812-05./1880/46439.kimki,jungk,kimjh.colortexturebasedobjectdetec

35、tion:anapplicationtolicenseplatelocalizationj.lecturenotesincomputerscience,2002,2388(1):321335.guojm,liuyf.licenseplatelocalizationandcharactersegmentationwithfeedbackself-learningandhybridbinarizationtechniquesj.ieeetransactionsonvehiculartechnology,2008,57(3):14171424.donoserm,arthc,bischofh.dete

36、cting,trackingandrecognizinglicenseplatesj.lecturenotesincomputerscience,2007,4844(11):447-456.zhangh,jiaw,hex,eta1.realtimelicenseplatedetectionundervariousconditionsj.lecturenotesincomputescience.2006.4159(8):192-199.dudaro,hartpe,storkdg.patternclassification(2ndedition)m.newyork,usa:wileyinterse

37、ienee,2000.caseyrg,lecolinete,center1,eta1.asurveyofmethodsandstrategiesincharactersegmentationj.ieeetransactionsonpatternanalysisandmachineintelligence,1996,18(7):690.706.luy.machineprintedcharactersegmentation-anoverviewj.patternrecognition,1995,28(1):6780.martinf,borgesd,linksi,eta1.automaticcarp

38、laterecognitionusingapartialsegmentationalgorithmc/proceedingsofiastedconferenceonsignalprocessing,patternrecognitionandapplications.rhodes,greece:sppra,2003:413.417.756中國圖象圖形第15卷wubf,linsp,chiucc.extractingcharactersfromrealvehiclelicenceplatesoutof-doorsj.computervision,iet,2007.1(1):210.songh,wan

39、ggq.thehighperformancecarlicenseplaterecognitionsystemanditscoretechniquesc/proceedingsofmeeinternation81conforenceonvehieularelectronicsandsafety.newyork,ny,usa:ieeepress,2005:42-45.kimkk,kimki,kimjb,eta1.learningbasedapproachforlicenseplaterecognitionc/proceedingsof2000ieeesignalprocessingsocietyworkshop.newyork,ny,usa:ieeepress,2000:614-623.francv,hlavacv.licenseplatecharactersegmentationusinghiddenmarkovchainsj.lecturenotesincomputerscience,2005,3663(9):385392.gaoq,wangx,xieg.licenseplaterecognitionbasedonpriorknowledgec/proceedingsof2007internationalconferenceonautom