李 金，宮寧生，張 蕾

(南京工業(yè)大學(xué) 電子與信息工程學(xué)院，江蘇 南京 211816)

基于改進(jìn)的K-means的車牌字符分割

李 金，宮寧生，張 蕾

(南京工業(yè)大學(xué) 電子與信息工程學(xué)院，江蘇 南京 211816)

提出了一種基于改進(jìn)的K-means的車牌字符分割方法。該方法首先利用均值跳變法對車牌區(qū)域進(jìn)行精確定位，再利用改進(jìn)的K-means算法對車牌字符進(jìn)行聚類，最后根據(jù)K-means算法得到的聚類中心對車牌字符進(jìn)行分割。實(shí)驗(yàn)結(jié)果表明，該方法能夠準(zhǔn)確地分割出車牌字符，且具有較強(qiáng)的抗干擾性。

車牌字符分割；均值跳變；K-means

隨著現(xiàn)代社會的發(fā)展，對交通的管理趨于智能化，其中車牌識別是智能交通系統(tǒng)一個(gè)很重要的組成部分。目前車牌自動(dòng)識別主要用在高速公路收費(fèi)站、道路交通情況監(jiān)測、停車場等場合。車牌識別系統(tǒng)主要包括3個(gè)部分：車牌定位、車牌字符分割、車牌字符識別。其中車牌字符分割是車牌識別系統(tǒng)中很重要的一個(gè)環(huán)節(jié)，字符分割的準(zhǔn)確度直接決定后面字符識別的正確與否。

目前常用的車牌字符分割方法主要有垂直投影法、基于Hough變換的方法、基于聚類分析的方法及質(zhì)量退化法等。本文提出了一種基于改進(jìn)的K-means的車牌字符分割方法，該方法通過改進(jìn)的K-means方法，對精確定位后的車牌字符進(jìn)行聚類，進(jìn)而對車牌字符進(jìn)行分割。通過實(shí)驗(yàn)證明，該方法能較準(zhǔn)確地分割出字符，具有很強(qiáng)的實(shí)用性。

1 預(yù)處理

本文的車牌字符分割是建立在車牌已經(jīng)初步定位的基礎(chǔ)之上，由于初步定位得到的車牌圖像還含有邊框、鉚釘?shù)?，會對后續(xù)的操作造成影響，因此，需要對車牌進(jìn)行精確定位。

1.1 圖像的均衡化

初次定位后得到的車牌區(qū)域包含大量的色彩信息，為便于處理，需要將其變成灰度圖像。同時(shí)，由于圖片采集時(shí)的環(huán)境、照明等條件互不相同，使得圖片的亮度也互不相同。為了提高圖像對比度，需要對其進(jìn)行均衡化處理，即將特定區(qū)域內(nèi)的像素拉開，使得它們均勻地分布在整個(gè)灰度空間中。

1.2 圖像的二值化

為了突出車牌底色與字符的區(qū)別，需要對其進(jìn)行二值化處理。在這里選擇OTSU算法(最大類間方差法)，該算法被認(rèn)為是圖像分割中閾值選取的最佳算法。

該算法的主要思想是按圖像的灰度特性，將圖像分成背景和目標(biāo)兩部分。背景和目標(biāo)之間的類間方差越大，說明構(gòu)成圖像的兩部分差別越大。其表達(dá)式如下

σ2=ω0(u0-u)2+ω1(u1-u)2=ω0ω1(u0-u1)2

(1)

式中：σ2為類間方差；ω0為目標(biāo)的像素點(diǎn)數(shù)占整幅圖像的比例；ω1為背景的像素點(diǎn)數(shù)占整幅圖像的比例；u0為目標(biāo)像素點(diǎn)的平均灰度；u1為背景像素點(diǎn)的平均灰度；u為整個(gè)圖像的平均灰度。

源圖像和經(jīng)過二值化處理后的圖像如圖1和圖2所示。

圖1 源圖像

圖2 二值化

1.3 均值跳變法

對前文二值化后的圖像，采用均值跳變法來確定車牌字符區(qū)域的上、下、左、右4個(gè)邊界。具體算法步驟如下：

1)將二值化后的圖像等分成若干個(gè)包含3×3像素點(diǎn)的小方格，如圖3所示。

圖3 分成小方格后的車牌

2)由上到下逐行遍歷小方格，統(tǒng)計(jì)每個(gè)小方格中包含像素點(diǎn)為0的點(diǎn)的個(gè)數(shù)，并計(jì)算每行中像素點(diǎn)為0的點(diǎn)的個(gè)數(shù)的均值。

3)由圖像的中間行分別向上、向下逐行遍歷，當(dāng)向上遍歷時(shí)，若相鄰兩行中，下面一行方格的均值大于0.5，且上面一行方格的均值小于0.5，則可以認(rèn)為上面一行為字符的上邊界；當(dāng)向下遍歷時(shí)，若相鄰兩行中，上面一行方格的均值大于1，且下面一行方格的均值小于1，則可以認(rèn)為下面一行為字符的下邊界。

4)在步驟3)確定的上下邊界基礎(chǔ)之上，從左到右逐列遍歷小方格，統(tǒng)計(jì)每個(gè)小方格中包含像素點(diǎn)為0的點(diǎn)的個(gè)數(shù)，并計(jì)算每列中像素點(diǎn)為0的點(diǎn)的個(gè)數(shù)的均值。

5)由圖像的兩端分別向右、向左逐列遍歷，當(dāng)向右遍歷時(shí)，若相鄰兩列中，左邊一列方格的均值小于1，且右邊一列方格的均值大于1，則可以認(rèn)為左邊一列為字符的左邊界；當(dāng)向左遍歷時(shí)，若相鄰兩列中，右邊一列方格的均值小于1，且左邊一列方格的均值大于1，則可以認(rèn)為右邊一列為字符的右邊界。

經(jīng)過均值跳變法精確定位的車牌區(qū)域如圖4所示，圖中矩形框?yàn)榫_定位后的車牌區(qū)域。

圖4 精確定位后的車牌

2 K-means算法基本思想

(2)

聚類中心為

(3)

輸入：聚類的數(shù)目k和包含n個(gè)對象的數(shù)據(jù)集。

輸出：滿足目標(biāo)函數(shù)值最小的k個(gè)簇。

1)從n個(gè)數(shù)據(jù)對象中任意選擇k個(gè)作為初始聚類中心；

2)根據(jù)每個(gè)聚類對象的均值，計(jì)算每個(gè)對象與這些中心對象的距離，并且根據(jù)最小距離重新對相應(yīng)的對象進(jìn)行劃分；

3)重新計(jì)算每個(gè)聚類的均值；

4)循環(huán)2)和3)，直到目標(biāo)函數(shù)E不再發(fā)生變化為止。

3 車牌字符分割

3.1 改進(jìn)的K-means算法

通過觀察車牌的特征可知，一般的車牌只有7個(gè)字符，且其相對位置比較固定，為了提高K-means算法的效率，可以自行選定初始聚類中心，而不采用隨機(jī)產(chǎn)生的方法。改進(jìn)的K-means算法具體步驟如下：

輸入：聚類的數(shù)目k和包含n個(gè)對象的數(shù)據(jù)集。

輸出：滿足目標(biāo)函數(shù)值最小的k個(gè)簇。

1)選擇7個(gè)字符的中心點(diǎn)作為初始聚類中心；

2)根據(jù)每個(gè)聚類對象的均值，計(jì)算每個(gè)對象與這些中心對象的距離，并且根據(jù)最小距離重新對相應(yīng)的對象進(jìn)行劃分；

3)重新計(jì)算每個(gè)聚類的均值；

4)循環(huán)2)和3)，直到目標(biāo)函數(shù)E不再發(fā)生變化為止。

3.2 字符分割方法

字符分割方法步驟為：

1)以車牌圖片的左上角為零點(diǎn)，逐行掃描圖片，統(tǒng)計(jì)圖片中像素點(diǎn)為0的個(gè)數(shù)及其坐標(biāo)。

2)選取7個(gè)車牌字符的中心點(diǎn)作為初始聚類的中心，如圖5所示。

圖5 初始聚類中心

3)使用改進(jìn)后的K-means算法對車牌字符進(jìn)行聚類，將1)中點(diǎn)的坐標(biāo)作為K-means算法的輸入，則經(jīng)過改進(jìn)的K-means算法聚類后得到的車牌字符如圖6所示。

4)根據(jù)K-means算法得到7個(gè)車牌字符的最終聚類中心，坐標(biāo)數(shù)據(jù)如表1所示。

圖6 K-means算法聚類后的圖像

表1 聚類中心坐標(biāo)

5)根據(jù)4)中得到的聚類中心橫坐標(biāo)，分別向左、向右擴(kuò)展9個(gè)像素作為邊界分割字符，其中第一個(gè)字符僅需向右擴(kuò)展9個(gè)像素點(diǎn)，以圖片的左邊界作為其左邊界，最后一個(gè)字符僅需向左擴(kuò)展9個(gè)像素點(diǎn)，以圖片的右邊界作為其右邊界，則字符分割示意圖如圖7所示。

圖7 字符分割示意圖

6)分割后的字符有可能大小不一樣，為了便于后續(xù)的字符識別操作，需要對得到的車牌進(jìn)行調(diào)整大小，這里將車牌字符大小統(tǒng)一調(diào)整為20×30像素，調(diào)整后的字符圖像如圖8所示。

圖8 調(diào)整后的字符

4 實(shí)驗(yàn)結(jié)果

本文中所有算法的實(shí)現(xiàn)都是基于VS2010和OpenCV開源視覺庫，實(shí)驗(yàn)隨機(jī)選取了50張圖片，這些圖片都是由關(guān)卡固定的攝像頭拍攝的，且正對車頭方向，經(jīng)過車牌初步定位后得到。限于篇幅，本文只選擇了其中的2幅車牌分割實(shí)驗(yàn)效果圖，如圖9所示。

圖9 車牌分割效果圖

由于經(jīng)典的垂直投影法簡單易于實(shí)現(xiàn)，經(jīng)常用于車牌字符分割方法中。因此利用上述50幅圖像，將本文算法與垂直投影法做比較。采用垂直投影法，其字符分割效果如圖10所示。

通過對比投影法和本文算法可知，本文算法成功分割的正確率更高，達(dá)到了98%，而投影法分割成功的正確率只有88%。由此可見，運(yùn)用本文算法分割字符具有較好的魯棒性，實(shí)驗(yàn)結(jié)果如表2所示。

圖10 垂直投影法

表2 實(shí)驗(yàn)結(jié)果對比

5 總結(jié)

本文提出的算法利用均值跳變法對車牌進(jìn)行精確定位，再利用改進(jìn)的K-means算法對車牌字符進(jìn)行聚類后分割，經(jīng)實(shí)驗(yàn)證明該方法抗干擾能力強(qiáng)，車牌字符分割的準(zhǔn)確度高，具有很強(qiáng)的實(shí)用性。

[1]劉海波，沈晶，郭聳.VisualC++數(shù)字圖像處理技術(shù)詳解[M].北京：機(jī)械工業(yè)出版社，2010：246-249.

[2]汪中，劉貴全，陳恩紅．一種優(yōu)化初始中心點(diǎn)的K-means算法[J]．模式識別與人工智能，2009，22(2)：299-304．

[3]張?jiān)苿?，張長水. 利用Hough變換和先驗(yàn)知識的車牌字符分割算法[J].計(jì)算機(jī)學(xué)報(bào)，2004，27(1)：130-135.

[4]甘玲，林小晶. 基于連通域提取的車牌字符分割算法[J].計(jì)算機(jī)仿真，2011，28(4)：336-339.

[5]遲曉君，孟慶春. 基于投影特征值的車牌字符分割算法[J].計(jì)算機(jī)應(yīng)用研究，2006(7)：256-257.

[6]瞿中，李夢露，常慶麗，等. 退化車牌字符的兩級分割算法研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2013，34(7)：2465-2469.

[7]白建華. 車牌字符分割及識別算法研究[D].西安：西安電子科技大學(xué)，2010.

[8]胡金鳳. 車牌字符分割和識別算法研究[D].重慶：重慶大學(xué)，2010.

李 金(1989— )，碩士生，研究方向?yàn)閳D像處理；

宮寧生(1958— )，教授，碩士生導(dǎo)師，研究方向?yàn)槟Ｊ阶R別、圖像處理；

張 蕾(1989— )，女，碩士生，研究方向?yàn)閳D像處理。

責(zé)任編輯：任健男

License Plate Character Segmentation Based on Improved K-means Algorithm

LI Jin，GONG Ningsheng，ZHANG Lei

(CollegeofElectronicsandInformationEngineering,NanjingUniversityofTechnology,Nanjing211816,China)

A character segmentation method of license plate is proposed based on improved K-means algorithm. This method firstly uses the mean jump method to locate the license plate precisely. And the character of license plate is clustered by using improved K-means algorithm. Finally, according to the cluster center, which is acquired by K-means algorithm, segment the character of license plate. The experimental results show that this method can segment the character of license plate accurately, and has a strong anti-interference.

license plate character segmentation；mean jump；K-means

國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃項(xiàng)目(2005CB321901)；軟件開發(fā)環(huán)境國家重點(diǎn)開放實(shí)驗(yàn)室開放課題(BUAA-SKLSDE-09KF-03)

TP391

A

10.16280/j.videoe.2015.01.034

2014-05-11

【本文獻(xiàn)信息】李金，宮寧生，張蕾.基于改進(jìn)的K-means的車牌字符分割[J].電視技術(shù),2015，39(1).