[发明专利]一种基于核密度估计的车牌字符分割方法

说明书

技术领域

本发明属于智能交通技术领域，涉及一种基于核密度估计的字符分割方法。

背景技术

目前车牌字符分割的技术主要是基于车牌区域的字符二值化，并通过车牌字符排列的先验规则加以约束来得到有效的车牌字符区域，这种方法在受到环境或者车牌本身污损的干扰时有一定的抗干扰能力，但是在字符二值化效果较差的情况下仍无法正常工作。

为了解决车牌字符二值化效果不佳的问题，目前已有的方法包括对字符前景点进行聚类，对车牌字符的宽度和笔画估计和车牌边框检测等辅助手段。这些方法可以使二值化效果有所改善，但是在极端情况下仍然存在较多无法二值化好的情况。

发明内容

本发明提供了一种基于核密度估计的车牌字符分割方法，通过运用先验字符像素值的分布规则，对车牌进行多次迭代式分割，用高斯核分布推测车牌周围的非字符干扰，并在此结果中加入了车牌排列规则限制，有效消除了常见的粘连、断裂分割等结果，提高了分割的准确度。

一种基于核密度估计的车牌字符分割方法，包括：

步骤(1)对车牌图像进行归一化、锐化边缘和去除噪声的预处理。

步骤(2)利用水平方向梯度投影对预处理后的图像进行车牌上下边缘的分割；计算每个水平块                                               上的梯度值，高度值及所有水平块梯度均值、所有水平块的梯度方差，如果水平块不满足以下两个条件，则判定该水平块不是车牌字符区域，予以删除：

条件1）

条件2）

其中的取值范围为[0,1]。

步骤(3)利用核密度估计迭代计算水平块的核概率密度曲线G(x)，找出当前核概率密度曲线中，出现概率最大的像素值和该点的核密度半宽；若核密度半宽不满足，则该核所表现的像素区域不是属于车牌字符的区域；重复本步骤，找出除外的最大像素值和核密度半宽，如果半宽满足，则执行步骤（4）。

步骤(4)将水平块根据概率最大的像素值和该像素值的核密度半宽做图像二值化，对二值化的图像结果进行垂直投影分割；如字符块不满足以下任何一条件，则将该像素值所表示的核予以剔除，并跳转至步骤（3）：

a) 字符宽度；

b）分割得到的字符总数小于5个。

步骤(5)设字符宽度范围为至，利用该宽度所得到的标准车牌模板和二值化图像垂直投影后的结果进行匹配，取出在[,]中间得分最高的分割结果作为最终的字符分割的结果。

本发明的有益效果：能够准确的确定字符像素的分布，抗环境干扰能力较一般的迭代二值化方法性能大大增强。并且在车牌字符模板约束条件下，能够有效的降低车牌污损、粘连和断裂等客观情况。运用于智能交通，为车牌识别提供有利的基础条件，有广泛的应用前景。

附图说明

图1为本发明方法流程图；

图2为本发明中步骤3的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

如图1所示，一种基于核密度估计的车牌字符分割方法，包括：

1)采用公知的双线性插值方法，将车牌图像的大小归一化为120×40，即水平方向120个像素，垂直方向40个像素；

2)采用公知的高斯高通滤波方法，对归一化后的车牌图像运进行锐化边缘处理；

3)采用公知的高斯低通滤波方法，对锐化边缘后的车牌图像的进行去除噪声处理。

（2）利用水平方向梯度，在水平方向投影对预处理后的图像进行车牌上下边缘的分割，并计算每个水平块上的梯度值,所有水平块梯度均值，所有水平梯度方差，剔除不合法的字符块，获得初步筛选后车牌字符垂直方向边界，具体包括以下步骤：

1）采用公知的方法计算车牌图像的水平梯度投影，其中y为像素垂直坐标，得到水平投影累计值得均值和水平投影的方差；

2）在水平投影中，依次选取个最小投影坐标[],其中个投影坐标y满足以下条件：

a) 

b) 

（3）计算水平块中概率密度分布，估计核密度半宽，如图2所示。计算核密度半宽时假设两个高斯核函数，分别为正态分布N(0,1)，N(0,4)。在车牌上像素足够多（车牌像素点在3000个以上时）的情况下，两个核函数计算得到的概率密度最小时，取到的窗口半宽为当前真实的车牌字符像素分布半宽。即计算下式的最小值：

，

n表示水平块中的像素总数，L表示可能核密度半宽，，表示水平块内的像素值。计算得到是该式最小的核密度半宽，代入计算核密度函数：