[发明专利]一种基于自学习阈值的车牌字符分割方法及系统

说明书

本发明公开了一种基于自学习阈值的车牌字符分割方法，属于车牌识别技术领域，包括：获取待识别的车牌字符局部RGB图像；将车牌字符局部图像输入至预先训练好的车牌字符分割模型中进行前向运算，得到车牌字符位置矩形和车牌图像的二值分割图；基于车牌字符位置矩形和车牌图像的二值分割图，获取每个车牌字符的二值分割图；基于连通区域分析和投影图分析，对每个车牌字符的二值分割图进行分析，得到每个车牌字符的分割位置。本发明采用深度学习技术，自学习车牌字符图像每个位置的最佳二值分割阈值，车牌字符分割结果更加准确。

技术领域

本发明涉及车牌识别技术领域，特别涉及一种基于自学习阈值的车牌字符分割方法及系统。

背景技术

车牌识别是智能交通的核心技术，包含了三个部分：车牌定位，字符分割，字符识别。其中，字符分割是整个技术最重要的一部分，字符分割的好坏，直接影响后续的字符识别，进而影响整体的识别性能。

字符分割是指在一幅已知车牌准确位置的图像中，精确分割出每个单一字符。对于清晰的车牌图像，已有很多成熟方法，可以获得较好的分割结果，目前，车牌字符分割主要有以下几类方法：

(1)基于垂直投影的方法，该方法通过获取车牌字符的垂直投影曲线，依据曲线的波峰波谷位置，获取每个字符的边缘位置。该类方法的优点是算法简单，速度快，对于清晰车牌，分割效果较佳，其缺点是对于一些污损、粘连、定位不够精确的低质量车牌，分割效果会明显下降，甚至失效。

(2)基于连通区域分析的方法，该方法首先进行车牌图像二值化，利用单个字符都是单连通区域的特征进行分析，最终获取字符的位置。该类方法的优点是对低图像质量的车牌适应性较好，速度较快，然而，它对于缺失、粘连的字符，却无能为力。

(3)基于机器学习的方法，如“一种基于支持向量机的车牌字符分割方法”，该类方法通过获取车牌的布局规律特征，借助分类器进行训练学习，最终完成车牌字符的分割。其优点是对于清晰车牌，识别效果较佳，对于低质量图像也有一定的抵抗性，其缺点是合适的布局规律特征较难选取，部分变形车牌不满足布局规律，计算特征的过程，相对较复杂。

(4)基于深度学习的方法，近年来，深度学习技术凭借着可以模拟人类大脑神经网络，能够进行精确的非线性预测，各个领域都得到了广泛的关注和应用，出现了一批经典的目标位置检测网络框架，如faster rcnn，ssd，yolo等，这些经典网络框架通过迁移学习，可以很好地检测车牌字符位置，但该类技术的缺点是模型消耗内存很大，运算量很大，基于anchor box的模型训练参数很复杂，不易收敛，这些缺点严重的限制了深度学习算法在车牌字符分割领域的应用。

因此，实际环境中，由于光线变化、拍摄角度、车牌污损等各种复杂场景的存在，会造成车牌字符的模糊、缺失、粘连等缺陷的出现，当前的成熟方法很难进行精确分割，造成最终的车牌识别失败。因此，如何有效的对低质量车牌图像进行精确字符分割，仍然是当前限制车牌识别技术的难题。

发明内容

本发明的目的在于克服上述背景技术存在的缺陷，提高车牌字符分割的准确性。

为实现以上目的，本发明采用一种基于自学习阈值的车牌字符分割方法，包括如下步骤：

获取待识别的车牌字符局部RGB图像；

将车牌字符局部图像输入至预先训练好的车牌字符分割模型中进行前向运算，得到车牌字符位置矩形和车牌图像的二值分割图；

基于车牌字符位置矩形和车牌图像的二值分割图，获取每个车牌字符的二值分割图；

基于连通区域分析和投影图分析，对每个车牌字符的二值分割图进行分析，得到每个车牌字符的分割位置。