[发明专利]基于人工免疫网络聚类的车牌字符分割方法

摘要

本发明公开了一种基于人工免疫网络聚类的车牌字符分割方法，假设一副含车牌的图像共包含了n个像素点，车牌字符的分割即为该图像内像素点的聚类，最终将字符与底色分为不同的两类。图中每个像素点均被视为人工免疫网络内的抗原，并随机产生一个初始免疫网络，所述初始免疫网络中的每一个节点均被视为抗体，通过抗原与抗体间的相互作用，免疫网络自动进行进化，最终形成一个稳定的抗体网络，然后以网络进化的结果自动对字符区域进行聚类，完成字符分割工作。本发明是一种有效的字符分割方法，能自动处理各种情况下得到的车牌图像，以更好地对车牌中的字符区域进行细分割，从而提高识别效果。

主权项

1.基于人工免疫网络聚类的车牌字符分割方法，包括以下步骤：假设一副含车牌的图像共包含了n个像素点，则该图像可表示为X＝{x₁，x₂，…，x_n}，车牌字符的分割即为该图像内像素点的聚类，最终将字符与底色聚为不同的两类，每个像素点视为人工免疫网络内的抗原，并随机产生一个初始免疫网络，所述初始免疫网络中的每一个节点均被视为抗体，通过抗原与抗体间的相互作用，免疫网络自动进行进化，最终形成一个稳定的抗体网络，然后以网络进化的结果自动对字符区域进行聚类，完成字符分割工作，具体步骤如下：步骤1：初始化，l＝1，C(l)表示第l代抗体网络，同时产生初始网络C(1)，设定网络压缩门限σ_s和克隆死亡率σ_d；步骤2：对抗原x_i分别做如下操作：2a)i＝1；2b)计算抗原x_i与所有抗体节点c_j的亲合度f_ij；f(xi,cj)=11+(xi-cj)T(xi-cj)i=1,2,···nj=1,2,···,S---(1)]]>2c)克隆操作，在所有抗体中选择与x_i亲合度最高的k个抗体，然后按照亲合度越高，克隆规模越大的原则进行克隆Tcc(rj)=rjΘIj]]>(j＝1，2，…，k)(2)其中I_j为q_j维全1行向量；qj=Int[Nc*f(xi,rj)Σs=1kf(xi,rs)]---(3)]]>其中Int[]为上取整函数；Nc为克隆规模；2d)变异操作，提高抗体节点与抗原x_i的亲合度；c_i＝c_i-α_i(c_i-x_i)    (4)2e)对优化后的节点根据式(1)重新计算与抗原x_i的亲合度，将亲合度最高的ζ％个节点作为记忆细胞，存于记忆矩阵M中，该矩阵为一二维矩阵，每一行为一个节点；2f)在M中，将抗体-抗原亲合度小于σ_d的抗体死亡；2g)对M中所有抗体计算抗体-抗体亲合度s_ij，并进行克隆压缩，将s_ij＜σ_s的抗体节点淘汰；2h)将M中的节点加入到网络节点矩阵C(l)中，(C(l)←[C(l)；M])；2i)i＝i+1，如果i＜＝n，则转到2b，否则转向步骤3；步骤3：在C(l)中，计算抗体-抗体亲合度s_ij，将s_ij＜σ_s的抗体消除；步骤4：随机产生抗体并替代C(l)中r％个最差的抗体，即得到下一代的初始网络C(l+1)；步骤5：l＝l+1，若l＞max，其中，max为预先设定的最大迭代次数，则停止，转向步骤6，否则返回步骤2；步骤6：对最终得到的抗体网络，利用最小生成树方法，同时断开距离最长的边，此时连通的节点归为一类，图像中的每一个像素点与最终的抗体节点计算距离，并选择离像素点最近的节点作为该像素所属的类别。