本发明公开了一种基于连通域分析的车牌字符分割方法，属于车牌识别技术领域。该方法包括S1：对车牌字符进行倾斜矫正预处理；S2：对所述经过倾斜矫正预处理的车牌字符的区域上下边界和字符平均宽度进行估计；S3：根据所述估计结果搜索候选分割位置；S4：从所述候选分割位置中，确定最优分割位置；S5：在所述最优分割位置，归一化分割字符。该方法车牌字符分割正确率高、可靠性高，并且，在曝光强以及背景复杂等环境下鲁棒性高。
1.一种基于连通域分析的车牌字符分割方法，包括以下步骤：S1：对车牌字符进行倾斜矫正预处理；
S2：对所述经过倾斜矫正预处理的车牌字符的区域上下边界和字符平均宽度进行估计；
S12：顶帽运算，过滤宽度大于笔画的干扰；开运算滤波，滤除字符边缘黏连毛刺和单点噪声；
S13：搜索字符连通体轮廓集合，并过滤非字符连通体；
S16：搜索最优字符区域的垂直倾斜角度，垂直倾斜矫正。
2.根据权利要求1所述的方法，其特征在于，S2包括：S21：对矫正后的车牌图像局域二值化，并噪声滤波；
S22：搜索字符连通体轮廓集合，并过滤非字符连通体；
S23：字符区域上下边界修正，水平投影修剪黏连噪声；
3.根据权利要求1所述的方法，其特征在于，S3包括：S31：根据车牌尺寸类型，定义水平滤波算子；
S32：分割滤波算子参数(u，v)的变化范围估计；
S35：以第一个间隙左侧边界作为原点，滤波算子作平移和字符宽度变化，计算间隙区域的代价函数S(u，v)定义为滤波代价函数；
S36：根据间隙灰度的一致性原理，最优分割位置是8个间隙区域代价函数局部极小；在灰度图像中最优分割位置参数对应的像素灰度在邻域附近是极小值，依据Harris角点定义，该像素是一个角点，滤波算子遍历车牌区域，角点搜索，搜索出角点集；
S38：候选角点的间隙位置参数局部优化，确定的候选间隙位置。
4.根据权利要求3所述的方法，其特征在于，S4包括：S41：根据角点坐标，求出对应角点分割位置；
S43：轮廓定位，估计分布误差，得到分割的灰度字符图片；
S44：对分割的灰度字符图片进行边界修正、轮廓滤波，确定最优分割位置。
5.根据权利要求1所述的方法，其特征在于，S5包括：S51：计算字符最大轮廓的二阶矩，得到修正后的字符中心；
一种基于连通域分析的车牌字符分割方法
技术领域
[0001] 本发明涉及车牌识别技术领域，特别涉及一种基于连通域分析的车牌字符分割方法。
背景技术
[0002] 车牌识别技术作为交通管理自动化的重要手段和车辆检测系统的一个重要环节，能经过图像抓拍、车牌定位、图像处理、字符分割、字符识别等一系列算法运算，识别出视野范围内的车辆牌照号码。在车牌自动化识别系统中，字符分割是字符识别的基础，字符分割质量直接影响到车牌识别系统的识别率，
发明内容
[0003] 为了解决上述问题，本发明提出了一种通过倾斜矫正处理，使车牌字符分割正确率高、可靠性高，并且，在曝光强以及背景复杂等环境下鲁棒性高的基于连通域分析的车牌字符分割方法。
[0004] 本发明提供的基于连通域分析的车牌字符分割方法包括以下步骤：
[0005] S1：对车牌字符进行倾斜矫正预处理；
[0006] S2：对所述经过倾斜矫正预处理的车牌字符的区域上下边界和字符平均宽度进行估计；
[0007] S3：根据所述估计结果搜索候选分割位置；
[0008] S4：从所述候选分割位置中，确定最优分割位置；
[0009] S5：在所述最优分割位置，归一化分割字符。
[0010] 作为优选，S1包括：
[0011] S11：形态滤波平滑处理，局部二值化车牌图像；
[0012] S12：顶帽运算，过滤宽度大于笔画的干扰；开运算滤波，滤除字符边缘黏连毛刺和单点噪声；
[0013] S13：搜索字符连通体轮廓集合，并过滤非字符连通体；
[0014] S14：连通体过滤与填充；
[0015] S15：计算水平倾斜角度，水平倾斜矫正；
[0016] S16：搜索最优字符区域的垂直倾斜角度，垂直倾斜矫正。
[0017] 作为优选，S2包括：
[0018] S21：对矫正后的车牌图像局域二值化，并噪声滤波；
[0019] S22：搜索字符连通体轮廓集合，并过滤非字符连通体；
[0020] S23：字符区域上下边界修正，水平投影修剪黏连噪声；
[0021] S24：轮廓滤波，估计字符平均宽度和高度；
[0022] S25：初始化分割滤波灰度车牌图像。
[0023] 作为优选，S3包括：
[0024] S31：根据车牌尺寸类型，定义水平滤波算子；
[0025] S32：分割滤波算子参数(u，v)的变化范围估计；
[0026] S33：滤波图像的背景灰度估计；
[0027] S34：滤波图像尺度估计；
[0028] S35：以第一个间隙左侧边界作为原点，滤波算子作平移和字符宽度变化，计算间隙区域的代价函数S(u，v)定义为滤波代价函数；
[0029] S36：根据间隙灰度的一致性原理，最优分割位置是8个间隙区域代价函数局部极小；在灰度图像中最优分割位置参数对应的像素灰度在邻域附近是极小值，依据Harris角点定义，该像素是一个角点。滤波算子遍历车牌区域，角点搜索，搜索出角点集；
[0030] S37：角点过滤，滤除过界的角点；
[0031] S38：候选角点的间隙位置参数局部优化，确定的候选间隙位置。
[0032] 作为优选，S4包括：
[0033] S41：根据角点坐标，求出对应角点分割位置；
[0034] S42：平滑图像，二值化分割字符图像；
[0035] S43：轮廓定位，估计分布误差，得到分割的灰度字符图片；
[0036] S44：对分割的灰度字符图片进行边界修正、轮廓滤波，确定最优分割位置。
[0037] 作为优选，S5包括：
[0038] S51：计算字符最大轮廓的二阶矩，得到修正后的字符中心；
[0039] S52：重新设置图像尺寸，归一化分割字符。
[0040] 本发明提供的基于连通域分析的车牌字符分割方法的有益效果在于：
[0041] 本发明提供的基于连通域分析的车牌字符分割方法，车牌字符分割正确率高、可靠性高，并且，在曝光强以及背景复杂等环境下鲁棒性高。
具体实施方式
[0042] 为了深入了解本发明，下面结合具体实施例对本发明进行详细说明。
[0043] 本发明实施例提供的基于连通域分析的车牌字符分割方法包括以下步骤：
[0044] S1：对车牌字符进行倾斜矫正预处理。
[0045] 其中，
[0046] S11：形态滤波平滑处理，局部二值化车牌图像；
[0047] S12：顶帽运算，过滤宽度大于笔画的干扰；开运算滤波，滤除字符边缘黏连毛刺和单点噪声；
[0048] S13：搜索字符连通体轮廓集合，并过滤非字符连通体；
[0049] S14：连通体过滤与填充；
[0050] S15：计算水平倾斜角度，水平倾斜矫正；
[0051] S16：搜索最优字符区域的垂直倾斜角度，垂直倾斜矫正。
[0052] S2：对所述经过倾斜矫正预处理的车牌字符的区域上下边界和字符平均宽度进行估计。
[0053] 其中，
[0054] S21：对矫正后的车牌图像局域二值化，并噪声滤波；
