《基于ICA的车牌牌照字符识别系统.doc》由会员分享，可在线阅读，更多相关《基于ICA的车牌牌照字符识别系统.doc（3页珍藏版）》请在三一办公上搜索。
1、武汉大学学报 (理学版)J . Wuha n U niv. ( Nat . Sci . Ed. )第 51 卷 第 S2 期2005 年 12 月Vol . 51 No . S2Dec . 2005 ,208210文章编号 :167128836 (2005) S220208203基于 ICA 的车牌牌照字符识别系统丹 , 孙云莲赵(武汉大学 电气工程学院 ,湖北 武汉 430072)摘 要 : 介绍了基于 ICA (独立分量分析法) 的牌照识别系统的字符识别 . 为了提高字符特征提取的质量 ,首先通过车牌图像的预处理 ,然后采用了基于高阶统计信息的特征提取方法 ,即 ICA 对车牌灰度图像的字
2、符进行识别 .该系统避免了二值化对字符特征的影响 ,识别方法简单 ,结果理想 .关 键 词 : 车牌 ; 独立分量分析法 ( ICA) ; 字符识别中图分类号 : T P 391 . 41文献标识码 : A边缘 ,在 - 1010内 ,以 1递增旋转边缘图 ,用 ( 1)式计算图像在水平方向上的投影值 H :h0引言车牌识别系统 (L P R) 在交通监控领域有多种应用 ,可以实现不停车缴费 、停车场管理 、被盗车的自 动捕获等 . 它不需要人为的干涉就可以进行数据的采集和处理 . 车牌自动识别技术主要包括车牌定位 和字符识别两大部分 . 车牌字符识别子系统处理的 是牌照的灰度图像 . 由于拍
3、摄的角度 、距离 、天气等 原因 ,造成了车牌牌照图像的倾斜 、模糊 、车牌字符 有缺损等 ,传统的 O CR (光学字符识别) 在对其进行二值化时字符的笔画会有很多缺损或者粘连 .本文针对车牌字符识别问题 ,利用 ICA (独立分 量分析法) 方法 ,实现字符的识别. 提出的方法对字 符的灰度图像进行识别 ,避免了二值化处理.H () =Ri ()( 1)i = 1其中 - 10, 10 , h 为 车 牌图 像的 高 度 , R ()i是水平边缘图像旋转 a 后第 i 行的投影值. 最大的H 值所对应的角度就是要旋转的角度, 得到水平 倾斜校正后的车牌.对水平校正后的车牌图像进行上下位置精
4、分割 后 , 再作垂直倾斜校正.用 Prewit t 垂直模板求取垂直边缘 ,在 - 1010内 ,以 1递增旋转边缘图 , 得到垂直投影 , 记下每 度的投影值为 0 的列的个数 N . 最大个数 N 所对应 的角度就是垂直倾斜角. 通过 ( 2) 式 , 计算出校正后像素的坐标 ( i ,j new ) ,i 不变 , 得到垂直倾斜校正后的车牌 , 如图 2 所示.j + ( i - 1) t a n, 01对车牌区域图像的处理和字符分割j new =( 2)j + ( h - i) t a n, 01 . 1车牌区域图像的精定位由于拍摄角度和车牌悬挂倾斜等原因造成车牌 图像的倾斜 ,如图
5、 1 所示 . 这里用文献 1 中的方法对车牌进行水平倾斜校正和垂直倾斜校正 .具 体 方 法 如 下 : 用 Prewit t 水 平 模 板 得 到 水 平图 2 校正后的车牌图像1 . 2车牌图像预处理车牌图像的灰度存在很大差别 . 为了在不同环 境下得到比较统一字符灰度 , 同时提高 ICA 特征提0 ,x T1所以 ICA 是很好的特征提取方法之一 .ICA 和盲源信号分离 (BSS) 问题密切相关 ,都是 把观察到的信号分解为未知的独立信号的线性组合. 255 ( g ( i , j)T1 ) ,g( i , j) =-T1 x T2T2 - T1255 ,x T2( 4)x =
6、As( 3) 其中 , g ( i , j) 为图像在点 ( i , j ) 的灰度值 , g( i , j ) 为 拉伸后的图像灰度值 . 本文利用直方图统计图像灰其中 x 是 n 维观察信号矢量 , s 是 m 维假设成分相互独立的随机顺序的矢量 , A 是待估计的 n m 混 合矩阵 ( m n) .T1255s = Wx其中解混矩阵 W 是 A 的伪逆 .( 5)度分布 , 得到门限值 T1 、T2 , 满足 hl= hl =l = 0l = T2T n . 其中 , T n 取车牌图像像素个数的 1/ 12 . 结果如图 3 所示 .对 ICA 模型的估计 ,主要有非高斯的最大化 、
7、互信息的最小化和最大似然函数等方法 ,文献 5 介绍了多种基于非高斯最大化的独立性度量准则 ,本 文采用的是一种基于负熵的独立性判决准则和分离 算法 快速定点算法 ( Fa st2ICA) .2 . 2 汉字识别把样本库中的每个汉字模板 48 24 转换成一 维矢量 xi 作为混合信号 X 的一行 , 样本库中有 n 个图 3 对比度拉伸后的车牌图像由于车牌字 符 灰度 相对 于 底牌 灰度 的 高低 未 知 , 要对字符灰度进行统一 , 还需要进一步的处理 . 本文采用文献 2 中基于纹理的分割阈值选取方法 , 通过亮 、暗基元的长度的比较 , 得到字符灰度级别的 相对高低 , 对图像灰度直
8、方图归一化 .1 . 3 字符分割对处理后的车牌图像垂直投影 , 得出图像的直 方图 , 确定分割阈值 T3 = u + k, 其中 u 为垂直投影直方图的均值 ,为方差 , k 为设定的参数 . 进行分割得到 ch (i) . lef t ( 字符的左边界) 、ch ( i ) . ri ght ( 字符 的右边界) 、ch (i) . bwi dt h ( 字符与下一个字符的间 距) ,ch (i) . cwi dt h ( 字符的宽度) . 判断字符是否分裂或粘连 :对于 cwi dt h 大于平均字宽 k1 倍的视为 出现粘连 , 采用 p ea k2to2valley 方法 3 分割
9、 ; 小于平均字宽 k2 倍的视为无效字 符 ; bwi dt h 小 于 平均 距 离且此距离与 cwi dt h 之和不大于平均字宽的 , 则合并为一个字符. k1 、k2 为设定的参数 . 得到如图 4 的 字符图像 . 再对分割后的汉字字符图像归一化为 4824 , 数字和字母图像归一化为 32 16 .n 1 152, 用 Fa st2ICA 算法 对混 合 信号 X模板 , X Rm 1 152进行独立分量提取 , 得到独立分量 S R和混n m合矩阵 A R , A 的行即为对应字符的权重向量 .将每一幅待识别的字符投影到这个空间中去 , 即用 独立分量的线性组合来表示 . 把待
10、识别的字符转换 成一维向量 f , 有( 6)f = a1 s1 + a2 s2 + a m s m其中 s1 , s2 , sm 为 m 个独立分量 , 向量 A = A ( a1 ,a2 , a m ) 就是待识别字符在特征空间中的投影系数 , 可以用 7 式求得 :( )a = f ( S+ ) - 1( 7)其中 ( S + ) - 1 表示 S 矩阵的伪逆. 有了投影系数 , 就可以在特征空间设计分类器实现分类 .对 a 的模式判别可以用余弦判别法进行判别 ,公式为 :a1a2( 8)p = -a1 a2 图 4 分割并归一化后的字符图像其中 a1 , a2 为进行比较的向量 .因为
11、混 合 矩 阵 A ( n m ) 相 对 图 像 数 据 ( n 1 152) 已达到很 大 降维 , 也 可以 用 B P 神经 网络 进 行字符模式识别.由于所采用的 ICA 算法对车牌字符识别 , 是在 灰度图像上进行的 , 因而避免了图像二值化对字符 造成的缺失或粘连 , 识别率得到提高. 待识别的汉字2 字符识别2 . 1ICA 简介本文采用 ICA 4 对字符图像进行特征提取. 相 对于基于二阶统计的 PCA 而言 , ICA 是 一 种基 于210武汉大学学报 ( 理学版)第 51 卷前对车牌区域的预处理 ,以利于后续字符图像的识别 . 本文提出了基于 ICA 算法的字符识别.
12、 识别对 象在字符的灰度图像上进行 ,避免了字符图像二值 化带来的笔画的断裂或粘连. 在识别判断时 ,只需比 较字符 的 投 影 , 速 度 更 快. 在 PC 的 平 台 上 , 用 V C + + 编程 ,得到的结果理想 ( 识别时间 1 s) ,识 别率高.图 5 待识别汉字字符2 . 3 字母数字识别本文所采用的字母和数字样本库中的字符模板 为 32 16 .车牌中第 2 个字符为字母 ,将其大小归一化为32 16 ,此处采用字母样本库 . 方法和 2 . 2 节的汉字 识别子系统相同 ,得到独立分量 S 、混合矩阵 A 和待 识别字符的投影向量 a ,计算得到判别结果 . 第 3 和
13、第 4 个字符为数字或字母 ,将其大小归一化为 32 16 ,此处采用数字字母样本库 . 第 5 到第 7 个字符为 数字 ,将其大小归一化为 32 16 ,此处采用数字样 本库. 同上得到判别结果 .对容易混淆的字符 ,如 8 和 B ,O ,D 和 Q 等 ,还要进行进一步判断.参考文献 : 1 李文举 ,梁德群 ,王新年 ,等 . 质量退化的车牌字符分割方法 J . 计算机辅助设计与图形学学报 ,2004 ,16 ( 5) :6972700 .叶晨洲 ,杨 杰 ,宣国荣 . 车辆牌照字符识别 J . 上海 交通大学学报 ,2000 ,34 (5) :6722675 .Yi L u. Ma
14、chine2Printed Cha racter Segmentatio n : A nOverview J . P at te rn Reco g ni t i on , 1995 , 28 ( 1) , 67280 .Co mo n P. Independent Co mp enent A nalysi s J . S i g2n al P rocessi n g , 1994 ,36 (3) :2872314 .Hyv?rinen A . Fa st a nd Ro bust Fixed2Poi nt Algo2 rit hms fo r Indep endent Co mpo nent
15、 A nalysi sJ . I E E E T rans act i ons on N e u ral N et w o rks , 1999 , 10 ( 3 ) : 6262634 . 2 3 4 3结论 5 本文具体讨论了利用 ICA 进行车牌字符的自动识别. 对车牌的倾斜进行校正 、精定位和字符分割L icense Plate Character Recogn ition System Ba sed on ICAZHAO Dan , S UN Yun2l ian( School of Elect rical Engi neering , Wuhan U niver sit y , W
16、uha n 430072 , H ubei , China)Abstract : Thi s p ap er de scri be s t he cha ract er reco gnitio n mo dule ba sed o n i ndep e nde nt co mpo ne nt a nal2ysi s ( ICA) . The met ho d of cha ract er f eat ure e xt ractio n i n t hi s p ap er ba sed o n t he hi gh2o r de r st ati stic s i m2 p ro ve s t
17、 he qualit y of f eat ure e xt ractio n . The app roac h of c ha ract er reco gnitio n o n gra y2scale level ba sed o n ICA o verco me s t he sho rt st a ge s of cla ssificatio n o n bi na r y i ma ge s , a nd i s si mp le .Key words : lice n se p lat e ; i ndep e nde nt co mpo ne nt a nal y si s ( ICA) ; cha ract er reco gnitio n
