CN109800752B - 一种基于机器视觉的汽车车牌字符分割识别算法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的汽车车牌字符分割识别算法，包括：步骤一、利用电子设备采集包含车牌的汽车图像样本；步骤二、对采集到的车牌图像样本依次进行像素点压缩、彩色图像灰度化、灰度拉伸、滤波和二值化得到预处理的包含车牌的汽车图像；步骤三、对所述预处理的包含车牌的汽车图像进行边缘化处理，定位出目标汽车图像的车牌区域，得到车牌图像；步骤四、对所述车牌图像进行字符分割；步骤五、针对车牌字符分割后的单个字符二值化图像进行归一化处理，然后遍历标准的车牌字符模板库，计算分割后的单个字符图像与标准字符的欧氏距离，并最终识别出车牌号，本发明识别准确，可靠性高。

Description

一种基于机器视觉的汽车车牌字符分割识别算法

技术领域

本发明涉本专利涉及智能汽车电子工程算法研究领域，具体公开了一种基于机器视觉的汽车车牌字符分割自动识别方法。

背景技术

随着汽车制造业的高速发展，汽车逐渐成为家庭短距离出行的重要交通工具，但随之而来是城市道路交通安全问题，为了实现城市的可持续发展，智慧交通的建设是必须且必要的。汽车车牌识别技术作为智慧交通系统中重要的一环被越来越多的人关注和研究。汽车车牌识别技术可以应用到高速路收费站的出闸口管理、小区中小型停车场的出入登记管理、学校停车场管理等传统场合的车牌定位识别系统上，具有运行可靠性高、识别准确等特点。随着机器视觉、人工智能的高速发展，汽车车牌识别技术越来越成为汽车前向防碰撞预警、汽车车道偏离检测等高级驾驶辅助(ADAS)以及汽车无人驾驶等领域的重点研究方法。

发明内容

本发明设计开发了一种基于机器视觉的汽车车牌字符分割自动识别方法，在投影分析的基础上进行固定边界多阈值车牌字符分割和车牌固定特征筛选，最终得到正确识别后车牌字符和数字，可靠性高，识别准确。

本发明提供的技术方案为：

一种基于机器视觉的汽车车牌字符分割识别算法，包括：

步骤一、利用电子设备采集包含车牌的汽车图像样本；

步骤二、对采集到的车牌图像样本依次进行像素点压缩、彩色图像灰度化、灰度拉伸、滤波和二值化得到预处理的包含车牌的汽车图像；

步骤三、对所述预处理的包含车牌的汽车图像进行边缘化处理，定位出目标汽车图像的车牌区域，得到车牌图像；

步骤四、对所述车牌图像进行字符分割；

步骤五、针对车牌字符分割后的单个字符二值化图像行归一化处理，然后遍历标准的车牌字符模板库，计算分割后的单个字符图像与标准字符的欧氏距离，并最终识别出车牌号。

优选的是，所述步骤二中像素点压缩过程的图像压缩率为：

其中，R_img为图像压缩率，δ为阈值像素高度，h为采集到包含车牌的汽车图像样本的像素高度。

优选的是，所述步骤二中图像二值化过程包括：

选取图像像素点灰度值范围的2/3大小，采用如下公式取得二值化的最佳阈值：

其中，V_max为图像像素点灰度值最大值，V_min为图像像素点灰度值最小值，V_best为二值化的最佳阈值。

优选的是，所述步骤三的车牌图像定位过程包括：

步骤a.采用像素大小为m×n的矩形模板，对预处理后图像IMG1作膨胀操作，填补孔洞，连通车牌区域，然后再用同等大小的矩形模板腐蚀，消除孤立的小区域，保留大块连通的区域，最后获得处理后目标图像IMG2；

步骤b.对目标图像IMG2作开运算，采用m×n大小的矩形模板，对目标图像作腐蚀操作，进一步消除非车牌区域的小块噪声区域，然后再用相同大小的模板膨胀，得到消除了大部分背景噪声的目标图像IMG3；

步骤c.对所述目标图像IMG3作m×n大小的矩阵模板开运算，得到基本只有车牌区域的二值化目标图像IMG4，初步定位出车牌；

步骤d.对所述目标图像IMG4取半径为r的圆形模板做开运算，进一步的消除背景小噪声干扰，得到定位到车牌区域的目标图像IMG5。

优选的是，所述步骤四的车牌图像字符分割过程包括：

步骤A、对所述定位到车牌区域的目标图像进行车牌区域倾斜校正、消除间隔字符处理，得到字符分割预处理图像；

步骤B、对所述字符分割预处理图像作水平方向投影获得水平直方图，计算分割字符区域和非字符区域的最佳阈值，遍历水平方向上的像素点，将所述像素点的水平直方图和所述最佳阈值作比较，若所述水平直方图大于所述最佳阈值，则判定像素点为字符区域像素点；

步骤C、记录所有字符区域像素点位置创建上升点数组，记录非字符区域像素点位置创建谷底点数组；

根据所述谷底点数组计算每个下降点的位置，从水平方向上的的第一个像素点遍历到最后一个下降点，若像素点不是白色，记录下字符点坐标位置，进而获得上边框区域；

根据所述上升点数组计算每个上升点的位置，从x轴车牌结束点遍历到最后一个上升点，若像素点不是白色，记录上字符点坐标位置，进而获得下边框区域；

步骤D、计算车牌字符高度，对所述字符分割预处理图像作垂直方向投影获得垂向直方图，计算得到车牌上字符之间的水平间距；

步骤E、在所述字符高度数组中查找最大字符高度，在字符之间的水平间距数组中查找最大值并将其作为字符分割阈值，最终得到车牌上7个字符分割图像IMG_s1…IMG_s7。

优选的是，所述步骤A中的车牌区域倾斜校正角度为：

α＝|90°-θ|

其中，θ为车牌实际的倾斜角。

优选的是，所述消除间隔字符过程包括：

对倾斜校正后的目标图像作开运算，采用半径为r的圆形模板，对倾斜校正后的目标图像作腐蚀操作然后再用半径为r的圆形模板膨胀，得到消除了间隔符标点的目标图像。

优选的是，所述水平直方图计算公式为：

其中，IMG_Hist_row(i)为目标图像水平方向上白色像素点的直方图分布，MAXH为上下边缘并包含上下框的像素点行数，H(i)为车牌图像第i行中白色像素点个数；

所述分割字符区域和非字符区域的最佳阈值计算公式为：

其中，Ave_IMG_Hist_row为水平方向直方图的平均值，MIN_IMG_Hist_row为水平方向直方图的最小值，Mean_IMG_Hist_row为分割字符区域和非字符区域的最佳阈值。

优选的是，所述车牌字符最大高度的计算公式为：

其中，MIN_Char_Hight_row为最大字符高度，Peak_Arr_row(i)为水平第i个峰宽度，Peak_Arr_row(i)＝Peak_Dis_Arr_row(i)-Bottom_Arr_row(i)；Peak_Dis_Arr_row(i)为第i个像素点水平中心距；Peak_Dis_Arr_row(i)＝Rise_Arr_row(i)+Bottom_Arr_row(i)；Rise_Arr_row(i)为水平第i个上升点位置，Bottom_Arr_row(i)为水平第i个谷底点位置；

所述车牌字符中心距的计算公式为：

Peak_Dis_Arr_col(i)＝Rise_Arr_col(i)+Bottom_Arr_col(i)

其中，Peak_Dis_Arr_col(i)为垂向字符间中心距，Rise_Arr_col(i)为垂向第i个上升点位置，Bottom_Arr_col(i)为垂向第i个像素点谷底点位置。

优选的是，所述步骤五包括：

步骤Ⅰ、对所述目标字符图像IMG_s1…IMG_s7做归一化处理，使得每个字符图像大小相等；

步骤Ⅱ、创建标准车牌字符图像库，共有34个省份简称汉字字符、字母A-Z以及数字0～9；

步骤Ⅲ、遍历标准车牌字符图像库，针对目标字符图像IMG_s1中对应某一像素点a(x_a,y_a)，以及在标准车牌字符图像库中每个字符图像对应的像素点b(x_b,y_b)，计算出对应的两点间欧式距离：

其中，d(a,b)为对应的两点间欧式距离；

进而，求出目标字符图像IMG_s1的总像素与标准车牌字符图像库每个字符图像对应点的欧氏距离和，保存到数组IMG_Dis_Arr；

步骤Ⅳ、遍历数组IMG_Dis_Arr，找到最小的欧氏距离，对应的标准车牌字符图像库中的图像就是识别的字符；

步骤Ⅴ、遍历目标字符图像IMG_s2…IMG_s7，重复步骤Ⅲ和步骤Ⅳ，直到识别出其他剩余车牌字符。

本发明所述的有益效果

本发明提供一种基于机器视觉的汽车车牌字符分割、自动识别方法。针对中国国内使用的机动车辆各种类型的标准车牌，使用高清摄像头采集行驶中的汽车前部图像，将原始汽车图像首先经过图像预处理和边缘检测后得到包含车牌轮廓的二值化汽车图像，然后基于数学形态学模型进行汽车车牌的定位并进行分割提取得到感兴趣区域ROI目标图像，针对ROI图像，进一步的进行倾斜校正、消除车牌间隔符等预处理后，在投影分析的基础上进行固定边界多阈值车牌字符分割和车牌固定特征筛选，最终得到正确识别后车牌字符和数字，识别准确，可靠性高。

附图说明

图1为本发明所述的基于机器视觉的汽车车牌字符分割识别算法的总体架构框图。

图2为本发明所述的汽车车牌字符分割算法流程图。

图3为本发明所述的车牌区域定位流程图。

图4为本发明所述的车牌号识别流程图。

图5为本发明所述的车牌水平投影图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供的基于机器视觉的汽车车牌字符分割识别算法，包括：

步骤S110、利用电子设备采集包含车牌的汽车图像样本，作为一种优选汽车前部图像的采集采用高分辨率彩色摄像头；

步骤S120、对采集到的车牌图像样本依次进行像素点压缩、彩色图像灰度化、灰度拉伸、滤波和二值化得到预处理的包含车牌的汽车图像；

高分辨率摄像头采集的原始图像数据过大，为便于在嵌入式系统上运算执行，进行图像尺寸压缩，图像压缩率为：

其中，R_img为图像压缩率，δ为阈值像素高度，h为采集到汽车图像样本的像素高度，在本实施例中δ选取为200，当高度超过200像素点时进行压缩。

图像二值化采用图像灰度值三分点阈值法，将依照如下公式取得二值化的最佳阈值：

式中，V_max为图像像素点灰度值最大值，V_min为图像像素点灰度值最小值，取图像像素点灰度值范围的2/3大小为最佳阈值进行二值化。

步骤S130、对所述预处理的包含车牌的汽车图像进行边缘化处理；

如图3所示，步骤S140、定位出目标汽车图像的车牌区域，得到车牌图像；

步骤S141、对进行了边缘检测的目标图像IMG1作闭运算，采用大小为m×n的矩形模板，对图像作膨胀操作，填补孔洞，连通车牌区域，然后再用同等大小的矩形模板腐蚀，消除孤立的小区域，保留大块连通的区域，最后获得处理后目标图像IMG2；

步骤S142、对目标图像IMG2作开运算，采用m×n大小的矩形模板，对目标图像作腐蚀操作，进一步消除非车牌区域的小块噪声区域，然后再用相同大小的模板膨胀，得到消除了大部分背景噪声的目标图像IMG3；

步骤S143、对上一步获取的图像IMG3作m×n大小的矩阵模板开运算，得到基本只有车牌区域的二值化目标图像IMG4，初步定位出车牌。

步骤S144、针对IMG4取半径为r的圆形模板做开运算，进一步的消除背景小噪声干扰，得到定位到车牌区域，即ROI区域的目标图像IMG5，作为一种优选，在本实施例中，矩阵模板m×n选取9×9大小，圆形模板r选取为3。

步骤150、对目标图像进行车牌区域倾斜校正、消除间隔字符等预处理；包括：

步骤151、车牌区域倾斜校正，车牌区域即ROI区域的目标图像IMG5，在实际的汽车行驶过程工况下会出现角度的倾斜，因此需要进行角度的校正。针对图像二维函数g(x,y)在x轴的投影：

式中，a＝x·cosθ+y·sinθ，b＝-x·sinθ+y·cosθ，θ为车牌实际的倾斜角，实际工况下，车牌区域的最大倾斜角一般不会超过90°，通过边缘检测确定θ之后，将车牌区域做|90°-θ|旋转校正，得到目标图像IMG6；

步骤S152、国内标准汽车车牌上第2与第3个字符间有一个类似于实心句号的间隔标点，其存在容易在字符分割环节被误判为一个字符，导致被错误分割，因此在进行字符分割之前将间隔符消除掉。包括：

首先，对目标图像IMG6作开运算，采用半径为r的圆形模板，对目标图像作腐蚀操作，消除间隔符区域的小块噪声区域；

然后，再用相同大小的模板膨胀，得到消除了间隔符标点的目标图像IMG7，在本实施例中，圆形模板r选取为3。

如图2所示，步骤S160、对步骤S152预处理后得到的目标图像作投影分析和多阈值车牌字符分割：

如图5所示，步骤S161、对目标图像做投影分析获得直方图，计算得到车牌上字符最大高度；

针对水平投影，具体过程：

依据直方图公式：

式中，MAXH是指车牌的上下边缘，包含字符、边框之间的像素点行数，IMG_Hist_row目标图像在水平方向上白色像素点的直方图分布；H(i)为车牌图像第i行中白色像素点个数。

依据直方图平均值和最小值计算出分割字符区域和非字符区域的最佳阈值：

取得直方图的平均值：

接着取得直方图的最小值：

得到分割字符区域和非字符区域的最佳阈值：

遍历x轴，比较第i个像素点的直方图IMG_Hist_row(i)与最佳阈值Mean_IMG_Hist_row的大小，若大于最佳阈值则判定为字符区域，即为第i个上升点，并创建一个数组Rise_Arr_row(i)记录该点的位置；若小于或等于最佳阈值则判定为非字符区域，即为谷底点，并创建一个数组Bottom_Arr_row(i)记录第i个谷底宽度。

步骤S162、计算字符中心距：

对于数组Rise_Arr_row(i)，第i+1个上升点位置减去第i个上升点的位置，得到第i个峰的中心距Peak_Dis_Arr_row(i)，其中，峰中心距＝一个峰宽度+一个谷底宽度。

计算下降点位置、字符高度，即为谷底宽度等参数。依据：

Down_Arr_row(i)＝Rise_Arr_row(i+1)-Bottom_Arr_row(i)

即第i个下降点的位置Down_Arr_row(i)等于第i+1个上升点位置减去第i个谷底宽度；

依据：Peak_Arr_row(i)＝Peak_Dis_Arr_row(i)-Bottom_Arr_row(i)

即第i个峰宽度Peak_Arr_row(i)等于第i个峰的中心距减去第i个谷底宽度；

计算车牌字符最大高度，并计算上下边框位置。针对字符高度(峰宽度)数组Peak_Arr_row(i)，依据：

计算出最大字符高度MIN_Char_Hight_row。

对目标图像车牌区域去除上下边框，上下边框位置检测，包括：

针对直方图IMG_Hist_row，从第1个像素点遍历到第1个下降点Down_Arr_row(1)处，当该点不是白色，则判定为上边框与第1个字符之间的间隙点，并记录下字符点的坐标位置，存放于数组Edge_T_x和Edge_T_y中，以此确定上边框区域。同样，检测出底边，然后从车牌的底边扫描至最后一个字符的开始位置，即从车牌结束点MAXH遍历至最后一个上升点处，当该点不是白色，则判定为下边框与最后一个字符的间隙点，并记录下最后一个字符的坐标位置，存放于数组Edge_B_x和Edge_B_y中，确定下边框区域。

步骤S163、对目标图像作垂直方向投影获得直方图对目标图像IMG7做垂直投影分析的步骤与水平投影分析相同；

步骤S164、计算得到车牌上字符之间的最大水平间距，对目标图像IMG7进行垂直投影分析后，得到直方图波峰即为字符间中心距数组Peak_Dis_Arr_col(i)，得到最大的字符间中心距。

步骤S165、车牌固定特征筛选字符分割区域，基于多阈值法完成字符分割。多阈值字符分割，由汽车车牌字符先验知识得知，车牌上字符有7个，即第2个与第3个字符间的中心距MAX{Peak_Dis_Arr_col(i)}；并定义该中心距在数组Peak_Dis_Arr_col(i)中的索引值为Index；

步骤S166，继续在Peak_Dis_Arr_col(i)中查找最大值并将其作为字符分割阈值选取的间距，最终得到车牌上7个字符分割图像IMG_s1…IMG_s7。

如图4所示，步骤S170、针对车牌字符分割后的单个字符二值化图像行归一化处理，然后遍历标准的车牌字符模板库，计算分割后的单个字符图像与标准字符的欧氏距离，并最终识别出车牌号。

字符识别方法，针对车牌字符分割后的单个字符二值化图像IMG_s1…IMG_s7进行归一化处理，然后遍历标准的车牌字符模板库，计算分割后的单个字符图像IMG_s1…IMG_s7与标准字符的欧氏距离，并最终识别出车牌号。进一步的：

步骤S171、对目标字符图像IMG_s1…IMG_s7做归一化处理，使得每个字符图像大小相等；

步骤S172、创建标准车牌字符图像库，共有34个省份简称汉字字符、字母A-Z以及数字0～9；

步骤S173、遍历标准车牌字符图像库，针对目标字符图像IMG_s1中对应某一像素点a(x_a,y_a)，以及在标准车牌字符图像库中每个字符图像对应的像素点b(x_b,y_b)，依据公式：

步骤S174计算出对应的两点间欧式距离d_(a,b)，进而求出目标字符图像IMGs1的总像素与标准车牌字符图像库每个字符图像对应点的欧氏距离和，保存到数组IMG_Dis_Arr；

步骤S175、遍历数组IMG_Dis_Arr，找到最小的欧氏距离，对应的标准车牌字符图像库中的图像就是识别的字符；

遍历目标字符图像IMG_s2…IMG_s7，重复步骤三和步骤四，直到识别出其他剩余车牌字符。

实验例：随机选取200幅车牌，运用本发明提供的基于视觉的汽车车牌字符分割识别算法，准确识别出196幅车牌字符，有效率达到98％，选取的200幅车牌图像中有20幅车牌部分受污泥的影响较大，出现某个字符或几个字符部分被遮挡的现象，通过本发明算法处理提高了字符分割的效率，通过本方法能够将其识别。

本发明提供一种基于机器视觉的汽车车牌字符分割、自动识别方法。针对中国国内使用的机动车辆各种类型的标准车牌，使用高清摄像头采集行驶中的汽车前部图像，将原始汽车图像首先经过图像预处理和边缘检测后得到包含车牌轮廓的二值化汽车图像，然后基于数学形态学模型进行汽车车牌的定位并进行分割提取得到感兴趣区域ROI目标图像，针对ROI图像，进一步的进行倾斜校正、消除车牌间隔符等预处理后，在投影分析的基础上进行固定边界多阈值车牌字符分割和车牌固定特征筛选，最终得到正确识别后车牌字符和数字，识别准确，可靠性高尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (6)

1.一种基于机器视觉的汽车车牌字符分割识别算法，其特征在于，包括：

步骤一、利用电子设备采集包含车牌的汽车图像样本；

步骤二、对采集到的车牌图像样本依次进行像素点压缩、彩色图像灰度化、灰度拉伸、滤波和二值化得到预处理的包含车牌的汽车图像；

步骤三、对所述预处理的包含车牌的汽车图像进行边缘化处理，定位出目标汽车图像的车牌区域，得到车牌图像；

步骤四、对所述车牌图像进行字符分割；

步骤五、针对车牌字符分割后的单个字符二值化图像进行归一化处理，然后遍历标准的车牌字符模板库，计算分割后的单个字符图像与标准字符的欧氏距离，并最终识别出车牌号；

所述步骤四的车牌图像字符分割过程包括：

步骤A、对所述定位到车牌区域的目标图像进行车牌区域倾斜校正、消除间隔字符处理，得到字符分割预处理图像；

步骤B、对所述字符分割预处理图像作水平方向投影获得水平直方图，计算分割字符区域和非字符区域的最佳阈值，遍历水平方向上的像素点，将所述像素点的水平直方图和所述最佳阈值作比较，若所述水平直方图大于所述最佳阈值，则判定像素点为字符区域像素点；

步骤C、记录所有字符区域像素点位置创建上升点数组，记录非字符区域像素点位置创建谷底点数组；

根据所述谷底点数组计算每个下降点的位置，从水平方向上的的第一个像素点遍历到最后一个下降点，若像素点不是白色，记录下字符点坐标位置，进而获得上边框区域；

根据所述上升点数组计算每个上升点的位置，从x轴车牌结束点遍历到最后一个上升点，若像素点不是白色，记录上字符点坐标位置，进而获得下边框区域；

步骤D、计算车牌字符高度，对所述字符分割预处理图像作垂直方向投影获得垂向直方图，计算得到车牌上字符之间的水平间距；

步骤E、在所述字符高度数组中查找最大字符高度，在字符之间的水平间距数组中查找最大值并将其作为字符分割阈值，最终得到车牌上7个字符分割图像IMG_s1…IMG_s7；

所述水平直方图计算公式为：

其中，IMG_Hist_row(i)为目标图像水平方向上白色像素点的直方图分布，MAXH为上下边缘并包含上下框的像素点行数，H(i)为车牌图像第i行中白色像素点个数；

所述分割字符区域和非字符区域的最佳阈值计算公式为：

其中，Ave_IMG_Hist_row为水平方向直方图的平均值，MIN_IMG_Hist_row为水平方向直方图的最小值，Mean_IMG_Hist_row为分割字符区域和非字符区域的最佳阈值；

所述步骤五包括：

步骤Ⅰ、对所述目标字符图像IMG_s1…IMG_s7做归一化处理，使得每个字符图像大小相等；

步骤Ⅱ、创建标准车牌字符图像库，共有34个省份简称汉字字符、字母A-Z以及数字0～9；

步骤Ⅲ、遍历标准车牌字符图像库，针对目标字符图像IMG_s1中对应某一像素点a(x_a,y_a)，以及在标准车牌字符图像库中每个字符图像对应的像素点b(x_b,y_b)，计算出对应的两点间欧式距离：

其中，d(a,b)为对应的两点间欧式距离；

求出目标字符图像IMG_s1的总像素与标准车牌字符图像库每个字符图像对应点的欧氏距离和，保存到数组IMG_Dis_Arr；

步骤Ⅳ、遍历所述数组IMG_Dis_Arr，找到最小的欧氏距离，对应的标准车牌字符图像库中的图像就是识别的字符；

步骤Ⅴ、遍历目标字符图像IMG_s2…IMG_s7，重复步骤Ⅲ和步骤Ⅳ，直到识别出其他剩余车牌字符。

2.根据权利要求1所述的基于机器视觉的汽车车牌字符分割识别算法，其特征在于，所述步骤二中像素点压缩过程的图像压缩率为：

其中，R_img为图像压缩率，δ为阈值像素高度，h为采集到包含车牌的汽车图像样本的像素高度。

3.根据权利要求2所述的基于机器视觉的汽车车牌字符分割识别算法，其特征在于，所述步骤二中图像二值化过程包括：

选取图像像素点灰度值范围的2/3大小，采用如下公式取得二值化的最佳阈值：

其中，V_max为图像像素点灰度值最大值，V_min为图像像素点灰度值最小值，V_best为二值化的最佳阈值。

4.根据权利要求3所述的基于机器视觉的汽车车牌字符分割识别算法，其特征在于，所述步骤三的车牌图像定位过程包括：

步骤a、采用像素大小为m×n的矩形模板，对预处理后图像IMG1作膨胀操作，填补孔洞，连通车牌区域，然后再用同等大小的矩形模板腐蚀，消除孤立的小区域，保留大块连通的区域，最后获得处理后目标图像IMG2；

步骤b、对目标图像IMG2作开运算，采用m×n大小的矩形模板，对目标图像作腐蚀操作，进一步消除非车牌区域的小块噪声区域，然后再用相同大小的模板膨胀，得到消除了大部分背景噪声的目标图像IMG3；

步骤c、对所述目标图像IMG3作m×n大小的矩阵模板开运算，得到基本只有车牌区域的二值化目标图像IMG4，初步定位出车牌；

步骤d、对所述目标图像IMG4取半径为r的圆形模板做开运算，进一步的消除背景小噪声干扰，得到定位到车牌区域的目标图像IMG5。

5.根据权利要求4所述的基于机器视觉的汽车车牌字符分割识别算法，其特征在于，所述步骤A中的车牌区域倾斜校正角度为：

α＝|90°-θ|；

其中，θ为车牌实际的倾斜角。

6.根据权利要求5所述的基于机器视觉的汽车车牌字符分割识别算法，其特征在于，所述消除间隔字符过程包括：

对倾斜校正后的目标图像作开运算，采用半径为r的圆形模板，对倾斜校正后的目标图像作腐蚀操作然后再用半径为r的圆形模板膨胀，得到消除了间隔符标点的目标图像。

Images