基于图像处理的车牌识别研究.docx
《基于图像处理的车牌识别研究.docx》由会员分享，可在线阅读，更多相关《基于图像处理的车牌识别研究.docx（25页珍藏版）》请在冰点文库上搜索。
基于图像处理的车牌识别研究
基于图像处理的车牌识别研究
随着我国科技的飞速发展及经济水平的提高，人们会更多的选择私人汽车来代替公共交通工具,拥挤的车流易造成交通拥堵，同时也导致交通事故频频发生。
为了解决这一问题，专家们开始对智能交通进行了研发，车牌识别技术可以使交通变得更加通畅，并且为国家交通行业减轻负担，作用巨大。
车牌识别技术主要涉及模块识别、人工智能、计算机识别技术、图像处理等众多学科领域，本文主要从基于图像处理的车牌识别技术进行研究。
本文将图像的车牌识别分为车牌图像的预处理，车牌图像的定位和车牌图像的分割，车牌图像的识别等步骤。
第一步是将车牌图像进行预处理，将车牌彩色图像中的非必要信息去掉,留下灰白信息，将车牌位置区域信息突出，解决了有彩色信息的干扰提取信息不易的问题，为车牌关键信息的提取提供方便。
为了准确定位和分割出车牌中的关键信息，我们需要对车牌预处理后的图像进行第二步，车牌图像的定位和分割，车牌图像的定位是将车牌预处理后的车牌位置区域进行定位。
在这一步骤可以提取出车牌字符，为了将提取到的字符转化为信息被系统记录。
确定了预处理后车牌的位置。
然后进行车牌图像的分割，是对定位后的字符进行准确分割成一个个独立的字符，使后续工作更加顺利。
为了识别车牌信息，我们需要进行关键的第三步，是将经过车牌预处理、车牌定位和车牌分割后的字符通过神经网络法进行识别，神经网络法不仅可以解决识别率不高、准确率低的问题，还可以提高识别效率，减少识别的时间。
关键词：
车牌定位，图像预处理，字符识别，图像处理
第一章引言
1.1课题的研究背景和意义
随着人民经济水平的提高，公路上的私人车辆越来越多。
这给人工管理带来了很大的麻烦，汽车数量的增多会导致交通拥挤，环境变差，极易造成交通堵塞事故、车辆碰撞等一系列的不良问题。
如何改善道路交通现状已经成为现代交通中刻不容缓的问题，要想合理的解决交通问题可以利用高新技术来改造现有的道路运输系统及其管理体系。
伴随着计算机科技的高速发展，智能交通系统逐渐成为交通管理的主要手段。
其中车牌识别技术是只能交通系统的关键技术，车牌识别技术可以提高系统识别的准确率及速度，能通过对交通状况的了解，进行判断，节约人力资源，为交通行业管理提供便利。
1.2车牌识别研究发展现状
我国相对许多国家对于车牌自动识别技术开发晚，发展速度慢，早在20世纪80年代，国外已经开始了基与图像处理的车牌识别方面的研究。
在研究初期，车牌识别技术的研究没有形成完整体系，一般均采用简单基础的图像处理方法来解决问题，而此种方式得出的结果并不能保证准确率。
并且我国的车牌样式与其他国家不同，不能完全照搬他国的研究成果，所以我国还需研发更适应我国的车牌现况的识别的系统。
我国从90年代逐步对车牌识别系统进行研究，并取得了一些成绩。
例如北京航空航天大学胡爱明等人使用字符模板匹配设计了一套识别系统。
还有丹东东方测控技术有限公司研制的东方车辆牌照识别系统等等。
但是目前应用的识别系统的识别率，速率还有待提高，为了能够进一步的改善交通现状，应对我国急速增加的车流，正致力研究基于图像处理车牌识别研究的智能交通系统。
提高工作效率。
1.3车牌识别的过程及方法
首先要对原始图像进行预处理,通过这个步骤,来提高图像的质量,并且减少并不需要用到的图像信息,突出重点关注的车牌位置区域信息,本文通过对原始载入图像进行:
灰度化处理、图像去噪、二值化等方法,后续对车牌轮廓的提取做准备,最终达到车牌位置定位的目。
第二步通过数学形态的定位方法与边缘检测方法相结合，对车牌进行定位，在获得车牌位置后对车牌字符进行分割,将车牌中所有字符分割开来,形成单一的字符块。
最后再对字符块进行字符识别,得到车牌信息。
图1.1车牌识别的步骤
图1.1对车牌识别的过程进行了说明，是本文的车牌识别的步骤。
1.4本文主要内容及结构
本文对基于图像处理的车牌识别进行了主要的研究，主要包括车牌图像的预处理，车牌的定位与字符分割，车牌识别[10]。
本文分五章，各章主要内容如下：
第一章绪论：
主要介绍了课题的背景、研究意义、国内外车牌识别研究现状，以及车牌图像处理的步骤。
第二章车牌图像的预处理：
主要介绍了进行车牌图像预处理的过程，主要包括了图像灰度化、图像增强。
第三章车牌图像的定位和字符分割：
通过对边框的切割，单个字符的分割等，对车牌图像进行定位。
第四章车牌的字符识别：
主要介绍了车牌字符识别方面的内容，介绍了字符识别的方法，本文采用了神经网络法的方法，经实验结果证明有很高的识别率。
第五章总计和展望：
主要是对课题的总结以及对下一步的期望。
第二章车牌图像的预处理
在进行车牌图片采集的过程中,由于经常受到外界不可抗力的影响,我们获取到原始图像的质量并不一定很高,这样,也会对我们后续的一些处理带来一定的影响。
所以,我们需要对这些采集到的原始图像进行预处理,来提高所获取到的图像的质量,而且这种方法可以减少掉图片中一些不必要的图像信息,把重点的车牌位置区域信息突出,从而,为后续的一些图像处理提供便利。
对原始图片进行预处理的主要步骤分为:
图像灰度化处理、图像去噪、边缘检测、二值化、形态学处理。
通过这些步骤为车牌轮廓的提取做铺垫,最终达到对车牌位置进行定位的目的[6]。
2.1图像灰度化处理
在现实生活中，我们通过智能交通系统中摄像机拍照出的图片是彩色图像，它们的每个像素都是由R、G、B三个分量组成,其中包含了数量众多的色彩信息。
如果直接对采集来的彩色图像进行处理,这些众多的色彩信息,需要系统对其进行大量计算,这些计算需要耗费大量的时间影响系统的实效性。
而大大增添了智能交通系统的负担。
在RGB模型中,其中每一个像素都需要占用3个字节,每个分量都要占用1个字节,每个分量的取值范围是0-255,所以它可以演化成众多不同组合,每个像素的颜色都有（256*2356*256）种。
然而,灰度图像则不同，由于其本身只有亮度信息,而无色彩信息,所以它的每个像素只需要占用1个字节,划分成0-255共256级，因此与原始的彩色图像相比较而言，灰度化图像的计算量远远小于彩色图像，更加简单省时。
也便于车牌图像二值化操作，所以先对彩色图像进行灰度化处理[5]。
对彩色图片进行灰度化一般采用以下三种方法：
最大值法
平均法
加权平均法
最大值法：
用公式表示：
将R、G、B中最大值分给其他的两个分量
gray=max（R,G,B）（2.1）
经过最大值法处理过的图片通常会过亮，导致无法看清车牌号，所以一般不采用这种方法进行灰度化处理。
平均法：
：
gray的取值为R、G、B三个值和的平均值
gray=（R+B+G）÷3（2.2）
图片经过平均值法处理后，亮度信息不能得到很好的体现，所以不采用平均法进行灰度化处理。
加权平均法：
让gray取值是R、G、B三者的加权平均值
gray=（a*R+b*R+c*B）÷3（2.3）
a、b、c分别为R、G、B的权值,当其权值取不同的值时,能够形成不同灰度的灰度图像。
人眼对绿色最为敏感，红色稍差,蓝色是最低的。
所以b>a>c，生成的灰色图像符合人的视觉感受。
通常当a=0.9，b=1.77，c=0.36时最合理。
即：
g=0.3R+0.59B+0.12（2.4）
图2.1是汽车的原始彩色图像，图2.2是采用加权平均法灰度化后的图像，经过对比可知，采用加权平均法灰度化的图像实用性更强。
2.2图像增强
在拍摄时由于受到环境的影响，图像出现很多干扰，达不到车牌识别的标准。
图像增强的目的是提高图片的视觉效果，获取图内有用的信息，减弱不需要的信息，得到更适合处理的图像，将重要信息凸显出来使其有更高的利用价值。
在图像增强的过程中，往往在对对有兴趣的信息进行强调时，会伴随着某一部分的信息损失。
通常图像增强的类型可将其分为：
空间域
频率域
彩色增强
由于是全天工作使智能交通系统对环境要求很高，若光源不足，自然光照会引起车牌图像的对比度不足使图像中车牌字符不清晰，更无法完成字符的定位分割及字符的识别，所以对图像对比度的研究是必不可少的。
通过对灰度化后的图像进行空间域中灰度化拉伸，运用线性函数对图像灰度区域进行调度。
提高牌照的区域与非牌照区域的对比度，使其更加明显，以便后续的定位分割与识别工作。
灰度化的方法主要包括线性变化、分段线性变化还有非线性变化。
这三种方法都可以大大提高视觉效果。
这需要根据具体车牌与当时所处环境采取合适的方法。
分段线性变化比其他两种更加能突出重要信息，抑制不重要的信息。
将经过灰度化处理过的图像2.3进行分段线性变化后的车牌图像为：
进行分段线性变化的车牌图像更加能突出重要信息。
2.3图像去噪
车牌图像的噪声来源十分广泛，有智能交通系统的外部原因，如天气、光照等因素。
也有来自系统内部的原因，如摄像机自身的摄像质量，车身行进时自身的抖动等等。
不仅发生在图像获取中，也发生在传播中。
由于车辆识别的对象是车牌本身。
所以,我们需要保护的是车牌的部分信息,尤其是车牌的边框信息。
由于车牌边框的信息是用来定位车牌的重要因素。
如果车牌边框的边缘信息因为噪声的干扰被大幅度减弱甚至完全消失,那就无法准确的定位车牌。
也有可能使后续的一系列车牌信息识别的步骤无法继续进行。
所以为了避免噪声干扰对汽车车牌边缘的提取，降低噪音对车牌定位的影响程度，对处理好的汽车图像进行合理的滤波去噪是十分必要的。
汽图像的噪声来自两个方面。
其一是电子噪声。
其二是光照、温度等因素造成的图像噪音。
我们通常运用数字特征如方差、函数等来反映噪音的性质。
噪声主要包括：
高斯白噪声、均匀噪声、瑞利噪声等等。
在这里需要选用对图片信息影响较小的处理方法。
下面通过对以下几种常见处理方法的效果对比，进行挑选。
（1）当采用低通滤波法时，在除掉噪音的同时会让车牌字符边缘变得模糊不清，对定位，分割，识别造成影响。
当采用高通滤波法时增强了边缘信息但也增强了噪音。
所以通常采取中通滤波法去除图像的噪音。
中通滤波法是一种非线性滤波的方法，是采用邻域运算，运算处理比较便利，其主要功能是减弱傅里叶空间内的高频分量，使图像更加平稳。
其具体步骤为：
让模板存在于图像里，同时让模板的中心与图像的某个像素重合
读出模板重合像素对应的各像素的灰度值
把这些灰度值由小向大排列
找出其中的中间值
将中间值给予对应模板中心像素
（2）运算方法
中值滤波就是把领域窗口内的所有像素灰度值从小到大排列后,取其中间值作为中心位置（x,y）的新灰度值。
如果窗口内像素个数为偶数个,则取两个中间值的平均值。
其数学表达式可表示为:
Med
G（x,y）=（x,y）∈AF（x,y）（2.5）
其中,A表示滤波器选用窗口内各像素点的集合,F（x,y）表示原始图像在（x,y）处的灰度值,G（x,y）表示经过中值滤波处理后图像在F（x,y）处的灰度值。
本文实验采用3×3窗口对目标图像进行中值滤波,试验结果表明经过中值滤波法电脑图像不仅噪声得到了有效的抑制并且车牌边缘得以保存，让车牌图像变得更加清晰。
所以我们采用中值滤波法。
2.4图像二值化
对图像进行二值化,其目的在于将图像呈现出非黑（0）即白（255）的视觉效果。
灰度图像其自身具有256级灰度,简而言之就是具有不同的颜色深度。
但是,本文的目的是车牌信息的识别,所以首要任务是对采集图像进行车牌定位。
而众多级别灰度的灰度图像无法对车牌位置的确定提供便利,还需要对经过去噪的图像进行二值化,将车牌本身及其背景相分离。
常用的图像二值化方法有：
纹理分析法②灰度直方图波峰波谷法③全局阈值法④彩色分析法⑤局部阈值法
图像的二值化由公式（2.6）或公式（2.7）表示。
ƒ’（i,j）=1ƒ（i,j）≥t（2.6）
0ƒ（i,j）＜t（2.7）
其中t是阈值，ƒ（i,j）为输入车牌图像的数据，ƒ（i,j）为输出车牌图像的数据。
通过以上两个公式进行运算，根据情况设定阈值，当灰度值大于所设定的阈值时，保留其字符图像。
当灰度值小于所设定的阈值时为车牌背景。
这样我们就把想要的目标从复杂的环境中分离出来，为今后的工作打下基础。
所以，阈值的选择是十分重要的。
如果阈值大了，会让有用的车牌符号变为背景。
如果小了，会让无用信息变为车牌符号。
其中全局阈值法和局部阈值法是现今比较被广泛使用的。
全局阈值法：
是在图像分割过程中，对图像里的每个像素值使用一样的阈值。
局部阈值法：
是每个像素的灰度值和每个像素周围的局部灰度值来找到阈值，把灰度阈值与图像变化的函数值。
在图像经过二值化后图像为：
图2.6经过二值化后的图像突出了黑白效果，更加容易识别。
2.5本章小结
本章通过对车牌原始图像进行了一系列预处理，对获取的图像进行了先期的处理。
进行了图像灰度化、图像增强、图像去噪、图像二值化内容，突出了需要的目标区域，淡化了非车牌区域，将车牌位置明显的凸显出来，为后续利用车牌的特征信息进一步对车牌进行近似定位奠定基础。
第三章车牌图像定位与字符分割
在车牌图像中有实际意义的只有车牌的区域，其他的为无用信息。
所以为了准确识别车牌字符，我们将车牌区域从车牌图像中准确定位并分离出来。
车牌定位是在车牌预处理后的图像中确定所需牌照的具体位置，并将所需车牌字符的图像从整个图像中区分出来。
为了对定位后的车牌信息识别出来，需要对车牌中的字符、数字、汉字分割一个个独立的字符，每个字符进行独立分析。
所以需要车牌字符分割处理，为车牌字符识别提供前提条件。
3.1车牌特征
根据《中华人民共和国机动车号牌》的规定，我国机动车的车牌底色与字体颜色搭配，常见的三种为黄底黑字车牌、黑底白字车牌、蓝底白字车牌，除了这三种常见车牌，还有黑底红字车牌、白底红字车牌、白底黑字车牌这三种驻华使馆、领事馆及警车车牌[9]。
车牌的信息主要由汉字、字母以及数字七个字符组成。
车牌宽度44cm，车牌高度14cm。
车牌的最左端字符距离左边框的距离以及最右端字符距离右边框的距离均为1.55cm，字符上下端距离其对应的上下边框的距离均为2.5cm。
车牌中每个字符的宽度都为4.5cm，高度都为9cm。
车牌的第二个字符和第三个字符之间的间距为3.5cm，其剩余相邻字符间的距离皆为1.2cm。
车牌中的汉字一般是省份的简称，当然还有一些特殊用车,其汉字包括:
警、领、使、学、挂。
根据我国车牌的特征，衍生了很多不同的字符切割方法，有根据根据字符的固有长度及字符结构的特征结合车牌尺寸和字符间距的模板匹配法、根据字符与字符键的空隙进行分割的投影法等等。
3.2常用的车牌定位方法
选择适合的车牌定位方法十分重要，车牌的字符分割与识别依赖于图像质量的优良。
（1）基于数学形态学的定位方法
基于数学形态学思想就是使用一个结构元素来测试图像中的数据信息，运用简单的集合和几何运算，例如，包含、交、并、补和平移等对图像进行探测。
（2）水平方向灰度化变化的车牌定位方法
利用车牌区域的水平灰度比背景大的特点，对车牌图像进行二值化。
然后在二值化的图像上查找连通域,凭借连通域的性质来定位车牌方位。
此方法速度很快但对边界不能准确定位，无法准确的将边界与字符、数字分离开。
（3）基于纹理特征分析的定位方法
是传统的纹理特征分析定位算法，其大多是通过灰色图像分析得来的所以，所以先进行车牌的预处理，再进行车牌的定位的。
通过行与列的扫描来确定车牌区域，先对图像的像素进行扫描，得到车牌图像中的线段，得到所需的线段坐标和长度。
在线段上确定一个车牌图像所在的区域，然后在区域内进行列扫描，确定高度等信息，确定其具体位置，形成了一个具体的车牌区域。
（4）基于小波分析的定位算法
小波分析的定位算法结合了数学的形态学，利用小波提取边界的很小的区域，采取形态学减弱噪声，表现图像在不同分辨率内的变化。
小波分析多方向、多形态变化。
这个方法要求计算量大，耗费时间长，一般不采用。
（5）基于边缘检测的定位方法
基于边缘检测的定位方法中，在车牌图像的边界边缘的灰度值发生突然的变化，而车牌内部背景与车牌字符等是比较而言是较为平稳的。
所以，车牌区域的大概位置可以确定。
此方法能够提取我们需要的背景及字符。
并且抑制了不需要的部分。
这个方法对图像质量要求高，同时要求图像中干扰尽可能小。
这样方法测出的车牌区域才能更加准确。
本文采取基于数学形态学的定位方法，其车牌区域定位受结构元素的影响。
过大的结构元素会使图像的车牌区域形成连通域，生成噪音。
如果结构元素过小，会使车牌字符区域分离，不能连接到一起。
因此，我们可以将数学形态的定位方法与边缘检测方法相结合。
先利用边缘检测突出车牌区域的边缘，减小噪声然后采用基于数学形态的方法将车牌区域形成连通域，实现车牌定位。
其具体步骤为：
1）对彩色车牌图像进行灰度化
2）对灰度化图像进行高斯平滑处理
3）对车牌区域进行边缘检测
4）对图像进行二值化
5）使用数学形态学定位方法
6）确立出车牌的位置与长宽的比例
（6）边缘检测方法算法流程
图3.1边缘检测算法流程图
1）去除微弱噪声干扰:
对边缘检测后的图进行行求和,设阈值m将和小于m的行值设为零,剩下的为预备区域，并且记下每个预备区域的开始点Xbeg和结束点Xend，其中m为统计多副图的经验值,本文取10，L为每行的和值。
2）去除车身等干扰:
对预备区域中的的每个区域求其面积,面积小于a*Smax的为车身等干扰，面积大于等于a*Smax的为车牌候选区域。
其中Smax是预备区域中最大的面积值，a为修正值,本文a取0.9，P为每个区域的面积。
3）去除栅栏或车灯干扰：
到这一步,车牌候选区域就只有两个区域,栅栏或车灯区域和车牌区域。
取出车牌候选区域的开始点Xbeg，如果Xbeg=Bmax，即Xbeg大的所对应的区域就是所需的车牌区域。
其中Bmax为车牌候选区域开始点的最大值，根据此水平定位算法能准确定位出车牌区域所在的水平区域，之后在用垂直定位方法算出车牌的准确定位。
3.3车牌倾斜纠正
在日常的生活交通中拍摄到的图片里，图像采集设备和车牌之间角度的变化，导致了车牌图像的倾斜现象。
车牌图像倾斜和导致车牌图像倾斜的原因有很多,比如在进行拍摄时,汽车在运动状态,在运动过程中所拍到的车辆图像一定会有一定程度的倾斜。
摄像机的拍摄位置与车辆的角度不适合进行拍摄。
在拍摄车辆图像时因为环境或者其他因素产生摄像头晃动,让拍摄出的车牌图像倾斜等等，因此要对其进行纠正[2]。
其纠正的方法有：
1）通过模板匹配，找到车牌区域的四个边界点，建立新的矩形车牌区域。
2）查找出车牌字符区域的局部极值的最大差值，找出其倾斜角度。
3）将车牌字符区域内连通域的中心节点连成一条直线，明确其倾斜角度值。
4）采用Hough变换法
在我国车牌识别的研究技术中，采用Hough变换法较多。
Hough变换法是运用矩形车牌的上下两边与水平夹角的倾斜角度对车牌的倾斜进行纠正地。
在正常情况下有外界环境，噪音等不良因素的干扰。
单使用Hough变换法十分困难，计算量比较大，纠正的效果不是十分理想。
所以在使用Hough变换法往往使用二值化等图像处理技术，先得到一个比较清晰的车牌图像，然后再进行Hough变换。
本课题采用了Hough变换法。
其具体步骤如下：
假设x-y坐标系中的一条直线可表示为:
y=ax+b（3.1）
该直线在参数空间对应的极坐标方程可表示为
ρ=xcosθ+ysinθ（3.2）
其中ρ和θ（0≤θ≤2π）为参数,在x-y坐标系的一条直线在参数空间由ρ和θ唯一确定,因此,在x-y坐标系上的一条直线在参数空间上只是一个点,而图像中的一点则是对应于参数空间的一条正弦曲线。
在参数空间上,图像上的每一个点对应着一条正弦曲线,而这些正弦曲线相交的那一点就有相对应的x-y坐标系中的直线。
所以,图像中最长的直线应该就是所有正弦曲线相交最多的那个点,这样在图像空间中直线的检测问题就变成了在参数空间上求取局部最大值的问题了。
车牌区域的四个边界都是直线,而上下两个边界的直线应该就是定位出的车牌图像里的最长的直线,所以,一般都是用Hough变换来求出边框的四条直线,然后通过边框直线的倾斜程度得到车牌的水平倾斜和垂直倾斜的角度,最后对车牌进行倾斜校正。
3.4车牌图像字符特征
目前我国的车牌字母为七个字符，其统一的格式为X1X2,X3X4X5X6X7,总的字符长为409mm。
包含2和3的间隔是34mm，其余都是12mm。
车牌图像有以下特点：
1）车牌字符间隔大
2）车牌字符的水平，上下高度都一样，避免在分割时出现粘连现象。
可由于外界因素的影响，车牌字符的图像受到干扰和影响。
如：
字符之间的颜色深浅不一，光照不均匀等等。
虽然会代入噪声，但是每个字符之间的关系不会受到太大的影响。
3.5车牌图像字符分割
图像分割是目标识别的基础。
车牌字符分割的好坏直接影响着车牌字符识别的后续工作，十分重要。
是对经过预处理和定位后的图像内字符进行切分成一个个独立的字符。
[3]
常用的字符分割法
垂直投影的方法：
将车牌向垂直方向进行投影,得到的投影将会出现一些波峰和波谷，在字符和字符之间的位置将会出现波谷，在有字符的车牌位置像素点比较集中的位置会出现波峰。
分析这投影结果，发现车牌的垂直投影图像呈现出一定规律，波峰波谷交替出现的样子,波谷的部分即为间距，利用此就可以对字符进行切割。
该方法能够准确的切割我国车牌的大部分字符，但是在我国的车牌中有一些汉字字符是左右结构或者说是左右不连通的,如“豫”“川等字符，如果单独的使用该方法对车牌的字符进行分割，可能会出现分割不准确，容易引起失误。
所以该算法常常是和其他的算法相结合使用。
经过分割后，车牌图像变成了一个个独立的字符
固定边界法的字符分割：
因为车牌的大小规格是国家严格规定的所以字符与字符间，边之间都有规定。
因此，每个字符间隔都是有着固定的间隔。
所以车牌字符的分割的位置容易确定[11]。
其具体步骤如下：
1）将车牌区域图像灰度化
2）明确车牌的全局阈值，利用其进行车牌图像的二值化。
3）对二值化的车牌图像进行去噪音、去边框等操作，减小对车牌区域图像的干扰。
4）根据国家车牌规定将第一个汉字与字母的位置找到，将其划分出来。
5）第二个字母与后面的字母间隔相同，都是12mm，依据此对后面的字符进行分割。
固定边界法的字符分割法对车牌的标准要求度高，要求字母间间隔相同，同时在切割时每个字母左右切割位置要相同。
不然极易导致误差的出现，让后续工作无法开展。
为了能在复杂背景和不同光照条件下快速、准确地定位车牌位置,提出了一种基于边界法和投影法的车牌定位方法[4]。
投影法：
是像素点的积累，对得到的图像进行二值化后，对竖直方向的像素点进行统计记录，白色像素多表示为车牌字符区域，白色像素少表示为车牌字符间隔区域。
这个方法速度快，缺点是遇到干扰、噪声等因素时不适用。
基于图像分析的直接切分法：
通过对图像的分析从而找到字符与字符之间的合理的切割位置。
这个方法误差较大。
本文主要使用投影法与边界法结合。
其具体的步骤为：
1）将车牌区域图像灰度化
2）明确车牌的全局阈值，利用其进行车牌图像的二值化并去噪等干扰。
3）算出字符的上升点
4）算出波谷高度
5）利用阈值找到字符左右段，算出字符间的距离，找到切割的合适位置，确定割线。
将投影法和边界法结合，分割更加准确误差更小，为车牌识别奠定了基础，发挥着重要作用。
边框的去除
在正常情况下，车牌图像在经过预处理、二值化和定位以后，车牌图像内还易存在干扰。
例如边框等。
在进行切割前，把边框去除。
如不去除则会干扰字符的切除和字符的识别工作。
字符区域与边框之间存在很大的间隙。
我们想得到字符区域，去除边框的干扰。
我们可以采取以下的方法
升级会员 