李吉俊，董自健

(江蘇海洋大學(xué) 電子工程學(xué)院，江蘇 連云港 222005)

0 引言

車(chē)號(hào)字符分割是從字符組成的整個(gè)車(chē)號(hào)區(qū)域圖像中分割出單個(gè)字符的過(guò)程。它是車(chē)號(hào)自動(dòng)識(shí)別系統(tǒng)的中間環(huán)節(jié)，其分割結(jié)果直接影響車(chē)號(hào)最終的識(shí)別率。常用的字符分割方法有模板匹配法[1-2]、連通區(qū)域標(biāo)記法[3-4]、垂直投影法[5-7]以及它們相結(jié)合的方法[8-10]等。基于傳統(tǒng)垂直投影法的列車(chē)車(chē)號(hào)字符分割基本原理[11-12]為：列車(chē)車(chē)號(hào)各字符之間都存在一定寬度的間隔，對(duì)二值化后的車(chē)號(hào)圖像逐列掃描并統(tǒng)計(jì)每一列的白色或黑色像素總和，以此即可繪制出車(chē)號(hào)字符的投影直方圖。直方圖中的波谷部分對(duì)應(yīng)于車(chē)號(hào)字符之間的間隔(間隔區(qū)域的投影值很小或者為零)，根據(jù)直方圖中各個(gè)波谷的坐標(biāo)位置及車(chē)號(hào)各字符的寬度先驗(yàn)知識(shí)便可實(shí)現(xiàn)對(duì)車(chē)號(hào)字符的分割。

針對(duì)貨運(yùn)列車(chē)車(chē)號(hào)字符的粘連或斷裂問(wèn)題，有學(xué)者提出了相應(yīng)的車(chē)號(hào)字符分割方法。

牛智慧等[13]提出了一種基于字符輪廓上下特征以及字符寬度先驗(yàn)知識(shí)和數(shù)字字符弧特征的字符分割方法，該方法首先對(duì)車(chē)號(hào)字符進(jìn)行預(yù)分割，然后對(duì)粘連的車(chē)號(hào)字符進(jìn)行再分割以及對(duì)斷裂的車(chē)號(hào)字符進(jìn)行合并處理。楊吉[14]提出了一種基于輪廓檢測(cè)和字符先驗(yàn)知識(shí)的車(chē)號(hào)字符分割方法：當(dāng)車(chē)號(hào)字符不存在斷裂或者粘連時(shí)，則直接尋找車(chē)號(hào)字符輪廓的最小外接矩形，并根據(jù)獲取的矩形坐標(biāo)信息來(lái)實(shí)現(xiàn)對(duì)車(chē)號(hào)字符的分割；當(dāng)車(chē)號(hào)字符出現(xiàn)斷裂或粘連時(shí)，則對(duì)斷裂字符先進(jìn)行膨脹操作使其形成一個(gè)連通域，然后再對(duì)粘連字符進(jìn)行腐蝕操作，最后再根據(jù)輪廓檢測(cè)和字符先驗(yàn)知識(shí)的方法對(duì)粘連字符進(jìn)行均分，并依次輸出最終的車(chē)號(hào)字符。王凱[15]提出一種由互相關(guān)性匹配、K-means聚類分析和字符比例先驗(yàn)知識(shí)組成車(chē)號(hào)分割方法，該方法首先建立標(biāo)準(zhǔn)數(shù)字模板圖像并分別與待測(cè)車(chē)號(hào)圖像進(jìn)行二維互相關(guān)匹配，然后利用K-means算法聚類分析出所有車(chē)號(hào)字符最優(yōu)的匹配結(jié)果，最后再根據(jù)車(chē)號(hào)字符高寬比例先驗(yàn)知識(shí)精準(zhǔn)分割出每個(gè)車(chē)號(hào)字符。由于L70型貨運(yùn)列車(chē)車(chē)號(hào)字符寬窄不一、間距不等，因此該方法不適合本文的車(chē)號(hào)數(shù)據(jù)集。張曉麗[16]提出了一種自適應(yīng)游程算法與包圍圓算法相結(jié)合的車(chē)號(hào)分割方法。該方法先運(yùn)用自適應(yīng)游程算法對(duì)斷裂字符的不同連通域進(jìn)行合并重組，然后利用包圍圓算法對(duì)車(chē)號(hào)進(jìn)行分割。由于各字符的包圍圓之間會(huì)有重疊，可能無(wú)法提取出字符的完整輪廓，因此，該方法也不適合本文的車(chē)號(hào)數(shù)據(jù)集。

考慮到貨運(yùn)列車(chē)車(chē)號(hào)前5個(gè)字符有著比較明顯的規(guī)律和先驗(yàn)知識(shí)，本文提出了基于最近鄰值和車(chē)號(hào)字符先驗(yàn)知識(shí)的分割方法來(lái)分割車(chē)號(hào)的前5個(gè)完整字符，然后再根據(jù)后5個(gè)斷裂字符的先驗(yàn)知識(shí)，提出基于枚舉法的車(chē)號(hào)斷裂字符拼接方法來(lái)獲取車(chē)號(hào)的后5個(gè)完整字符，最終完成對(duì)整個(gè)車(chē)號(hào)的分割。

1 本文方法

本文所提出的貨運(yùn)列車(chē)車(chē)號(hào)字符分割方法主要由圖像預(yù)處理、獲取字符投影區(qū)域邊界所在列、基于最近鄰值和車(chē)號(hào)字符先驗(yàn)知識(shí)的分割方法、基于枚舉法的車(chē)號(hào)斷裂字符拼接方法等4個(gè)部分組成。圖像預(yù)處理部分主要是對(duì)車(chē)號(hào)區(qū)域圖像進(jìn)行高斯濾波、圖像灰度化和OTSU二值化；在獲取字符投影區(qū)域邊界所在列的基礎(chǔ)上，先采用基于最近鄰值和車(chē)號(hào)字符先驗(yàn)知識(shí)的分割方法，然后再結(jié)合基于枚舉法的車(chē)號(hào)斷裂字符拼接方法，最終實(shí)現(xiàn)對(duì)整個(gè)車(chē)號(hào)的分割。

1.1 圖像預(yù)處理

圖像預(yù)處理部分主要由高斯濾波、圖像灰度化和OTSU二值化操作三部分組成。首先對(duì)輸入的車(chē)號(hào)區(qū)域圖像(見(jiàn)圖1a)進(jìn)行高斯濾波去噪處理，然后對(duì)去噪后的圖像進(jìn)行灰度化處理，最后再對(duì)該灰度圖像進(jìn)行OTSU二值化處理。圖像預(yù)處理的具體步驟如下。

步驟1：對(duì)輸入的車(chē)號(hào)區(qū)域圖像進(jìn)行高斯濾波去噪處理。高斯濾波是對(duì)當(dāng)前像素點(diǎn)及其鄰域內(nèi)像素點(diǎn)的像素值進(jìn)行加權(quán)平均，并將加權(quán)平均的結(jié)果賦值給當(dāng)前像素點(diǎn)。計(jì)算出圖像中每一個(gè)像素點(diǎn)的加權(quán)平均結(jié)果，并用該結(jié)果替換所有當(dāng)前像素點(diǎn)的像素值，即可得到整幅圖像的高斯濾波結(jié)果。對(duì)輸入的車(chē)號(hào)區(qū)域圖像進(jìn)行高斯濾波處理，結(jié)果如圖1b所示。

步驟2：對(duì)去噪后的圖像進(jìn)行灰度化處理。車(chē)號(hào)圖像灰度化就是把彩色的車(chē)號(hào)圖像進(jìn)行灰度處理，使其變成灰度圖像的過(guò)程。本節(jié)選用加權(quán)平均法(令灰度值等于R，G，B 3個(gè)通道的值，分別乘以各自對(duì)應(yīng)的權(quán)值，然后再求和)對(duì)車(chē)號(hào)圖像進(jìn)行灰度化處理,其處理結(jié)果如圖1c所示。

步驟3：對(duì)該灰度圖像進(jìn)行OTSU二值化處理。日本學(xué)者大津(Nobuyuki Otsu)在1979年提出最大類間方差法，又稱OTSU方法，其目的是最大化圖像中目標(biāo)與背景的類間方差。該方法會(huì)遍歷所有可能的閾值，并在每一個(gè)閾值條件下計(jì)算此時(shí)的類間方差；當(dāng)計(jì)算的類間方差達(dá)到最大時(shí)，此時(shí)的閾值即為OTSU方法所計(jì)算出的最佳類間分割閾值[17]。在經(jīng)過(guò)高斯去噪和灰度化處理后，最大類間方差法處理的效果如圖1d所示。

a 車(chē)號(hào)區(qū)域圖像

1.2 獲取字符投影區(qū)域邊界所在列

根據(jù)車(chē)號(hào)區(qū)域二值化圖像的投影直方圖特征，可以很方便地獲取各個(gè)字符投影區(qū)域的邊界所在列，具體步驟如下。

步驟1：統(tǒng)計(jì)圖1d中每一列黑色像素的個(gè)數(shù)總和，繪制出的直方圖如圖2所示。

a OTSU二值化圖像

步驟2：觀察圖2中每一個(gè)投影區(qū)域可知，如果第i列像素總個(gè)數(shù)為0，第i+1列像素總個(gè)數(shù)不為0，則可將第i列視為該投影邊界的起始列；如果第j列像素總個(gè)數(shù)不為0，第j+1列像素總個(gè)數(shù)為0，則可將第j+1列視為投影邊界的終止列。運(yùn)用上述方法獲取圖2中所有投影邊界所在列的數(shù)值結(jié)果見(jiàn)表1。

表1 投影邊界所在列的數(shù)值結(jié)果

步驟3：在由表1的數(shù)值結(jié)果所組成的列表中，如果列表中第1個(gè)元素與第0個(gè)元素的差值大于等于50，或者列表中第3個(gè)元素與第2個(gè)元素的差值大于等于60，又或者第5個(gè)元素與第4個(gè)元素的差值大于等于60，則表明在車(chē)號(hào)的底部出現(xiàn)了字符粘連的情況；然后對(duì)粘連的二值圖像進(jìn)行裁剪(僅保留倒數(shù)第12行之前的部分)；最后再次獲取裁剪后的圖像所有投影邊界所在列的數(shù)值結(jié)果。反之，則不需要進(jìn)行該步操作。

1.3 基于最近鄰值和車(chē)號(hào)字符先驗(yàn)知識(shí)的分割方法

設(shè)車(chē)號(hào)前5個(gè)字符的先驗(yàn)知識(shí)為：字符“L”的平均寬度為a，字符“7”的平均寬度為b，字符“0”的平均寬度為c，字符“8”的平均寬度為d，字符“1”的平均寬度為e，字符“L”和“7”之間的平均間距為ab，字符“7”和“0”之間的平均間距為bc，字符“8”和“1”之間的平均間距為de，字符“1”所在投影區(qū)域像素總數(shù)的最大值在整個(gè)投影直方圖上較大。

車(chē)號(hào)前5個(gè)字符區(qū)域的投影邊界所在列的數(shù)值保存在列表list1中，其投影邊界所在列示意圖如圖3所示。其中，車(chē)號(hào)半個(gè)字符或者噪點(diǎn)邊界所在列在圖中未標(biāo)出，完整的字符左右邊界所在列由未知數(shù)x1,x2,…,x10標(biāo)出；區(qū)間[x1,x2]為字符“L”的所在區(qū)域；以此類推，區(qū)間[x9,x10]為字符“1”的所在區(qū)域。本文基于最近鄰值和車(chē)號(hào)字符先驗(yàn)知識(shí)的分割方法如表2所示。

圖3 車(chē)號(hào)前5個(gè)字符區(qū)域的投影邊界所在列示意圖

表2 基于最近鄰值和車(chē)號(hào)字符先驗(yàn)知識(shí)的分割方法

觀察圖2可知，投影區(qū)域即為車(chē)號(hào)整個(gè)字符或者車(chē)號(hào)半個(gè)字符或者噪點(diǎn)所在的區(qū)域。那么，各個(gè)投影區(qū)域邊界所在列即為車(chē)號(hào)整個(gè)字符或者車(chē)號(hào)半個(gè)字符或者噪點(diǎn)邊界所在列。在去除噪點(diǎn)區(qū)域(投影區(qū)域?qū)挾刃∮?)所在列后，所得到的車(chē)號(hào)前5個(gè)字符邊界所在列的數(shù)值結(jié)果如表3所示。由車(chē)號(hào)整個(gè)字符或者車(chē)號(hào)半個(gè)字符區(qū)域所在列的數(shù)值結(jié)果即可獲取相應(yīng)的字符圖像或者半個(gè)字符圖像，并把它們添加到列表list2中，由此得出的車(chē)號(hào)字符圖像如圖4所示。若列表list2的長(zhǎng)度等于10，則說(shuō)明10個(gè)車(chē)號(hào)字符是完整的，此時(shí)車(chē)號(hào)字符分割已經(jīng)完成；若該列表的長(zhǎng)度大于10，則說(shuō)明有車(chē)號(hào)字符是不完整的，需要對(duì)此進(jìn)行進(jìn)一步的分割和拼接處理。

表3 前5個(gè)字符邊界所在列數(shù)值結(jié)果

圖4 車(chē)號(hào)整個(gè)字符和半個(gè)字符圖像

由圖4可知，車(chē)號(hào)字符由整個(gè)字符和半個(gè)字符組成，且它們出現(xiàn)的個(gè)數(shù)和位置難以確定，而車(chē)號(hào)前5個(gè)字符有著比較明顯的規(guī)律和先驗(yàn)知識(shí)。因此本文采用本節(jié)所提出的方法來(lái)分割來(lái)車(chē)號(hào)的前5個(gè)完整字符。下面以圖1d的車(chē)號(hào)區(qū)域二值化圖像為例來(lái)介紹所提出的分割方法，其具體分割步驟如下。

(1)確定車(chē)號(hào)字符先驗(yàn)知識(shí)。車(chē)號(hào)前5個(gè)字符的先驗(yàn)知識(shí)由表4給出。

表4 車(chē)號(hào)前5個(gè)字符的先驗(yàn)知識(shí)

(2)分割車(chē)號(hào)第1個(gè)字符“L”。在表3的結(jié)果列表中尋找數(shù)值a=40的最近鄰值，所求得的51即為字符“L”的右邊界，設(shè)置字符“L”的左邊界為1，即可完整地分割出字符“L”。

(3)分割車(chē)號(hào)第2個(gè)字符“7”和第3個(gè)字符“0”。在表3的結(jié)果列表中尋找數(shù)值x2+ab+b=88的最近鄰值，所求得的95即為字符“7”的右邊界；然后再尋找數(shù)值x4-b=70的最近鄰值，所求得的65即為字符“7”的左邊界。同理可以求出字符“0”的左右邊界，因此可以完整地分割出字符“7”和字符“0”。

(4)分割車(chē)號(hào)第4個(gè)字符“8”。在表3的結(jié)果列表中尋找數(shù)值m-e/2-de=208的最近鄰值，所求得的216即為字符“8”的右邊界；然后再尋找數(shù)值x8-d=168的最近鄰值，所求得的168即為字符“8”的左邊界。根據(jù)字符“8”的左右邊界即可完整地分割出字符“8”。

(5)分割車(chē)號(hào)第5個(gè)字符“1”。在表3的結(jié)果列表中分別尋找數(shù)值m-e/2=224和m+e/2=242的最近鄰值，所求得的224和239即為字符“1”的左右邊界。根據(jù)字符“1”的左右邊界即可完整地分割出字符“1”。

采用上述方法所分割的車(chē)號(hào)前5個(gè)完整字符的結(jié)果如圖5所示。

圖5 車(chē)號(hào)前5個(gè)字符圖像

1.4 基于枚舉法的車(chē)號(hào)斷裂字符拼接方法

本文基于枚舉法的車(chē)號(hào)字符拼接方法具體內(nèi)容為：首先根據(jù)車(chē)號(hào)先驗(yàn)知識(shí)判斷出第6個(gè)字符是“1”還是“0”，如果是字符“1”，則說(shuō)明它是完整的，不需要進(jìn)行字符拼接；如果是字符“0”，則需要將兩個(gè)斷裂字符拼接成一個(gè)完整的字符。然后再根據(jù)車(chē)號(hào)先驗(yàn)知識(shí)對(duì)車(chē)號(hào)后4個(gè)字符進(jìn)行標(biāo)記，如果字符是完整的，就將其標(biāo)記為1；如果是不完整的，就將其標(biāo)記為0，則一共有24=16種可能的結(jié)果。最后再針對(duì)每一個(gè)車(chē)號(hào)區(qū)域圖像，求出它的后4個(gè)車(chē)號(hào)字符所對(duì)應(yīng)的標(biāo)記結(jié)果，就可以根據(jù)特定的規(guī)律對(duì)車(chē)號(hào)后4個(gè)字符中的斷裂字符進(jìn)行拼接使其成為完整的字符。

這里仍以圖1d的車(chē)號(hào)區(qū)域二值化圖像為例，根據(jù)去除噪點(diǎn)后車(chē)號(hào)后5個(gè)字符邊界所在列的結(jié)果，所得到的剩余車(chē)號(hào)字符圖像如圖6所示，并把這些字符圖像存放在列表list3中。

下面以圖6中的字符圖像為例，來(lái)介紹所提出的基于枚舉法的車(chē)號(hào)斷裂字符拼接方法。由圖6可知，車(chē)號(hào)的第6個(gè)字符“0”是不完整的，因此需要把列表list3中第0個(gè)和第1個(gè)元素進(jìn)行拼接，由此可以得到完整的第6個(gè)字符“0”；車(chē)號(hào)后4個(gè)字符標(biāo)記的結(jié)果為0，0，1，0，因此需要把列表list3中第2個(gè)和第3個(gè)元素進(jìn)行拼接，由此可以得到完整的第7個(gè)字符“8”；同理，可以得到完整的第8個(gè)字符“5”和第10個(gè)字符“3”；第9個(gè)字符“7”是完整的，則不需要進(jìn)行拼接。

圖6 車(chē)號(hào)后5個(gè)完整字符和半個(gè)字符圖像

采用上述拼接方法對(duì)車(chē)號(hào)后5個(gè)字符處理的結(jié)果如圖7所示。

圖7 車(chē)號(hào)后5個(gè)字符圖像

本文在垂直投影法的基礎(chǔ)上添加了基于最近鄰值和車(chē)號(hào)字符先驗(yàn)知識(shí)的分割方法以及基于枚舉法的車(chē)號(hào)斷裂字符拼接方法，最終完成了對(duì)車(chē)號(hào)字符的完整分割，其分割結(jié)果如圖8所示。

圖8 車(chē)號(hào)字符圖像

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)環(huán)境和實(shí)驗(yàn)數(shù)據(jù)

本文實(shí)驗(yàn)是在Windows 10專業(yè)版64位操作系統(tǒng)下進(jìn)行，計(jì)算機(jī)的具體配制為Intel(R)Core(TM)i5-5200U CPU@2.20GHz處理器、8.00 GB內(nèi)存。實(shí)驗(yàn)采用python 3.8.3編程語(yǔ)言對(duì)各類貨運(yùn)列車(chē)車(chē)號(hào)進(jìn)行字符分割。

根據(jù)采集到的貨運(yùn)列車(chē)車(chē)號(hào)圖像,可以把定位好的365張車(chē)號(hào)區(qū)域圖像劃分為6類數(shù)據(jù)集，各類數(shù)據(jù)集的情況如表5所示。

表5 各類數(shù)據(jù)集的情況

2.2 實(shí)驗(yàn)結(jié)果

采用本文方法對(duì)貨運(yùn)列車(chē)車(chē)號(hào)字符進(jìn)行分割實(shí)驗(yàn)，并與引言中的某些列車(chē)車(chē)號(hào)字符分割方法進(jìn)行對(duì)比。為了便于表述，將基于傳統(tǒng)垂直投影法的車(chē)號(hào)字符分割方法記為方法一；將基于字符輪廓上下特征、字符寬度先驗(yàn)知識(shí)和數(shù)字字符弧特征的車(chē)號(hào)字符分割方法記為方法二；將基于輪廓檢測(cè)和字符先驗(yàn)知識(shí)的車(chē)號(hào)字符分割方法記為方法三。各方法的分割結(jié)果見(jiàn)表6～表9(表中，正確分割示例用“√”表示；錯(cuò)誤分割示例用“×”表示)。

表6 方法一對(duì)各類貨運(yùn)列車(chē)車(chē)號(hào)字符的分割結(jié)果

表7 方法二對(duì)各類貨運(yùn)列車(chē)車(chē)號(hào)字符的分割結(jié)果

表8 方法三對(duì)各類貨運(yùn)列車(chē)車(chē)號(hào)字符的分割結(jié)果

表9 本文方法對(duì)各類貨運(yùn)列車(chē)車(chē)號(hào)字符的分割結(jié)果

為了確保各類方法對(duì)貨運(yùn)列車(chē)車(chē)號(hào)分割的準(zhǔn)確率，本文采用手動(dòng)統(tǒng)計(jì)車(chē)號(hào)分割準(zhǔn)確率的方法[18]。該方法首先檢查從每一個(gè)車(chē)號(hào)上分割出來(lái)的字符是否為單個(gè)且完整的字符，若分割出的所有字符都是單個(gè)且完整的，則表明車(chē)號(hào)分割正確，然后統(tǒng)計(jì)正確分割的車(chē)號(hào)數(shù)量，并結(jié)合所使用的各類車(chē)號(hào)數(shù)據(jù)集，最后根據(jù)公式(1)計(jì)算出車(chē)號(hào)分割的準(zhǔn)確率。統(tǒng)計(jì)各類數(shù)據(jù)集中車(chē)號(hào)全部分割完畢所用的時(shí)間，并重復(fù)記錄11次，去掉最大值和最小值后所求得的平均值作為車(chē)號(hào)分割平均時(shí)間。各類方法對(duì)各類數(shù)據(jù)集中車(chē)號(hào)分割準(zhǔn)確率和平均時(shí)間統(tǒng)計(jì)情況見(jiàn)表10。

表10 各類方法對(duì)各類數(shù)據(jù)集中車(chē)號(hào)分割準(zhǔn)確率和平均時(shí)間統(tǒng)計(jì)情況

車(chē)號(hào)分割準(zhǔn)確率=

(1)

為進(jìn)一步研究C5類車(chē)號(hào)圖像旋轉(zhuǎn)角度對(duì)車(chē)號(hào)字符分割準(zhǔn)確率的影響，將車(chē)號(hào)圖像分別旋轉(zhuǎn)2°，4°，6°，8°，10°，12°，14°，16°，18°，20°，得到車(chē)號(hào)旋轉(zhuǎn)數(shù)據(jù)集。最終的旋轉(zhuǎn)角度與車(chē)號(hào)分割準(zhǔn)確率的關(guān)系見(jiàn)表11。

表11 旋轉(zhuǎn)角度與車(chē)號(hào)分割準(zhǔn)確率的關(guān)系

2.3 結(jié)果分析

由表6可知，方法一對(duì)于質(zhì)量較好且完整的車(chē)號(hào)字符分割效果很好，但對(duì)于斷裂或者粘連的車(chē)號(hào)字符容易分割錯(cuò)誤。

由表7可知，方法二對(duì)于車(chē)號(hào)左下邊緣不全、車(chē)號(hào)自身存在銹跡、車(chē)號(hào)某些斷裂字符不存在左右弧特征和車(chē)號(hào)某些字符上面存在噪聲線條干擾等情況，車(chē)號(hào)分割時(shí)容易出現(xiàn)分割錯(cuò)誤。此外，由于字符“7”和“0”之間距離太小或噪聲干擾，導(dǎo)致其投影區(qū)域粘連在一起，從而使車(chē)號(hào)分割出現(xiàn)錯(cuò)誤。由于車(chē)號(hào)底部噪聲線條的干擾，字符在底部形成粘連導(dǎo)致車(chē)號(hào)分割出現(xiàn)錯(cuò)誤。

由表8可知，方法三對(duì)于無(wú)法均分的相連字符(如字符“81”等)、形態(tài)學(xué)操作之后仍然斷裂的字符、某些挨太近的字符(比如字符“7”和“0”)和左下邊緣不全的這些車(chē)號(hào)而言，車(chē)號(hào)分割時(shí)容易分割錯(cuò)誤。

由表9可知，本文方法對(duì)于車(chē)號(hào)中出現(xiàn)粘連的字符(包括完整字符之間的粘連、完整字符與半個(gè)字符之間的粘連和半個(gè)字符之間的粘連)、車(chē)號(hào)中某些挨太近的字符(如字符“7”和“0”)和某些特殊的字符(如字符“4”右邊僅斷裂一小部分)的這些車(chē)號(hào)而言，車(chē)號(hào)分割時(shí)容易分割錯(cuò)誤。此外，由于極個(gè)別車(chē)號(hào)的第5個(gè)字符“1”,因不滿足字符的先驗(yàn)知識(shí)，而導(dǎo)致車(chē)號(hào)分割錯(cuò)誤。

由表10可知，方法二、本文方法、方法三和方法一對(duì)各類車(chē)號(hào)分割準(zhǔn)確率平均值分別為95.23%，80.76%，65.92%和5.97%；方法二、本文方法、方法三和方法一對(duì)各類車(chē)號(hào)分割平均時(shí)間的平均值分別為9.11 s，10.68 s，8.02 s和7.85 s。由此可見(jiàn)，在對(duì)所有車(chē)號(hào)進(jìn)行分割時(shí)，方法二要優(yōu)于本文方法，本文方法要優(yōu)于另外兩種方法。然而在對(duì)C5類車(chē)號(hào)圖像進(jìn)行車(chē)號(hào)分割時(shí)，本文方法、方法二、方法三和方法一對(duì)C5類車(chē)號(hào)分割準(zhǔn)確率分別為95.83%，93.75%，0和0；本文方法、方法二、方法三和方法一對(duì)C5類車(chē)號(hào)分割平均時(shí)間分別為7.88 s，8.04 s，6.66 s和6.77 s。由此可見(jiàn)，在對(duì)本文貨運(yùn)列車(chē)重度斷裂的車(chē)號(hào)字符進(jìn)行分割時(shí)，本文方法要優(yōu)于其他3種方法。

由表11可知，隨著旋轉(zhuǎn)角度的增加，本文方法和方法二對(duì)車(chē)號(hào)分割準(zhǔn)確率均一直下降至0；本文方法和方法二正確分割的車(chē)號(hào)數(shù)量的平均值分別為23.45張和22.82張；本文方法和方法二對(duì)車(chē)號(hào)分割準(zhǔn)確率的平均值分別為48.86%和47.54%。由此可見(jiàn)，在本文貨運(yùn)列車(chē)車(chē)號(hào)出現(xiàn)重度斷裂且存在一定旋轉(zhuǎn)角度時(shí)，本文方法對(duì)此類車(chē)號(hào)的分割準(zhǔn)確率要略高于方法二。

3 結(jié)論

本文針對(duì)重度斷裂的貨運(yùn)列車(chē)車(chē)號(hào)字符分割準(zhǔn)確率低的問(wèn)題，提出了由圖像預(yù)處理、獲取字符投影區(qū)域邊界所在列、基于最近鄰值和車(chē)號(hào)字符先驗(yàn)知識(shí)的分割方法和基于枚舉法的車(chē)號(hào)斷裂字符拼接方法四部分組成的貨運(yùn)列車(chē)車(chē)號(hào)字符分割方法。實(shí)驗(yàn)結(jié)果表明，在對(duì)出現(xiàn)重度斷裂的車(chē)號(hào)或者存在一定旋轉(zhuǎn)角度的此類車(chē)號(hào)進(jìn)行分割時(shí)，本文方法要優(yōu)于基于字符輪廓上下特征以及字符寬度先驗(yàn)知識(shí)和數(shù)字字符弧特征的字符分割方法(方法二)，但在對(duì)所有車(chē)號(hào)進(jìn)行分割時(shí)，方法二要優(yōu)于本文方法，本文方法要優(yōu)于另外兩種方法。今后將嘗試對(duì)本文方法作進(jìn)一步的優(yōu)化，以提高其對(duì)C1類、C4類和C6類車(chē)號(hào)分割準(zhǔn)確率。