【正文】 制、公路流量監(jiān)控、失竊車輛查詢、停車場(chǎng)車輛管理、公路稽查、監(jiān)測(cè)黑牌機(jī)動(dòng)車、監(jiān)控違章車輛的電子警察等需要車牌認(rèn)證的重要場(chǎng)合，尤其在高速公路收費(fèi)系統(tǒng)中，實(shí)現(xiàn)不停車收費(fèi)技術(shù)可提高公路系統(tǒng)的運(yùn)行效率， LPR 系統(tǒng)更 具有不可替代的作用，因而對(duì) LPR 車牌識(shí)別技術(shù)的研究和應(yīng)用系統(tǒng)開(kāi)發(fā)具有重要的現(xiàn)實(shí)意義。 LPR 系統(tǒng)中的兩個(gè)關(guān)鍵子系統(tǒng)是車牌定位系統(tǒng)和車牌字符分割識(shí)別系統(tǒng)。 關(guān)于車牌識(shí)別技術(shù)及定位系統(tǒng)研究，國(guó)內(nèi)外學(xué)者已經(jīng)作了大量工作，但實(shí)際效果并不理想，對(duì)輔助光源要求高，很難有效解決復(fù)雜背景下多車牌識(shí)別的技術(shù)難題，如：車牌圖像的傾斜、車牌表面污穢或磨損、光線干擾等都會(huì)影響定位的準(zhǔn)確性。傳統(tǒng)車牌識(shí)別一般僅支持單一車輛，背景比較簡(jiǎn)單。而當(dāng)今許多實(shí)際應(yīng)用場(chǎng)合，如在繁忙交通路口臨時(shí)對(duì)欠稅費(fèi)報(bào)廢掛失等車輛的稽查，則監(jiān)視區(qū)域比較復(fù)雜，現(xiàn)有 識(shí)別方法無(wú)法直接應(yīng)用，一般同時(shí)出現(xiàn)多輛汽車，背景有廣告牌、樹(shù)木、建筑物、斑馬線以及各種背景文字等。 車牌定位與識(shí)別方法，總體來(lái)說(shuō)是圖像處理技術(shù)與車牌本身特點(diǎn)的有機(jī)結(jié) 第 2 頁(yè) 合，當(dāng)然也包括小波分析、神經(jīng)網(wǎng)絡(luò)、數(shù)學(xué)形態(tài)學(xué)、模糊理論等數(shù)學(xué)知識(shí)的有效運(yùn)用。一個(gè)車牌定位與識(shí)別系統(tǒng)基本包括：圖像預(yù)處理、車牌搜索、車牌定位、車牌校正、車牌字符分割和字符識(shí)別結(jié)果的輸出。本系統(tǒng)主要是在對(duì)汽車圖像進(jìn)行細(xì)致分析，從而研究車牌定位與識(shí)別的算法問(wèn)題。 字符識(shí)別簡(jiǎn)介 字符識(shí)別發(fā)展概況 字符識(shí)別發(fā)展可分為三個(gè)階段：第一個(gè)階 段為初級(jí)階段，在這一階段中，技術(shù)上是應(yīng)用一維圖像的處理方法完成二維圖像的識(shí)別任務(wù)。這樣萌芽了一個(gè)基本思想 — 抽取特征向量的構(gòu)造和它的相關(guān)函數(shù)?，F(xiàn)在此法仍不失為一種重要的匹配方法。第二個(gè)階段為基礎(chǔ)理論研究階段。提出了表示邊界的鏈碼法，用于結(jié)構(gòu)分析的細(xì)化思想，以及一些離散圖形上的拓?fù)湫匝芯?，形成了不僅能抽取局部特征， 而且能抽取大范圍的凹凸區(qū)域、連通性、孔等特征的算法，完成了作為基礎(chǔ)理論核心的“特征抽取理論”，及所謂的 KL 展開(kāi)法工作。第三個(gè)階段為發(fā)展階段。這一階段的研究工作是技術(shù)和實(shí)際相結(jié)合，針對(duì)實(shí)際系統(tǒng)的要求 和設(shè)備可能提供的條件，提出了更為復(fù)雜的技術(shù)。但就多種方法分類來(lái)說(shuō)為二大方法：相關(guān)法和構(gòu)造解析法。在這兩類方法的基礎(chǔ)上，已研究出了不同類各具特色的實(shí)用系統(tǒng)。字符識(shí)別系統(tǒng)根據(jù)輸入設(shè)備的不同有如下分類 [19]，如圖 所示： 字符識(shí)別 磁識(shí)別 光學(xué)識(shí)別 機(jī)械識(shí)別 在線識(shí)別 脫機(jī)識(shí)別 單個(gè)字符識(shí)別 連筆字符識(shí)別 印刷體字符識(shí)別 手寫(xiě)體字符識(shí)別 圖 字符識(shí)別分類 第 3 頁(yè) 目前開(kāi)展比較多，并進(jìn)入實(shí)用階段的是光學(xué)字符識(shí)別系統(tǒng) (OCR 系統(tǒng) )。日本雖說(shuō)起步不是最早，但因投入了大量的人力和物力，目前處于世界領(lǐng)先地位。七五年日本擁有 650 臺(tái)光學(xué)字符識(shí)別機(jī)，進(jìn)入了實(shí)用階段。到一九七八年，能閱讀英文字母、數(shù)字、片假名和平假名等 118 種 OCRT0300 上市。之后，其研究方向轉(zhuǎn)向了漢字識(shí)別。 我國(guó)是從七十年代開(kāi)始字符研究的。一九七八年，中科院自動(dòng)化研究所等合作研制出了“倍函自動(dòng)化分檢機(jī)”，可識(shí)別 0～ 9個(gè)數(shù)字；一九八七年清華大學(xué)研制的漢字識(shí)別系統(tǒng)通過(guò)了技術(shù)鑒定，可識(shí)別國(guó)家二級(jí)漢字庫(kù) 6000 多字，識(shí)別率可達(dá) 99%，速度為 1字 /4 秒；一九八七年十二月，西安交大人工智能和機(jī)器人研究所研制的漢字識(shí)別系統(tǒng)也通過(guò)了技術(shù)鑒定，同樣可識(shí)別漢字 6000 多，識(shí)別速度可達(dá) 1 字 /1 秒，識(shí)別率達(dá) 98%以上，處于國(guó)內(nèi)領(lǐng)先地位。這都為字符識(shí)別的實(shí)際應(yīng)用提供了廣闊的前景。 字符識(shí)別系統(tǒng)用到的方法 字符識(shí)別系統(tǒng)用到的方法很多。下面以表格的形式，其用到的方法作一簡(jiǎn)單的介紹和比較。 統(tǒng)計(jì)決策 句法結(jié)構(gòu) 模糊判決 邏輯推理 神經(jīng)網(wǎng)絡(luò) 主要理論支柱 概率論 數(shù)理統(tǒng)計(jì) 形式語(yǔ)言 自動(dòng)機(jī)技術(shù) 模糊數(shù)學(xué) 演繹邏輯 布爾代數(shù) 神經(jīng)生理學(xué) 模式描述方法 特征向量 符號(hào)串、樹(shù)、圖 模糊集合 字符串表示的事實(shí) 以不同活躍度表示的輸入結(jié)點(diǎn)集 模式類判定 是一個(gè)聚合類。用條件概率分布 P(X| wi)表示， m類就有 m個(gè)分布，然后判定未知模式屬于哪一個(gè)分布。 是一種語(yǔ)言。用一個(gè)文 法表示一類， m類就有 m個(gè)文法，然后判定未知模式遵循哪一個(gè)文法。 是一種集合運(yùn)算。用隸屬度將模糊集合劃分為若干子集， m類就有 m個(gè)子集，然后根據(jù)擇近原則分類。 是一種布爾演算。從事實(shí)出發(fā)運(yùn)用一系列規(guī)則，推理得到不同結(jié)果， m類就有 m個(gè)結(jié)果。 是一個(gè)非線性動(dòng)態(tài)系統(tǒng)。通過(guò)對(duì)樣本的學(xué)習(xí)建立起記憶，然后將未知模式判決為其最接近的記憶。 主要方法 幾何分類：線性分類、非線性分類 統(tǒng)計(jì)分類： Bayes決自動(dòng)機(jī)技術(shù) CYK 剖析算法 隸屬度函數(shù)的設(shè)計(jì)：模糊設(shè)計(jì)法二元對(duì)比排產(chǎn)生式推理 語(yǔ)義網(wǎng)推理 BP模型 HOP模型 表 幾種識(shí)別方法的比 較 第 4 頁(yè) 策 無(wú)教師的分類：聚類分析 Early算法 轉(zhuǎn)移圖法 序法 推理法 模糊集運(yùn)算規(guī)則 模糊矩陣 框架推理 高階網(wǎng) 主要優(yōu)缺點(diǎn) 優(yōu)點(diǎn)：比較成熟，能考慮干擾、噪聲等影響，識(shí)別模式基元能力強(qiáng)。 缺點(diǎn)：對(duì)結(jié)構(gòu)復(fù)雜的模式抽取特征困難。不能反映模式的結(jié)構(gòu)特征，難以描述模式的性質(zhì)，難以從整體考慮識(shí)別問(wèn)題。 優(yōu)點(diǎn)：識(shí)別方便，可從簡(jiǎn)單的基元開(kāi)始，由繁至簡(jiǎn)。能反映模式的結(jié)構(gòu)特性，能描述模式的性質(zhì)，對(duì)圖像的畸變的抗干擾能力較強(qiáng)。 缺點(diǎn)：當(dāng)存在干擾及噪聲時(shí)，抽取基元困難，且易失誤。 優(yōu)點(diǎn)：由于用隸屬度函數(shù)作為樣品與模板間相似度的度量，故往 往能反映它們整體的與主要的特性，從而允許樣品有相當(dāng)?shù)母蓴_與畸變。 缺點(diǎn)：準(zhǔn)確合理的隸屬度往往難以建立，故限制了它的應(yīng)用。 優(yōu)點(diǎn)：已建立了關(guān)于知識(shí)表示及組織，目標(biāo)搜索及匹配的完整體系。對(duì)需同過(guò)眾多規(guī)則的推理達(dá)到目標(biāo)確認(rèn)的問(wèn)題，有很好的效果。 缺點(diǎn)：當(dāng)樣品有缺損，背景不清晰，規(guī)則不明確甚至有歧義時(shí)，效果不好。 優(yōu)點(diǎn)：可處理一些環(huán)境信息十分復(fù)雜，背景知識(shí)不清楚，推理規(guī)則不明確的問(wèn)題。允許樣品有較大的缺損和畸變。 缺點(diǎn)：模型在不斷豐富與完善中，目前能識(shí)別的程式類還不夠多。 本系統(tǒng)中主要用到的是基于神經(jīng)網(wǎng)絡(luò)的字符識(shí) 別方法。 字符識(shí)別原理 近年來(lái)，字符識(shí)別逐漸成為模式識(shí)別領(lǐng)域內(nèi)的一個(gè)重要分支。和其他模式識(shí)別的應(yīng)用一樣，字符識(shí)別的基本思想也是匹配判別。抽取代表未知字符模式本質(zhì)的表達(dá)形式 (如各種特征 ) 和預(yù)先存儲(chǔ)在機(jī)器中的標(biāo)準(zhǔn)字符模式表達(dá)形式的集合 (稱為字典 ) 逐一匹配，用一定的準(zhǔn)則進(jìn)行判別，在機(jī)器存儲(chǔ)的標(biāo)準(zhǔn)字符模式表達(dá)形式的集合中，找出最接近輸入字符模式的表達(dá)形式，該表達(dá)形式對(duì)應(yīng)的字就是識(shí)別結(jié)果。字符識(shí)別的原理框圖如圖 。 第 5 頁(yè) 字符識(shí)別的原理如上圖所示。文字經(jīng)光電掃描，模 數(shù)轉(zhuǎn)換為帶灰度值的數(shù)字信號(hào)送至預(yù)處理環(huán)節(jié)。預(yù)處理的內(nèi)容和要求取決于識(shí)別方法，一般包括行字切分，二值化，規(guī)范化等。經(jīng)過(guò)預(yù)處理，字符模式成為規(guī)范化的二值數(shù)字點(diǎn)陣信息。對(duì)該二值化漢字點(diǎn)陣，抽取一定的表達(dá)形式后，與存儲(chǔ)在字典中已知的標(biāo)準(zhǔn)字符表達(dá)形式匹配判別，就可識(shí)別出輸入的未知字符。圖 的學(xué)習(xí)部分。學(xué)習(xí)是根據(jù)多個(gè)未知字樣抽取出模式表達(dá)形式，自動(dòng)構(gòu)造或修改充實(shí)字典，不斷提高系統(tǒng)識(shí)別率。字符的模式表達(dá)形式和相應(yīng)的字典形式有多種，每種形式又可以選擇不同的特征，每種特征又有不同的抽取方法。這些就使 得判別方法和準(zhǔn)則以及所用的數(shù)學(xué)工具不同，形成了種類繁多，形式各異的字符識(shí)別方法。 國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展趨勢(shì) 車牌識(shí)別技術(shù)自 1988 年以來(lái)，人們就對(duì)它進(jìn)行了廣泛的研究，目前國(guó)內(nèi)外已經(jīng)有眾多的算法，一些實(shí)用的 LPR 技術(shù)也開(kāi)始用于車流監(jiān)控、出入控制、電子收費(fèi)、移動(dòng)稽查等場(chǎng)合。然而，無(wú)論是 LPR 算法還是 LPR 產(chǎn)品幾乎都存在一定的局限性，都需要適應(yīng)新的要求而不斷完善，如現(xiàn)有系統(tǒng)幾乎都無(wú)法有效解決復(fù)雜背景下的多車牌圖像分割定位與有效識(shí)別的技術(shù)障礙，另外也很難適應(yīng)全天候復(fù)雜環(huán)境及高速度的要求。 車牌字符識(shí)別實(shí)際 上是依附在車牌上的印刷體文字的識(shí)別，能否正確識(shí)別不僅是文字識(shí)別技術(shù)的問(wèn)題，還是考慮其載體 —— 車牌區(qū)域的影響。車牌字符識(shí)別圖 字符識(shí)別的原 理框圖 預(yù) 處 理 模式表達(dá) 判 別 字 典 學(xué) 習(xí) 識(shí)別部分 學(xué)習(xí)部分 教師 字符圖像 第 6 頁(yè) 技術(shù)是文字識(shí)別技術(shù)與車牌圖像自身因素協(xié)調(diào)兼顧的綜合性技術(shù)。由于攝像機(jī)的性能、車牌的整潔度、光照條件、拍攝時(shí)的傾斜角度及車輛運(yùn)動(dòng)等因素的影響使牌照中的字符可能出現(xiàn)比較嚴(yán)重的模糊、歪斜、缺損或污跡干擾，這些都給字符識(shí)別帶來(lái)了難度。盡管如此，我國(guó)依然有大量的學(xué)者從事車牌字符識(shí)別研究，文獻(xiàn)給出了基于神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別方法，對(duì)于解析度較高和圖像比較清晰的車牌，這些方法能有效識(shí)別車牌中的字符，但對(duì)于較 低解析度和較為模糊的車牌無(wú)能為力，因?yàn)檫@些方法只有在車牌中的每個(gè)字符被獨(dú)立分割出來(lái)的前提下才能完成識(shí)別工作。而獨(dú)立分割車牌取得字符，對(duì)較低解析度和較為模糊的車牌來(lái)說(shuō)是非常困難的。車牌字符識(shí)別的研究在技術(shù)上已經(jīng)取得了一定突破，然而離復(fù)雜多變的實(shí)際應(yīng)用要求還有一定差距，許多新方法僅停留在理論和文章上或者限定在比較狹窄的約束范圍內(nèi)，并不能以產(chǎn)品的形式大范圍投入使用。因而車牌字符識(shí)別的實(shí)用化研究仍然有很長(zhǎng)的路要走。 目 前的車牌識(shí)別方法主要是針對(duì)車輛自動(dòng)緩?fù)Ｊ召M(fèi)、停車場(chǎng)管理等場(chǎng)合，所監(jiān)視的區(qū)域一般只有單一車輛，背景也 比較簡(jiǎn)單。而如今的許多實(shí)際應(yīng)用場(chǎng)合，監(jiān)視區(qū)域比較復(fù)雜，現(xiàn)有的方法無(wú)法直接應(yīng)用。比如在移動(dòng)交警稽查、高速公路的監(jiān)視與監(jiān)控、城市交通要道的監(jiān)視與監(jiān)控，所監(jiān)控的區(qū)域一般會(huì)同時(shí)出現(xiàn)多輛汽車，背景也比較復(fù)雜，有廣告牌、樹(shù)木、建筑物、斑馬線以及各種背景文字等。所以本課題針對(duì)這種情況創(chuàng)新性的提出了一種復(fù)雜背景下多車牌定位分割與識(shí)別方法，并考慮了彩色分割與 ColorLP 算法，這也是當(dāng)前車牌圖像識(shí)別的發(fā)展趨勢(shì)。 當(dāng)然，車牌識(shí)別系統(tǒng)的具體應(yīng)用發(fā)展也很迅猛，從原來(lái)的停車靜止拍攝場(chǎng)景應(yīng)用，如收費(fèi)站、停車場(chǎng)等，發(fā)展到移動(dòng)公路車輛稽查 、違章自動(dòng)報(bào)警、超載闖紅燈等實(shí)時(shí)監(jiān)控場(chǎng)合應(yīng)用，增加神經(jīng)網(wǎng)絡(luò)自適應(yīng)識(shí)別學(xué)習(xí)訓(xùn)練功能，對(duì)于系統(tǒng)響應(yīng)的速度、網(wǎng)絡(luò)化、智能化、識(shí)別成功率等實(shí)用化要求也越來(lái)越高。隨著上述核心技術(shù)的研究發(fā)展，應(yīng)用領(lǐng)域和功能等也獲得大幅提高。 基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別系統(tǒng) 系統(tǒng)簡(jiǎn)介 該系統(tǒng)是為了辨認(rèn)識(shí)別圖像中的字符而設(shè)計(jì)的，它通過(guò)對(duì)圖片的一系列處 第 7 頁(yè) 理，最后識(shí)別得出圖片中顯示的字符。 系統(tǒng)即可以單獨(dú)使用，也可以把它作為一個(gè)識(shí)別系統(tǒng)的軟件核心應(yīng)用到車牌識(shí)別系統(tǒng)中去。 系統(tǒng)的基本技術(shù)要求 下面是系統(tǒng)具體要達(dá)到 的基本技術(shù)要求 ； 90%； （識(shí)別時(shí)間）不能大于 1S； ； ； ； 系統(tǒng)的軟硬件平臺(tái) (1).系統(tǒng)的軟件平臺(tái) 因?yàn)橄到y(tǒng)運(yùn)行的過(guò)程當(dāng)中，主要進(jìn)行的都是圖象處理，在這個(gè)過(guò)程當(dāng)中要進(jìn)行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高， CUP要求主頻在 600HZ及其以上，內(nèi)存在 128MB及其 以上。 (2).系統(tǒng)的軟件平臺(tái) 系統(tǒng)可以運(yùn) 行于 Windows 98, Windows2020, Windows XP 或者 Windows 2020操作系統(tǒng)下。程序調(diào)試時(shí) ， 需要使用 Microsoft Visual C++ （ SP6） 。 第 8 頁(yè) 第二章 字符識(shí)別系統(tǒng)中的關(guān)鍵技術(shù) 特征提取 圖像處理的高級(jí)階段是數(shù)字圖像分析（也對(duì)以稱為圖像理解），主要使用計(jì)算機(jī)系統(tǒng)，從圖像中提取有用的數(shù)據(jù)或信息，生成非圖像的描述或表示，如數(shù)值、符號(hào)等，即抽取圖像特征，從而識(shí)別視覺(jué)圖像。為了能讓計(jì)算機(jī)系統(tǒng)認(rèn)識(shí)圖像，人們首先必須尋找出算法，分析圖像的特征，然后將其特征 用數(shù)學(xué)的辦法表示出來(lái)并教會(huì)計(jì)算機(jī)也能讀懂這些特征。這樣，計(jì)算機(jī)才能具有認(rèn)識(shí)或者識(shí)別圖像的本領(lǐng)，稱圖像模式識(shí)別，也叫圖像識(shí)別。要使計(jì)算機(jī)具有識(shí)別的本領(lǐng)，首先要得到圖像的各種特征，即特征提取。 圖像特征是指圖像的原始特性或?qū)傩浴Ｃ恳环鶊D像都有其本身的特征，其中有些是視覺(jué)直接感受到的自然特征，如亮度、邊緣的輪廓、紋理或色彩等；有些是需要通過(guò)變換或測(cè)量才能得到的人為特征，如譜、直方圖等。 圖像特征提取的結(jié)果給出了某一具體的圖像中與其他圖像相區(qū)別的特征。例如，描述物體表面灰度變化的紋理特征，描述物體外形的形狀 特征等。 特征提取基本概念 圖像識(shí)別是根據(jù)一定的圖像特征進(jìn)行的，顯然這些特征的選擇很重要，它強(qiáng)烈地影