【正文】 以精確地對漢字加以描述，這種方法也叫句法模式識別。常見的統(tǒng)計(jì)模式識別方法有： （ 1） 投影直方圖法。傅立葉描述子是利用傅立葉函數(shù)模擬封閉的輪廓線，將傅立葉和函數(shù)的各個(gè)系數(shù)作為特征，該方法致命缺點(diǎn)是對于輪廓線不封閉的字符圖像不適用。字符是由筆劃組成的，筆劃是由一定方向，一定位置關(guān)系和長寬比的矩形線段組成的。模板匹配的字符識別方法是通過一定準(zhǔn)則確定決策函數(shù)，并進(jìn)行分類判斷的方法。 人工神經(jīng)網(wǎng)絡(luò)方法的 優(yōu)點(diǎn)和缺點(diǎn) 主要表現(xiàn)在如下的幾個(gè)方面： 神經(jīng)網(wǎng)絡(luò)的 優(yōu)點(diǎn) ： 1,能逼近任意線性函數(shù) 2,信息的并行分布式處理和存儲 3,可以多輸入多輸出 4,便于用超大規(guī)模的集成電路或光學(xué)集成電路系統(tǒng)實(shí)現(xiàn) 5,具有自學(xué)習(xí)的能力； 6,具有聯(lián)想存儲功能； 7,具有高速尋找優(yōu)化解的能力 . 雖然人工神經(jīng)網(wǎng)絡(luò)有上述的優(yōu)點(diǎn)，并且在 OCR 中也取得了一些成果，但是在車牌字符的識別中仍然存在很大的缺陷： l，車牌字符象素點(diǎn)陣小，筆劃常常出現(xiàn)斷裂，通過學(xué)習(xí)規(guī)則，誤差系數(shù)相差很小，容易出現(xiàn)誤識； 2，神經(jīng)網(wǎng)絡(luò)在進(jìn)行學(xué)習(xí)時(shí)，每次迭代的梯度值都受樣本中噪聲干擾，影響較大，整個(gè)系統(tǒng)收斂速度較慢，不適合實(shí)時(shí)識別的要求。當(dāng)按梯度下降學(xué)習(xí)法進(jìn)行學(xué)習(xí)的時(shí)候很容易陷入局部的最小值 ?？紤]到 LRS 對識別效果準(zhǔn)確率要求比較高，此種方法比較合適，但是怎么樣能 提高效率，這還是一個(gè)墮待解決的問題。最后搭建了一個(gè)測試平臺，將上述三個(gè)部分進(jìn)行了系統(tǒng)化，對系統(tǒng)的性能進(jìn)行了測試和分析。為了進(jìn)一步提高定位準(zhǔn)確率，我們通過連續(xù)的兩幀圖像定出車大概位置，再在車的位置上搜索車牌，這樣不僅提高了準(zhǔn)確率，還提高了整個(gè)程序的運(yùn)行效率。首先對采集到的視頻圖像進(jìn)行大范圍相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對這些侯選區(qū)域做進(jìn)一步分析、評判，最后選定一個(gè)最佳的區(qū)域作為牌照區(qū)域，并將其從圖象中分割出來。再由先驗(yàn)知識可知車牌的寬度與車寬成一定的比例，所以車牌寬度可由車寬求出，因此對每幀圖像求卷積能量時(shí)，卷積長度采用自適應(yīng)的方法，進(jìn)一步提高車牌定位的準(zhǔn)確率。求得車牌上字符連通域)()1()( nxnxnx ?????? ????? Li WnihinXnX 1 1)(*)1()(19 的中心點(diǎn)，然后擬成直線的方法 。但是變換的最大優(yōu)點(diǎn)是抗干擾性強(qiáng)。 20 由于本文處理的對象是相對類型較少，變化較小的車牌，因此采用直接分割法。 字符 識別流程概述 當(dāng)一幅車牌的原始圖像經(jīng)過車牌定位和字符分割處理后，得到這個(gè)車牌的字符圖像，首先對字符圖像做歸一化處理，即把字符圖像歸一化成 20 32的標(biāo)準(zhǔn)大小的圖像，然后對這幅歸一化的圖像調(diào)用設(shè)計(jì)好的模板匹配程序進(jìn)行識別，字符識別流程如下： 識別車牌的第 1個(gè)字符（若分割正確的話應(yīng)該是漢字）： （ 1）調(diào)用漢字模板庫進(jìn)行匹配識別，若識別結(jié)果為漢字，則最終結(jié)果為一漢字，識別結(jié)束；若識別結(jié)果為空字符，即表示不是漢字，則進(jìn)行第二步。 （ 3）調(diào)用漢字模板進(jìn)行識別，若識別結(jié)果為漢字，則最終結(jié)果為一漢字，識別結(jié)束；若識別結(jié)果為空字符，則最終識別結(jié)果為空字符，識別結(jié)束。因此，細(xì)化在圖像處理中占有著重要的地位，是圖像分析、信息壓縮、特征抽取及模式識別常用的技術(shù)。具體的查表方法如下：設(shè)白點(diǎn)為 1，黑點(diǎn)為 0；自左上方開始，左上方點(diǎn)對應(yīng)一個(gè) 8 位數(shù)的第一位，正上方點(diǎn)對應(yīng)第二位，右上方 點(diǎn)對應(yīng)第三位，左鄰點(diǎn)對應(yīng)第四位，右鄰點(diǎn)對應(yīng)第五位，左下方點(diǎn)對應(yīng)第六位，正下方點(diǎn)對應(yīng)第七位，右下方點(diǎn)對應(yīng)第八位，這樣就構(gòu)成了一個(gè) 8位二進(jìn)制數(shù)。 字符的細(xì)比對，是在字符經(jīng)過了粗比對的基礎(chǔ)上，待識別字符與標(biāo)準(zhǔn)模板中的每一個(gè)字符都有一個(gè)匹配值，這時(shí)，就要根據(jù)它所處的位置和它與標(biāo)準(zhǔn)模板的匹配情況，選擇匹配值最大的字符模板，認(rèn)為待識別字符就是該模板所代表的字符。這樣，我們就通過改進(jìn)的模板匹配方法達(dá)到了我們識別字符的最終目的。 輸入的圖像信息和識別參數(shù)設(shè)置值以參數(shù)的 形式傳。 圖 字符 O與 G的區(qū)別 經(jīng)過了三次細(xì)比對，我 們發(fā)現(xiàn)待識別字符并不是‘ Q’，‘ D’和‘ G’，所以我們就認(rèn)為它是‘ 0’或者‘ O’（對于這兩種字符，我們認(rèn)為通過字符匹配是無法區(qū)分的，我們只能通過他們所處的位置來確定，如果處在第二個(gè)字符位置，那么我們就認(rèn)為它是‘ O’，否則我們認(rèn)為它是‘ 0’），至此，我們就完成了對這個(gè)字符的識別，識別結(jié)果也就出來了。所謂的粗比對，就是按照車牌字符所特有的特征，如車牌上漢字后面的第一位應(yīng)該是英文字母，第二位和第三位有可能是英文字母也有可能是數(shù)字，最后三位應(yīng)該都是數(shù)字，正是按照這些特征，我們將待識別字符分成三組，第一組是英文字母，第二組是數(shù)字，第三組是數(shù)字或者字母，這樣，我們就把每一組分別和不同的字符標(biāo)準(zhǔn)模板進(jìn)行模式匹配，在這一次匹配中我們不需要做到非常的精 確，只需要匹配度達(dá)到一個(gè)基本的匹配閾值λ 0 以上就可以了，然后我們按照字符的匹配度將它分為幾組，分組情況如下： G， Q， D， O， 0一組， Z， 2 一組等，具體的識別流程圖如下圖所示： 細(xì) 化 后 的 字 符 根 據(jù) 字 符 的 位 置 分 組 與 同 組 的 標(biāo) 準(zhǔn) 模 版 匹 配比 較 所 有 的 匹 配 值 選 擇 最 相 近 的 字 符 25 圖 字符識別流程圖 這樣，就完成了對字符模板匹配的粗比對，但是，其中也有例外，例如‘ 1’‘ W’等字符，因?yàn)闆]有與它們相似的字符，所以通過粗比對就可以確定，而其它字符還要經(jīng)過細(xì)比對才能得出識別結(jié)果。 根據(jù)這些判斷依據(jù)，我們可以制作一張表格，從 0到 255共有 256個(gè)元素，每個(gè)元素要么是 0，要么是 1。具體模板匹配的字符識別步驟如下： 一般使用的模板匹配法是直接使用歸一化后的圖像作為待識別字符圖像，而歸一化后的圖像由 于預(yù)處理的原因，很有可能筆劃粗細(xì)不均，并且存在著部分噪音點(diǎn)，不易于處理，所以我們首先采用細(xì)化的方法，將原來的待識別字符圖像中的字符進(jìn)行細(xì)化處理，然后再進(jìn)行模板匹配的粗比對，在通過粗比對將字符圖像分組后，再根據(jù)車牌字符的細(xì)節(jié)特征對字符進(jìn)行細(xì)比對，最終得到識別結(jié)果，從而實(shí)現(xiàn)了我們識別字符的目的，算法流程如下圖所示： 歸 一 化 后 圖 像 字 符 的 細(xì) 化 模 版 匹 配 粗 細(xì)根 據(jù) 粗 對 比 分 類模 板 匹 配 細(xì) 化 對識 別 結(jié) 構(gòu) 圖 算法流程圖 首先進(jìn)行第一步，細(xì)化處理。 識別車牌的第 4個(gè)字符（若分割正確的話應(yīng)該是字母或數(shù)字）： （ 1）調(diào)用字母模板庫進(jìn)行識別，若為字母，則最終結(jié)果為一個(gè)字母，識別結(jié)束；若識別結(jié)果為空字符，則表示不是字母，進(jìn)行第二步。 模板匹配是最為直觀的一種方法，就如字面所理解的，選用一些樣本作為模板，當(dāng)進(jìn)行判斷時(shí)，首先計(jì)算待測數(shù)據(jù)與模板之間的距離，這個(gè)距離通常是兩個(gè)數(shù)據(jù)向量差的一個(gè)范數(shù)，例如它們之間的直線距離等。直接分割法簡單，但它的局限是分割點(diǎn)的確定需要較高的準(zhǔn)確性；基于識別結(jié)果的分割是把識別結(jié)果和分割結(jié)合起來，但是需要高準(zhǔn)確的識別結(jié)果。這樣就把原始圖像中的曲線或直線的檢測問題，轉(zhuǎn)化為尋找變換空間的峰值問題。進(jìn)行水平邊緣檢測，并進(jìn)行垂直投影的方法 。求極值處理公式如下： 導(dǎo)入原始圖像 圖像預(yù)處理增強(qiáng)效果圖像 邊緣提取 車牌定位 對圖像 開閉運(yùn)算 ??? ? ?????? 其他)1( 0))1()((*))1()(()()( nx nxnxnxnxnxnx18 （式 ） 求相鄰點(diǎn)間的差公式如下： （式 ） 最后，由于車牌區(qū)域的變化頻度較大，在一 般情況下，車牌區(qū)域的卷積能量都是最大的，特殊情況下也是第二大。從本質(zhì)上講，就是一個(gè)在參量空間尋找最優(yōu)定位參量的問題。由于光線不足或者反光等諸多因素，又可能造成車牌對比度較差，對接下來的紋理分析產(chǎn)生影響，17 所以有必要進(jìn)行圖像增強(qiáng)。將提取出的車牌圖像進(jìn)行二值化處理，根據(jù)投影圖的特點(diǎn)查找傾斜的角度，采用坐標(biāo)變換的方法進(jìn)行車牌傾斜校正，并利用其垂直投影圖中字符顯示出的峰群的特點(diǎn)進(jìn)行字符切分。模板的建立要針對字符的特征來進(jìn)行，通?？梢匀」P畫特征、幾何特征還有圖形的特征。神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的容錯(cuò)性。 3． 人工神經(jīng)網(wǎng)絡(luò)識別 人工神經(jīng)網(wǎng)絡(luò)是模擬人腦思維方式的數(shù)學(xué)模型。字符統(tǒng)計(jì)模式是 把字符的點(diǎn)陣看成一個(gè)整體，通過做大量的統(tǒng)計(jì)得到所需要的特征。其特點(diǎn)是對于內(nèi)部筆劃粘連的字符識別的適應(yīng)性較強(qiáng)，直 觀性好，但是不易表示為矢量形式，不適合作為粗分類的特征，匹配難度大。 （ 3） 傅立葉描述子和 Spline 曲線近似。 統(tǒng)計(jì)決策論發(fā)展較早，理論也比較成熟 .其要點(diǎn)是提取待識別模式的一組統(tǒng)計(jì)特征，然后按照一定準(zhǔn)則所確定的決策函數(shù)進(jìn)行分類判決。其主要出發(fā)點(diǎn)是漢字的組成結(jié)10 構(gòu) .從漢字的構(gòu)成上講，漢字是由筆劃以及偏旁部首構(gòu)成的 。 所以在本次設(shè)計(jì)中主要研究了精確識別中的車牌照識別技術(shù)，分析研究圖像處理得算法，用以提高車牌照識別的準(zhǔn)確度。即高速公路入、出口以及路網(wǎng)內(nèi)關(guān)鍵點(diǎn)設(shè)置車牌照抓拍系統(tǒng)，攝取通過車輛牌照。 要做到對車輛行駛路徑的精確識別通常由兩種方法：通過土建設(shè)施的手段，確保任意車輛從一個(gè)收費(fèi)站（點(diǎn)）到另一收費(fèi)站（點(diǎn)）間只能有唯一的行駛路徑；通過標(biāo)識方法采集車輛行駛路徑信息，確認(rèn)車輛行駛路徑。當(dāng)路網(wǎng)中多路徑路段屬于同一經(jīng)營主體時(shí) ,建議不對行駛路徑進(jìn)行精確識別。 路徑識別與通行費(fèi)收入拆分問題主要從兩個(gè)方面解決 ,一是收費(fèi)車道業(yè)務(wù)操作層 ,主要是路徑識別問題 。另一個(gè)是由滬杭、杭甫、繞城高速公路組成的路環(huán)。這種技術(shù)相當(dāng)于已經(jīng)識別出了車輛行駛路徑 ,但其依賴于美國的 GPS 定位系統(tǒng) ,受其控制的識別精度影響 ,目前 GPS 的導(dǎo)航精度為 10m,但不排除美國改變其導(dǎo)航精度的可能 ,使識別精度受到質(zhì)疑 ,另外其車載接收機(jī)的價(jià)格也是一個(gè)問題。關(guān)于其應(yīng)用此項(xiàng)技術(shù)進(jìn)行路徑識別的研究還沒有見諸報(bào)道 ,但這樣一來就有望通過大量的 ETC 用戶 ,在關(guān)鍵路段安裝掃描器 ,來達(dá)到高概率智能識別車輛行駛路徑的效果。 5 第 2 章 國內(nèi)外研究現(xiàn)狀 多路徑識別在高速公路聯(lián)網(wǎng)收費(fèi)系統(tǒng)中起到的關(guān)鍵作用， 引起了 大家 廣泛的關(guān)注 和研究 ，下面我們將對該理論的歷史和發(fā)展歷程做出介紹。 第三章， 多路徑識別 基本理論。 本文設(shè)計(jì)的系統(tǒng)采用 MATLAB 搭建車輛牌照識別系統(tǒng)，具有非常明顯的優(yōu)勢： (1) 可以直接使用 MATLAB 的 Image Acquisition Toolbox 、 Image ProcessingToolbox 以及 Neural Network Toolbox 作為骨架來搭建整個(gè)系統(tǒng)。一般來說，它們都是由特定領(lǐng)域的專家開發(fā)的，用戶可以直接使用工具箱學(xué)習(xí)、應(yīng)用和評估不同的方法而不需要自己編寫代碼。函數(shù)所能解決的問題其大致包括矩陣運(yùn)算和線性方程組的求解、微分方程及偏微分方程的組的求解、符號運(yùn)算、傅立葉變換和數(shù)據(jù)的統(tǒng)計(jì)分析、工程中的優(yōu)化問題、 稀疏矩陣 運(yùn)算、復(fù)數(shù)的各種運(yùn)算、三角函數(shù)和其他初等數(shù)學(xué)運(yùn)算、多維數(shù)組操作以 及建模動態(tài)仿真等。使之更利于非計(jì)算機(jī)專業(yè)的科技人員使用。這些工具方便用戶使用 MATLAB 的函數(shù)和文件，其中許多工具采用的是圖形用戶界面。同時(shí)由于高速公路中大型車輛倒卡、逃費(fèi)現(xiàn)象十分猖獗，通常表現(xiàn)為利用目前機(jī)電系統(tǒng)存在的功能不完善漏洞，實(shí)現(xiàn)相同貨車套牌倒卡具體表現(xiàn)為滿載長途與空載短途同號牌車輛倒卡，即通過減少里程，逃避超載處罰力度。 template matching。 本文采用直方圖變換、邊緣檢測、二值化等方法對車牌圖像進(jìn)行了預(yù)處理。 本文介紹了多路徑識別的多種算法，并著重分析了識別算法中的汽車牌照識別，根據(jù)車牌圖像特點(diǎn)，對車牌識別算法關(guān)鍵環(huán)節(jié)包括數(shù)字圖像預(yù)處理，車牌定位，車牌字符識別等三部分一一進(jìn)行了分析研究。 license plate location。 多路徑識別主要解決高速公路通行費(fèi)的合理收取以及通行費(fèi)的準(zhǔn)確拆分問題。它具有以下特點(diǎn)： 1．友好的工作平臺和編程環(huán)境 2 MATLAB 由一系列工具組成。新版本的MATLAB 語言是基于最為流行的 C＋＋ 語言基礎(chǔ)上的，因此語法特征與 C＋＋ 語言極為相似，而且更加簡單，更加符合科技人員對數(shù)學(xué)表達(dá)式的書寫格式。 MATLAB 的這些函數(shù)集包括從最簡單最基本的函數(shù)到諸如矩陣，特征向量、快速傅立葉變換的復(fù)雜函數(shù)。 5．應(yīng)用廣泛的模塊集合工具箱 MATLAB 對許多專門的領(lǐng)域都開發(fā)了功能強(qiáng)大的模塊集和工具箱。 （包括用戶界面） 在開發(fā)環(huán)境中，使用戶更方便地控制多個(gè)文件和圖形窗口；在編程 方面支持了函數(shù)嵌套，有條件中斷等；在圖形化方面，有了更強(qiáng)大的圖形標(biāo)注和處理功能，包括對性對起連接注釋等；在輸入輸出方面，可以直接向 Excel 和 HDF5 進(jìn)行連接。本章介紹了 多路徑識別 理論的歷史、發(fā)展 、國外各國發(fā)展現(xiàn)狀 及 立足我國的研究發(fā)展 方向。本章總結(jié)了本設(shè)計(jì)所完成的工作，并對其中的缺陷做出了說明，指出了所采用算法的不足指出，對下一步的工作做了展望。日本最常用的 ETC 收費(fèi)站采取 3 個(gè)門橋的樣式 ,這 3 個(gè)門橋分別