【正文】 d accuracy. This article provides a simple method. License plates on China39。 進(jìn)入 90 年代以后，隨著電子計(jì)算機(jī)軟硬件技術(shù)的發(fā)展，智能交通系統(tǒng)（ Intelligent Transportation System，簡(jiǎn)稱 ITS） [1]成為解決這一矛盾的有效途徑之一。在 “不停車電子收費(fèi)系統(tǒng) (Do not stop electronic toll collection system，簡(jiǎn)稱 ETC)”中，電子收費(fèi)將會(huì)減少不必要的收費(fèi)閘門車道數(shù)目以及因排隊(duì)交費(fèi)所造成的交通延遲。據(jù)統(tǒng)計(jì)，目前我國(guó)車牌識(shí)別產(chǎn)品主流供應(yīng)商 (如北京漢王科技、昆明利普視覺、上海高德威、沈陽(yáng)聚德、北京信路威等公司 )的產(chǎn)品有一 半左右是應(yīng)用在此領(lǐng)域。目前，車牌圖像識(shí)別技術(shù)己經(jīng)開始在移動(dòng)電子警察、城市卡口監(jiān)控、超速布控報(bào)警等城市交通 (治安 )方面有了一定的應(yīng)用。由于停車管理日益成為城市交通管理中一個(gè)嚴(yán)重問題，人們對(duì)停車管理的智能化呼聲日漸高漲，通過車牌識(shí)別系統(tǒng)可以構(gòu)建一個(gè)智能的停車管理系統(tǒng)，因此，在大中城市的商場(chǎng)、寫字樓有很大的市場(chǎng)潛力。如果這些因素變動(dòng)時(shí)，就可能要根據(jù)具體的樣本、通過 一定的分析學(xué)習(xí)過程以確定和修改使用的有關(guān)參數(shù)，才可能獲得較好的識(shí)別效果，否則其識(shí)別正確率可能不會(huì)很理想。 在車牌字符切分方面，公開資 料中提出的方法主要有 ： 基于二值 (灰度 )圖像水平(垂直 )投影分布的車牌字符的切分方法、基于二值圖像字符區(qū)域上下輪廓分布的車牌字符切分方法、基于模板匹配的車牌字符切分方法、基于聚類分析的車牌字符切分方法、基于車牌二值圖像字符連通性的字符切分方法、基于顏色分類的車牌字符切分方法等。 對(duì)于 92 式普通民用車牌，識(shí)別的基本過程如圖 11 所示。圖像的規(guī)格化就是將輸入的任意尺寸（大?。┑淖址麍D像都處理成統(tǒng)一尺寸的標(biāo)準(zhǔn)漢字圖像。 在車牌圖像識(shí)別中，對(duì)車牌漢字圖像進(jìn)行二值化可以大大的提升圖像處理速度，而且降低對(duì)計(jì)算機(jī)硬件的要求，減少硬件方面的開支。所以我 們使用細(xì)化處理，將圖像漢字細(xì)化為一個(gè)單像素寬的漢字圖像。 3． 基于車牌漢字的特點(diǎn)，建立一個(gè)車牌漢字字符標(biāo)準(zhǔn)識(shí)別樣本字庫(kù) 車牌漢字字符標(biāo)準(zhǔn)識(shí)別樣本庫(kù)的建立要根據(jù)第二步所提取的字符特征的提取來建立。 所以本課題中選用該識(shí)別方法 。所以在識(shí)別前，我們要對(duì)采集到的圖片進(jìn)行必要的預(yù)處理操作，以改善圖像質(zhì)量，提高識(shí)別率。具體方法如下： 設(shè)原始圖像的大小為 MN，規(guī)格化后的圖像為 PQ（在本課題中我們才用2323）。設(shè) f(x,y)為原圖像， g(x,y)為歸一化后的圖像， g(x,y)中的任意一點(diǎn) (x ,y )，對(duì)應(yīng)于 f(x,y)中的點(diǎn) (a,b)，根據(jù) (a,b)的具體情況來確定 g(x,y)中象素點(diǎn) (x ,y )的值。如果 (a,b)不是整數(shù)，即在該點(diǎn)沒有定義，那么要進(jìn)行象素內(nèi)插變換。 （ 2)雙線性插值法 雙線性插值法中 (x0 ,y0 )的灰度值是用與 (a,b)鄰近的四個(gè)網(wǎng)格點(diǎn) (i,j), (i+l,j),(i,j+l), (i++l)，按照下面的公式 (22)來近似 。通過對(duì)灰度圖像的二值化處理，我們可以使實(shí)際的信息量巨大、灰度級(jí)豐富的原圖像，轉(zhuǎn)化為計(jì)算量小的 二值化圖像。如圖 23。非均勻光照條件等情況雖然影響整體圖像的灰度分布卻不影響局部的圖像性質(zhì)，從而使得局部閾值法比全局閾值法有更廣泛的應(yīng)用， Bernsen 算法是一種典型的局部閾值法。其主要目的是提取出漢字圖像的骨架，使得在識(shí)別過程中不會(huì)因?yàn)楣P畫本身的寬度，影響到漢字結(jié)構(gòu)特征提取的準(zhǔn)確度。 a） 細(xì)化前圖像 b）細(xì)化后圖像 c）細(xì)化前圖像 d）細(xì)化后圖像 圖 25 圖像的細(xì)化處理 西南交通大學(xué)本科 畢業(yè)設(shè)計(jì) (論文 ) 第 17 頁(yè) 漢字 圖像的特征提取 特征空間的設(shè)計(jì)是模式識(shí)別系統(tǒng)的基礎(chǔ)。 漢字 是由橫、豎、撇、捺四種筆畫組成的，一個(gè) 漢字 區(qū)別于其它 漢字 的主要特征就是筆畫及其所在位置。折點(diǎn)是筆劃方向出現(xiàn)顯著變化的點(diǎn) :歧點(diǎn)是三叉點(diǎn)，要求其中兩個(gè)筆段分支方向相同 。 (4) 分別記錄下該 漢字 中端點(diǎn)、歧點(diǎn)和交點(diǎn)的總個(gè)數(shù)，建立特征向量。 其流程圖如圖 26 所示。 在車牌 漢字 識(shí)別 設(shè)計(jì)方面，公開資料中提出的 識(shí)別方法 主要有 ： 神經(jīng)網(wǎng)絡(luò)分類器 識(shí)別 法 、 模板匹配分類器 識(shí)別法 、基于概率統(tǒng)計(jì)的 Bayes 分類器 識(shí)別 、幾何分類器 識(shí)別法 等。 （ 32） 3．找出距離 D 最小時(shí)對(duì)應(yīng)的訓(xùn)練樣品 比較步驟 2 中計(jì)算出的 D,找出最小 D 值對(duì)應(yīng)的樣品。所以在選擇方法的時(shí)候，要根據(jù)識(shí)別對(duì)象和設(shè)計(jì)目的，要求。 從而得到漢字識(shí)別結(jié)果。 模板匹配分類器 識(shí)別法 模板匹配分類器 識(shí)別法 就是把訓(xùn)練樣品集的所有樣品作為標(biāo)準(zhǔn)模板，將待測(cè)樣品與每一個(gè)標(biāo)準(zhǔn)模板做比較，按照某種判斷準(zhǔn)則，找出最相似、最近鄰的標(biāo) 準(zhǔn)模板，則標(biāo)準(zhǔn)模板的類別即為待測(cè)樣品的類別。如圖 27 所示，圖（ a）～ (d)及（ e）～ (h)分別為漢字 “北 ”及 “蘭 ”的圖像特征提取結(jié)果。對(duì)于車牌漢字 漢字 來說，由于圖像采集和處理方法的局限往往會(huì)造成筆畫的畸變，使得對(duì) 漢字 的端點(diǎn)、歧點(diǎn)和交點(diǎn)定義和判斷易與樣品產(chǎn)生偏差，從而影響 漢字 的分類識(shí)別結(jié)果。 其特征提取過程如下 ： (1) 首先對(duì) 漢字 進(jìn)行細(xì)化處理。但是對(duì)于車 牌 漢字 來說，由于圖像采集和處理方法的局限往往會(huì)造成筆畫的畸變，使得對(duì)筆畫的定義較困難，易與樣品產(chǎn)生偏差，從而影響 漢字 的分類識(shí)別結(jié)果。如果不同類別樣品在該特征空間中混雜在一起，則一般不可能進(jìn)行正確的分類識(shí)別。 西南交通大學(xué)本科 畢業(yè)設(shè)計(jì) (論文 ) 第 16 頁(yè) 細(xì)化可用兩步腐蝕來實(shí)現(xiàn)。 反色處理 在所提供的漢字庫(kù)中，車牌漢字圖像為白底黑字。設(shè)原灰度圖像為 f(x,y),二值化后的圖像為 g(x,y),則二值化的過程 可以表示為 公式（ 23）。在實(shí)際應(yīng)用和產(chǎn)品推廣方面有巨大的優(yōu)勢(shì)。 (3)三次插值法 三次插值法中 (x0 ,y0 )的灰度值是用與 (a,b)鄰近的 16 個(gè)網(wǎng)格點(diǎn)的灰度值來近似的，計(jì)算公式比較復(fù)雜，此處不再詳述。 下 面一 一 介紹。 西南交通大學(xué)本科 畢業(yè)設(shè)計(jì) (論文 ) 第 10 頁(yè) a） 規(guī)格化前 b） 規(guī)格化后 c）規(guī)格化前 d）規(guī)格化后 圖 21 圖像的規(guī)格化 西南交通大學(xué)本科 畢業(yè)設(shè)計(jì) (論文 ) 第 11 頁(yè) 除了上面介紹的分裂合并的規(guī)格化方法以外，還有插值變換的規(guī)格 化方法。在分裂階段，將原圖像的每一點(diǎn)放大 PQ 倍，即將該點(diǎn)的像素值復(fù)制到 PQ 的陣列中，則 MN 的陣列變成一個(gè) MPNQ 大小的陣列；接下來是合并階段，將 MPNQ 陣列劃分成陣列大小為 MN 的 PQ 個(gè)區(qū)域，對(duì) MN 區(qū)域的所有像素取平均，使陣列 MN 收縮成一個(gè)像素點(diǎn)。 預(yù)處理效果的好壞與 漢字 圖像的特征提取有密切的關(guān)系，良好的預(yù)處理可以有效的保持圖像的有效信息，減少各種外部客觀因素對(duì)特征提取的干擾。 圖 12 系統(tǒng)流程圖 開始 打開并讀取圖像文件 圖像規(guī)格化處理 漢字識(shí)別結(jié)束 漢字特征向量匹配 輸出識(shí)別結(jié)果 漢字結(jié)構(gòu)特征提取 圖像二值化處理 圖像反色及細(xì)化處理 西南交通大學(xué)本科 畢業(yè)設(shè)計(jì) (論文 ) 第 8 頁(yè) 本 文 結(jié)構(gòu)安排 在基于 靜止圖像的車牌照漢字識(shí)別系統(tǒng) 中，最主要的核心就是 漢字圖像的預(yù)處理及字符特征提取 ，因此本文在第二章主要給出了 漢字圖像預(yù)處理及特征提取的詳細(xì)步驟和方法 ；第三章則給出 漢字識(shí)別系統(tǒng)的識(shí)別方法及過程； 第四章主要針對(duì) 本系統(tǒng)軟件設(shè)計(jì)中流程圖及界面設(shè)計(jì)， 同時(shí)針對(duì) 本 系統(tǒng) 作了一個(gè)快速性和精確度的性能分析 ，最終實(shí)現(xiàn)比較完備的 車牌漢字識(shí)別 系統(tǒng)。所以建立的車牌漢字字符標(biāo)準(zhǔn)識(shí)別樣本庫(kù)實(shí)際就是 樣本車牌漢字圖像的 四維特征向量庫(kù)。 2． 對(duì)輸入的車牌漢字字符圖像進(jìn)行字符特征提取 特征空間的設(shè)計(jì)是模式識(shí)別系統(tǒng)的基礎(chǔ)。 （ 3） 關(guān)于圖像的反色 在所提供的漢字庫(kù)中，車牌漢字圖像為白底黑字。在改變?cè)址麍D像寬高比例的同時(shí)，盡可能 的突出所提取特征 。所以不考慮車牌定位及字符分割對(duì)識(shí)別的影響。 在車牌字符分類器設(shè)計(jì)方面，公開資料中提出的分類器主要有 ： 神經(jīng)網(wǎng)絡(luò)分類器、模板匹配分類器、基于概率統(tǒng)計(jì)的 Bayes 分類器、幾何分類器等。 西南交通大學(xué)本科 畢業(yè)設(shè)計(jì) (論文 ) 第 4 頁(yè) 車牌圖像識(shí)別技術(shù)研究現(xiàn)狀 上世紀(jì) 90 年代中后期開始，隨著數(shù)字圖像處理基 礎(chǔ)理論的不斷發(fā)展和視頻處理技術(shù)、電子技術(shù)及計(jì)算機(jī)信息技術(shù)的迅速進(jìn)步，國(guó)內(nèi)從事車牌圖像識(shí)別技術(shù)研發(fā)的廠商和研究人員增長(zhǎng)迅速，提出了大量的關(guān)鍵技術(shù)算法，實(shí)際應(yīng)用中也取得了一定的成果。 此外，車牌圖像識(shí)別技術(shù)超速抓拍、門禁管理等方面也有一定的應(yīng)用，但與前述三個(gè)方面的應(yīng)用一樣，還存在著一些問題有待于解決。 城市卡口監(jiān)控 ： 公安部 頒布的城市卡口監(jiān)控系統(tǒng)部頒標(biāo)準(zhǔn)明確規(guī)定了車牌識(shí)別是城市卡口監(jiān)控系統(tǒng)的一個(gè)重要組成部分，越來越多的城市公安部門正在積極籌建卡口系統(tǒng)。 高速公路收費(fèi)輔助系統(tǒng)一般是在高速公路入口處進(jìn)行車牌圖像采集、識(shí)別，將識(shí)別結(jié)果寫入通行卡 (票 )或者通過網(wǎng)絡(luò)傳送至各出口站，在車輛到達(dá)出口時(shí)，再進(jìn)行一次車牌圖像采集、識(shí)別，并將識(shí)別結(jié)果與入口識(shí)別結(jié)果相比對(duì)，以防止或發(fā)現(xiàn)倒卡、換卡、換牌等逃費(fèi)行為。到出口處時(shí)，該系統(tǒng)讀到這些數(shù)據(jù)并 西南交通大學(xué)本科 畢業(yè)設(shè)計(jì) (論文 ) 第 2 頁(yè) 同時(shí)生成需付費(fèi)金額，迅速在交通卡中自動(dòng)扣除。 近年來，隨著國(guó)內(nèi)經(jīng)濟(jì)的快速增長(zhǎng)，汽車工業(yè)和交通運(yùn)輸產(chǎn)業(yè)迅速發(fā)展，對(duì)智能交通系統(tǒng)（ ITS）提出了更 高的要求，包括移動(dòng)車輛稽查、高速公路收費(fèi)站管理、停車場(chǎng)（小區(qū)）車輛管理等在內(nèi)的一系列智能管理系統(tǒng)應(yīng)運(yùn)而生。s Republic of motor vehicle number plate? (GA3692), which is published by the Ministry of Public Security department in 1992 involving about 60 Chinese characters. We could easily identify these characters as long as we figure out the difference in their structures. First, pretreatment needs to be carried out for the input picture including sizenormalization, binarization, and anticoloring, detailing. Second, the features of the pretreated picture will be extracted and then put on the same vector, including the number of independent structures, horizontal strokes, vertical, write (including point and Na). Finally, paring the vector ing from the feature extraction with the vector from the standard library, the Template Matching Classifier is able to identify the Chinese characters corresponding to the vector, and then output the result. The experiment result showed the method describ