【文章內(nèi)容簡(jiǎn)介】 符 15 字符識(shí)別方法 (1) 模板匹配。模板匹配并不需要特征提取過程。字符的圖象直接作為特征，與字典中的模板相比，相似度最高的模板類即為識(shí)別結(jié)果。這種方法簡(jiǎn)單易行，可以并行處理；但是一個(gè)模板只能識(shí)別同樣大小、同種字體的字符，對(duì)于傾斜、無良好的適應(yīng)能力。 (2)利用變換特征的方法。對(duì)字符圖象進(jìn)行二進(jìn)制變換 (如 Walsh, Hardama變換 )或更復(fù)雜的變換 (如 KarhunenLoeve, Fourier,Cosine， Slant 變換等 )，變換后的特征的維數(shù)大大降低。但是這些變換不是旋轉(zhuǎn)不變的，因此對(duì)于傾斜變形的字符的識(shí)別會(huì)有較大的偏差。二進(jìn)制變換的計(jì)算雖然簡(jiǎn)單，但變換后的特征沒有明顯的物理意義。 KL 變換雖然從最小均方誤差角度來說是最佳的，但是運(yùn)算量太大，難以實(shí)用?？傊儞Q特征的運(yùn)算復(fù)雜度較高。 (3)投影直方圖法。利用字符圖象在水平及垂直方向的投影作為特征。該方法對(duì)傾斜旋轉(zhuǎn)非常敏感，細(xì)分能力差。 綜合優(yōu)缺點(diǎn)，本設(shè)計(jì)選擇模板匹配的方法 。 字符匹配 該 方法的前提字符匹配識(shí)別要前提建立可以與之相比較的字庫表，將標(biāo)準(zhǔn)車牌中所含的漢字、字母和數(shù)字進(jìn)行分割歸一化處理（ 40*20）后制作成標(biāo)準(zhǔn)的字庫模板如下圖。 將已切割并進(jìn)行了歸一化處理的單個(gè)字符相比較，逐個(gè)字符進(jìn)行匹配比較，再將待識(shí)別的字符的特征值和模板字符相減，找到相減值為最小的那個(gè)即為匹配得最好的字符。 字符識(shí)別流程如下： 16 字符識(shí)別流程圖 匹配方法采用將目標(biāo)圖像與模板圖像逐點(diǎn)做差，得到第三幅圖像，參考程序如下： for I=1:7 ? for i=1:40 for j=1:20 Image_Diff(i,j)=Image_Original(i,j)Image_Mold(i,j)。 end End Dmax=0。 for k1=1:40 for l1=1:20 if (Image_Diff(k1,l1) 0 | Image_Diff(k1,l1)0 ) Dmax=Dmax+1。 end end end 讀取分割字符 第一個(gè)字符與模板中的漢字模板匹配 識(shí)別完成，輸出此模板對(duì)應(yīng)值 第二個(gè)字符與模板中的字母模板匹配 后五個(gè)字符與模板中的數(shù)字、字母模板匹配 待識(shí)別字符與模板字符相減，值越小相似度越大，找到最小的一個(gè)即為匹配的最好的 17 Error(k2)=Dmax。 ? end 最后計(jì)算第三幅二進(jìn)制圖像中像素值為 1 的個(gè)數(shù)，數(shù)值最小的即為匹配出來的結(jié)果，經(jīng)對(duì)比可得相似度最高的數(shù)字 。 統(tǒng)計(jì)第三幅二進(jìn)制圖像中像素值為 1 的個(gè)數(shù)，數(shù)值最小的即為匹配出來的結(jié)果，經(jīng)對(duì)比可得相似度最高的數(shù)字，然后查找所建立的自動(dòng)識(shí)別字符代碼表，達(dá)到識(shí)別的目的。參考程序如下： liccode=char([39。039。:39。939。 39。A39。:39。Z39。 39。蘇豫陜魯貴京津滬渝冀云遼黑湘皖閩新浙贛鄂桂甘晉蒙吉粵青藏川寧瓊 39。])。 %建立自動(dòng)識(shí)別字符代碼表 for I=1:7 %共七個(gè)字符，逐個(gè)識(shí)別 ? MinError=Error(kmin)。 for q=kmin:kmax if Error(q)=MinError MinError=Error(q)。 p=q。 end end Code(l)=liccode(p)。 l=l+1。 end figure,imshow(a),title([39。車牌號(hào)碼為 39。, Code],39。Color39。,39。b39。) 數(shù)字“ 1”切割過細(xì)，歸一化后比例失調(diào)影響字符識(shí)別，容易錯(cuò)誤識(shí)別成其他字符； 18 1 2 3 4 5 6 71 2 3 4 5 6 7 歸一化處理圖 “ O”和“ 0”過于接近，因此國家規(guī)定車牌中后五位不允許出現(xiàn)字母“ O”，均為數(shù)字“ 0”； “ 0”和字母“ D”相近，出現(xiàn)“ 0”時(shí)有可能會(huì)識(shí)別成“ D”。 1 2 3 4 5 6 71 2 3 4 5 6 7 特殊處理字符 19 改進(jìn)后的算法： 改進(jìn)后算法流程圖 結(jié)論： 本課題對(duì)車牌識(shí)別系統(tǒng)的軟件部分進(jìn)行了研究，分別從圖像預(yù)處理、車牌定位、字符分割以及字符識(shí)別等方面進(jìn)行了系統(tǒng)的分析。主要工作內(nèi)容及結(jié)論如下 : （ 1）整理和總結(jié)了國內(nèi)外在車牌分割、字符識(shí)別方面的研究成果和發(fā)展方向，以及車牌識(shí)別的特點(diǎn)。 （ 2）在車牌定位我們采用基于灰度跳變的定位方法，采用先對(duì)圖像進(jìn)行預(yù)否 后五位字符切割 “1”像素點(diǎn)個(gè)數(shù)是否大于 500 歸一化 20 40 字符為“ 1” 是 輸出該值 否 與前最小值相近值之差是否小于 10 依次與模板相減計(jì)算相近值 是 字符為“ 0” 是否為模板“ O” 每次取兩個(gè)中最小值 是 否 20 處理，再進(jìn)行二值化操作的方法。實(shí)驗(yàn)表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡(jiǎn)化了二值化 處理過程，實(shí)驗(yàn)表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡(jiǎn)化了二值化處理過程，提高了后續(xù)處理的速度。 （ 3）在車牌預(yù)處理流程中本設(shè)計(jì)在原來的技術(shù)上通過最小值濾波和腐蝕膨脹進(jìn)行了算法的改進(jìn)，基本解決了噪聲較多和字符斷裂影響實(shí)驗(yàn)結(jié)果的問題，在在最后字符識(shí)別的過程中根據(jù)車牌相關(guān)規(guī)定將可能出現(xiàn)的 “ o” ,”” 0”不分的情況進(jìn)行了強(qiáng)制定義而得到了算法的改進(jìn)。 （ 4）用 MATLAB 編程運(yùn)行結(jié)果可以得出，本設(shè)計(jì)采用的圖像預(yù)處理、字符切割，字符識(shí)別識(shí)別等對(duì)車牌的定位都是非常有效的，而本設(shè)計(jì)提出的垂直投影方法準(zhǔn)確實(shí)現(xiàn)的車牌字符的分割，對(duì)多個(gè)車牌進(jìn)行實(shí)驗(yàn)，均有很高的正確率。 本設(shè)計(jì)雖然只對(duì)藍(lán)底白字車牌進(jìn)行分割識(shí)別，對(duì)于其他色彩車牌識(shí)別需要對(duì)車牌預(yù)處理算法進(jìn)行調(diào)整，而車牌字符的分割算法仍然行之有效。 因此，本設(shè)計(jì)提出的車牌字符的分割算法實(shí)驗(yàn)證明是準(zhǔn)確、有效、可行的。 21 function [d]=Mfinish(~) global flag1。 flag2=0。 while(flag2=4) %%%%%%%%%%%%%%%%%%%%205。188。207。241。212。164。180。166。192。237。178。191。214。%%%%%%%%%%%%%%%%%%%%% a=imread(39。39。)。 imshow(a)。 %subplot(511),imshow(a)。 %title(39。178。202。201。171。205。188。207。241。39。)。 a2=rgb2gray(a)。 % subplot(512),imshow(a2)。 % title(39。187。210。182。200。205。188。207。241。39。)。 if flag1==2 %181。218。210。187。180。206。202。182。177。240。202。167。176。220。186。243。189。248。208。208。184。175。202。180。197。242。213。205。188。176。238。208。161。214。181。194。203。178。168。180。166。192。237。% se = strel(39。line39。,5,100)。 a2 = imdilate(a2,se)。 a2=ordfilt2(a2,1,ones(5,5))。 %subplot(515),imshow(a2),title(39。238。208。161。214。181。194。203。178。168。39。)。 flag1=0。 end %181。218。182。254。180。206。202。182。177。240。202。167。176。220。186。243。189。246。189。248。208。208。238。208。161。214。181。194。203。178。168。180。166。192。237。% if flag2==3 a2=ordfilt2(a2,1,ones(5,5))。 flag1=0。 end a3=im2bw(a2)。 % subplot(513),imshow(a3)。 % title(39。182。254。214。181。205。188。207。241。39。)。 d=filter2(fspecial(39。average39。,7),a3)。 % subplot(514),imshow(d),title(39。190。249。214。181。194。203。178。168。39。)。 %200。165。179。2