【文章內容簡介】 字母庫與漢字庫。4. 通過matlab編程用程序實現(xiàn)了一個比較令人滿意車牌的字符識別系統(tǒng)。 結構安排本文共分為五部分:第一部分簡要介紹了選題的概述及意義，字符識別技術中技術難點。第二部分介紹了車牌識別系統(tǒng)國內外研究現(xiàn)狀，以及車牌字符識別原理與特點，綜合車牌識別中字符的特點制定出車牌識別的設計方法。第三部分介紹一下自己設計的車牌字符識別系統(tǒng)的工作原理及實現(xiàn)步驟。第四部分介紹了實驗的運行環(huán)境，并實驗仿真結果，最后對實驗結果進行分析。第五部分即結論，概括了本設計方法的實驗成果。2 . 車牌識別系統(tǒng)字符識別 車牌字符識別就是對分割出的待識別的字符進行識別處理。車牌的字符由有限的漢字、英文字母和數(shù)字組成。目前車牌字符識別最常用于車牌字符識別的方法是模板匹配法，神經(jīng)網(wǎng)絡字符識別算法，統(tǒng)計匹配法。(1) 模板匹配法 事先對每個字符建立一個標準模板，將待識別圖像變成大小一樣的圖像，將每個模板與待識別圖像進行逐點比較，并根據(jù)其相似程度而得出識別結果。模板匹配的關鍵在于模板設計，在設計模板時，必須使每種模板都和它對應的字符圖像相吻合，但和其它字符則有一定的失配量，根據(jù)所取特征的不同，有圖形匹配、筆劃匹配、幾何特征匹配等幾種形式。該類算法的優(yōu)點是識別率高。缺點是對字符圖像質量要求較高，計算速度慢，占整個系統(tǒng)耗時的40%左右，誤識率相對較高。例如，魏武等將模板在車牌字符區(qū)上左右滑動，找到最好的匹配位置，并采用重合度和差別函數(shù)來度量車牌字符和標準模板之間的相似程度，并指出為了有效地減少識別時間，可以采用基于啟發(fā)式搜索的方法來有效地減少搜索空間。陳斌等針對簡單的模板匹配未能很好地解決在字符與背景對比不太明顯、字符的大小、筆畫粗細有一定變化等情況下的車牌字符識別問題，提出了松弛模板匹配的方法，對每類根據(jù)不同的閩值二值化生成3 個模板，綜合比較實現(xiàn)識別。馬俊利等在原標準模板的基礎上，通過對字符特征區(qū)域的擴大，加強注意并對那些類間距離差別較大的字符類別制作多個模板，達到對模板的更有效的匹配。(2) 神經(jīng)網(wǎng)絡字符識別算法神經(jīng)網(wǎng)絡理論自20 世紀中期提出以來，取得了一系列的研究成果。近年來，隨著計算機技術和非線性科學的發(fā)展，神經(jīng)網(wǎng)絡理論的研究又進入一個新的高潮，其應用己經(jīng)滲透到各個領域，并在智能控制、模式識別、計算機視覺、生物醫(yī)學工程等方面取得了巨大貢獻。 用神經(jīng)網(wǎng)絡進行字符識別，主要有兩種方法：一種方法是先對待識別字符進行特征提取，然后用所獲得的特征來訓練神經(jīng)網(wǎng)絡分類器。這種方法實際上是傳統(tǒng)方法與神經(jīng)網(wǎng)絡技術的結合，可以利用人的經(jīng)驗來獲取模式特征，然后充分利用神經(jīng)網(wǎng)絡的分類能力來識別字符，其識別效果與字符特征的提取有關，而字符的特征提取往往比較耗時。因此，字符特征的提取就成為研究的關鍵，特征參數(shù)過多會增加訓練時間，過少會引起判斷上的歧義。另一種方法是充分利用神經(jīng)網(wǎng)絡的特點，直接把待處理圖像輸入網(wǎng)絡，由網(wǎng)絡自動實現(xiàn)特征提取直至識別。這種網(wǎng)絡互連較多，待處理信息量大。這種方法無需特征提取，由網(wǎng)絡自動識別字符，抗干擾性能好，識別率高。但該方法產生的網(wǎng)絡結構比較復雜，輸入模式維數(shù)的增加可能導致網(wǎng)絡規(guī)模龐大?；谏窠?jīng)網(wǎng)絡的字符識別算法一般包括以下四個步驟： 1 對分割出來的字符樣本進行預處理； 2 提取樣本字符特征； 3 將特征送到神經(jīng)網(wǎng)絡中訓練，訓練好的神經(jīng)網(wǎng)絡對特征敏感； 4 將待識別字符預處理提取特征后送到訓練好的神經(jīng)網(wǎng)絡中進行識別。 基于神經(jīng)網(wǎng)絡的車牌字符識別方法，對于解析度較高和圖像比較清晰的車牌，這些方法能有效識別車牌中的字符，但對于較低解析度和較為模糊的車牌還有很多工作要做，因為這些方法只有在車牌中的每個字符被獨立分割出來的前提下才能完成識別工作，而獨立分割車牌取得字符，對較低解析度和較為模糊的車牌來說是非常困難的。雖然，神經(jīng)網(wǎng)絡在識別效果上提高的余地較大，具有較強的容錯能力，還可進一步訓練學習，識別率較高，但其識別速度較慢，不能滿足實時性的要求。(3) 特征統(tǒng)計匹配法 特征統(tǒng)計匹配法的要點是先提取待識別模式的一組統(tǒng)計特征，再按照一定準則所確定的決策函數(shù)進行分類判決。漢字的識別是將字符點陣看作一個整體，根據(jù)每個字符的筆畫特征不同，將字符分解為橫、豎、撇、捺、折、圓中的一種或幾種結構特征的集合，經(jīng)過大量的統(tǒng)計得到所用特征，再與字符庫中的特征集合進行匹配，從而得到輸入字符的識別結果。最常用的方法是網(wǎng)格特征匹配法。然而在實際應用中，由于外部原因的存在常常會出現(xiàn)字符模糊、字符傾斜等情況，從而影響識別效果，當字符出現(xiàn)筆畫融合斷裂、部分缺失時，此方法更加無能為力。因此，實際應用效果不理想，魯棒性不強。 模板匹配實現(xiàn)簡單。當字符較規(guī)整時，對字符圖像的缺損、污跡干擾適應力強且識別率高。因此，這里將模板匹配作為車牌字符識別的主要方法。車牌的字符識別對識別率要求很高至少需要達到 90%，模板匹配法應用最為成熟，準確率也最高基本可以達到準確率的要求，但是無法解決消耗時間較多和在識別相似字符時識別率低的問題。因此，如何提高模板匹配法的實時性和消除模板匹配法對相似字符的誤識別率是車牌字符識別方面需要解決的問題。 車牌字符識別原理與特點 經(jīng)過多年的研究，對于標準字體的識別技術目前已經(jīng)相當成熟，但在車牌識別系統(tǒng)中，由于實際使用條件的影響，存在著許多不利于識別的因素。與其它字符識別相比，車牌字符識別有其特殊性，主要體現(xiàn)在以下幾點：(1) 字符集小。車牌上出現(xiàn)的漢字字符為省、自治區(qū)、直轄市或特殊機構的簡稱。加上26 個英文字符以及10 數(shù)字，字符類別不超過100 類。(2) 待識別的字符圖像小。字符圖像來源于定位分割得到車牌圖像，車牌占車輛圖像中的比例很小，因此，車牌字符一般都很小，字符的寬高通常在20～30 個像素之間，這樣就增加了識別的難度。(3) 車牌字符圖像受到的干擾因素多。車牌識別系統(tǒng)是全天候工作的系統(tǒng)，由于受到天氣、外界干擾、車輛運動、車牌傾斜以及拍攝角度等因素的影響，導致提取到的車牌字符圖像中的字符的大小、粗細、位置及傾斜度都不一樣。另外，車牌的清晰度、清潔度、新舊底色及光照背景等因素，可能會使采集到的圖像存在嚴重干擾，如字符模糊、畸變甚至斷線等。因而，要求所采用的識別方法具有很強的抗干擾性和環(huán)境適應性。(4) 存在一些結構特征非常相似的字符。例如：數(shù)字“2”與字母“Z”，數(shù)字“8”與字母“B”，數(shù)字“5”與字母“S”，數(shù)字“0”、字母“Q”、“D”和“O”等。字符圖像的預處理待識別的字符圖像判別（依據(jù)所選方向） 特征提 取 → → → →識別結果 ↓字典（特征模板集合） 經(jīng)過圖像預處理，得到了二值化的數(shù)字點陣。對二值化字符圖像進行特征提取，針對字符圖像的特征提取的方法多種多樣，有逐像素特征提取法、骨架特征提取法、垂直方向數(shù)據(jù)統(tǒng)計特征提取法、基于網(wǎng)格的特征提取法、弧度梯度特征提取法等很多方法。特征提取要保證類內聚類性和類間可分性，同時避免維數(shù)冗余性，應該考慮兩方面情況：一方面是反映圖像全局的特征，這種特征對一般噪聲不敏感，另外一方面，選取的特征能夠反映出圖像的局部細節(jié)特征 抽取一定的表達形式后，采用某種分類判別函數(shù)和判別規(guī)則，與模板庫中己知的標準字符表達形式匹配判別，就可識別出輸入的字符圖像。虛線以下是識別系統(tǒng)的學習部分。學習是根據(jù)多個未知字樣抽取出模式表達形式，自動構造或修改充實字典，不斷提高系統(tǒng)識別率。 三. 車牌識別系統(tǒng)中字符識別的設計 傳統(tǒng)的模板匹配法 模板匹配是圖像識別中具代表性的方法之一。它是將從待識別的圖像提取的若干特征向量與模板對應的特征量進行比較，計算圖像和模板特征量之間的距離，用最小距離法判定所屬類，或者計算圖像與模板的相關系數(shù)，用最大相關系數(shù)法判定所屬類。模板匹配通常事先建立標準模板庫，模板庫中的標準模板通常是二值化的數(shù)字模板，(0 表示背景，1 表示字符)并且圖像模板大小相同。為了使車牌字符圖像和標準模板的特征相對應，匹配前將車牌字符圖像歸一化為標準模板大小，為模板匹配提供有利的條件。 模板匹配法實現(xiàn)原理：設模板 T 疊放在搜索圖S，模板覆蓋下的那塊搜索圖叫做子圖Si,j，其中i，j 為這塊子圖的左上角像數(shù)點在S 圖中的坐標。比較模板T 和子圖Si,j 的內容，設定一個相似度式子來衡量兩個的相似程度。圖像