【正文】 粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長度大于某閾值，則認(rèn)為該塊有兩個字符組成，需要分割。由于分割出來的字符圖像尺寸大小可能不一樣，因此需對字符圖像進行歸一化處理，使每個標(biāo)準(zhǔn)字符的圖像窗口大小為20x40. 我們假設(shè)f(x,y)為未歸一化的圖像，g(x, y)為歸一化以后的圖像。w1和w2分別為字符圖像在原車牌圖像中的左邊緣和右邊緣列坐標(biāo)，Width為模板寬度，此處為20；h1和h2分別為字符圖像在原車牌圖像中的上邊緣和下邊緣的行坐標(biāo)，Height為模板高度，此處為40。代表灰度值255。2. 對1中獲得的粗略圖像用MATLAB進行處理。 ，實現(xiàn)圖像銳化。 3. 整個處理過程結(jié)束后，再用imwrite 函數(shù)寫入圖像庫中，作為標(biāo)準(zhǔn)模板使用。 字符識別 傳統(tǒng)的模板匹配法它是將從待識別的圖象或圖象區(qū)域f(i,j)中提取的若干特征量與模板T(i,j)相應(yīng)的特征量逐個進行比較，計算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處理后，使得圖象的灰度或像素點的位置發(fā)生改變。建立字符模板庫用來識別字符 ↓ 讀取字符分割出的七個字符 ↓第一個字符與模板中的漢字模板匹配 第二個字符與模板中的字母模板匹配 ↓ 第三，四個字符與模板中的字母與數(shù)字模板進行匹配 ↓ 第五，六，七字符與模板中的數(shù)字模板進行匹配 ↓ ↓ 待識別字符與模板字符相減，找到結(jié)果中0最多的即是找到匹配最好的一個字符 ↓ 識別完成 ↓ 字符識別流程圖 此處采用相減的方法來求得字符與模板中哪一個字符最相似，然后找到相似度最大的輸出，解決了在計算相似度的時候計算機需要進行大量的乘除法運算。車牌字符識別與一般文字識別在于它的字符數(shù)有限，漢字共約50多個，大寫英文字母26個，數(shù)字10個。為了實驗方便，結(jié)合本次設(shè)計所選汽車牌照的特點，只建立了8個數(shù)字，26個字母與10個數(shù)字的模板。首先取字符模板，接著依次取待識別字符與模板進行匹配，將其與模板字符相減，得到的0越多那么就越匹配。4. 實驗結(jié)果與討論 實驗條件：CPU: AMD 速龍 4000+ 內(nèi)存: 1GB 顯卡: 集成顯卡 操作系統(tǒng): Windows 7 開發(fā)環(huán)境: MATLAB R2010a 實驗結(jié)果與分析(1) 字符歸一化 識別結(jié)果 （2）字符歸一化 識別結(jié)果 (3) 字符歸一化識別結(jié)果 實驗結(jié)果分析：從上圖的三個車牌仿真實驗可知，車牌識別的結(jié)果準(zhǔn)確率受到車牌圖像預(yù)處理，車牌定位，字符分割的影響力，三個車牌總共21個，其中正確識別的字符有20個，只有一個‘139。M39。說明此種方法可以提高字符識別正確率，另外速度上也得到提升。另外，利用不同的字符庫對特定字符區(qū)域進行匹配也提升了字符識別正確率。 同時，感謝同一課題組同學(xué)，大家互相幫助，互相學(xué)習(xí)，我會珍惜這份來之不易的友誼。衷心感謝我的父母，沒有你們的支持，就沒有我的學(xué)業(yè)，沒有你們的關(guān)愛，就沒有兒子的今天。 最后，再次向所有幫助我順利完成學(xué)業(yè)的各位致以最誠摯的謝意?？茖W(xué)出版社，2000 [5] 葉晨洲，廖金周．梅帆．車輛牌照字符識別系統(tǒng)叨．計算機系統(tǒng)應(yīng)用。39。% 讀取車牌分割出來的七個字符word1=imread(39。)。39。word3=imread(39。)。39。word5=imread(39。)。39。word7=imread(39。)。word2=imresize(word2,[40 20])。word4=imresize(word4,[40 20])。word6=imresize(word6,[40 20])。subplot(3,7,15),imshow(word1),title(39。)。239。subplot(3,7,17),imshow(word3),title(39。)。439。subplot(3,7,19),imshow(word5),title(39。)。639。subplot(3,7,21),imshow(word7),title(39。)。39。imwrite(word2,39。)。39。imwrite(word4,39。)。39。imwrite(word6,39。)。39。liccode=char([39。:39。 39。:39。 39。])。 % 初始值歸為0矩陣l=1。 %轉(zhuǎn)化為字符串格式 t=imread([ii,39。])。nearest39。 if l==1 %第一位漢字識別 kmin=37。 elseif l==2 %第二位 A~Z 字母識別 kmin=11。 elseif l==3amp。l==4 %第三位或者第四位是字母或數(shù)字識別 kmin=1。 else l=5 %第五位以后是數(shù)字識別 kmin=1。 end for k2=kmin:kmax fname=strcat(39。,liccode(k2),39。)。 for i=1:40 for j=1:20 SubBw2(i,j)=SegBw2(i,j)SamBw2(i,j)。 for k1=1:40 for l1=1:20 if ( SubBw2(k1,l1) 0 | SubBw2(k1,l1) 0 ) Dmax=Dmax+1。 end Error1=Error(kmin:kmax)。 % 如果第三幅圖像中所得到的0數(shù)量最多，那么兩幅圖像相似度最高 findc=find(Error1==MinError)。 Code(l*2)=39。 % 確定識別出的圖像在車牌中的位置，中間加上空格 l=l+1。39。 % 定位后的圖像figure(10),imshow(22),title ([39。, Code],39。,