武汉科技大学本科毕业设计(论文)
合，当然也包括小波分析、神经网络、数学形态学、模糊理论等数学知识的有效运用。一个车牌定位与识别系统基本包括：图像预处理、车牌搜索、车牌定位、车牌校正、车牌字符分割和字符识别结果的输出。本系统主要是在对汽车图像进行细致分析，从而研究车牌定位与识别的算法问题。
1.2 字符识别简介
1.2.1 字符识别发展概况
字符识别发展可分为三个阶段：第一个阶段为初级阶段，在这一阶段中，技术上是应用一维图像的处理方法完成二维图像的识别任务。这样萌芽了一个基本思想—抽取特征向量的构造和它的相关函数。现在此法仍不失为一种重要的匹配方法。第二个阶段为基础理论研究阶段。提出了表示边界的链码法，用于结构分析的细化思想，以及一些离散图形上的拓扑性研究，形成了不仅能抽取局部特征， 而且能抽取大范围的凹凸区域、连通性、孔等特征的算法，完成了作为基础理论核心的“特征抽取理论”，及所谓的K-L展开法工作。第三个阶段为发展阶段。这一阶段的研究工作是技术和实际相结合，针对实际系统的要求和设备可能提供的条件，提出了更为复杂的技术。但就多种方法分类来说为二大方法：相关法和构造解析法。在这两类方法的基础上，已研究出了不同类各具特色的实用系统。字符识别系统根据输入设备的不同有如下分类[19]，如图1.1所示：
字符识别
磁识别 光学识别 机械识别
在线识别 脱机识别
单个字符识别 连笔字符识别
印刷体字符识别 手写体字符识别
图1.1 字符识别分
类
第2页
武汉科技大学本科毕业设计(论文)
目前开展比较多，并进入实用阶段的是光学字符识别系统 (OCR系统)。日本虽说起步不是最早，但因投入了大量的人力和物力，目前处于世界领先地位。七五年日本拥有650台光学字符识别机，进入了实用阶段。到一九七八年，能阅读英文字母、数字、片假名和平假名等118 种OCRT0300上市。之后，其研究方向转向了汉字识别。
我国是从七十年代开始字符研究的。一九七八年，中科院自动化研究所等合作研制出了“倍函自动化分检机”，可识别0～9个数字；一九八七年清华大学研制的汉字识别系统通过了技术鉴定，可识别国家二级汉字库6000多字，识别率可达99%，速度为1字/4秒；一九八七年十二月，西安交大人工智能和机器人研究所研制的汉字识别系统也通过了技术鉴定，同样可识别汉字6000多，识别速度可达1字/1秒，识别率达98%以上，处于国内领先地位。这都为字符识别的实际应用提供了广阔的前景。
1.2.2 字符识别系统用到的方法
字符识别系统用到的方法很多。下面以表格的形式，其用到的方法作一简单的介绍和比较。
主要理论支柱 模式描述方法 表1.1 几种识别方法的比较 统计决策 句法结构 模糊判决 概率论 数理统计 形式语言 自动机技术 符号串、树、图 模糊数学 逻辑推理 演绎逻辑 布尔代数 字符串表示的事实 神经网络 神经生理学 以不同活跃度表示的输入结点集 特征向量 模糊集合 模式类判定 是一种语言。是一个非线是一种集合运是一个聚合类。用用一个文法是一种布尔演性动态系统。算。用隶属度将条件概率分布P(X| 表示一类，m算。从事实出发通过对样本模糊集合划分wi)表示，m类就有m类就有m个文运用一系列规的学习建立为若干子集，m个分布，然后判定法，然后判定则，推理得到不起记忆，然后类就有m个子未知模式属于哪一未知模式遵同结果，m类就将未知模式集，然后根据择个分布。 循哪一个文有m个结果。 判决为其最近原则分类。 法。 接近的记忆。 几何分类：线性分类、非线性分类 统计分类：Bayes决自动机技术 隶属度函数的模糊设计CYK 剖析算设计：法二元对比排法 第3页
主要方法 产生式推理 语义网推理 BP模型 HOP模型 武汉科技大学本科毕业设计(论文)
策 无教师的分类：聚类分析 Early算法 转移图法 序法 推理法 模糊集运算规则 模糊矩阵 优点：识别方便，可从简单优点：比较成熟，能考虑干扰、噪声等影响，识别模式基元能力强。 主要优缺点 缺点：对结构复杂的模式抽取特征困难。不能反映模式的结构特征，难以描述模式的性质，难以从整体考虑识别问题。 的基元开始，由繁至简。能反映模式的结构特性，能描述模式的性质，对图像的畸变的抗干扰能力较强。 缺点：当存在干扰及噪声时，抽取基元困难，且易失误。 优点：由于用隶属度函数作为样品与模板间相似度的度量，故往往能反映它们整体的与主要的特性，从而允许样品有相当的干扰与畸变。 缺点：准确合理的隶属度往往难以建立，故限制了它的应用。 优点：已建立了关于知识表示及组织，目标搜索及匹配的完整体系。对需同过众多规则的推理达到目标确认的问题，有很好的效果。 缺点：当样品有缺损，背景不清晰，规则不明确甚至有歧义时，效果不好。 优点：可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题。允许样品有较大的缺损和畸变。 缺点：模型在不断丰富与完善中，目前能识别的程式类还不够多。 框架推理 高阶网 本系统中主要用到的是基于神经网络的字符识别方法。
1.2.3 字符识别原理
近年来，字符识别逐渐成为模式识别领域内的一个重要分支。和其他模式识别的应用一样，字符识别的基本思想也是匹配判别。抽取代表未知字符模式本质的表达形式 (如各种特征) 和预先存储在机器中的标准字符模式表达形式的集合 (称为字典) 逐一匹配，用一定的准则进行判别，在机器存储的标准字符模式表达形式的集合中，找出最接近输入字符模式的表达形式，该表达形式对应的字就是识别结果。字符识别的原理框图如图1.2。
第4页
武汉科技大学本科毕业设计(论文)
字符图像 预 处 理 模式表达
识别部分
学习部分
教师 图1.2 字符识别的原理框图
判 别 字 典 学 习 字符识别的原理如上图所示。文字经光电扫描，模数转换为带灰度值的数字信号送至预处理环节。预处理的内容和要求取决于识别方法，一般包括行字切分，二值化，规范化等。经过预处理，字符模式成为规范化的二值数字点阵信息。对该二值化汉字点阵，抽取一定的表达形式后，与存储在字典中已知的标准字符表达形式匹配判别，就可识别出输入的未知字符。图1.3中点划线以下是识别系统的学习部分。学习是根据多个未知字样抽取出模式表达形式，自动构造或修改充实字典，不断提高系统识别率。字符的模式表达形式和相应的字典形式有多种，每种形式又可以选择不同的特征，每种特征又有不同的抽取方法。这些就使得判别方法和准则以及所用的数学工具不同，形成了种类繁多，形式各异的字符识别方法。
1.3 国内外研究现状和发展趋势
车牌识别技术自1988年以来，人们就对它进行了广泛的研究，目前国内外已经有众多的算法，一些实用的LPR技术也开始用于车流监控、出入控制、电子收费、移动稽查等场合。然而，无论是LPR算法还是LPR产品几乎都存在一定的局限性，都需要适应新的要求而不断完善，如现有系统几乎都无法有效解决复杂背景下的多车牌图像分割定位与有效识别的技术障碍，另外也很难适应全天候复杂环境及高速度的要求。
车牌字符识别实际上是依附在车牌上的印刷体文字的识别，能否正确识别不仅是文字识别技术的问题，还是考虑其载体——车牌区域的影响。车牌字符识别
第5页
武汉科技大学本科毕业设计(论文)
技术是文字识别技术与车牌图像自身因素协调兼顾的综合性技术。由于摄像机的性能、车牌的整洁度、光照条件、拍摄时的倾斜角度及车辆运动等因素的影响使牌照中的字符可能出现比较严重的模糊、歪斜、缺损或污迹干扰，这些都给字符识别带来了难度。尽管如此，我国依然有大量的学者从事车牌字符识别研究，文献给出了基于神经网络的车牌识别方法，对于解析度较高和图像比较清晰的车牌，这些方法能有效识别车牌中的字符，但对于较低解析度和较为模糊的车牌无能为力，因为这些方法只有在车牌中的每个字符被独立分割出来的前提下才能完成识别工作。而独立分割车牌取得字符，对较低解析度和较为模糊的车牌来说是非常困难的。车牌字符识别的研究在技术上已经取得了一定突破，然而离复杂多变的实际应用要求还有一定差距，许多新方法仅停留在理论和文章上或者限定在比较狭窄的约束范围内，并不能以产品的形式大范围投入使用。因而车牌字符识别的实用化研究仍然有很长的路要走。
目前的车牌识别方法主要是针对车辆自动缓停收费、停车场管理等场合，所监视的区域一般只有单一车辆，背景也比较简单。而如今的许多实际应用场合，监视区域比较复杂，现有的方法无法直接应用。比如在移动交警稽查、高速公路的监视与监控、城市交通要道的监视与监控，所监控的区域一般会同时出现多辆汽车，背景也比较复杂，有广告牌、树木、建筑物、斑马线以及各种背景文字等。所以本课题针对这种情况创新性的提出了一种复杂背景下多车牌定位分割与识别方法，并考虑了彩色分割与ColorLP算法，这也是当前车牌图像识别的发展趋势。
当然，车牌识别系统的具体应用发展也很迅猛，从原来的停车静止拍摄场景应用，如收费站、停车场等，发展到移动公路车辆稽查、违章自动报警、超载闯红灯等实时监控场合应用，增加神经网络自适应识别学习训练功能，对于系统响应的速度、网络化、智能化、识别成功率等实用化要求也越来越高。随着上述核心技术的研究发展，应用领域和功能等也获得大幅提高。
1.4 基于神经网络的字符识别系统
1.4.1 系统简介
该系统是为了辨认识别图像中的字符而设计的，它通过对图片的一系列处
第6页