建立自动识别的代码表 读取分割且归一化的出来的字符 切割字符保存，并与模板库进行模板匹配 待识别字符与模板字符相减，值越小相似度越大，找到最小的一个即为匹配的最好的 识别完成，输出此模板对应值 图3.5.1车牌识别系统流程图 License plate recognition system flow chart
3.5.2 字符识别的分类
车牌字符识别方法基于模式识别理论，主要有以下几类： (1) 结构识别；
他由识别及分析两部分组成，识别部分主要组成是：预处理、基元抽取（包括基元和子图像之间的关系）和结构分析。分析部分包括基元选择及结构推理。
(2) 统计识别；
统计模式识别的目的在于确定已知样本所属的类别。它以数学上的决策理论为依据，并根据此理论建立了统计学识别模型。其基本模型是在对研究的图像进行大量的统计分析，找出规律性认识，抽出反应图像本质特点进行识别。 (3) 基于BP神经网络的字符识别；
通常所说的BP神经网络模型，即误差后向传播神经网络，是神经网络中使用最广泛的一类，网络分为三层分别是输入层，隐层还有输入层，层与层之间多采用全互联方式同一层单元之间不存在互连连接。 (4) 基于模板匹配的字符识别；
模板匹配是数字图像处理的重要组成部分之一。是把根据已知模式到另外一幅图中寻找相应模式的处理方法就叫做模板匹配。
第 14页 共 33页
3.5.3 基于模板匹配的字符识别[10]
模板匹配是图象识别方法中最具代表性的基本方法之一，它是将从待识别的图象或图象区域f(i,j)中提取的若干特征量与模板T(i,j)相应的特征量逐个进行比较，计算它们之间规格化的互相关量，其中互相关量最大的一个就表示期间相似程度最高，可将图象归于相应的类。也可以计算图象与模板特征量之间的距离，用最小距离法判定所属类。然而，通常情况下用于匹配的图象各自的成像条件存在差异，产生较大的噪声干扰，或图象经预处理和规格化处理后，使得图象的灰度或像素点的位置发生改变。在实际设计模板的时候，是根据各区域形状固有的特点，突出各类似区域之间的差别，并将容易由处理过程引起的噪声和位移等因素都考虑进去，按照一些基于图象不变特性所设计的特征量来构建模板，就可以避免上述问题。本文采用相减的方法来求得字符与模板中哪一个字符最相似，然后找到相似度最大的输出。首先取字符模板，接着依次取待识别字符与模板进行匹配，将其与模板字符相减，得到的0越多那么就越匹配。把每一幅相减后的图的0值个数保存，然后找数值最大的，即为识别出来的结果。
4 实验分析
4.1车牌定位过程及分析
我们首先将通过MATLAB将原始图片通过函数imread读入并且输出如图4-1（a）所示,然后对读入的图像通过rgb2gray进行灰度处理如图4-1（b）所示。
在车牌识别系统中，将一幅图像装换为另一种类型是非常有用的，因为如果采用原始采集的彩色图像，它里面则包含的大量的无用信息，从而对识别的过程中造成干扰，会造成存储的浪费以及在车牌识别系统中拖慢识别的速度，而且投入使用中将大大的提高硬件的要求，从而造成了经济成本的上升，所以我们将要对原始采集的对象通过代码进行灰度化处理，将其变成灰度图像。
第 15页 共 33页
图4-1(a) 车辆牌照原始图像
Figure 1 (a) the license plates of the original image
图4-1(b)灰度图像及直方图 Figure 4-1 (b) Gray image and histogram
边缘检测选用不同的额算子或者阈值都会对结果造成很大的影响，经过反复试验，我们选取了canny算子，并且选用0.19的阈值进行边缘检测，通过代码I2=edge(I1,'canny',0.19,'both');就能得到边缘检测的图像如图4-1（c）所示
第 16页 共 33页
图4-1（c）边缘检测图像 Figure 4-1 (c) image edge detection
本文通过对图像进行腐蚀、膨胀，对其实现闭运算，最后还用了bwareaopen来去除对象中不相干的小对象。由此得到车牌图像的初步定位，通过函数输出图像如图4-1（d）所示。
图4-1（d）图像闭运算及处理
Figure 4-1 (d) image closed operation and processing
第 17页 共 33页
经过上述过程，我们只要确定车牌底色RGB对应的各自灰度范围，然后在行方向统计在此颜色范围内的像素点数量，设定合理的阈值，确定车牌在行方向的合理区域，然后在分割出行方向区域内，同理统计Y方向的像素点数量，然后在从Y方向合理区域的图中分割出行方向的合理区域，最终确定车牌的区域，实现定位。如图4-1（e）所示。
图4-1（e）车牌定位图像
Figure 4-1 (e) license plate localization image
4.2 车牌字符识别
上述过程完成车牌定位以后，我们将对分割出来的车牌图像进一步的车牌处理[11]，实验过程中我们队截取的车牌做了灰度化如图图4-2（a）所示、二值化[12]如图图4-2（b）所示、滤波处理图4-2（c）及闭运算图4-2（d）。
图4-2（a）车牌灰度图像
Figure 4-2 (a) license plate gray image
第 18页 共 33页