陕 西 理 工 学 院 毕 业 设 计
统计有误差也不会造成过大的影响，增强了特征的抗干扰性。这种方法正得到日益广泛的应用。
2．模式识别系统
计算机识别的显著特点是速度快，准确性高，效率高，完全可以取代人工录入。模式识别过程与人类的学习过程相似。以“汉字识别”为例：首先将汉字图象进行处理，抽取主要表达特征并将特征与汉字的代码存在计算机中。就象老师教我们这个字“怎么读怎么写\并记在大脑中。这一过程叫做“训练”。识别过程就是将输入的汉字图象经处理后与计算机中的所有字进行比较，找出最相近的字就是识别结果。这一过程叫做“匹配”。
与模式识别方法相适应的模式识别系统都由两个过程组成，即设计和实现。设计是指用一定数量的样本(称为训练集或学习集)进行分类器的设计；实现是指用所设计的分类器对待识别的样本进行分类决策。基于统计方法的模式识别系统主要由四个部分组成：数据信息获取，预处理，特征提取和选择，分类决策。
3．模式识别的应用
模式识别技术是人工智能的基础技术，21世纪是智能化、信息化、计算化、网络化的世纪，在这个以数字计算为特征的世纪里，作为人工智能技术基础学科的模式识别技术，必将获得巨大的发展空间。在国际上，各大权威研究机构，各大公司都纷纷开始将模式识别技术作为公司的战略研发重点加以重视。语音识别技术、生物认证技术、数字水印技术等都是基于模式识别技术的新兴高技术产业，我国模式识别科技水平在业界产品开发上已处于领先地位。
4．车牌字符模式识别
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。和其它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。
由于已经得到了分割出来的单个字符图像，所以预处理部分主要是增强分割后字符图像的信息，去除字符图像中的污点等噪声。并根据一定的准则删除掉一些非本质信号，对文字的大小、位置和笔划粗细等进行规范，以便简化判断部分的复杂性。预处理的内容和要求取决于识别方法，一般包括行切分、字切分、二值化、细化或抽取轮廓、平滑、归一化等。经过预处理，字符模式成为归一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，与存储在字典中己知的标准字符表达形式进行匹配判别，就可识别出输入的未知字符。特征提取部分是从规范化的信息中抽取反映字符的有用信息，供识别部分进行判断和分类。作为特征提取的内容是比较多的，可以是集合特征，如文字线条的端点、折点和交点等。识别判断部分则是根据抽取的特征，运用一定的识别原理，对文字进行分类，确定其属性，达到识别的目的，实际上判断部分就是一个分类器。 5.1.2 车牌字符识别常用方法
1．基于字符结构特征分析的方法
采用多级分类方法，充分利用车牌汉字图像的空间结构特征(像素空间分布投影，字符的笔段类型、数量及拓扑关系等)实现车牌汉字的快速识别。这种方法对字符的旋转、变形、缩放具有一定的适应性，但需要进行复杂的笔划分析和抽取，且对车牌图像质量要求比较高。
2．模板匹配法
该方法是实现离散输入模式分类的有效途径之一，其实质是度量输入模式与标准模式之间的某种相似性，取相似性最大者为输入模式所属类别。根据字符的直观形象抽取特征，用相关匹配原理进行识别，即将输入模式与标准模板在一个分类器中进行匹配。
由于车辆牌照字符只有20多个大写英文字母，10个阿拉伯数字和约50个汉字，字符集比较小，
第17 页 共 37 页
陕 西 理 工 学 院 毕 业 设 计
所以可以把所有这些可能的字符制成标准模板，采用模板匹配的方法。这种识别方实现简单，当字符较规整时对字符图像的缺损、污迹干扰适应力强且识别率相当高。
3．基于小波变换的方法
对标准字符和分割好的车牌字符进行正交小波变换获取低频系数和高频系数，构造低频系统矢量和高频系统矢量，定义隶属函数，设定阀值，并定义加权矩阵。先将待识别字符的低频系数矢量与标准字符的低频系数矢量比较，再比较高频系数矢量，最终获得识别结果。
小波变换是一种信号的时间一一尺度(时间一一频率)分析方法。小波变换的基本思想是通过伸缩及平移将原始信号分解为一系列具有不同空间分辨率，不同频率特性和方向特性的子带信号。这些子带信号具有良好的时域和频域特性。这些特性可以用于表示原始信号的局部特征和概貌特征，因此可以用来对图像目标进行识别。
4．基于神经网络的方法
车牌中的字符由汉字、英文字母及数字组成，基于神经网络的字符识别算法一般包括以下几个步骤：
(1)首先对分割出来的字符样本进行预处理(包括归一化等)； (2)提取样本字符特征；
(3)将特征送到神经网络中训练，训练好的神经网络对特征敏感；
(4)将待识别字符预处理提取特征后送到训练好的神经网络中进行识别。
神经网络己广泛用于图像处理、模式识别的实际应用中。其中以自适应信息理论为基础发展起来的前向多层神经网络及其逆推(BP)学习算法因其算法的系统性及完整性被广为运用。但这类网络存在着学习速度慢、易于陷入局部最小点、网络学习后结构固定等固有缺陷，另外这种网络只适用于平稳的环境，误差准则固定，不能随着环境的变化而进行相应的调整或改变。 5.2 车牌字符的归一化处理
为了消除字符由于大小、位置的差异对字符特征提取、识别的的影响，需要对字符图像进行归一化处理。归一化一般分为位置归一化、大小归一化、笔划粗细归一化。
为了消除字符点阵位置上的偏差，需要将整个字符点阵图形移动到固定的位置上，这个过程被称为位置归一化。有两种简单的位置归一化方法。一种是基于质心的位置归一化；另一种是基于字符外边框的位置归一化。基于质心的方法需要首先计算字符的质心，然后再把质心移动到指定的位置上。基于字符外边框的位置归一化需要首先计算字符的外边框，找出其中心，然后再把字符中心移动到指定的位置上。相对而言，质心计算是全局性的，因此抗干扰能力强，各边框搜索是局部性的，易受干扰影响。
对不同大小的字符做变换，使之成为同一尺寸的字符，这个过程被称为大小归一化。其目的是为了消除字符大小对识别造成的影响和便于在识别过程中确定判断依据和标准，一般在平滑后进行。常用的大小归一化方法也有两种。一种是将字符的外边框按比例线性缩放为规定尺寸的字符，另一种是根据水平和垂直两个方向字符像素的分布进行大小归一化。与位置归一化一样，利用字符外边框的大小归一化对噪声的影响更加敏感。
线性归一化的方法对边框的噪声影响很敏感。非线性归一化会使一些字符的形状发生改变，虽然经过去噪处理，但是不可避免的仍存在着少量的噪声干扰，因此在本文中使用非线性归一化将识别的字符图像归一化到40x20大小的图像。 5.3 概述字符识别方法
本文采用模板匹配法进行字符识别。
第18 页 共 37 页
陕 西 理 工 学 院 毕 业 设 计
它是将归一化的字符二值图像与模板库中的字符二值化图像逐个进行匹配，采用相似度的方法计算车牌字符与每个模板字符的匹配程度，取最相似的就是匹配。匹配时相似度函数定义为： S(i,j)=
(5-1)
为待识别车牌字符图像中像素点(i，j) 的灰度值，这里的取值为 0或1，T(i,j)为模板字
其中，
符图像中像素点(i,j)的灰度值，这里的取值为0或1；M 和 N为模板字符点阵横向和纵向包含的像素个数。
匹配的步骤为：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)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。
建立自动识别的代码表
读取分割出的字符
第一个字符与模板中
的汉字进行匹配
第二个字符与模板中 的字母进行匹配 后五个字符与模板中的 字母和数字进行匹配 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最好的 完成识别，输出模板对应值 图5.1字符识别流程图
此处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。汽
第19 页 共 37 页
陕 西 理 工 学 院 毕 业 设 计
车牌照的字符一般有七个，大部分车牌第一位是汉字，通常代表车辆所属省份，紧接其后的为字母与数字。车牌字符识别与一般文字识别在于它的字符数有限，汉字共约 50 多个，大写英文字母 26 个，数字 10 个。
为了实验方便，结合本次设计所选汽车牌照的特点，只建立了 4 个数字 26 个字母与 10 个数字的模板。其他模板设计的方法与此相同。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，即为识别出来的结果。 5.5车牌识别系统构成
系统结构由车牌定位模块，车牌分割模块，字符识别模块构成，每一个识别模块均保存识别结果。
车牌定位模块处理输入的JPG车牌图像，实时截取当前帧的图像进行车牌定位，如果该画面存在车辆牌照，则保存该帧图像，保存车辆牌照区域图像，并将车辆牌照区域送至字符分割模块。如果该帧图像不存在车牌区域，则直接处理下一帧图像。字符分割模块将输入的车牌区域进行分割，得到若干个字符分割图像，保存并输出到字符识别模块。字符识别模块对字符分割输出的每一个字符图像进行识别，输出识别结果。实验结果如图5.2。
图5.2 字符识别结果
第20 页 共 37 页
陕 西 理 工 学 院 毕 业 设 计
结束语
本文主要解决了以下几个问题：1.在背景的图象中如何定位分割牌照区域；2.对分割下来的牌照字符如何提取具有分类能力的特征；3.如何设计识别器。在车辆牌照字符识别系统的研究领域，近几年出现了许多切实可行的识别技术和方法，从这些新技术和方法中可以看到两个明显的趋势：一是单一的预处理和识别技术都无法达到理想的结果，多种方法的有机结合才能使系统有效识别能力提高。在本系统的设计时，也汲取了以上一些算法的思想，结合实际，反复比较，综合分析；二是在有效性和实用的原则下，结合神经网络和人工智能的新技术的应用是研究的一个方向。
根据车牌特点，一般采用的车牌定位算法有：1.边缘检测定位算法；2.利用哈夫变换进行车牌定位；3.色彩分割提取车牌等。这里我采用的是边缘检测的方法实现定位的。
字符分割的方法也有多种：1. 基于聚类分析的字符分割；2. 投影分割的方法；3.基于模板匹配的字符分割等。最常用的是投影分割，主要是针对在车牌定位，图像预处理后比较规则的车牌图像。优点是程序逻辑设计简单，循环执行功能单一，便于设计和操作，程序执行时间短。
字符识别的基本方法通常又三类：1.结构特征分析方法；2.模板匹配法；3.神经网络法。此处采用的是模板匹配的方法，即是将要识别的字符与事先构造好的模板进行比对，根据与模板的相似度的大小来确定最终的识别结果。但是系统本身还存在许多不足，距离具体实用的要求仍有很大差距，但从结果来看，本次实验还是取得了良好的效果。
本次设计的课题是一个实用性很强的智能识别系统，但由于客观实际的环境和本人主观上的局限性，使得整个系统还有许多有待完善的地方，下面就对这些缺陷和未来的研究方向作简单叙述：
(1)由于实验是在一台电脑上进行的，所以图像没有自动传输这一环节，也就是说，图像的打开和选择须人工进行，当然这与实际的应用还有很大的一步路要走。因此这也是今后研究和发展的一个很好的目标。
(2)本文仅考虑了采集图像中只有单个车牌的情况，没有考虑一幅图像中多个车牌的识别问题。而这在实际应用中是非常有用的，例如在对多个车道进行监控时，只需要安装一套摄像设备和计算机即可。多车牌图像相对于单车牌图像来说，车牌和字符的清晰度不高、各个车牌的大小不同等多方面原因使车牌识别更加困难。如果能够深入地研究多车牌的识别问题，在同一个图像中准确、快速地识别出多个车牌，将极大地降低成本，提高工作效率。
(3)在车牌校正时，由于车牌的倾斜造成了车牌上的大量信息的丢失，而且即使能够对那些车牌进行校正，但校正的结果与原来的车牌在信息的包含方面大不一样，因此必须应用先验知识对其信息进行全面的恢复，这也是我们未来的一个研究的方向。
(4)包括车辆颜色、车型等复杂信息识别、多牌照识别和识别速度及准确率的提高是未来的重点研究方向。总之，汽车牌照自动识别技术是一个先进复杂的技术，具有一定的难度。车牌自动识别系统是一个实用性很强大型系统，要想使该系统真正地应用到实际之中，当然这不是一个课题能够解决的，它所需要做的工作要永远大于这个。随着国民经济的不断发展，国内的高速公路、城市道路、停车场建设越来越多，车辆在人们工作、生活中占据的地位越来越重要。现代交通飞速发展，车牌自动识别系统的应用范围日益拓宽，这些都给车牌自动识别系统提出了更高的要求。现代交通监控和管理迫切要求车牌识别技术的进一步完善，相信随着理论算法的不断提出和改进以及软件性能的不断提高，车牌识别技术定会走向成熟，车牌自动识别系统会越来越广泛地应用于现代智能交通处理中。
第21 页 共 37 页