现象;算符的笔画可能变粗，其影响是字符的轮廓模糊不清、字符之间粘连。同时，经牌照定位而分割出的牌照区域亦非完全精确到牌照上的字符区域，所面对的是在牌照四个边框附近误差几个象素;并且字符为白字，还将有汽车保险杠与牌照四边边框的残留图像以及牌照上两个铆钉干扰的一个区域。这就要求我们对牌照要有一定的了解。 现有的牌照有四种类型:(1)小功率汽车所用的蓝底白字牌照;(2)大功率汽车所用的黄底黑字牌照;(3)军用或警用的白底黑字、红字牌照;(4)国外驻华机构用的黑底白字牌照。这四种牌照的外轮廓长度均为45Omm，总的宽度为150mm，共有字符7个(不包括第二、三字符之间的小圆点)。标准的民用车辆牌照(军车、警车、教练车、领事馆车除外)均为七个字符，首位为省名缩写(汉字)，次位为英文字母，再次位为英文字母或阿拉伯数字，末四位字符均为数字。字符总长度为409mm，其中单个字符统一宽度为45mm，高90mm，第二三个字符间间距为34mm(中间小圆点10mm宽，小圆点与第二、三个字符间间距分别为12mm)，其余字符间间距为12mm。牌照字符为规则的印刷体字，其字符串长度比、字符间隙、字符的宽高比及笔画宽高都是按照严格的标准制造的，在牌照图像数字化、提取和校正的过程中会代入一些干扰，但字符串参数之间的相互关系都不会发生很大的变化。
实现字符分割的算法如下:记录竖直方向投影值小于一定阈值的水平坐标，为的字符分界点，从而进行字符的分割[23]。 影响算法效率的主要因素:
16
1.判断是否为字符边界线的闭值; 2.寻找字符右侧边界的时候跳动的距离。
这种切分算法简单，但是适应性不强。实际中汉字可能与左边框相连，在字符分割时有可能会把边框包括进去。对于这个问题的处理方法是:如果发现汉字宽度大于标准宽度，则根据标准宽度由左到右取出预选字符的一部分作为最后的汉字部分，以去掉左边框部分。对于与字符相连的右边框，我们也作同样处理。其中，标准宽度是根据字符高度与字符固定宽高比例计算所得。通过检查字符的宽度，我们也可以发现字符间的粘连问题。如果某字符的宽度远远大于标准字符宽度，先找出它所在的位置，根据此预选字符的实际宽度和所处位置可估算出所含的这几个字符在车牌字符串中的排位。例如:如果发现车牌的第4、5、6这几个字符相连成一个预选字符，我们从预选字符的左端开始取一个具有标准字符宽度的部分，作为第4个字符，然后右移一个标准间距宽度，再同理选择第5个字符，剩下的便是第6个字符。
五． 车牌字符识别技术
现在就具体字符识别的常用方法作一个介绍和比较。字符识别有 常规方法有以下四种:
1.结构模式识别方法。2. 贝叶斯统计决策模式识别方法。3.结构与统计相结合的识别方法。4.人工神经网络方法。
17
不详细介绍每一种方法，本文中使用人工神经网络方法。 神经网络的字符识别系统是神经网络模式识别系统的一种，基本原理是一致的。根据神经网络字符识别系统中的特征提取部分是否存在，分为两大类:
①有特征提取部分:这一类系统实际上是传统模式识别方法与神经网络方法技术的结合，这种方法可以充分利用人的经验来获取模式特征，利用神经网络分类能力来识别字符。特征提取必须能够真正反映字符的特征。采用这种方法的识别网络的结构一般不很复杂，但抗干扰能力不如无特征提取部分的识别系统。
②无特征提取部分:省去特征提取，整个字符直接作为神经网络的输入。这种方式下，系统用于分类的神经网络的结构复杂度大大增加，输入模式维数的增加导致了网络规模的庞大。此外，神经网络结构需要完全自己消除模式变形的影响。但是这种网络的抗干扰性能好，识别率高。构造神经网络分类器首先要选择适当的网络结构:神经网络分类器的输入就是字符的特征向量，神经网络分类器的输出节点数应根据结果的设定来决定，隐层数要选好，每层神经元数要合适，目前有很多采用一层隐层的网络结构。然后要选择适当的学习算法，这样才会有很好的识别效果。
六． 实现及测试结果
本章中将会给出设计并实现的车牌识别系统的实际过程。本文最后使用MATLAB2010开发了基于图像的车牌识别系统，系统的实现
18
过程如下：图1为选取的一张拍摄下来的汽车图片，使用图1为原始采集到的汽车图片处理。
图1 处理的原始图片
使用了“Yellow region filter”和“yellow region dialted”，提取汽车车牌的黄色区域，和对黄色区域做腐蚀膨胀运算，如图2-3所示：
19
图2 Yellow Regions Filter 结果
图3 Yellow Regions Diltated 结果
然后使用“license plate region”获得到车前的车牌区域，并对
车牌区域进行放大。如图4所示：
20