度图片通过适当的阈值选取，从而将能在灰度图像获取可以反映图像特征的二值化图像。在图像处理中灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域在实际的图像处理系统中，进行图像二值变换的关键是要确定合适的阈值，使得字符与背景能够分割开来。不同的阈值设定方法对一幅图像进行处理会产生不同的二值化处理结果。二值化阈值设置过小易产生噪声；阈值设置过大会降低分辨率，使非噪声信号被视为噪声而滤掉二值变换的结果[16]。
车牌识别的下一步是分割出具体的车牌，具体过程首先是将二值图像中所有白色的点的坐标放入数组location_of_1中，对这些坐标进行计算，寻找x坐标与y坐标之和最大的点a与最小的点b，a即为车牌的左上角，b为车牌的右下角。通过这两个坐标将车牌分割出来，最后在对分割出的车牌进行二值化处理。
二值化的处理过程是通过阈值化对图像进行处理的[17]。
设有图像f(x,y)，其灰度级范围为??z0,zk??，T是z0和zk之间的任意一个数。则设置阈值为T的结果可以得到一幅二值图像fT?x,y?，它由
??0,fT(x,y)????1,f(x,y)?T （3-5）
f(x,y)?T或者是
fT(x,y)????0,f(x,y?)T??1,f(x,y?)T （3-6）
定义。也可以选择双阈值，把所需灰度级范围内的像素变为1，而把此范围外的像数变为0，即
?1,T1?f(x,y)?T2 （3-7） f(T1,T2)(x,y)???其他??0,或者
??0,T1?f(x,y)?T2 f(T,T)(x,y)?? （3-8）
12其他??1,更为一般地，如果Z是一个任意的灰度级的集合，Z?[zl,zk]，就可以定义一种广义的“阈值化”运算，它把放在Z中的灰度级变为1，把不在Z中的灰度级变为0，即
12
?1,fZ(x,y)?????0,3.4 车牌字符分割 3.4.1 字符分割
f(x,y)?Z （3-9）
其他在汽车牌照识别过程中，字符分割有承前启后的作用。它在前期牌照定位的基础上进行字符的分割，然后再利用分割的结果进行字符识别。车牌字符分割是对二值图像从左向右按列计算每一列之和，没有白点的列和为0，有白点的列和为非零，转换为逻辑1，记录下所有列和在0与1转换的列，即为需要切割的列，共有14列，可切出7个字符。切割出单个字符后，放入char_(i)中，并切割掉每个字符的上下的空白区域，完成精确切割。
3.4.2 字符归一化处理
由于数码相机拍摄的汽车图像大小不一样， 所以得到的牌照上的字符大小就不一样，为了便于字符的识别，需要对字符进行归一化处理。归一化处理的目的就是使车牌字符同标准模块里面的字符特征一样。而大小归一是指在长度和宽度方向上分别乘以一个比例因子，使其等于标准模块的字符大小，本文采用的大小归一的方法是分别从水平投影和垂直投影两个方向上对字符象素的大小进行归一化处理。
3.5 字符识别 3.5.1 字符识别简述
利用计算机自动识别字符的技术，是模式识别应用的一个重要领域。人们在生产和生活中，要处理大量的文字、报表和文本。为了减轻人们的劳动，提高处理效率，50年代开始探讨一般字符识别方法，并研制出光学字符识别器。60年代出现了采用磁性墨水和特殊字体的实用机器。60年代后期，出现了多种字体和手写体文字识别机，其识别精度和机器性能都基本上能满足要求。如用于信函分拣的手写体数字识别机和印刷体英文数字识别机。70年代主要研究文字识别的基本理论和研制高性能的文字识别机，并着
13
重于汉字识别的研究[18]。
3.5.2 字符识别分类
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；
确定已知样本所属的类别是统计模式识别的目的。它的理论依据是数学上的决策理论，而且统计识别的统计学识别模型都是根据数学上的决策理论建立的。它的基本模型是在对研究的图像进行大量的统计分析，并找出其规律性，抽出反应图像本质特点进行识别[8]。
(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。
3.5.3 基于模板匹配的字符识别
如果已知图像中目标的特征，或者要检测图像中是否包含特定目标，则可根据对目标的了解建立相应的模板，进而来考察模板和原图像中的各个尺寸相同子区域的相似性。如果相似程度足够高，便认为该部分与模板相同，该区域即是被检目标。遍历整幅图像即可完成对所有目标的识别与分割，这种方法称为模板匹配技术。匹配可以在空域中进行，也可以在频率域等变换域进行；在空域中进行匹配的是目标图像本身，在变换域进行匹配的是目标的一些特征量。
在该类方法中，关键问题是如何建立匹配模板以及采用何种相似性的度量。 （1）相似性度量
14
相似性度量有多种表示方法，其中最常用的是差值测度法和相关测度法。 设目标图像为g(x,y)，图像中相同大小的子区域D上的图像为f(x,y)。它们在D上的差值测度有如下三种计算方式：
L?max|f(x,y)?g(x,y)| （3-10）
(x,y)?DL???|f(x,y)?g(x,y)|dxdy （3-11）
DL???[f(x,y)?g(x,y)]dxdy （3-12）
D2采用以上三种方式计算出的结果越小，说明模板和子区域相似程度越高。差值测度法计算简单，对于简单区域的匹配是可行的，但对于复杂区域的匹配准确度不高。复杂区域的匹配常采用相关测度法[19]。
模板图像通常要比待测图像小，设模板图像大小为，待测图像大小，在匹配操作时，模板在待测图像上滑动，并在每一个可能的位置与其做相关运算。模板图像和待测图像的相关测度计算式为
M?1M?1L(k,l)?g(i,j)f(k?i,l?j)??i?0i?0M?1M?1M?1M?1 （3-13）
g2(i,j)??f2(k?i,l?j)??i?0j?0i?0j?0上式对互相关进行了归一化，这在多目标的检测中，有利于多个模板互相关结果的比较和判断。
（2）匹配模板
由模板匹配的原理知，匹配模板要根据待测目标的特征来构造。如果在空域进行处理，则是根据目标的形状、灰度、纹理等特征刻画一个目标的样板，以此为模板在图像中寻找与其相似甚至相同的部分。如果是在变换域里进行匹配，此时的模板要根据目标的变换域特征来建立，比如在频率域匹配，建立的模板要具有目标的频域特征，实际就是目标所具有的频谱分布。
模板匹配是字符识别方法中最具代表性的基本方法之一，模板匹配的方法是从图像区域f(i,j)或待识别的图像中提取出若干特征量，在逐个比较提取出的特征量与模板
T(i,j)相应的特征量，计算它们之间的互相关量，其中期间相似程度最高就是互相关量
最大的一个，这样就可以将图像分为很多类型。模板匹配也可以计算模板特征量和图像
15
之间的距离，根据最小距离法来将图像划分为某个类型。但是一般情况下用于模板匹配的图像成像条件都是不一样的，有些图像经过图像预处理后，图像中的像素点或灰度的位置发生了改变，有些图像还会有较大的噪声干扰图像的质量。在实际制作模板的过程中，因为图像中的各个区域形状都有特点，所以在设计模板时重点是凸显各相似区域之间的不同的地方，其次，还需要考虑的问题是位移和噪声（这两个因素的由图像经过处理时引起的），并且构建模板时通过一些特征量来建造模板，这些特征量是基于图像不变特性所设计的，这样子就不会遇到以上的几个问题了。
本文采用基于模板匹配的字符识别，它的基本过程是：首先我们要建立字符识别样本库，然后把归一化的字符图像与模板中的字符相减，找到差别点最少的模板为对应模板。由于我国的普通小型汽车车牌第一位字符是汉字，分别代表各个省的简称，然后第二位是A到Z的字母，接下来的后五位则是数字和字母的混合搭配。所以我们在对比的时候为了提高效率和准确性，我们分别对第一位和后六位分别识别。最后识别完成后输出识别的车牌的结果，流程图如图3-3所示。
建立识别样本库 读取分割且归一化的出来的将切割字符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3-3 车牌识别系统字符识别流程图
16