某方向上的投影可用该方向上的积分表示。积分公式如（2-8）所示：
R(?,x')??lG(x'cos??y'sin?,y'cos??x'sin?)dy' （2-8）
其中R(?,x')为?的周期函数，T=180°，且??[0°，180°]。坐标变换的公式如（2-9）所示：
?x'?xcos??ysin? （2-9） ?y'??xsin??ycos??Radon变化所检测的直线是R(?,x')在坐标(?,x')的峰值，可根据横坐标和纵坐标确定一条直线。 2.3.3 分割算法
字符分割实质上是把车牌上的字符分割成一个个单个的字符，传统的字符分割方法有投影法[16-18]、模板匹配法、聚类分析法[19-20]。由于投影法比较准确、编程较简单，且易于实际操作，能满足在复杂环境下，所以本文采用的是投影法分割车牌字符。 投影法的具体操作如下：
（1）对灰度化的车牌图像从下向上逐行扫描，逐行统计出像素值为 255 的像素的个数，当其个数大于 7时（车牌有 7 个字符），认为寻找到车牌字符的下边界，同理，找到车牌的上边界。去除车牌字符上下边界以外的区域，之后设车牌的高度为 ,简称OCR)系统问世，但在当时也只是商业界的数据处理手段。20世纪50年代中期以后，商业OCR机并正式开始投入市场。自50年代后，人们开始研究印刷体字符，随着算法的日益完善，到80年代末90年代初字符识别已经发展到可以识别出手写字体。在当时看来，手写汉字的识别成为字符识别的最终目标之一。到1992年时，单个字符的手写体达到较高的识别率，特别是数字的识别率接近95%，于是识别系统开始步入市场。
虽然国内对车牌字符研究起步较晚，但国外在字符研究方面早已有所成就，如英国、日本、德国、加拿大等不少国家已经研究出适合本国的车牌识别系统，并且拥有比较高的字符识别率和比较少的识别时间。由前文可知，车牌识别系统中最为关键的技术是字符识别，字符识别中的主要指标是识别率和识别时间。目前，国内外的车牌字符识别的方法[21]主要有模板匹配字符识别算法、神经网络字符识别算法[22]、统计特征匹配法、支持向量机模式识别算法等几种方法，其中最早使用于车牌识别的是模版匹配字符识别
算法，然而目前最受研究者和学者们青睐的时神经网络识别算法。
随着我国的数字图像处理技术的发展以及实际应用，我国利用数字图像处理技术对字符进行处理识别的技术也有所进展，目前国内比较具有代表性的研究院、高校有清华大学、北京信息工程学院、中字汉王、北京邮电大学、沈阳自动化等。
3.2 车牌数字特点
目前，我国的车牌主要分为蓝底白字和黄底黑字两种[23]。一般情况下，国内轻型车所使用的是蓝底白字车牌，常常用于一些中小型的民用汽车，也是目前国内最为常见的车牌。大型车辆一般所采用的是黄底黑字车牌，通常是大型民用汽车、重型载重车辆，这种车牌与蓝底白字的车牌相比较少，但也是我国常用车牌。除此以外，我国还存在一些比较特殊的车牌，例如使馆车牌、领馆车牌、军车车牌等。目前，我国车牌的具体规格，如表3-1所示：
表2-1 车牌格式
分类 大型民用汽车 小型民用汽车 公安专用汽车 武警专用汽车 大使馆外籍汽车 领事馆外籍汽车 外籍汽车 实验汽车 学习汽车 临时牌照
外廓尺寸（mm） 440*140440*220 黄底黑字 440*140 440*140 440*140 440*140 440*140 440*140 440*140 440*140 蓝底白字 颜色 面数 2 2 2 2 2 2 2 2 2 2 白底红“GA”、黑字 白底红“WJ”、黑字 黑底白字及空心“使”字 黑底白字及空心“领”字 黑底白字 白底红字，数字前有“试”字 白底红字，数字前有“学”字 白底红字，数前有“临时”字
汽车补用牌照 车辆移动证
白底黑字 白底红字 2 2 本文主要分析蓝底白字和黄底黑字的车牌，具有以下几个特点：
（1）车牌拍照一共七位，第一个为汉字，一般为各个省级行政区的简称； （2）第二个字符一般为英文字符，作为地市一级代号，后五位是数字和字母的排列组合；
（3）车牌大小尺寸高度统一为140mm左右，宽度统一为均为440mm，字体规范、科学、容易辨认；
（4）字符总长度409mm，单个字符宽度45mm，高度为90mm，第二三个字符之间的间隔是34mm.
这也就是说标准的车牌字符识别可以分为三部份，按照车牌上的七个字符的排列原则可知，首位是省名缩写的汉字，接下来是因为字母，接下来的一位可能是数字也可能是字母，末四位是数字。所以车牌的额构造大体为“S1X1 X2X3X4X5X6”的车牌中，其中S1代表着省级行政区（汉字）的集合，可能出现的汉字集合为{湘，苏，皖，京…}；
X1为车牌所在地的英文字母代码的集合，构成的集合时出I以外的25个字母{A，B，
C…}；X2X3可能是数字也可能是字母，所以有34个字符构成{0，1，…，9，A，B，…Z}；
X4X5X6只可能是数字，所以可能的集合时{0，1，2，…，9}。
3.3 基于神经网路的车牌数字识别
由于字符识别率是车牌识别研发成功与否的关键指标，可知字符识别在车牌识别系统中的作用是极其重要的，字符识别的主要涉及到特征提取和识别方法两方面，并且两者是继承互补的关系。经过训练后的神经网络不仅可以有效地提取信号、图像等感知模式的特征，还可以调试现有的启发模式识别系统，使其更好的解决不变量探测、自适应、抽象或者概括等一些常见问题，也就是说神经网路可以很好的应用于数组识别系统算法的设计之中。
预处理好以后的饿图片，需要使用神经网络对样本进行训练，本文中所使用的是前
馈后向传播网络（BP网络）[20-22]。BP网络的设计主要包括了输入层、隐层、输出层以及各层之间的传输函数的设计。
BP网络用于模式分类是基于以下原理，首先，隐层将输入模式空间的样本映射到隐层模式空间；其次输入层将隐层模式空间的输出模式样本映射到输出模式空间；最后，根据判断依据判决规则决定决策空间，进行模式分类。结构示意图如图3.1所示：
图3.1 BP网络结构图
其中单个的神经元结构如图3.2所示：
图3.2 单个神经元结构图
(k)(k?1)yy设第k-1层中第i个神经元的输入为i，输出为j，则输入与输出的关系如
公式3-1所示：
k?1y(k)?f(?ω(k?1)y(k?1)?θ(k))jijiji?1 （3-1）
式中：?(k?1)是第k-1层第i个神经元到第k层的第j个神经元的连接权值；Nk是第k
ijN层神经元的数目；?(k)是第k层神经元的阈值；f(x)是神经元的传递函数。
j尽管BP网络在模式识别中取得相对比较大的成功，但还是存在一些不足：学习率与稳定性的矛盾、学习率的选择缺乏有效的方法、训练过程可能陷入局部最小网络、没有确定隐层神经元数的有效方法。这需要我们不断地改变训练方法，从而找到比BP网络更适合字符识别的神经网络，以便提高字符识别的精度、准确率以及时间。