便攜式車牌智能識別算法研究與系統(tǒng)設(shè)計畢業(yè)設(shè)計論文

1、 淮 陰 工 學(xué) 院畢業(yè)設(shè)計說明書（論文）作 者:學(xué) 號：學(xué) 院:專 業(yè):題 目:便攜式車牌智能識別算法研究與系統(tǒng)設(shè)計指導(dǎo)者： (姓 名) (專業(yè)技術(shù)職務(wù))評閱者： (姓 名) (專業(yè)技術(shù)職務(wù))2015年6月畢業(yè)設(shè)計說明書（論文）中文摘要近年來隨著汽車數(shù)量的劇增，一個穩(wěn)定實時的車牌智能識別系統(tǒng)已經(jīng)成為實現(xiàn)智能化交通管理的關(guān)鍵。本文研究了車牌識別系統(tǒng)的圖像預(yù)處理、車牌定位、字符分割、字符識別四個模塊常用的算法，同時提出了一個用MATLAB編程實現(xiàn)的車牌識別系統(tǒng)方案。本文設(shè)計的車牌識別系統(tǒng)采用加權(quán)平均的灰度變換和Roberts邊緣檢測對車牌圖像進行了預(yù)處理；在車牌定位與分割模塊采用邊緣檢測和形態(tài)學(xué)

2、運算完成了對車牌的定位；在字符分割模塊采用投影分析和字符紋理特征相結(jié)合的方法實現(xiàn)了對字符的準(zhǔn)確分割；在字符識別模塊采用模板匹配和BP網(wǎng)絡(luò)識別算法完成了車牌字符的識別。實驗表明，利用BP網(wǎng)絡(luò)算法對漢字、字母和數(shù)字具有較高的識別率分別可以達到86%、87%、91%。關(guān)鍵詞 圖像預(yù)處理，車牌定位，字符分割，字符識別畢業(yè)設(shè)計說明書（論文）外文摘要Title The Algorithm Research and System Design of License Plate Intelligent Recognition AbstractIn recent years, With the sharp in

3、crease in the number of cars，a stable real-time intelligent license plate recognition has become the key to realize intelligent traffic management. This paper mainly discusses and studies about the common algorithms that are used in image preprocessing, license plate localization, character segmenta

4、tion and character recognition which are four part of license plate recognition system. At the same time, a scheme was proposed which can realize recognizing plate from image by programming in MATLAB. In this system, A weighted average of the gray-scale transformation and Roberts edge detection were

5、 used to realize image preprocessing; Edge detection and morphology operations were used to realize Plate localization ; Character segmentation is realized by using projection analysis and character of texture features; Character recognition is realized by using template matching and BP network algo

6、rithm . Experiments showed that the system where BP network algorithm is used has a high recognition rate which can reach 86%, 87% and 91% in Chinese characters, English characters and Numbers.Keywords Image Preprocessing, License Plate Localization, Character Segmentation, Character Recognition目 錄

7、TOC o 1-2 h z u HYPERLINK l _Toc422079476 1 緒論 PAGEREF _Toc422079476 h 1 HYPERLINK l _Toc422079477 1.1 課題的研究背景與意義 PAGEREF _Toc422079477 h 1 HYPERLINK l _Toc422079478 1.3 車牌識別研究與發(fā)展現(xiàn)狀 PAGEREF _Toc422079478 h 3 HYPERLINK l _Toc422079479 1.4 論文的主要內(nèi)容與章節(jié)安排 PAGEREF _Toc422079479 h 4 HYPERLINK l _Toc4220794

8、80 2 圖像預(yù)處理 PAGEREF _Toc422079480 h 5 HYPERLINK l _Toc422079481 2.1 彩色圖像灰度化 PAGEREF _Toc422079481 h 5 HYPERLINK l _Toc422079482 2.2 灰度圖像二值化 PAGEREF _Toc422079482 h 6 HYPERLINK l _Toc422079483 2.3 邊緣檢測 PAGEREF _Toc422079483 h 6 HYPERLINK l _Toc422079484 2.4 數(shù)學(xué)形態(tài)學(xué)處理 PAGEREF _Toc422079484 h 8 HYPERLINK

9、l _Toc422079485 2.5 本系統(tǒng)車牌圖像預(yù)處理 PAGEREF _Toc422079485 h 9 HYPERLINK l _Toc422079486 3 車牌定位 PAGEREF _Toc422079486 h 10 HYPERLINK l _Toc422079487 3.1 我國車牌的樣式 PAGEREF _Toc422079487 h 10 HYPERLINK l _Toc422079488 3.2 常用的車牌定位方法 PAGEREF _Toc422079488 h 10 HYPERLINK l _Toc422079489 3.3 基于邊緣檢測和形態(tài)學(xué)車牌定位方法 PAGE

10、REF _Toc422079489 h 11 HYPERLINK l _Toc422079490 4 字符分割 PAGEREF _Toc422079490 h 14 HYPERLINK l _Toc422079491 4.1 常用的字符分割方法 PAGEREF _Toc422079491 h 14 HYPERLINK l _Toc422079492 4. 2 基于投影分析與紋理特征的字符分割方法 PAGEREF _Toc422079492 h 15 HYPERLINK l _Toc422079493 5 字符識別 PAGEREF _Toc422079493 h 18 HYPERLINK l _

11、Toc422079494 5.1 常用的字符識別方法 PAGEREF _Toc422079494 h 18 HYPERLINK l _Toc422079495 5.2 基于模板匹配字符識別方法 PAGEREF _Toc422079495 h 19 HYPERLINK l _Toc422079496 5.3 基于ANN的字符識別方法 PAGEREF _Toc422079496 h 20 HYPERLINK l _Toc422079497 6 系統(tǒng)界面設(shè)計 PAGEREF _Toc422079497 h 24 HYPERLINK l _Toc422079498 6.1 系統(tǒng)開發(fā)環(huán)境與設(shè)計目標(biāo) PA

12、GEREF _Toc422079498 h 24 HYPERLINK l _Toc422079499 6.2 系統(tǒng)界面設(shè)計 PAGEREF _Toc422079499 h 24 HYPERLINK l _Toc422079500 6.3 GUI轉(zhuǎn)為可執(zhí)行文件 PAGEREF _Toc422079500 h 25 HYPERLINK l _Toc422079501 7 系統(tǒng)測試 PAGEREF _Toc422079501 h 28 HYPERLINK l _Toc422079502 7.1 車牌定位與分割 PAGEREF _Toc422079502 h 29 HYPERLINK l _Toc42

13、2079503 7.2 車牌字符分割 PAGEREF _Toc422079503 h 30 HYPERLINK l _Toc422079504 7.3 車牌字符識別與結(jié)果分析 PAGEREF _Toc422079504 h 31 HYPERLINK l _Toc422079505 7.4 實驗結(jié)論 PAGEREF _Toc422079505 h 32 HYPERLINK l _Toc422079506 總 結(jié) PAGEREF _Toc422079506 h 33 HYPERLINK l _Toc422079507 致 謝 PAGEREF _Toc422079507 h 34 HYPERLINK

14、 l _Toc422079508 參考文獻 PAGEREF _Toc422079508 h 35 HYPERLINK l _Toc422079509 附錄A 程序代碼 PAGEREF _Toc422079509 h 361 緒論1.1 課題的研究背景與意義科學(xué)技術(shù)水平的進步和社會經(jīng)濟的快速發(fā)展，顯著地改變了人們出行的習(xí)慣。汽車已經(jīng)逐步取代了過去的自行車和摩托車成為人們出行的重要交通工具。與此同時，汽車數(shù)量的劇增使交通安全、交通擁堵、車輛違章、環(huán)境污染等問題變得越來越嚴重。這些問題直接導(dǎo)致了傳統(tǒng)的交通管理方式已經(jīng)不適用于現(xiàn)代交通管理。為此，自二十世紀八十年代，世界上部分發(fā)達國家和正處于發(fā)展中的國

15、家的許多研究者在交通智能管理層面做出了大量的貢獻并為交通智能管理的提供了重要的研究數(shù)據(jù)。在這種背景下，更多研究者開始對智能交通系統(tǒng)（Intelligent Transportation System，簡稱ITS）展開了深入的探索，這對未來交通智能化管理的發(fā)展提供了重要的技術(shù)支撐。車牌號碼是判斷一輛車是否合法的重要依據(jù)，即對車而言車牌號碼就是車牌的身份證，知道了車牌號碼我們就可以用這個號碼來查詢這輛車的所有信息。車牌識別中的相關(guān)技術(shù)都是借助于圖像的處理和計算機的視覺以及模式的識別，依賴于電腦進行數(shù)據(jù)的處理，實時并準(zhǔn)確地從靜態(tài)或動態(tài)的車輛圖像中提取車牌號來實現(xiàn)車輛的智能化管理，如違章管理、停車管理

16、等。因此這些技術(shù)手段所采用的算法已經(jīng)成為了推動交通智能管理技術(shù)進步和發(fā)展的重要算法基礎(chǔ)。車牌識別系統(tǒng)可以在不考慮當(dāng)前車輛是處于行駛中還是處于停車狀態(tài)并依賴于計算機的處理來實時、準(zhǔn)確、自動地識別當(dāng)前車輛的車牌號，將車牌識別系統(tǒng)應(yīng)用于智能交通管理系統(tǒng)可以大大簡化交通管理流程和提高交通管理效率，因而研究具有處理速度迅速且牌照識別準(zhǔn)確率高的自動車牌識別系統(tǒng)對實現(xiàn)交通管理自動化和智能化具有非常重要的意義和經(jīng)濟價值。目前車牌識別在交通智能的管理系統(tǒng)當(dāng)中可以被用來對擁擠路段車流狀況的檢測和控制、高速公路上車輛進行自動檢測和收費、追蹤定位被盜車的位置、停車場收費、交通違章自動處罰等。將這些管理系統(tǒng)應(yīng)用到對交通

17、路面的控制極大的縮短了交通管理時間和改變了以前當(dāng)一輛車違章時必須用筆記錄車牌號的傳統(tǒng)的人工交通的管理方式且檢測車牌號碼并收取相關(guān)管理費用很大程度的緩減了車輛擁堵。 系統(tǒng)概述 系統(tǒng)構(gòu)成及模塊功能車牌識別系統(tǒng)整個圖像數(shù)據(jù)的處理流程模塊圖如圖1.1所示，以下將從圖像處理的角度分別講解圖像預(yù)處理、車牌區(qū)域定位、車牌字符分割以及車牌字符識別這四個處理階段常用的圖像處理方法與處理的目的3。圖1.1 車牌識別系統(tǒng)模塊框圖由于直接輸入識別系統(tǒng)的車牌圖像都是用攝像機直接獲取的，因而原始圖像背景復(fù)雜且由于光照和天氣的影響，原始圖片中還含有噪聲，若不能針對圖像的背景和干擾進行合理有效的處理，肯定是會極大地影響到車牌

18、的位置區(qū)域定位、字符的有效完整分割與正確識別。因此要保證系統(tǒng)消耗較少的時間但具有高的識別正確率必須在開始的時候?qū)D像進行有效的處理。預(yù)處理包括灰度轉(zhuǎn)換以減小數(shù)據(jù)提高識別速度、圖片的增強和濾除干擾并提升圖像的品質(zhì)、圖片二值化便于車牌定位。車牌區(qū)域定位是指在圖像預(yù)處理的基礎(chǔ)上從圖像中準(zhǔn)確地找出車牌所在的位置，通過一些算法將車牌區(qū)域從圖像中分離出來以便進行車牌識別。牌照區(qū)域定位切割準(zhǔn)不準(zhǔn)確對牌照中字符的切割與識別非常關(guān)鍵。目前應(yīng)用于確定圖像中車牌位置的算法主要有基于車輛牌照紋理特征、邊緣檢測、數(shù)學(xué)形態(tài)學(xué)、神經(jīng)網(wǎng)絡(luò)和車輛牌照顏色特征的定位算法。牌照的字符切割是指選用某種適當(dāng)?shù)那懈钏惴?，將牌照中的所有?/p>

19、碼完整的分離切割出來。如果切割算法選取不當(dāng)則必然會導(dǎo)致號碼識別發(fā)生錯誤，所以切割算法的選取對號碼切割和號碼識別的正確性有著非常關(guān)鍵的作用且影響著整個車牌識別系統(tǒng)的精度。為了進行準(zhǔn)確的字符分割，常用的切割字符算法主要有根據(jù)模板匹配和輪廓的切割算法以及基于投影和輪廓的分割算法。牌照字符識別主要是利用牌照與其中的字符本身固有的特征來進行識別。字符的特征主要有兩種：第一是車牌上的字符采用的都是規(guī)范化的印刷字符；第二是圖像的基本單位是像素，不同的圖像像素的分布特征也不同，因而可以利用圖像的像素特征來進行字符識別4。為了從車牌圖像中高效并準(zhǔn)確的識別字符，識別系統(tǒng)中常用的識別方法有基于模板匹配和神經(jīng)網(wǎng)絡(luò)字符

20、識別算法5。 影響系統(tǒng)性能的因素牌照識別系統(tǒng)主要是對包含有牌照且背景復(fù)雜的靜止或運動的圖像進行處理。所以除了中國車牌本身的特殊性和復(fù)雜性之外圖片拍攝的質(zhì)量和拍攝時所處的外部環(huán)境以及拍攝角度是影響車牌識別系統(tǒng)性能的主要因素。 我國的國內(nèi)車牌除了它的樣式、尺寸和顏色不同外，其車牌組成相比其他國家而言也是比較復(fù)雜了，車牌主要包含10個數(shù)字和24個字母（除去了O和I） 以及32個漢字組成（其中23個漢字表示23個省、5個表示自治區(qū)、4個表示直轄市的簡稱），和數(shù)字、字母相比漢字的組成和特征更加復(fù)雜，識別難度相當(dāng)大，這也是為什么國外的許多車牌識別系統(tǒng)不適用于我國的智能交通管理。在不同的天氣用同一個相機拍攝

21、同一個車牌圖像，由于光照和環(huán)境的不同，圖像中的噪聲也不同。比如在霧天和晴天，晴天拍攝的圖像比霧天拍攝的圖像更加清晰且圖像基本不會出現(xiàn)彩色失真。這將直接影響牌照準(zhǔn)確無誤的定位和字符的完整分割影響到整個系統(tǒng)的識別率。在實際的交通管理中，用于拍攝車牌圖像的攝像頭位置是固定的，但車相對于攝像頭位置不是固定的，且不同的車輛車牌的位置也不相同，這就會導(dǎo)致攝像頭拍攝車牌的角度會產(chǎn)生較大的差異，這必然會導(dǎo)致車牌在圖片中產(chǎn)生傾斜繼而導(dǎo)致車牌中的漢字、字母和數(shù)字產(chǎn)生變形，這些都將會對車牌的定位、車牌字符分割和識別產(chǎn)生較大的影響，繼而使整個車牌識別系統(tǒng)的性能嚴重下降。1.3 車牌識別研究與發(fā)展現(xiàn)狀車牌識別從1988

22、年提出到現(xiàn)在有很多研究人員對其進行了算法的研究并取得了許多研究成果，車牌識別中的相關(guān)技術(shù)的應(yīng)用也因此得到了迅速的發(fā)展6。車牌識別主要應(yīng)用于智能化的交通管理系統(tǒng)中，實現(xiàn)對圖像中的車牌號碼進行自動的識別，并保持高的準(zhǔn)確性的實時性。由于所要識別的圖像存在很多的干擾信息如光照條件的不同、外界環(huán)境能見度的不同、車牌上有泥土或生銹等，因此車牌識別還存在很多的技術(shù)難點7。針對這些干擾，研究人員主要是通過改進相關(guān)算法來提高識別率。起初由于獲取的圖像像素不夠，因而圖像比較模糊，這主要是由于攝像頭的分辨率較低導(dǎo)致的，車牌識別也因此而發(fā)展緩慢。面對這一現(xiàn)實問題，一些國外的研究人員主要提出兩種圖像獲取途徑：一是針對光

23、照提出用紅外攝像頭獲取更加清晰的圖像；二是用特殊功能的傳感器來獲取更加精確的數(shù)據(jù)，但兩種解決方案都因成本太高而無法推廣使用。近年來，隨著攝像頭精度的提高圖像清晰度也有了大幅度的提升，車牌識別也因此得到了迅速的發(fā)展與應(yīng)用。例如Huang Mu Wang設(shè)計的APC-Based Car License Plate Reader能夠以較高的識別率實現(xiàn)實時的車牌識別，經(jīng)實驗研究該系統(tǒng)的識別率為97%；Optimal Recognition of Motor Vehicle License Plates可以在行駛狀態(tài)下實現(xiàn)實時的車牌識別且識別率為91%；Hi-Tech Solutions開發(fā)的See/C

24、arsystem可以實時且準(zhǔn)確的進行不同國家車牌的識別；還有像日本、歐洲、美國等國家都開發(fā)了自己的車牌識別系統(tǒng)，但是這些只能用于識別本國的車牌而不能識別其他國家的車牌8。由于我國的車牌識別系統(tǒng)研究開始于80年代且車牌種類多，車牌的物理特征不同，所以所獲得的研究成果還達不到實用的要求。由中科院開發(fā)的漢王眼車牌識別系統(tǒng)是我國車牌識別系統(tǒng)研究應(yīng)用的最高水平9。目前中國研究車牌識別系統(tǒng)的學(xué)者和研究人員很多，也發(fā)表了很多關(guān)于車牌識別的研究成果。但這些實現(xiàn)的僅僅局限于單一環(huán)境狀態(tài)下，如果環(huán)境改變則識別效率就會變得很低。正是因為我國車牌的復(fù)雜因素所以才導(dǎo)致了車牌識別系統(tǒng)達不到實用的要求，最好的識別系統(tǒng)漢字的

25、識別率僅有50%，字母的識別率只有65%，所以針對這一方面還要多加研究10。1.4 論文的主要內(nèi)容與章節(jié)安排本課題的主要內(nèi)容是查閱大量的國內(nèi)外關(guān)于車牌識別的相關(guān)文獻并研究參考國內(nèi)外相關(guān)的算法理論，設(shè)計了一個車牌識別系統(tǒng)并對其進行實驗和對實驗的效果進行了詳細研究與分析。論文的章節(jié)安排如下：第一章首先介紹了本課題當(dāng)前研究的背景與意義，其次對牌照識別系統(tǒng)的結(jié)構(gòu)和系統(tǒng)中各個模塊以及影響車牌識別系統(tǒng)性能的因素作了介紹與分析，最后在查閱了大量文獻的基礎(chǔ)上介紹了牌照識別的研究與發(fā)展現(xiàn)狀。 第二章主要介紹了本文在對車牌進行定位和分割之前為了將車牌區(qū)域從背景復(fù)雜的圖像中凸顯出來所采用的圖像預(yù)處理方法。首先對彩色

26、圖像轉(zhuǎn)化為灰度圖像做了詳細的闡述，然后討論研究了圖像預(yù)處理常用的算法和算法思想，如圖像增強、圖像去噪、圖像二值化、邊緣檢測、圖像的形態(tài)學(xué)處理等。最后確定本系統(tǒng)應(yīng)采用的圖像預(yù)處理方法并通過MATLAB編程實現(xiàn)并分析這些處理方法達到的效果。第三章首先詳細介紹了中國車牌在外形尺寸特征、車牌的顏色特征和車牌字符特征；其次詳細介紹了常用的車牌定位方法；最后介紹了本系統(tǒng)所選用的利用二值牌照圖像的紋理特點與白像素點投影統(tǒng)計分析的定位算法，并給出了這種定位算法的定位效果，并對其做了說明與分析。 第四章主要介紹了常用牌照的字符切割算法，并詳細介紹了本文所采用利用圖像的投影來進行字符分割的算法，并對分割的效果做了

27、詳細的分析。第五章介紹了常用的字符識別方法，并詳細介紹了本文采用的基于模板匹配和ANN的牌照的字符識別方法，并給出這兩種方法的識別結(jié)果。第六章主要介紹了系統(tǒng)的GUI設(shè)計和軟件封裝流程和將GUI轉(zhuǎn)換成可執(zhí)行文件的流程，最后通過測試檢驗軟件封裝是否正確。第七章主要是對系統(tǒng)的車牌定位、字符分割、字符識別模塊進行測試，并給出測試結(jié)果和結(jié)論，最終確定系統(tǒng)的性能。2 圖像預(yù)處理2.1 彩色圖像灰度化在復(fù)雜背景中定位出車牌是在將數(shù)據(jù)量龐大的24位真彩色圖像轉(zhuǎn)化為數(shù)據(jù)量較小的二值圖像（灰度值只有0和1的灰度圖）的基礎(chǔ)上進行的，這也就意味著從彩色圖像到灰度圖像必然會涉及到不同彩色空間的轉(zhuǎn)換。由于我國的車牌背景和

28、車牌中的字符的顏色有多種不同的搭配，所以在前期有必要對圖像的色彩空間模型有一個大致的了解。彩色空間有多種不同的表示方法，常用的有RGB（Red Green Blue，紅綠藍）彩色模型、六角錐體（Hue Saturation Value，簡稱HSV）顏色模型、色度明度（Luminance Chrominance，簡稱YUV）顏色模型三種。通過查閱資料將RGB彩色圖像轉(zhuǎn)化為灰度圖像的方法主要有分量法、加權(quán)平均法、平均值法、最大值法，由于本系統(tǒng)采用的是加權(quán)平均法，所以下面將著重介紹加權(quán)平均法。R、G、B表示像素的三個分量的英文縮寫，分量的取值為0 255，也就是說像素的顏色取決于紅、綠、藍分量的配比

29、。24位真彩圖表示圖中的每個像素點占24個二進制位，紅綠藍三個分量各占三分之一空間，而灰度圖像是指每個像素只占一個字節(jié)空間，像素只含有亮度信息且取值范圍為0255。所以通過將彩色圖像轉(zhuǎn)化為灰度圖像將會使圖像的數(shù)據(jù)量大大的減少，這將減少程序的處理時間，對提高程序的實時性產(chǎn)生了積極的影響且可以達到一定的除噪效果。加權(quán)平均的灰度轉(zhuǎn)化是對彩色圖像像素的各個顏色賦予不同的權(quán)值，然后對分量作加權(quán)平均計算11，轉(zhuǎn)換如公式2.1所示。 (2.1)式中、分別表示圖像處的紅、綠、藍三個彩色分量、以及轉(zhuǎn)換后像素的灰度值，公式中彩色分量的系數(shù)即為對應(yīng)分量的權(quán)值。2.2 灰度圖像二值化將彩色圖像轉(zhuǎn)化為灰度圖像只是將灰度

30、值縮放到了0 255區(qū)間中。為了簡化計算量和系統(tǒng)的算法復(fù)雜度，一般還會對圖像進行二值化處理，所謂的二值化就是將灰度圖像的灰度值從一個區(qū)間范圍轉(zhuǎn)換成只有兩個灰度值0或255，0表示黑色，255表示白色，在實際處理過程中通常用1表示白色，0表示黑色。二值化的過程是首先根據(jù)目標(biāo)對象的灰度范圍設(shè)置一個固定的值用于判斷，將大于該數(shù)值的灰度值的點取灰度值為1，小于該數(shù)值的灰度值的點取值為0，如公式2.2所示：式中表示二值化后像素點的灰度值，表示原始圖像的像素值，為二值化閾值。 (2.2)由圖看出挑選一個合理的值是二值化處理的關(guān)鍵步驟，常用的挑選閾值的方法有兩種分別是全局和局部閾值，全局的含義是指在整幅圖片

31、二值處理過程中只有一個閾值，因此對于背景簡單的圖片來說用全局閾值效果比較理想。局部二值化是指在處理圖像時選用多個閾值對圖像進行二值化處理。這種方法主要針對光照不均、灰度變化明顯的灰度圖像，閾值的選取主要依賴于像素點的值和該像素點周圍像素點的特點。 邊緣檢測在圖像中所謂的邊緣從數(shù)字的含義上來說是圖像中亮度值顯著變化的部分，也就是說邊緣主要出現(xiàn)在圖像中不同物體、不同區(qū)域、不同對象之間。因為車牌形狀是矩形且牌照牌的背景色和字符的顏色具有明顯的差異，所以用邊緣檢測更加有助于確定牌照區(qū)域的輪廓。常見的邊緣檢測梯度算子主要有Roberts和Sobel以及Prewitt，以下將對這些做詳細的講解12。 Ro

32、berts算子 一個二維函數(shù)在點處的梯度向量的公式如公式2.3所示，式中用表示函數(shù)在X方向上的偏導(dǎo)數(shù)，表示函數(shù)在Y方向上的偏導(dǎo)數(shù)。 (2.3) 由于函數(shù)在一個點處的梯度向量的模是方向?qū)?shù)的最大值，所以函數(shù)在一點的梯度值為，其計算公式如公式2.4所示。(2.4)一幅數(shù)字圖像可以看成是一個離散的二維函數(shù)，用差分來計算梯度，其梯度值公式如公式2.5所示。(2.5)Roberts梯度幅值的計算公式如公式2.6所示。(2.6)將該式用卷積模板表示，如公式2.7所示，、對應(yīng)算子模板如公式2.8所示。 (2.7) (2.8)、分別在和時對邊緣最敏感，Roberts算子可以使圖像的輪廓變得更加突出且算子形式比

33、較簡單，出于邊緣檢測的目的是為了使圖像的輪廓的以增強，所以本課題主要采用Roberts算子對圖片進行邊緣的增強處理。 Prewitt算子Prewitt算子也是常用的一階導(dǎo)數(shù)梯度算子，與Roberts梯度算子相同的地方是其也包含兩個模板、（如公式2.9所示）分別對水平和豎直的邊緣最敏感，其主要的思想是計算中心像素點周圍的八個像素點計算加權(quán)平均值，八個像素點的權(quán)值都為1。由此可以看出，這種梯度算子對于目標(biāo)邊緣區(qū)域只有其上下左右兩邊的幅值相差較為明顯時才能較好的檢測目標(biāo)區(qū)域的邊緣，反之則目標(biāo)區(qū)域的邊緣檢測效果會很不理想。 (2.9) Sobel算子Sobel算子的主要思想和Prewitt算子一樣都是

34、對中心像素點周圍的八個像素點做加權(quán)平均，但是Sobel算子對這八個像素點按照距離中心像素點的不同分別給其賦予不同的權(quán)值，Sobel算子同樣具有水平和豎直兩個方向的卷積模板，分別為、（如公式2.10所示），經(jīng)過Sobel算子邊緣檢測處理后，圖像像素點與原圖像的像素點的關(guān)系如公式2.11所示。 (2.10)(2.11)2.4 數(shù)學(xué)形態(tài)學(xué)處理數(shù)學(xué)形態(tài)學(xué)是一種以形態(tài)為基礎(chǔ)對圖片展開分析的數(shù)學(xué)工具，其原理是用一個固定形狀的結(jié)構(gòu)元素來獲取和度量圖片中具有與結(jié)構(gòu)元素相同形狀的地方，以此來對圖像進行分析和識別。利用數(shù)學(xué)形態(tài)學(xué)對圖片進行操作可以在減少圖片的數(shù)據(jù)和除去圖片中不相干結(jié)構(gòu)的同時能使圖像的基本形狀不變。

35、數(shù)學(xué)形態(tài)學(xué)有兩種最基礎(chǔ)運算分別是膨脹、腐蝕，兩種運算對圖片具有不同處理效果，以下將詳細講解。 膨脹將作為膨脹運算的運算符，用一定形態(tài)的元素B對圖像集合A進行膨脹操作公式定義如公式2.12所示，其中是形態(tài)元素B關(guān)于原點的映射。(2.12)由公式可知用結(jié)構(gòu)元素對圖像進行膨脹運算的過程就是先求得結(jié)構(gòu)元素B關(guān)于原點的映射，再用B關(guān)于原點的映射在圖像中平移記作，在平移過程中如果與集合A的交集不為空，則結(jié)構(gòu)元素B的原點就是膨脹運算后膨脹集合中的像素。由此可以看出，膨脹運算的最終結(jié)果就是使要提取的目標(biāo)形狀變大，膨脹的結(jié)果主要取決于結(jié)構(gòu)元素形狀的選取和結(jié)構(gòu)元素原點位置的設(shè)定。 腐蝕將作為腐蝕運算的運算符，則用

36、一定形狀元素B對圖像集合A進行腐蝕操作如公式2.13所示：(2.13)由公式可知用結(jié)構(gòu)元素B對圖像進行腐蝕操作的過程就是用B在圖片集合A中平移后B全部包含在A中的原點組成的集合。對圖像進行腐蝕的作用是使目標(biāo)的邊界得以縮小，當(dāng)選擇的結(jié)構(gòu)元素足夠大時可以濾除整個目標(biāo)區(qū)域，因此在進行腐蝕操作時選取尺寸和類型恰當(dāng)?shù)慕Y(jié)構(gòu)元素可以很好的濾除圖像中不能完全包含結(jié)構(gòu)元素的噪聲，雖然這種腐蝕操作會改變我們以后操作所要提取出的目標(biāo)區(qū)域的形態(tài)，但是對于在一張圖片中我們只要知道車牌位置的車牌識別系統(tǒng)來說，腐蝕操作產(chǎn)生的這種影響是可以忽略的。2.5 本系統(tǒng)車牌圖像預(yù)處理在本系統(tǒng)中圖像的預(yù)處理模塊的過程是：首先選用加權(quán)平

37、均的方法將拍攝的彩色圖像轉(zhuǎn)化為灰度圖像，原圖像如圖2.1所示，灰度轉(zhuǎn)化后的灰度圖像如圖2.2所示。 圖2.1 車牌原始圖像 圖2.2 車牌灰度圖像繪制灰度圖像2.2的灰度直方圖，如圖2.3所示，灰度直方圖的橫坐標(biāo)表示灰度級（經(jīng)過灰度化處理后灰度值范圍為0 255），縱坐標(biāo)的表示像素點的個數(shù)；由于車牌的形狀是長方形且車牌中字符之間間隔相等依次水平排列，且各個字在豎直方向具有較豐富的豎向邊緣特征，所以由于這些特征最后決定選擇使用Roberts算子對灰度圖片的水平和豎直方向進行邊緣檢測，其結(jié)果如圖2.4所示。 圖2.3 灰度圖像的灰度直方圖 圖2.4 Roberts邊緣檢測后的圖像本系統(tǒng)未對灰度圖像

38、進行濾波和銳化處理而直接選用Roberts算子對車牌圖像進行邊緣提取主要原因有兩個：一是對圖像進行濾波相當(dāng)于對圖像進行了平滑處理，雖然濾波會濾除圖像中的一些噪聲，但是濾波也會使圖像中目標(biāo)的邊緣變得模糊，致使系統(tǒng)在對圖像進行邊緣檢測時由于邊緣模糊不清無法檢測出車牌的邊緣信息；二是雖然圖像的銳化是為了能增強圖像中物體的邊緣，但是在邊緣增強的同時噪聲干擾也得到了增強，致使系統(tǒng)在對圖像進行邊緣檢測時出現(xiàn)較多的干擾。3 車牌定位 我國車牌的樣式車牌的使用是為了使機動車的管理更加便捷。我國的機動車車牌的尺寸和顏色有多種且車牌號由漢字、字母和數(shù)字組成，且車牌中字符的順序、字符的尺寸和字符間的間距也有一定的規(guī)

39、則。其具體規(guī)則為：首先車牌號的首個漢字表示的是車牌所屬的省、自治區(qū)、直轄市的簡稱，第二個字母表示車牌所屬的市，后面的字符是由數(shù)字和字母組成，從00000-99999，當(dāng)數(shù)字不夠用時在用字母A-Z(除去字母I和O)；其次車牌號中字符的大小尺寸均為高寬90*40（mm*mm），字符間的間距統(tǒng)一為12mm，第二個字符和第三個字符之間的“.”的寬度為10mm13；最后不同用途的車輛，車牌的外形尺寸和顏色是不同的，不同用途車輛車牌尺寸及顏色。 3.2 常用的車牌定位方法 基于紋理特征車牌定位方法任何物體每個部分都是不同的，但從整體來說從一個部分變化到另一個部分都是有規(guī)律可循的，這就是物體的紋理特征。一個

40、車牌由于包含三種不同的字符包括漢字、字符和數(shù)字，所以在各個字符與車牌背景之間會產(chǎn)生灰度跳變。據(jù)此從一個圖像中定位一個車牌可以借助于紋理特點來完成。其基本思想是對經(jīng)過圖像預(yù)處理后的灰度圖像進行行掃描統(tǒng)計灰度的跳變數(shù)以確定車牌候選區(qū)域的頂部和底部的水平位置，再通過列掃描統(tǒng)計灰度的跳變數(shù)來進一步確定車牌候選區(qū)域的左右兩側(cè)所在列的位置。在掃描過程中可能會出現(xiàn)多個候選區(qū)域，所以接下來就是尋找并設(shè)定一個合適閾值，以此來確定車牌的所在的位置。這種定位方法對失真嚴重或分辨率較低的車牌圖像有非常好的定位效果，但是對車牌背景較為復(fù)雜或由于拍攝角度的問題使車牌產(chǎn)生嚴重的傾斜的車牌圖像定位效果極差。 基于顏色信息車牌

41、定位方法圖像的灰度化雖然使圖像的數(shù)據(jù)量大大減少且簡化了程序的計算量，但灰度化使圖像原有的顏色信息丟失嚴重。早前大部分對車牌圖像的研究都是在灰度圖像的基礎(chǔ)上進行的且在這方面的研究也日趨成熟。現(xiàn)在很多學(xué)者開始研究從彩色的圖片中定位出切割出牌照的方法。基于彩色圖像的車牌定位方法主要思想是首先將RGB車牌圖像轉(zhuǎn)化為HSV彩色空間的圖像，根據(jù)HSV顏色空間的亮度和色調(diào)以及飽和度對圖片像進行分割，找出車牌區(qū)域并根據(jù)車牌的先驗知識定位切割出車牌。由于我國汽車的車牌顏色隨著車輛用途的不同而不同，所以利用這種定位方法只能定位出單一顏色的車牌，對其他不同顏色的車牌不適用。 基于邊緣檢測車牌定位方法由于我國的車牌區(qū)

42、域的字符按照一定的規(guī)律排列，所以車牌區(qū)域中字符會產(chǎn)生較多的邊緣信息。由車牌區(qū)域的這一特性，我們可對車牌的邊緣進行分析。基于邊緣分析的牌照定位的基本過程是：首先將牌照圖像灰度化，然后再分析并提取灰度圖片的邊緣信息確定牌照所在的位置，最后根據(jù)車牌的尺寸和車牌號字符的間距、字符的尺寸來去除干擾的部分，最終定位出車牌區(qū)域。 基于形態(tài)學(xué)的車牌定位方法基于形態(tài)學(xué)的牌照定位方法主要思想是首先將牌照圖像灰度轉(zhuǎn)化并將其二值化，其次選取一個垂直方向的結(jié)構(gòu)元素，并用這個結(jié)構(gòu)元素對圖像進行腐蝕操作濾除干擾，然后對圖像進行形態(tài)學(xué)閉運算來修復(fù)牌照區(qū)域中的小漏洞，以此來使牌照區(qū)域變成一個連通的矩形區(qū)域，最后通過車牌的邊緣特

43、征對汽車的車牌進行準(zhǔn)確的定位。 基于邊緣檢測和形態(tài)學(xué)車牌定位方法本文設(shè)計的車牌識別系統(tǒng)首先采用邊緣檢測對進行圖像處理突出車牌區(qū)域，然后采用形態(tài)學(xué)處理（包括腐蝕、開運算、閉運算）降低噪聲干擾并將車牌區(qū)域變成一個連通的長方形區(qū)域，最后將連通區(qū)域作為車牌的候選區(qū)域14。圖3.1 車牌定位處理框圖 圖像的形態(tài)學(xué)處理由圖2.4可知，車牌圖像在經(jīng)過預(yù)處理階段的Roberts邊緣檢測處理后，車牌的邊框和車牌內(nèi)字符的橫向和縱向邊緣都得到了不同程度的加強，但是由于圖片背景復(fù)雜，所以邊緣檢測也使噪聲得到了加強。從邊緣檢測的結(jié)果中我們可以很明顯的看出噪聲主要是橫向邊緣得到了加強，而車牌的橫向和縱向都得到了加強尤其是

44、車牌字符的縱向邊緣。由此本系統(tǒng)采用構(gòu)建垂直方向的結(jié)構(gòu)元素對邊緣檢測后的圖像進行腐蝕處理，這樣便可大大減少噪聲的橫向干擾，腐蝕結(jié)果如圖3.2所示。 圖3.2 腐蝕處理后的圖像 圖3.3 閉運算后的圖像將圖3.2與圖2.4比較可以很明顯的看出圖像中噪聲的橫向干擾已被濾除只剩下一些縱向的干擾。同時也可以看出車牌區(qū)域的邊框和字符的邊緣紋理還存在殘損，因此在腐蝕處理后還需對車牌區(qū)域的殘損進行修補，使車牌區(qū)域形成一個連通的區(qū)域。由此本系統(tǒng)采用10*25的矩形結(jié)構(gòu)元素對腐蝕后的圖像進行閉操作，使牌照的位置區(qū)域變成一個連通的矩形，閉操作結(jié)果如圖3.3所示。圖3.4 開運算后的圖像由圖3.3可以看出，腐蝕處理后

45、留下的縱向干擾經(jīng)過了閉運算后也形成了一些大小不同的連通區(qū)域，但是相對于車牌的連通區(qū)域來說這些區(qū)域的面積比較小。由此本系統(tǒng)采用開運算來濾除圖像中面積小于2000的連通區(qū)域，開運算的結(jié)果如圖3.4所示。由圖3.4可以看出面積較小的連通區(qū)域已經(jīng)基本被濾除了，圖像中只剩下車牌部分的連通區(qū)域，因此開運算后車牌的區(qū)域已經(jīng)初步確定，接下來就是對車牌進行準(zhǔn)確的定位與分割。 車牌定位與分割經(jīng)過以上形態(tài)學(xué)腐蝕、閉運算、開運算后圖片中的干擾大部分已經(jīng)被消除，只剩下車牌所在的區(qū)域，由于車牌的長寬比是固定的，所以可以利用這個特點對圖3.4進行行掃描來確定車牌的上下邊界，然后對其進行列掃描來確定車牌的左右邊界，最終確定車

46、牌的位置并將其定位切割出來。以下將介紹如何通過行列掃描確定車牌的具體位置。首先新建一個行向量和列向量，其大小與圖像矩陣的行和列相同，對開運算后的車牌圖像從上到下逐行掃描并計算各行中的白像素點數(shù)，將統(tǒng)計結(jié)果按行掃描的順序存放在行向量中。統(tǒng)計結(jié)束后取白色像素點最多的一個行，然后設(shè)置一個閾值T用于判斷車牌區(qū)域的邊界，本系統(tǒng)根據(jù)統(tǒng)計實驗得出T=25，當(dāng)圖像的一行中白色像素點數(shù)大于等于25表示是車牌區(qū)域，當(dāng)小于25時表示此處是車牌的邊界，記下這個行的位置信息，通過從白色像素點最多的那一行開始向上逐行判斷可以確定車牌在行方向的頂部，同理向下逐行判斷可以確定車牌在行方向的底部，這樣經(jīng)過行掃描就可以確定車牌的

47、水平方向的上下邊界，其行定位結(jié)果如圖3.4中右邊部分。按上面的步驟對圖像進行列掃描，再將閾值設(shè)置為T=3，這樣就可以確定車牌在圖像中垂直方向的左右邊界，其定位結(jié)果如圖3.4中左邊部分。 圖3.4 行列定位（左邊為列定位、右邊行為定位） 經(jīng)過行列定位后車牌在原圖像矩陣中的上下坐標(biāo)和左右坐標(biāo)就確定了，然后從原始的彩色圖像中將車牌剪切出來，其剪切結(jié)果如圖3.5所示。圖3.5 定位剪切后的車牌4 字符分割 常用的字符分割方法 基于投影的字符分割方法由于車牌字符之間有固定寬度的間隔，所以將已經(jīng)分割出來的車牌圖像沿垂直方向作投影，在字符間隔的位置投影后會形成非常明顯波谷，投影結(jié)果如圖4.1所示。由于車牌中

48、字符之間的間隔是固定的，所以基于投影的字符切割分離方法可以通過設(shè)置一個合適的閾值對車牌字符進行分割。當(dāng)投影后某列的像素點總數(shù)在這個閾值范圍內(nèi)，就將該位置判定為字符間的間隔區(qū)域，然后在這個位置對圖像進行切割，最終能將字符依次切割出來15。雖然用這種方法對車牌字符進行切割算法簡單、分割耗時短，但是這種方法穩(wěn)定性差。如果車牌圖像字符間出現(xiàn)粘連的情況，那么這兩個互相粘連的字符之間不會形成明顯的波谷，從而導(dǎo)致導(dǎo)致這兩個字符分割錯誤；又如分割出來車牌圖像包含邊框部分，通過垂直投影邊框和字符之間也會形成明顯的波谷，這就會導(dǎo)致誤將車牌的邊框判斷成字符導(dǎo)致分割出錯。所以為了對字符進行準(zhǔn)確的分割一般都是將這種方法

49、和其他分割方法結(jié)合起來使用。圖4.1 垂直方向投影 基于模板匹配的字符分割方法因為車牌中字符的寬度和高度以及字符間的間隔都是有固定尺寸的，所以基于模板匹配的字符分割算法的基本思想就是設(shè)計一個與車牌字符寬度和字符間隔相同的兩個模板，將設(shè)計的模板在定位好了的車牌內(nèi)移動并計算字符模板和間隔模板內(nèi)像素個數(shù)的比值并將該比值的極小值作為需要分割的位置。由此可以看出這種方法很好的克服了字符粘連、干擾復(fù)雜的車牌中字符不能精確分割的問題。不過這種字符分割方法只能用于質(zhì)量較高的車牌圖像，而且很難構(gòu)造字符寬度模板和字符間隔模板。在車牌圖像由于受損嚴重而導(dǎo)致形狀改變的情況下，要想準(zhǔn)確地對字符進行分割必須做多次模板匹配

50、，這將大大增加字符分割的時間，導(dǎo)致不能對圖像中的字符進行準(zhǔn)確完整地分切割。4. 2 基于投影分析與紋理特征的字符分割方法本系統(tǒng)字符分割模塊的處理流程框圖如圖4.2所示。圖4.2 字符分割模塊流程框圖經(jīng)過了車牌的定位與分割處理后，車牌部分被完整的切割出來，但是從圖3.5可以看出切割出的車牌區(qū)域還含有一些噪聲，如車牌的邊框和鉚釘?shù)?，所以在對車牌中的字符進行切割之前必須對彩色的車牌進行預(yù)處理，包括車牌的灰度化、二值化、車牌的濾波去噪。以下將詳細介紹三個內(nèi)容：第一是牌照預(yù)處理中所采用的有效方法；第二是如何將車牌的邊框和鉚釘去除；第三是本課題所設(shè)計的系統(tǒng)采用基于投影分析和牌照紋理特點相結(jié)合的字符切割割方

51、法。 車牌圖像預(yù)處理彩色的車牌圖像包含較多的數(shù)據(jù)量，所以本系統(tǒng)采用加權(quán)平均的灰度化方法對定位剪切出的車牌圖像進行灰度化處理以減少圖像的數(shù)據(jù)量。然后采用基于紋理的全局二值化方法對車牌的灰度圖像進行二值處理，全局閾值 ，式中Max、Min表示灰度圖片中像素的最大灰度和最小灰度，w是經(jīng)過實驗得出的一個常系數(shù)，圖像的不同w值也是不同的，但在處理同一張圖片是w是固定不變的16。對車牌圖像進行二值化就是將各個像素點的灰度值與該閾值比較，當(dāng)灰度值比該值小就將其灰度設(shè)為0即為黑色，當(dāng)像素點的灰度值大于該閾值時就將其設(shè)為1即為白色，經(jīng)過全局二值化處理后車牌的二值圖像如圖4.3所示。 圖4.3 車牌二值化 圖4.

52、4 均值濾波后的圖像由圖4.3可知經(jīng)過二值化處理后圖像的邊框部分也會有白色像素點，這會對字符分割造成干擾，因此在分割之前還需對圖像進行濾波去噪。本系統(tǒng)采用均值濾波對圖像進行濾波，用均值濾波算子H對圖像進行均值濾波，H如公式4.1所示，均值濾波處理后的圖像如圖4.4所示。(4.1)由圖4.4可以看出，經(jīng)過濾波后的圖片中依然會存在干擾，因此還需對圖像進行進一步的處理。圖4.5 形態(tài)學(xué)濾波后的圖片由于字符像素點個數(shù)與整個車牌像素點個數(shù)的比值范圍為大于于0.235且小于0.365，所以在濾波后還要進行判斷，當(dāng)字符與車牌的面積之比小于0.235時說明車牌圖像中字符出現(xiàn)殘損，則需要對圖像進行膨脹操作，當(dāng)字

53、符與車牌的面積之比大于0.365時說明車牌中存在噪聲干擾，需要對圖像進行腐蝕操作消除干擾，經(jīng)過了均值濾波、和形態(tài)學(xué)操作后車牌的二值圖像如圖4.5所示，由圖可以看出邊框部分的白色像素點已被完全消除。 去除邊框和字符間干擾通過圖4.3可以看出在經(jīng)過預(yù)處理后車牌邊框的白色像素點干擾的部分已經(jīng)被消除變成了黑的像素點，但是車牌的上下左右還有一段距離是全黑的，為了使分割更加準(zhǔn)確，需要對這些全黑的部分進行切除。本系統(tǒng)采用水平和垂直投影的方法來對全黑的邊界進行切除。首先依次對每一行的像素點作垂直投影，如果該行沒有白色像素點再對下一行作垂直投影，直到白色像素點某行出現(xiàn)白色像素點，這樣就可以確定像素點不是全黑區(qū)域

54、的上下位置；同樣在列方向依次對每一列的車牌圖像做水平投影，確定像素點不是全黑區(qū)域的左右位置，然后對圖像進行切割出去全黑部分。由于邊框的干擾并沒有被全部消除，所以還要對圖像進行去邊框，其主要思想是首先對去除了黑邊框的圖像進行列掃描，得出不全為黑的位置，接著在進行掃描得到全黑的列的位置，將兩者的位置的橫坐標(biāo)相減，即可的到不全為黑的區(qū)域的寬度，然后設(shè)置一個閾值T=10，該閾值設(shè)置的依據(jù)是車牌中第二個字符和第三個字符之間的白點寬度為10，最后對寬度進行閾值判斷，如果寬度小于10就將其視為邊框的干擾并將這一區(qū)域的像素點全部變成黑色，然后調(diào)用切割函數(shù)將黑色的外邊框去除，經(jīng)過去邊框處理后車牌的二值圖像如圖4

55、.6所示。圖4.6 去除邊框后的圖像 字符分割在去除邊框干擾的基礎(chǔ)上進行對第一個漢字字符的切割，也就是說如果區(qū)域?qū)挾鹊闹荡笥赥=10，則先將這一寬度區(qū)域提取出來，利用二次投影統(tǒng)計出這一區(qū)域的這部分共有多少個白色像素點記為M，再求這一區(qū)域中間三分之一的區(qū)域中白色像素點的個數(shù)記為N，設(shè)置一個閾值T=0.25，如果的值則表示該區(qū)域是第一個字符漢字，然后用切割函數(shù)將字符切割出來，切割出來后將原車牌區(qū)域在此區(qū)域內(nèi)的所有像素點變成黑色并調(diào)用切割函數(shù)將圖像這一部分切割掉，為切割下面的六個字符作準(zhǔn)備。圖4.7 字符分割結(jié)果在經(jīng)過上述處理后車牌中只剩下六個字符要切割，本系統(tǒng)自定義了一個切割函數(shù)，通過重復(fù)調(diào)用來完

56、成以下六個字符的切割，函數(shù)的基本思想是：由于漢字切割后車牌圖像的第一列就是像素不全為0的，所以我們先經(jīng)過列掃描，掃描出第一個列全為0的位置，然后將不全為0的區(qū)域切割出來，設(shè)置兩個閾值T1=8、T2=2，如果這一區(qū)域的寬度小于T1且這一區(qū)域的長寬比大于T2，則將該區(qū)域判為干擾，并通過將該區(qū)域的像素點設(shè)置為0將該干擾切除，否則就將該區(qū)域判為字符區(qū)域，然后將該區(qū)域中的字符切割出來并將原圖像的這個區(qū)域像素點設(shè)置為0，再將全黑的區(qū)域切割掉用來準(zhǔn)備下一次的切割。重復(fù)調(diào)用切割函數(shù)六次就可以將六個字符從圖像中全部切割出來，其字符切割效果如圖4.7所示，可以看出用這種方法的切割效果非常的理想。5 字符識別5.1

57、 常用的字符識別方法 基于字符結(jié)構(gòu)特征的識別方法由于車牌中漢字的結(jié)構(gòu)比字母和數(shù)字更加復(fù)雜多變且漢字一般筆畫較多，所以在對漢字提取結(jié)構(gòu)特征之前都需要對其進行細化操作。由此可以看出利用車牌字符的結(jié)構(gòu)特點來對車牌進行字符識別算法的基本思想是：首先從經(jīng)過了二值化和細化處理的車牌圖像中獲取車牌字符的結(jié)構(gòu)特征點，然后將這些特征點與之前計算的樣本字符特點進行比較，最后選取最相似的樣本字符作為識別結(jié)果輸出。這個算法只適用于質(zhì)量較高的圖像，因為當(dāng)圖像比較模糊或字符之間出現(xiàn)粘連時會導(dǎo)致無法準(zhǔn)確提取字符的結(jié)構(gòu)特征，另外對字符進行細化操作時很容易使處理后的圖像出現(xiàn)虛假輪廓導(dǎo)致字符的輪廓特征提取失敗。這些因素都導(dǎo)致了使

58、用該算法具有很大的局限性17。 基于SVM的字符識別方法支持向量機(SVM)的理論是基于統(tǒng)計訓(xùn)練學(xué)習(xí)的一種機器學(xué)習(xí)訓(xùn)練方法，主要包含兩個方面分別是VC維理論和結(jié)構(gòu)風(fēng)險最小化，它可以在很少的樣本數(shù)據(jù)集中找到模型復(fù)雜性和學(xué)習(xí)能力之間最好的組合方式，來使SVM具有更好的識別能力和適用范圍。SVM的基本思想是：首先選取樣本數(shù)據(jù)的部分特征并將其構(gòu)建成一個向量集合，然后再對這向量集合進行線性的劃分完成對樣本數(shù)據(jù)的分類，這樣就可以使非線性但可分的數(shù)據(jù)集合轉(zhuǎn)化為VC維中線性且可分的數(shù)據(jù)，通過這一轉(zhuǎn)化過程可以使對數(shù)據(jù)集的分類更加準(zhǔn)確，并且這個過程的計算也因此得以簡化18。由此可以得出SVM主要目標(biāo)是通過對非線性

59、的映射來實現(xiàn)將信息映射到高維的內(nèi)積空間中。因為車牌中的字符包含漢字、字母和數(shù)字，但SVM只能解決兩類分類，所以必須使用某一特定的方法將其轉(zhuǎn)換成可以解決兩類以上分類的問題。常見的實現(xiàn)多類分類問題的方法主要有三種分別是一對一、一對多和決策樹。一對一是指在N個類別的兩兩類別之間構(gòu)建分類器，這樣就可以構(gòu)建出N(N-1)/2分類器有效的解決多類分類的問題。一對一方法具有訓(xùn)練效率高、應(yīng)用范圍廣的優(yōu)點，但是隨著類別的增加分類器的數(shù)量也會隨之大幅增加，這就會導(dǎo)致有的類別不能進行分類的問題。一對多分類法是將N個類別中的一個類別作為正的數(shù)據(jù)樣本，其余的N-1個類別都作為負的數(shù)據(jù)樣本，也就是說這種方法只需要構(gòu)建N個

60、分類器，每個分類器各有一個判決函數(shù)并輸出通過這個函數(shù)輸出的最大類別。一對多分類器具有分類效率高，但是由于將類別分成了正樣本和負樣本會出現(xiàn)樣本偏斜的問題，如果要加入一些新的樣本，那之前的分類器都要對其重新訓(xùn)練，所以這種方法分類器的擴展性很不理想，而且與一對一的方法一樣存在不能進行分類的問題。SVM決策樹方法與二叉樹分裂的原理相同，將根節(jié)點劃分成兩個節(jié)點，再將這兩個節(jié)點作為根節(jié)點對其進行相同的劃分，一直到將N個類別劃分完，再構(gòu)建N-1個分類器。為了將誤差累積的影響降到最低，決策樹法對于根節(jié)點的選取是按照在所有的類別中選取一個與其他類別距離最大的類別作為根節(jié)點。SVM車牌字符識別的過程是首先對分割出