1.2 車牌定位

　　從人眼視覺的角度出發(fā)，同時(shí)根據(jù)車牌的字符目標(biāo)區(qū)域特點(diǎn)，在二值化圖像的基礎(chǔ)上，可以提取其相應(yīng)的定位特征。這從本質(zhì)上說，就是一個(gè)在參量空間尋找最優(yōu)定位參量的問題，它需要用最優(yōu)化方法予以實(shí)現(xiàn)。一般可計(jì)算邊緣圖像的投影面積，尋找峰谷點(diǎn)，大致確定車牌位置，再計(jì)算此連通域內(nèi)的寬高比，剔除不在域值范圍內(nèi)的連通域，最后得到的就是車牌區(qū)域。車牌定位是車輛牌照自動(dòng)識(shí)別系統(tǒng)中的關(guān)鍵和難點(diǎn)，實(shí)際圖像中的噪聲、復(fù)雜的背景等干擾都會(huì)給定位增加困難。車輛牌照的分割是一個(gè)尋找最符合牌照特征區(qū)域的過程。

　　車牌檢測(cè)定位方法包括圖像預(yù)處理，車輛牌照粗定位，車輛牌照精確定位等幾個(gè)組成部分。圖2所示是本系統(tǒng)的車牌定位流程圖。

　　圖像預(yù)處理部分的功能是將已經(jīng)變成電信號(hào)的信息加以區(qū)分，同時(shí)去除信號(hào)中的污點(diǎn)、空白等噪聲，并根據(jù)一定準(zhǔn)則除掉一些非本質(zhì)信號(hào)，再對(duì)文字的大小、位置和筆劃粗細(xì)等進(jìn)行規(guī)范化，最后簡化判斷部分的復(fù)雜性。

　　車牌照粗定位部分將給出若干個(gè)待進(jìn)一步判斷識(shí)別的候選車牌區(qū)域，如果候選區(qū)域的個(gè)數(shù)為零，則說明本幅圖像不含車牌，也就不用進(jìn)行下一步的識(shí)別。

　　車牌照精確定位就是對(duì)車牌候選區(qū)域進(jìn)行分類，以判斷哪一個(gè)是真正的車牌區(qū)域并給出車牌區(qū)域的坐標(biāo)。

　　1.3 車輛牌照的字符分割

　　車輛牌照的字符分割是把經(jīng)過定位后的車牌區(qū)域切分成若干個(gè)子區(qū)域，每一個(gè)子區(qū)域包含一個(gè)字符。字符分割的任務(wù)是把多行或多字符圖像中的每個(gè)字符從整個(gè)圖像中分割出來，使其成為單個(gè)字符。

　　對(duì)于一般的字符識(shí)別來說，其識(shí)別過程是從輸入的待識(shí)別字符(樣本)點(diǎn)陣圖形中提取描述該字符的特征，再根據(jù)一定準(zhǔn)則來判定該樣本所屬的模式類別。因此，字符描述、特征提取與選擇、分類判決等是字符識(shí)別的三個(gè)基本環(huán)節(jié)。

　　2 車牌字符的識(shí)別

　　字符識(shí)別是車牌照識(shí)別系統(tǒng)的最重要的組成部分，該部分需要對(duì)圖像采集，圖像處理，車牌照定位，字符切分所得到的結(jié)果進(jìn)行識(shí)別處理，以最終得到車輛牌照的字符。

　　本文論述的車輛牌照字符識(shí)別方法分為字符圖像預(yù)處理、特征提取、分類器設(shè)計(jì)等部分。

　　2.1 字符圖像預(yù)處理

　　字符圖像預(yù)處理就是對(duì)輸入的字符圖像進(jìn)行處理，以使其變成某種特定的標(biāo)準(zhǔn)形式，使后續(xù)的特征提取和字符識(shí)別更容易進(jìn)行。其主要功能有兩點(diǎn)：一是消除圖像中的噪聲，修正圖像斷線或粘連現(xiàn)象;二是通過各種線性、非線性歸一化方法，使變換后的圖像相對(duì)穩(wěn)定，便于識(shí)別。

　　2.2 特征提取

　　特征提取的主要目的是從原始數(shù)據(jù)中抽取出用于區(qū)分不同類別的本質(zhì)特征。由于不同的特征的適用性不同，故對(duì)不同效果的字符所提取的特征性能也不盡相同，因此，用單一的特征已經(jīng)很難適應(yīng)受多種條件影響的車牌照字符的識(shí)別。另外，由于不同特征的不同維之間所表示的意義也不太相同，且權(quán)重也可能相差很多，如果采用直接組合的方法，就會(huì)使權(quán)重較大的特征占主導(dǎo)地位，而忽略了權(quán)重較小的特征。要解決這種問題，可以采用特征向量歸一化法或者加權(quán)的辦法，將兩種特征通過加權(quán)的方法組合起來，從而達(dá)到組合使用兩種特征的目的。

　　2.3 分類器設(shè)計(jì)

　　分類器就是在特征空間中用某種方法將被識(shí)別對(duì)象歸為某一類別。其基本做法是在樣本訓(xùn)練集的基礎(chǔ)上確定某個(gè)判決規(guī)則，以使按這種判決規(guī)則對(duì)被識(shí)別對(duì)象進(jìn)行分類所造成的錯(cuò)誤率最小或引起的損失最小。

　　采用神經(jīng)網(wǎng)絡(luò)作為分類器時(shí)，需要有一定的訓(xùn)練樣本，而且樣本個(gè)數(shù)不能太少，但是，本文的實(shí)驗(yàn)環(huán)境中的車牌上，漢字、英文樣本較少，甚至某些漢字英文僅有一個(gè)或者幾個(gè)樣本，因而無法保證神經(jīng)網(wǎng)絡(luò)的訓(xùn)練程度。因此，本文采用模板匹配法。模板匹配法實(shí)際上就是采用多個(gè)標(biāo)準(zhǔn)樣本的距離分類器。通?？衫闷骄鶚颖痉▉碛?jì)算樣本均值以將其作為每個(gè)類別的標(biāo)準(zhǔn)樣本，然后計(jì)算待識(shí)別樣本與標(biāo)準(zhǔn)樣本間的距離，最后選擇距離最小的標(biāo)準(zhǔn)樣本作為待識(shí)別的樣本類別。

　　通常采用的距離準(zhǔn)則如下;

　　(1)Minkowsky距離

　　該距離是若干種距離的通式表示：

　　(2)“City block”距離

　　即街區(qū)距離，它是對(duì)Manhattan距離的修正，同時(shí)加上了權(quán)重。即：

　　(3)Euclidean距離

　　即歐氏距離，是Minkowsky距離在λ=2時(shí)的特例，其優(yōu)點(diǎn)是各點(diǎn)連續(xù)可微：

　　(4)Mahalanobis距離

　　即馬氏距離，它注意到樣本的統(tǒng)計(jì)特性，而排除了樣本間的相關(guān)性影響。它可表示為：

　　本設(shè)計(jì)選用了歐式距離。因?yàn)闅W式距離可以只計(jì)算

，這樣可以降低計(jì)算時(shí)間。

　　3 結(jié)束語

　　本文提到的車牌照識(shí)別方法具有很好的識(shí)別效果，并可針對(duì)出現(xiàn)的漏識(shí)和識(shí)別錯(cuò)誤等現(xiàn)象做出改進(jìn)，預(yù)處理時(shí)還可對(duì)圖像亮度進(jìn)行分析，針對(duì)過亮或者過暗的圖像采取不同的二值化策略;也可以根據(jù)字符識(shí)別的結(jié)果采用回溯方法來驗(yàn)證車牌定位和字符切分的準(zhǔn)確性;字符識(shí)別部分可增加字符模版的訓(xùn)練樣本數(shù)量，而采用神經(jīng)網(wǎng)絡(luò)作為分類器均可以提高字符識(shí)別的準(zhǔn)確率。