图像处理技术的汽车牌照识别系统设计(2)

1．3 车辆牌照的字符分割

车辆牌照的字符分割是把经过定位后的车牌区域切分成若干个子区域，每一个子区域包含一个字符。字符分割的任务是把多行或多字符图像中的每个字符从整个图像中分割出来，使其成为单个字符。

对于一般的字符识别来说，其识别过程是从输入的待识别字符(样本)点阵图形中提取描述该字符的特征，再根据一定准则来判定该样本所属的模式类别。因此，字符描述、特征提取与选择、分类判决等是字符识别的三个基本环节。

2 车牌字符的识别

字符识别是车牌照识别系统的最重要的组成部分，该部分需要对图像采集，图像处理，车牌照定位，字符切分所得到的结果进行识别处理，以最终得到车辆牌照的字符。

本文论述的车辆牌照字符识别方法分为字符图像预处理、特征提取、分类器设计等部分。

2．1 字符图像预处理

字符图像预处理就是对输入的字符图像进行处理，以使其变成某种特定的标准形式，使后续的特征提取和字符识别更容易进行。其主要功能有两点：一是消除图像中的噪声，修正图像断线或粘连现象；二是通过各种线性、非线性归一化方法，使变换后的图像相对稳定，便于识别。

2．2 特征提取

特征提取的主要目的是从原始数据中抽取出用于区分不同类别的本质特征。由于不同的特征的适用性不同，故对不同效果的字符所提取的特征性能也不尽相同，因此，用单一的特征已经很难适应受多种条件影响的车牌照字符的识别。另外，由于不同特征的不同维之间所表示的意义也不太相同，且权重也可能相差很多，如果采用直接组合的方法，就会使权重较大的特征占主导地位，而忽略了权重较小的特征。要解决这种问题，可以采用特征向量归一化法或者加权的办法，将两种特征通过加权的方法组合起来，从而达到组合使用两种特征的目的。

2．3 分类器设计

分类器就是在特征空间中用某种方法将被识别对象归为某一类别。其基本做法是在样本训练集的基础上确定某个判决规则，以使按这种判决规则对被识别对象进行分类所造成的错误率最小或引起的损失最小。

采用神经网络作为分类器时，需要有一定的训练样本，而且样本个数不能太少，但是，本文的实验环境中的车牌上，汉字、英文样本较少，甚至某些汉字英文仅有一个或者几个样本，因而无法保证神经网络的训练程度。因此，本文采用模板匹配法。模板匹配法实际上就是采用多个标准样本的距离分类器。通常可利用平均样本法来计算样本均值以将其作为每个类别的标准样本，然后计算待识别样本与标准样本间的距离，最后选择距离最小的标准样本作为待识别的样本类别。(责任编辑：admin)