车辆牌照字符识别.doc

车辆牌照字符识别2 摘 要 此论文所介绍的是中国的车牌识别系统。在实际的环境下所获得的图像通常是失真的。在这里设计了一种方法来调整失真的车牌。图像总是受到了天气和光线的影响，这是得灰度比例不均一。一个预处理操作被用来解决这个问题。利用模板匹配来进行字符识别，我们能够避免孤立字符，提高提取字符的正确性。基于少数几个字符容易红混淆这个问题，我们建立了BP神经网络来有效的完成字符识别。 引言 我们研究的目标是中国车辆牌照的识别。车牌识别是实现自动车辆管理，交通管制，无人的征收通行税的关卡等等所必需的能力。在车牌中的字符包括固定了字型的汉字，字符和数字。随着所获得的条件的改变，图像的主要的缺点能够被概述如下：没有聚焦，几何上的扭曲和噪音的存在。这使得字符变形，识别任务不容易解决。近年来，很多研究人员致力于理论的研究，出现了很多算法。 在这个领域出现了快速的进步。 车牌识别系统由两个模块组成：车牌图像定位模块和识别模块。我们主要讨论识别模块。基于很好的定位，我们计划的主要计算阶段如下：调整变形的车牌，预处理，归一化和使用模板匹配法来识别字符。鉴于有些字符容易混淆，我们提取细节特征和创建BP神经网络来解决。 调整变形的车牌 汽车牌照通常会出现变形，就像在火柴盒外壳用力，使他呈平行四边形状扭曲。这种变形遵循如下准则： 在此式中，s1是沿x坐标轴上的扭曲量，s2是沿y坐标轴上的扭曲量，x’,y’是扭曲以后的像素，x,y是扭曲以前的像素。 通常来说，s1ⅹs2≠1,也就是，所以矩阵是可逆的。我们能够得到，这是变形图像的校正公式。 因为s1,s2在调整过程中不能积分的，所以必须有非网格点，他们的灰度等级应该通过三次插值计算得出，从而获得一个更好的结果的。在三次插值中，非网格点 （εη）的灰度等级f(εη)可以通过以下式子近似：，其中（xm,yn）的邻近地区中。 例如，图1为原始图像。通过逐行扫描灰度图像，计算差量，使用关于车牌位置的知识，我们能够获得变形隔离图像，如图2 、图3 是从中心旋转一定角度的图像，从而在一些区域产生了不匹配。图4 是通过我们上述的调整方法所获得的图像。直观上我们能够发现图4中字母的边沿比图3 中图像的边沿要光滑。此外，两种方法在识别比率上的影响是不同的。在这篇论文的结尾，我们能够看到两种方法的对比。 图1 原始图像 图2 隔离图像 图3 旋转一定角度的图像 图4 我们的调整 预处理 照明和天气条件的不同使得图像非常不相同，这些在图像获取时是已知的，因此产生了运用不同对比方法解决方案的图像。特别的，当车牌的顶端有阴影时，字符的识别率会下降。为了去除阴影，我们设计了一个预处理的方法如下： 我们创建了一个新图像，它的宽是原来图像的1/25，高是原来图像的1/4，（数据来源于实验）。第二，填料数据，在新的图像中，像素（i，j）的灰度水平与在原图像中的矩形区域[（jⅹ4,jⅹ25）ⅹ4,(j+1)ⅹ25]像素的灰度水平最小值相符合。接着，新的图像用立方体插补放大到与原始图像相同的大小。这是我们从原始图像中间去放大的图像，使灰度等级映射到[0，255]，因此我们获得了预处理图像。例如，图5 是有阴影的原始图像，图6 是预处理后的图像，我们能够发现阴影消失了。 图5 原始图像 图6 处理后的图象 4、图案匹配 被识别的目标是写在车牌上的字符，在实际条件下，一些不确定的因素导致了框架与字符之间或字符与字符之间的粘连，使得将单个字符分开很难。在这篇论文里，图案匹配被认为是一个适合的技术。它使得字符提取和字符识别同时发生，从而避免了使单个字符孤立出来。 我们用灰度水平图像建立模板。在已获得的图像中，字符不会很精确的与原型相匹配，所以我们使用标准化的互相关的操作，在离散事件中被定义为： 在上式中，g是一个一般的模板，是它的平均灰度。F是所获得图像的子图像，和模板一样的大小。是它的平均灰度水平。 通过在子图像f上的模板g的所有变化，我们能够计算出标准化的互相关值Cfg,它是下一个识别工作的基础。在车牌中，有汉字，字母和数字。因此，必须有三种模板。由于我们有限的样本图像，我们设计了一下模板：15个汉字，25个字母和10个数字。图7 示出了数字的模板。 图7 用于图像匹配的模板 根据我们对所获得图像的观察，我们定义的模板大小为20ⅹ11。通过在一系列的所获得的预处理的车牌中探索，模板被使用一种绘图工具设计出来。每一个字符也是用手工设计出来的。 5、识别运算法则 在车牌中，第一个位置是汉字，第二个是字母。根据分类，我们设计了一个识别的运算法则来避免将单个字符孤立出来。从前一节中，我们知道，标准化的图像包含除了字符以外的部分。所以我