基于统计学能量模板法的车牌识别.docxVIP

基于统计学能量模板法的车牌识别 　　【摘要】由于汽车数量的快速增长，车牌识别的意义越来越重要。通过对车牌特点的研究，本文设计了能量特征统计法对车牌进行分析，然后通过统计的特征值，与建立好的模板库进行匹配识别。并利用数学构件matlab对本设计的识别算法进行软件实现，实验证明本文所设计方案识别速度快，准确率也较高。 　　【关键词】汽车；图像预处理；matlab 　　目前，車牌识别技术的研究，无论是在科学研究层次，还是商业应用方面，都有重大意义。而对于车牌识别技术的研究，主要分为两个方面，一个是图像获取技术的研究发展，另一个是车牌识别算法的优化提高。 　　1.车牌识别方法简介 　　常用的车牌识别技术一般有三种方法：结构识别、神经元法、基于统计学模板识别方法。 　　结构模式，对文字、字母与数字的结构形状进行判断并记录，然后进行识别。缺点是对于复杂又相似的结构，其拆分难度较大。另一方面，只要字符受到了一点污染，识别的准确度就严重下降。 　　神经网络识别是近些年由于计算机技术和生物科学技术而快速发展的一种新兴算法。这种算法是基于人类对其自身大脑的思考模型提出的。优点是方法比较简单，搜索全局性较好；缺点是搜索速度较慢，要花较长的时间，而本文所设计的车牌识别对实时性要求比较高，所以并不适用。 　　本文采用的是基于统计学模板识别方法，是基于数学和统计学的一种图像识别算法，它是一种基于图片像素原理来统计的。这种方法，将要识别的对象作为一个整体来处理，然后对其像素或灰度值，甚至是能量等不一而足的指标作为统计量，然后依据不同的统计指标的区分，判断所识别的对象。这种方法的优点是，算法结构较简单，图片受到污染也可以进行识别。 　　2.车牌识别前期图像处理 　　一般地，车牌识别前需要完成五个准备步骤：图像获取；图像预处理；图像定位；图像倾斜修正；字符切割。 　　2.1图像获取与预处理 　　图像采集常用ccd像机进行拍照，一般都要在前面拍一次，后面再拍一次，甚至多拍好几张，然后选取较好的一张进行识别，而即便是较好的，也要进行预处理，以去掉照片的噪音，使图像更容易识别，同时也使识别准确性也更高。预处理一般有以下6点： 　　2.2定位 　　车牌定位是整个车牌识别中十分重要的一部分。图像中，车牌只占了一小块地方，更多的部分都是车牌之外的东西，整个照片的角度也不是方正的。 　　对车牌的定位，靠卷积的能量进行区别与定位。为了提高定位的准确度，需要增加一些其他辅助手段。我们根据大量的统计，发现车牌的宽度与它所在的车一般都是有一定的关系的。可以直接通过车身的宽度对车牌的宽度作一次校正。而事实证明，我们得到的车牌的宽度越准确，用这个宽度内进行卷积，所得到的定位结果也就更准确。 　　2.3倾斜修正 　　本文所选用的方法就是垂直投影这种校正手段，即hough变换。先有一定的先验信息，然后在图像中提取特征点，并通过最小二乘等拟合算法对这些特征点进行拟合，以得到曲线或直线，然后再与自身的模型进行比对，从而完成校正。 　　2.4字符分割 　　经过前文的设计后，我们得到了一个单纯的车牌图片，但为了识别字符，还需要进行字符的切割，因为车牌的识别结果是一个个单独的字符。由于车牌是一种简单、设计完全一样的图像，每辆车的车牌都是完全一样的结构，可选用直接法进行分割：计算水平投影进行车牌水平校正、去掉车牌的框架、分析垂直投影找到每个字符中心位置、按左右宽度切割出字符。 　　3.基于统计模板字符识别 　　3.1车牌识别流程设计 　　车牌识别最终是要识别出字符的内容，而车牌上字符的线条也是统一的。所以，为了识别出结果，本设计在识别前还要对车牌上的字符进行一项细化处理。细化和识别的流程大体如下：归一化后图像字符的细化、模板匹配粗细、根据粗对比分类、模板匹配细化对、识别结构。 　　3.2字符匹配识别 　　利用数学模型对分割好的小块字符图形进行某个特征量的计算，然后以一个特征量指标的形式进行表示，然后与模板库里的模板进行特征量的比对，如果两个特征量的数值大小相似到一定程度，就可以进行匹配识别。 　　4.利用matlab车牌识别试验与分析 　　本设计根据前面对整个识别系统的分析，利用matlab实现整个车牌识别系统。设计的软件系统一共包括以下几块： 　　（1）图像颜色的提取； 　　（2）图像中车牌区域的识别与定位提取； 　　（3）对提取的车牌部分进行校正及图像处理； 　　（4）切割字符块； 　　（5）与建立的模板库进行匹配识别。 　　5.结束语