下载文档原格式
文字识别技术在车牌识别中的应用案例与使用教程近年来，随着人工智能技术的不断发展，文字识别技术在各个领域中的应用越来越广泛。
其中，车牌识别作为文字识别技术的一种重要应用之一，不仅提高了交通管理效率，也提升了道路安全性。
本文将为大家介绍文字识别技术在车牌识别中的应用案例与使用教程。
一、文字识别在车牌识别中的应用案例1. 智能停车场系统智能停车场系统是文字识别技术在车牌识别领域的一种重要应用案例。
通过在停车场进出口处安装摄像头和相关的文字识别设备，系统能够自动识别进出停车场的车辆的车牌号码，并将其与数据库中的车牌信息进行匹配，实现快速准确的车辆识别管理。
该系统提高了停车场的管理效率，减少了排队等待的时间，同时也增强了停车场的安全性。
2. 道路交通违章监控系统文字识别技术在道路交通违章监控系统中的应用案例也十分常见。
这种系统通过在道路上设置监控摄像头，利用文字识别技术识别车辆的车牌号码，并与数据库中的违章车辆信息进行比对，及时发现并记录交通违章行为。
这不仅提高了交通管理的效率，还有效地减少了违章行为的发生。
3. 物流管理系统文字识别技术还被广泛应用于物流管理系统中的车辆识别。
物流管理系统通过在物流仓库或配送中心出入口处安装相应设备，实现对进出车辆的智能识别。
文字识别技术能够准确识别车牌号码，并与物流系统中的车辆信息进行匹配，实现自动化管理与追踪。
这种应用案例可以提高物流运输的效率，降低配送过程中的人为错误。
二、文字识别技术在车牌识别中的使用教程1. 硬件设备准备要使用文字识别技术进行车牌识别，首先需要准备相关的硬件设备。
通常情况下，摄像头是必备的设备之一，可以选择高清晰度的摄像头以确保准确的图像捕捉。
此外，还需要安装文字识别设备和相应的存储设备，以便将车牌识别结果保存和进行后续处理。
2. 车牌图像采集与预处理在进行车牌识别之前，需要进行车牌图像的采集与预处理工作。
摄像头应该被正确安装在适当的位置，以保证车牌图像的清晰度和可视化程度。
车牌字符识别算法的研究和实现的开题报告一、选题背景和意义随着交通工具的普及和城市化的快速发展，车辆管理已成为当今社会中不可或缺的重要组成部分。
车牌识别技术作为智能交通系统的核心技术之一，能够有效地提高交通管理的效率和质量。
而车牌字符识别算法则是车牌识别技术中的重要组成部分。
车牌字符识别算法可以从车辆图像或视频中提取车牌上的字符信息，用于车辆的分类、计费、违章查询等诸多方面。
目前，车牌字符识别技术已经广泛应用于智能交通系统、停车场管理、高速公路收费、城市公共交通、车辆安保等领域。
随着交通工具数量的不断增长和流量的不断提高，车牌字符识别技术的应用前景必将越来越广阔。
因此，本文选取车牌字符识别算法的研究和实现作为毕业设计的选题，旨在通过对该课题的研究和实践，深入了解车牌字符识别算法的相关原理和技术，提高自身的编程能力和算法设计能力，为今后的就业和学术研究打下坚实的基础。
二、选题的研究内容和目标车牌字符识别算法是一项涉及多个学科的技术，包括图像处理、模式识别、计算机视觉等。
本文将从以下几个方面入手，对车牌字符识别算法进行研究和实现：1. 车牌图像的处理和预处理。
重点研究车牌图像处理和预处理的方法，包括图像增强、图像二值化、形态学处理等。
2. 特征提取算法的研究。
特征提取是车牌字符识别算法的重要组成部分。
本文将综合考虑不同的特征提取算法，并选取适合本课题的算法进行实现和优化。
3. 字符识别算法的研究。
字符识别是车牌字符识别算法的关键部分，本文将研究不同的字符识别算法，并选取适合本课题的算法进行实现和优化。
4. 算法性能评价和优化。
本文将对所选取的算法进行实验验证和性能评价，并通过对实验结果的分析和讨论，对算法进行优化和改进。
三、预期研究成果本文的预期研究成果包括以下方面：1. 实现一套车牌字符识别系统，并验证其识别率和处理速度等性能指标。
2. 掌握车牌字符识别算法的基本原理和方法，并能够根据实际需求选择合适的算法进行设计与优化。
车牌识别系统功能和参数车牌识别系统是一种用于自动识别和识别出车辆号牌的技术。
它利用计算机视觉和模式识别的原理和技术，通过图像处理和特征提取等方法，从输入的图像中提取车牌号码并进行识别。
车牌识别系统主要可以分为图像采集、车牌定位、字符分割、字符识别和车牌识别五大模块。
首先，车牌识别系统的功能包括图像采集、车牌定位、字符分割、字符识别和车牌识别等。
通过图像采集模块，可以采集到来自摄像头或其他图像输入设备的车辆图像。
车牌定位模块可以对车辆图像进行处理，找出图像中的车牌位置。
字符分割模块可以将车牌图像中的字符进行分割，从而得到单个字符图像。
字符识别模块使用OCR（光学字符识别）技术，对字符进行识别，并将字符的识别结果输出。
最后，车牌识别模块通过将字符的识别结果进行组合，得到完整的车牌号码，并输出识别结果。
1.图像采集参数：包括图像分辨率、拍摄角度、曝光度、对比度等。
合理的图像采集参数可以保证车牌在图像中的清晰可见性，减少图像中的噪声和干扰。
2.车牌定位参数：包括车牌的位置、大小、高度、宽度等。
通过调整车牌定位参数，可以准确地找到车牌在图像中的位置，排除其他干扰因素。
3.字符分割参数：包括字符之间的间距、字符的大小、字符的高度、宽度等。
合适的字符分割参数可以确保字符之间的距离和大小符合标准，并准确地划分字符。
4.字符识别参数：包括字符模板库、字符识别算法、识别率等。
良好的字符识别参数可以提高字符识别的准确度和速度。
5.车牌识别参数：包括车牌识别算法、车牌号码格式、识别结果输出等。
优化的车牌识别参数可以保证系统对各种车牌号码的识别正确率，快速地输出识别结果。
除了以上几个参数之外，还有一些额外的参数可以用于进一步优化系统的性能，如图像预处理参数、特征提取参数、分类器参数等。
这些参数的选择和调整可以根据实际应用需求和系统性能要求进行调整。
总之，车牌识别系统的功能和参数都是为了实现车牌号码的自动识别和识别而设计的。
车牌字符识别1 引言 (1)2 常用车牌识别算法简介 (2)2.1 模板匹配的方法 (2)2.2 特征匹配法 (3)2.3 神经网络 (3)2.4 支持向量机（SVM） (3)3 字符识别前的预处理 (4)3.1大小归一化 (4)3.2笔画粗细归一化 (5)4 车牌字符特征提取 (6)4.1常用特征提取方法 (6)5 基于支持向量机库LIBSVM的车牌字符识别 (8)5.1 LIBSVM简介 (8)5.2 字符分类器的设计 (9)1 引言车牌字符识别是整个车牌识别系统的核心，在完成车牌定位，图像预处理以及字符分割工作以后，就需要对车牌字符进行识别处理。
从科学划分角度考虑，字符识别属于模式识别的范畴，用于字符识别的模式识别方法可以大致分为结构模式识别、统计模式识别及两者的结合。
结构模式识别是早期字符识别研究的主要方法。
其主要出发点是字符的组成结构。
从字符的构成上讲，字符是由笔划(点横竖撇捺等)、偏旁部首构成的；还可以认为字符是由更小的结构基元构成的。
由这些结构基元及其相互关系完全可以精确地对字符加以描述。
识别时，利用上述结构信息的方法进行识别，类似一个逻辑推理器。
用这种方法来描述字符字形结构在理论上是比较恰当的，其主要优点在于对字体变化的适应性强，区分相似字能力强；但是，在实际应用中，面临的主要问题是抗干扰能力差，因为在实际得到的文本图像中存在着各种干扰，如倾斜，扭曲，断裂，粘连，纸张上的污点，对比度差等。
这些因素直接影响到结构基元的提取，假如结构基元不能准确地得到，后面的推理过程就成了无源之水。
此外结构模式识别的描述比较复杂，匹配过程的复杂度因而也较高。
所以在字符识别领域中，纯结构模式识别方法已经逐渐衰落。
统计决策论发展较早，理论也较成熟。
其要点是提取待识别模式的一组统计特征，然后按照一定准则所确定的决策函数进行分类判决。
字符的统计模式识别是将字符点阵看作一个整体，其所用的特征是从这个整体上经过大量的统计而得到的。
车牌定位与车牌字符识别算法的研究与实现一、本文概述随着智能交通系统的快速发展，车牌识别技术作为其中的核心组成部分，已经得到了广泛的应用。
车牌定位与车牌字符识别作为车牌识别技术的两大关键环节，对于实现自动化、智能化的交通管理具有重要意义。
本文旨在探讨和研究车牌定位与车牌字符识别的相关算法，并通过实验验证其有效性和可行性。
本文首先对车牌定位算法进行研究，分析了基于颜色、纹理和边缘检测等特征的车牌定位方法，并对比了各自的优缺点。
随后，本文提出了一种基于深度学习的车牌定位算法，通过训练卷积神经网络模型实现对车牌区域的准确定位。
在车牌字符识别方面，本文介绍了传统的模板匹配、支持向量机（SVM）和深度学习等识别方法，并对各种方法的性能进行了比较。
在此基础上，本文提出了一种基于卷积神经网络的字符识别算法，通过训练模型实现对车牌字符的准确识别。
本文通过实验验证了所提出的车牌定位与车牌字符识别算法的有效性和可行性。
实验结果表明，本文提出的算法在车牌定位和字符识别方面均具有较高的准确率和鲁棒性，为车牌识别技术的实际应用提供了有力支持。
本文的研究不仅对车牌识别技术的发展具有重要意义，也为智能交通系统的进一步推广和应用提供了有益参考。
二、车牌定位算法的研究与实现车牌定位是车牌字符识别的前提和基础，其主要任务是在输入的图像中准确地找出车牌的位置。
车牌定位算法的研究与实现涉及图像处理、模式识别等多个领域的知识。
车牌定位算法的研究主要集中在两个方面：一是车牌区域的粗定位，即从输入的图像中大致找出可能包含车牌的区域；二是车牌区域的精定位，即在粗定位的基础上，通过更精细的处理，准确地确定车牌的位置。
在车牌粗定位阶段，常用的方法包括颜色分割、边缘检测、纹理分析等。
颜色分割主要利用车牌特有的颜色信息，如中国的车牌一般为蓝底白字，通过颜色空间的转换和阈值分割，可以大致找出可能包含车牌的区域。
边缘检测则主要利用车牌边缘的灰度变化信息，通过算子如Canny、Sobel等检测边缘，从而定位车牌。
车牌识别算法详细设计首先是车牌定位。
车牌定位的目标是从图像中准确地定位出车牌的位置。
这一步骤主要包括图像预处理、边缘检测和车牌区域定位三个过程。
图像预处理主要是对原始图像进行增强和去噪处理，以提高车牌的显著性。
常用的预处理方法包括灰度化、直方图均衡化、高斯模糊等。
边缘检测是通过检测图像中的边缘信息，找出可能是车牌边缘的区域。
常用的边缘检测算法有Sobel算子、Canny算子等。
通过边缘检测，可以找到一些具有明显边缘的区域。
车牌区域定位是通过对边缘信息进行处理，找出符合车牌特征的区域。
一般可以通过设定一些阈值和条件，来选择符合车牌尺寸和形状的区域。
可以使用像素连通分量、形状检测等方法来进行车牌区域的定位。
接下来是字符分割。
字符分割的目标是将定位到的车牌区域分割成单个字符。
这一步骤主要包括二值化、字符连接和字符分割三个过程。
二值化是将车牌区域的图像转换为二值图像，以便进一步处理。
可以使用灰度阈值分割或基于颜色的分割方法进行二值化处理。
字符连接是通过连接相邻的字符轮廓，将字符的各个部分连接起来，形成完整的字符。
常用的字符连接方法有连通区域分析、基于宽度的字符连接等。
字符分割是通过对连接后的字符进行切割，将字符分割成单个的字符。
可以使用统计特征、基于距离的分割等方法进行字符的分割。
最后是字符识别。
字符识别的目标是对分割出的单个字符进行识别。
这一步骤主要包括特征提取和分类识别两个过程。
特征提取是从分割出的字符图像中提取出有区分度的特征，以供后续的分类识别使用。
常用的特征提取方法有灰度共生矩阵、梯度直方图、字母轮廓等。
分类识别是将提取出的特征与已知字符模板进行比较，找到最相似的字符进行识别。
常用的分类识别方法有模板匹配、神经网络、支持向量机等。
综上所述，车牌识别算法主要包括车牌定位、字符分割和字符识别三个步骤。
这些步骤通过一系列的图像处理和特征提取方法，对车牌图像进行处理和分析，并最终实现车牌的识别和提取。
基于两级BP神经网络的机动车车标识别摘要:本文描述一种基于两级BP神经网络的机动车车标识别算法,该算法对车标识别中的多分类问题提出一种解决方案。
根据车牌和车标在位置和尺寸之间的关联,文中利用车牌信息,确定车标的候选区域,然后利用形态学和连通域分析(CCA)定位车标。
最后使用两级BP神经网络:预测网络和验证网络完成车标识别的目的。
文中以两类车标为例,通过实验表明该算法具有较高的识别率和较低的错误率。
关键词:机动车标识识别1 车标定位目前车牌定位的方法已经比较成熟,而车标的位置、尺寸都和车牌有很大关联,所以可以借助车牌提高车标定位的效率。
假设车牌的宽度为W,则从车牌上边缘向上取一个边长为W的正方形区域,作为车标搜索区域。
已知车标候选区域,参考[3],利用形态学和联通区域分析(CCA),排除干扰,提取候选车标目标,具体操作如下:(1)在水平方向做形态学闭运算,结果图记为Fc,原图记为Fr;(2)应用top-hat,增强车标目标,结果图记为Ft=Fc-Fr;(3)应用OTSU分割,获得车标候选区域掩图;(4)利用形态学优化目标形状,排除噪声干扰;(5)做连通区域分析(CCA),利用车标-车牌位置尺寸的先验知识排除错误:①车标宽度和高度小于1.5倍车牌高度,大于0.5倍的车牌高度。
②车标中心位置应该在车牌竖直中心线附近。
2 基于BP神经网络的车标识别车标识别包括识别和判定两个过程,单个BP神经网络虽然也可以一次性完成两个过程,但是这样网络的复杂度将会很高,可能会出现发散的问题。
为了降低网络复杂度,提高识别准确度,本文采用两级BP 神经网络来完成车标的识别过程:类型预测网络和类型校验网络。
2.1 车标类型预测网络车标类型预测网络的目的是对车标类型进行预测,把输入的目标分发给置信度最高的类型对应的校验网络。
预测网络包括输入层、隐层和输出层三个层次,每层节数目依次是1024,128和2。
考虑到噪声和光照的影响,定位到的车标候选目标在输入网络前需要经过高斯平滑、直方图均衡化处理,然后后缩放到32X32,再按行展开形成1024维的输入向量。
字符识别技术在车牌识别领域的应用现如今，随着科技的不断进步，各种新技术也应运而生。
其中，字符识别技术受到了越来越多的关注和应用。
在交通领域中，车牌识别技术的应用也越来越广泛，而字符识别技术则是实现车牌识别的重要手段之一。
本文将讨论字符识别技术在车牌识别领域的应用。
一、字符识别技术的发展为了更好地了解字符识别技术的应用，我们首先需要了解字符识别技术的发展历程。
字符识别技术是一种机器视觉技术，它利用数字图像处理技术，将图像中的字符转化为计算机可以识别的字符编码，实现对字符的自动识别。
这一技术最初应用于文字识别，后来逐渐拓展到其他领域，如表格识别、车牌识别、银行卡识别等。
字符识别技术经历了三个阶段的发展：模板匹配、特征匹配和深度学习。
模板匹配是最早的字符识别方法，它通过将图像中的字符和预先存储的字符模板进行匹配，实现识别。
但是，模板匹配方法存在着计算复杂度高、对光线、噪声等环境因素比较敏感等缺点。
而特征匹配采用了不同的方法，通过对字符图像进行特征提取，然后使用模板匹配方法进行字符识别。
这一方法具有较高的鲁棒性和适应性，但是由于特征提取的过程比较复杂，导致计算复杂度较高。
随着深度学习技术的飞速发展，深度学习也被应用到了字符识别的领域中。
深度学习通过构建多层神经网络，能够自动地从数据中提取特征，并实现高效的分类和识别。
这一方法在字符识别领域的准确率较高，但是需要大量的训练数据和计算资源。
二、车牌识别中的应用车牌识别是一种自动识别技术，主要利用数字图像处理技术和机器学习算法，将车辆的车牌信息通过识别后，实现对车辆的管理和监控。
在车牌识别中，字符识别技术是实现车牌识别的关键技术之一。
车牌识别中的字符识别包括两个步骤：定位和识别。
字符识别技术通过车牌图像的特征提取，将车牌图像中的字符信息转换为计算机可以理解的数字编码，实现字符的自动识别。
而字符定位则是通过对车牌图像中的颜色、形状、纹理等特征进行分析和处理，将车牌中的字符进行提取和分隔。
应用两级分类实现车牌字符识别李志敏，张慧，古利超时间:2011年07月04日来源：电子技术应用2011年第4期关键词:车牌字符识别轮廓特征支持向量机特征提取形近字符摘要：在分析特征提取方法的基础上，提出了一种模拟人类智能的两级分类识别算法。
第一级采用描绘字符整体信息的统计特征，利用SVM分类器进行识别；第二级采用描绘字符细节信息的结构特征，依据决策表区分形近字符，使车牌中形近字符的识别率得到提高。
算法对提取的统计特征值进行了优化调整，使其有效地克服了字符偏移的影响，并引入可信度评判机制，使SVM分类器的性能得以提高。
关键词：字符识别；轮廓特征；支持向量机；特征提取；形近字符车牌识别系统LPR(License Plate Recognition)包括车牌定位、字符分割和字符识别三大部分。
其中，字符识别的准确及高效成为整个车牌识别系统的关键。
车牌字符识别是模式识别的一个重要研究领域，字符特征提取可分为基于统计特征和基于结构特征两大类[1]，统计方法具有良好的鲁棒性和抗干扰性等，但是，由于其采用累加的方法，对于“敏感部位”的差异也随之消失，即对形近字的区分能力较差。
而结构方法对细节特征较敏感，区分形近字符的能力较强，但是难以抽取、不稳定、算法复杂度高。
分类器设计方面，人工神经网络和支持向量机SVM(Support Vector Machine)[2]等技术已被用于车牌字符识别研究中，有效地提高了识别率，但缺少基于特征的优化设计。
本文针对实际采集的车牌图像质量不高所导致的字符形变、噪声、易混淆的问题，根据人类视觉活动的问题，选取基于轮廓的统计特征反映字符整体信息；选取结构特征反映字符细节信息，采用SVM作为分类器，并对基于轮廓的特征提取方法进行了优化设计。
1 车牌字符识别算法框架本文提出的识别算法模拟人类智能，采用两级分类识别的思想处理车牌字符识别问题，引入可信度评判机制。
经预处理后的字符首先进入粗分类识别，采用基于轮廓的统计特征作为粗分类的特征提取方法，利用SVM分类器得出分类识别结果，并计算结果的可信度。
识别系统将粗分类识别结果的可信度与预先设置好的用于判别形近字的可信度阈值相比较,如果可信度大于阈值,则识别系统将字符归为非形近字,并将结果输出;否则, 识别系统将字符归为形近字,并根据粗分类识别结果,计算字符所属的形近字类别,将字符送入细分类识别,提取字符的结构特征作为细分类的特征提取方法，利用决策表中的形近字区分规则，得到识别结果。
图1为识别系统算法流程图。
2 一级分类识别2.1 粗分类特征提取粗分类的特征提取方法应该能够描绘字符的整体信息，基于轮廓的统计特征描绘字符外围轮廓的变化。
利用距离反映轮廓的方法，通过计算字符图像左、右、上、下四个边框到笔画间的距离，得到图像轮廓的统计特征。
设预处理后的二值化字符图像为f(i,j)，具体算法为：其中,width、length为字符图像的宽和高。
规定此行或此列没有笔画时，其特征值为零。
图2为字符‘6’的四组轮廓特征，从图中可以看出，曲线在高度变化上反映出了字符外围轮廓特征。
根据轮廓特征曲线可以找出同类字符间的相关性、不同类字符间的差异性。
然而，这样直接提取的特征容易受到字符偏移的影响，因此，本文对提取的原始特征进行了如下优化：(1)分别循环平移特征值LP(i)、RP(i)、TP(i)、BP(i)，使其前后为零特征值的个数大致相等，这样提取的特征值在分类器中更具可比性。
(2)由于字符存在水平偏移和垂直偏移，所以需要消除字符偏移对特征值的影响。
首先，按照下式计算字符水平偏移量LO：其中，[·]表示取整数。
消除垂直偏移量对特征值的影响与消除水平偏移量方法类似，这里不再重复。
图3所示为图2优化后的特征曲线。
从图中可以看出，优化后的特征曲线左右为零值的特征数量大致相等，第一、二组的最小特征值大致相等，第三、四组最小特征值也大致相等。
由此可见，依据上述优化方法对四组轮廓特征加以修正，可以有效地克服字符位置偏移对特征值的影响，增加同类字符间的相关性。
2.2 一级粗分类器设计本文提取的粗分类特征维数比较大,SVM能够较好地解决小样本、非线性及高维的模式识别问题，而且在高维空间中的推广能力并不受维数影响,所以本文选取SVM作为分类器进行车牌字符的识别。
2.2.1 支持向量机(SVM)算法原理SVM是建立在统计学习理论的VC维(Vapnik-Chervonenkis Dimension)理论和结构风险最小化原理SRM(Structural Risk Minimization)基础上的一种新机器学习系统[3]。
SVM 方法是从线性可分情况下的最优分类面提出的。
对于线性不可分情况，SVM通过增加一个松弛项ξi≥0和对错分样本的惩罚因子C进行推广。
而对于非线性问题，首先通过非线性变换将输入空间变换到一个高维内积空间，然后在这个新空间中求取最优超平面。
由于在特征空间H中构造最优超平面时,训练算法只涉及训练样本之间的内积运算(xi·xj)。
2.2.2 核函数的选取根据Hilbert-Schmidt原理,只要一种核函数K(x,y)满足Mercer条件，它就对应某一变换空间中的内积。
K(x,y)只涉及x、y，并没有高维运算。
由此可见，核函数的引入避免了非线性映射计算的复杂性。
有研究表明，SVM方法并不十分依赖核函数的选取，即不同的核函数对分类性能影响不大，所以本文选取应用广泛的径向基核函数(RBF)作为核函数：2.3 可信度可信度是不确定性推理中用于度量证据、规则和结论不确定性的一种方法。
由于多种因素的影响，车牌字符识别过程中存在一定的不确定性，所以本文引入不确定性推理来判断识别结果是否可以被信任。
2.3.1 可信度概念可信度CF用于度量证据、结论和规则的不确定性程度[6]，CF的作用域为[-1,1]。
设一个不确定推理过程的证据为A,结论为B,推理规则为：IF A THEN B。
(1)证据的不确定性度量：CF(A)表示证据的可信度，CF(A)＞0，表示A以CF(A)程度为真；CF(A)＜0，表示A以CF(A)程度为假。
(2)规则的不确定性度量：CF(B,A)表示规则的可信度。
CF(B,A)＞0，表示证据增加了结论为真的程度；反之CF(B,A)＜0，表示证据增加了结论为假的程度。
当CF(B)的值大于形近字判别阈值CFmin时，直接输出粗分类识别结果;反之，分类器查找形近字所属类别，并将字符送入二级分类识别。
2.4 粗分类实验和分析粗分类中字母和数字共有33类，每类有100个样本。
其中每类用60个样本进行SVM 训练，构造SVM分类器，剩下的40个样本做测试。
本文对粗分类器在不同可信度阈值下的性能进行了测试，测试结果如图4所示。
从图中可以看出，粗分类识别率随着可信度阈值的增加而提高，但阈值设置太高时，粗分类有较高的拒识率，而将字符送入二级分类识别，导致浪费粗分类器的识别能力。
所以可信度阈值选取0.7，粗分类器的识别性能最佳。
当CFmin=0.7时,粗分类字符识别正确率只有96.4%，但是出现错误的字符基本上都是形近字。
如8、B、O、D、Q，2、Z，5、S等外形比较相似的字符，这些形近字符的差别体现在细微的结构上。
如果将这些形近字符暂时归为一类，然后将其送入二级分类识别，则粗分类识别正确率会大幅提升接近100%,这样的结果可以满足特征提取算法复杂度低，识别率较高、形近字较少的粗分类的要求。
3 二级分类识别3.1 细分类特征提取细分类的特征提取方法应该能够表征字符细节信息,刻画形近字间更细微的差别。
结构特征可以很好地反映字符的细节特征。
所以本文选取环数、弯曲度、交点数等结构特征作为细分类的特征提取方法。
(1)环数(H)：字符中闭合曲线的个数。
(2)弯曲度(R)：设字符中光滑曲线段的两个端点为M(Mx,My)和N(Nx,Ny)，这两点所构成线段为MN，曲线到线段MN垂直距离最远的点为T，对应的投影点为P，点T到线段MN的距离Dtp和该线段长度Dmn的比值为弯曲度R,则：(3)交点数(E)：在水平或垂直方向上扫描字符时与字符相交的次数。
以左右上下水平垂直的首字母L、R、T、B、L、V与特征的组合表示具体提取的特征，如TR表示上笔画弯曲度。
在二级分类识别中，分类器根据环数、弯曲度和交点数等结构特征的逻辑组合对形近字进行分类识别，得出的决策表如表1所示。
例如，字符‘2’和‘Z’的差别在于上面横笔画的弯曲度；字符‘C’和‘G’的差别在于垂直交点数。
3.2细分类实验和分析形近字符分为四组，每组选120个样本做测试，形近字符的识别结果如表2所示。
表2中形近字符是否具有较高的识别率，在很大程度上取决于特征的选取。
首先将形近字符分成不同的组，然后根据细微的差别提取不同的结构特征，使得同一组中不同字符之间的细微差异能比较稳定地体现出来，这是正确识别形近字的关键。
实验表明决策表可以很好地区分形近字符，达到二级细分类识别的要求。
4 实验结果实验中的测试车牌图像是由重庆易博数字有限公司研制的电子警察在高速公路收费站拍摄的，总共采集了一天中不同时段的几千幅车牌图像,大部分为本市的车辆，所以车牌图像中的汉字均相同。
在测试时，从这几千幅车牌图像中，总共选取1 200幅车牌图像，并随机分为3组作为实验中的测试车牌图像，且仅统计英文字母和数字部分的识别率，最终的识别率以车牌牌照为单位进行实验，识别结果如表3所示。
本文算法在P4 2.80 GB、512 MB计算机上，用VC6. 0编程实现，平均识别一个车牌需要0.3 s左右的时间。
本文在分析常用的车牌识别方法和人眼视觉活动特点的基础上，设计了一种由粗到细的二级识别算法，使车牌中易混的形近字符识别率得以提高。
在特征提取方面将统计特征和结构特征相结合，并对提取的轮廓特征进行优化，使其有效地克服了字符偏移的影响。
引入可信度评判机制，提升了分类识别的灵活性和可靠性。
从实验结果可以看出，本文的算法取得了较高的识别正确率，实时性好，可以满足实际应用的需要。
参考文献[1] 高勇.车牌识别系统中的字符分割与识别[D].合肥:安徽大学,2007.[2] HUANG R, TAWFIK H, NAGAR A K. License plate character recognition based on support vector machines with colonel Selection and Fish Swarm Algorithms[C]. International Conference on Computer Modeling and Simulation, 2009:101-106.[3] 李琳,张晓龙. 基于RBF核的SVM学习算法的优化计算[J].计算机工程与应用,2006,29:190-192.。
