车牌字符识别

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。统计特征的特点是抗干扰性强，匹配与分类的算法简单，易于实现。不足之处在于细分能力较弱，区分相似字的能力差一些。常见的统计模式识别方法有：模板匹配，利用变换特征的方法，投影直方图法，几何矩特征，Spline曲线近似与傅立叶描绘子等方法，都有一个各自的优缺点，这里就不一一介绍了。

车牌字符识别与其他字符识别相比又有其特殊性，体现在：

①实时性要求。由于牌照自动识别系统的应用场合是智能交通管理，它要求能对驶过的车辆进行及时地采集图像、处理图像、牌照识别和自动数据库登录等一系列操作，实时性的要求高于其它OCR系统。

②环境影响大。车识别系统需在室外全天候工作，光照条件经常变化，并且受天气状况等的影响，各种干扰也不可预测，导致实际取到的牌照的图像由于光照度、触发位置的不同，使得字符的大小、粗细、位置及倾斜度都不一样。另外，牌照的清晰度、清洁度、新旧底色及光照背景等因素，可能会使采集到的图像存在严重干扰，如字符模糊、畸变甚至断线等。因而要求所采用的识别方法具有很强的抗干扰性和环境适应性。

③字符集小。车牌上出现的汉字字符只包括全国各省、市、直辖市和部队、

武警、公安的简称，再加26个英文字母以及10个数字，字符类别不超过100类，与其他的OCR系统相比，只是其中的很小的一部分。

④字符点阵分辨率低。由于是在一幅汽车图像中分割出牌照，受摄像机分辨率的限制，字符所占的像素就比较少，大约只有25×25个像素，而且受字符倾斜等因素的影响，通常字符只有约20×20个像素。这样的分辨率对于英文字母和数字字符而还比较容易处理，但对于汉字来说则导致汉字特征信息丢失太多，并造成笔划的粘连，给识别带来困难。

2 常用车牌识别算法简介

字符识别是模式识别的重要应用领域，涉及到模式识别，图像处理，人工智能模糊数学，机器视觉等多种学科，是一门中和性很强的应用技术，车牌识别中的关键技术是特征提取和分类器的设计。特征提取常用到的方法有网格法，主成分分析法、字符结构特征、矩特征、投影特征等方法。

常用的分类器则有模板匹配的方法、特征匹配法、神经网络、支持向量机（SVM）和遗传算法（GA）等，这里对其中几种进行简单介绍：

2.1 模板匹配的方法

所谓模板匹配技术就是直接将输入字符与所存储的标准字符模板集合相比较，然后选择与之最相近的模板作为识别结果。这种比较方法可如一对一的像素比较那样简单，也可如决策树分析那样复杂。在决策树分析中只对所选择的像素进行测试。模板匹配的关键在于模板设计，在设计模板时，必须使每种模板都和它对应的字符图像相吻合。但区别与其它字符，模板匹配方法多利用了字符的轮廓、网格、投影等统计特征，因此会导致相似字符区分能力差，或因特征数据维数过大而导致识别速度慢等问题。对于有变形、位移、倾斜的待识别字符，模板匹配方法很容易产生误识。

2.2 特征匹配法

该方法根据每个字符的笔画特征不同，将字符分解为横、竖、撇、捺、折、圆中的一种或几种结构特征的集合，再与字符库中的特征集合进行匹配，从而得到输入字符的识别结果。这种方法排除了尺寸、方向带来的干扰，对细节的变化比较敏感，能够较好的分辨出结构上细微的差别；但对噪声比较敏感，容易受到干扰，当字符出现笔画融合、断裂、部分缺失时，就显得无能为力，而且由于对结构特征的描述和比较要占用大量的存储和计算资源，因此算法在实现上相对复杂、识别速度慢。

2.3 神经网络

模式识别方法是近些年提出的新方法，为字符识别研究提供了一种新手段。它具有一些传统技术所没有的优点，如速度较快，分类能力强，识别率较高，具有良好的容错能力、并行处理能力和自学习能力。因而采用神经网络识别方式是很好的选择。人工神经网络(ANN) 可以作为单纯的分类器(不包含特征提取，选择)，也可以用作功能完善的分类器。在英文字母与数字的识别等类别数目较少的分类问题中，常常将字符的图像点阵直接作为神经网络的输入。不同于传统的模式识别方法，在这种情况下，神经网络所“提取”的特征并无明显的物理含义，而是储存在神经物理中各个神经元的连接之中，省去了由人来决定特征提取的方法与实现过程。从这个意义上来说，ANN 提供了一种“字符自动识别”的可能性。此外，ANN 分类器是一种非线性的分类器，它可以提供我们很难想象到的复杂的类间分界面，这也为复杂分类问题的解决提供了一种可能的解决方式。目前人工神经网络的模型已有几十种，它已经被广泛应用于模式识别、信号处理、知识工程、专家系统、优化组合、智能控制等各个方面。人工神经网络巨大的应用潜力使其在字符识别中的应用也吸引着越来越多研究人员的注意力。

2.4 支持向量机（SVM）

1995年由Vapnik提出，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，它是一种比较好的实现了风险最小化思想的方法，它是统计学理论中最年轻的部分，基于统计学习理论的支持向量机(SVM Support Vector

Machine)，采用结构风险最小原则替代传统的经验风险最小原则进行分类，其目标就是在训练样本集中寻找一个最优的超平面，以实现对未知的样本数据产生最小的分类错误。换句话说，SVM是一种分类机器，它能找到一个最优的分类边界，该边界能够最大化类间间隔，达到正确区分类别的目的， SVM方法采用核函数解决了高维样本识别问题，不需要进行模型网络结构设计，甚至可以不需进行特征提取，只需要有限的样本参入训练，节省了识别时间，在解决有限样本、非线性及高维模式识别问题中表现出了许多特有的优越性能，且具有适应性强和效率高的特点。这些都非常符合车牌字符识别的要求，但SVM也有其缺点。比如：对于复杂问题的分类精度不是很高；训练样本混叠严重时，SVM分类面过于复杂，将会产生过学习情况；对于有些复杂情况，由于支持向量集较大，而导致决策速度较慢等。