下载文档原格式
车牌数字及字母识别方法1.引言车牌照在交通系统中有着非常重要的作用，从20世纪90年代开始，国外的研究人员已经开始了对车牌识别的有关研究。
在国内，不少学者也已经开始了相关方面的研究，并取得了一定的成就。
本文通过以前学者研究成果的总结，从理论上对车牌识别的方法作一个概要的描述。
2.车牌识别流程典型的车牌识别系统由图像采集、图像预处理和图像识别三部分组成。
其中，图像采集通过拍摄照片完成；图像预处理通过二值化、锐化、降噪等部分处理图像信息，获得图像的关键部分，即车牌字符。
再进行车牌识别。
特征是车牌字符特点的表现形式，每个字符都有其自身特征，用于后续的识别。
流程如图1 所示。
3.图像采集图像采集是通过相机拍摄获得车牌的照片。
对车牌识别系统来说，在图像集方面实际上存在一些困难。
以高速公路为例，由于车辆行驶速度较快，所以拍摄的照片往往会很模糊，这给图像的分析带来了困难。
一种比较有效且应用较多的方法是同时拍摄几张图片，对这几张图片提取公有的信息，得到一张新的图片，这样获得的图片相对比较清晰。
文中照片均通过相机拍摄，并没有高速公路拍摄的模糊效果，故每个车牌只用一张图片。
4. 图像预处理图像预处理主要包括：灰度化、二值化、梯度锐化、降噪、分割、归一化。
图2为车牌的原始图片。
4.1 灰度化拍摄到的图像是彩色的，现在也有一些基于彩色图像的处理方法，但实际效果并不显著，一般来说，在图像处理和识别方面，都要把彩色图像转换为灰度图像，其转换公式如下：其中表示点的像素值，用一定比率和3 个颜色分量乘积相加，得到一个和，就是灰度图像该像素点3 个分量的灰度值。
图3 是灰度化以后的结果。
4.2 二值化图像的二值化算法有上百种，一般分为限定阈值法和自适应二值化算法，限定值的二值化算法存在不足，主要是因为限定阈值后，不能适应各种环境下拍摄的照片，容易受到光照等因素的影响。
采用一种改进的限定阈值二值化算法，即先对图像灰度拉伸，再设定阈值。
模板匹配算法进行数字（非手写数字）识别的基本原理 模板匹配算法是一种常用的数字识别方法，其基本原理是通过比对模板图像和待识别图像的相似度来判断数字是否匹配。
该算法适用于非手写数字的识别，下面将对其进行详细介绍。
1、模板获取： 在模板匹配算法中，首先需要获取一组已知数字的模板图像。
这些模板图像应该具有代表性，覆盖各种不同的数字样式和字体。
可以通过人工绘制、网上下载或者从已有的数字图像中提取获得。
2、预处理： 在进行匹配前，需要对模板图像和待识别图像进行预处理，以便提取数字的特征。
预处理包括图像灰度化、二值化、降噪等步骤。
2.1 图像灰度化： 将彩色图像转换为灰度图像，以便简化后续处理过程。
通过加权平均法或者取红绿蓝通道的平均值来获得每个像素点的灰度值。
2.2 图像二值化： 将灰度图像转换为黑白图像，可以通过设定一个阈值，将灰度图像中大于阈值的像素点设为白色，小于阈值的像素点设为黑色。
二值化后的图像有利于数字的概括和匹配。
2.3 图像降噪： 在二值化后，图像可能存在一些由噪声引起的孤立的像素点或者细小的连通区域。
通过使用滤波器等降噪技术，可以减少这些噪声对识别结果的影响。
3、模板匹配： 匹配算法通过计算待识别图像与所有模板图像的相似度，找到最匹配的数字。
常用的相似度计算方法有欧氏距离、相关系数、巴氏距离等。
3.1 欧氏距离： 欧氏距离是计算两个图像之间差异的一种方法，可以通过计算对应像素点之间的差值的平方和再开方来得到。
计算公式如下：``` d = √(∑(I1(x,y) - I2(x,y))^2)``` 其中，d表示欧氏距离，I1和I2分别表示待识别图像和模板图像在相应位置的像素值。
3.2 其他相似度计算方法： 除了欧氏距离，还可以使用相关系数或者巴氏距离等其他相似度计算方法。
相关系数通过计算待识别图像和模板图像的相关性来衡量相似程度，巴氏距离则通过计算两个图像之间的统计特征来比较相似度。
4、匹配结果： 匹配算法将返回一个匹配结果，即对待识别图像中数字的识别结果。
一、项目介绍（研究目标、研究背景及现状、工作原理和方案设想、计划进度安排等）见附录。
二、项目自我评价1、先进性：在数字信息技术和网络技术高速发展的后PC时代，随着嵌入式处理器性能的不断提高，高性能的处理器已经能满足复杂算法应用和其他复杂功能应用，嵌入式将不可避免得走进各个领域。
另一方面，伴随着我国经济的快速发展和北京奥运会的举行，“交通智能化”将毋庸质疑的成为热门话题。
由于交通行业的特殊性，其对ITS设备的技术参数、使用条件都有苛刻的要求，而嵌入式恰好能够满足此要求，因此嵌入式智能交通设备的大范围应用是必然趋势。
嵌入式汽车身份自动识别系统是智能化交通管理系统的重要组成部分，是嵌入式技术与汽车身份识别技术的完美结合，他涵盖了嵌入式车牌识别、嵌入式车标识别以及汽车颜色识别三大主体功能，力求将汽车目标一次性锁定。
它拥有以下优点：1、高度独立：使用嵌入式技术，仅通过通信接口与应用系统连接，独立性高。
2、功能齐全：同时识别汽车车牌、车标及颜色，一次性锁定目标，具有现有系统所没有的强大功能。
3、可塑性强：前端可与信号触发装置等上游产品结合，末端内置无线网络及多种串口接口以便与下游产品结合。
系统功能与使用范围得到极大拓展。
4、易于维护：修理、维护仅涉及本系统而不影响其他模块，维护成本远低于同类产品。
5、便携灵活：设备高度集成，小巧灵活，使用方便。
2、可操作性和可实现性：目前，车牌识别、车标识别等技术日趋成熟与完善，相关资料较易获取。
现有的嵌入式技术也比较成熟。
故，从技术难度上讲该选题较于其他的前沿科学容易实现。
选题所涉及的设备和材料也较易获得，且成本适中。
3、创新点：现有的车牌识别装置一般使用电脑处理数据，有些甚至需要若干台电脑合作完成，占用大量空间与资源。
即使偶有由嵌入式完成的系统其功能也仅限于车牌识别或车标识别。
本系统创造性地将嵌入式与车牌识别、车标识别以及汽车颜色识别相结合，一次性解决了目前设备体系臃肿、集成难度大、稳定性差，维护难，功能单一等问题。
一、实训背景随着人工智能技术的飞速发展，数字识别技术在各个领域得到了广泛应用。
为了提高我国在数字识别领域的竞争力，培养具备实际操作能力的专业人才，我们参加了为期一个月的数字识别实训。
通过本次实训，我们对数字识别技术有了更深入的了解，掌握了数字识别的基本原理和实际应用。
二、实训内容1. 数字识别基本原理实训期间，我们学习了数字识别的基本原理，包括数字图像预处理、特征提取、分类器设计等。
通过学习，我们了解到数字识别技术主要分为两个阶段：图像预处理和特征提取，其中图像预处理包括灰度化、二值化、滤波等操作，特征提取包括边缘检测、形态学变换、纹理分析等操作。
2. 数字识别算法实训中，我们重点学习了两种数字识别算法：基于模板匹配的识别算法和基于机器学习的识别算法。
通过对比分析，我们了解到基于模板匹配的识别算法在处理简单场景时具有较高的识别率，而基于机器学习的识别算法在处理复杂场景时具有更好的泛化能力。
3. 数字识别应用实训期间，我们还学习了数字识别在各个领域的应用，如车牌识别、指纹识别、人脸识别等。
通过实际案例的分析，我们了解到数字识别技术在智能交通、安防监控、生物识别等领域的应用前景广阔。
三、实训收获1. 理论知识与实践相结合本次实训将数字识别理论知识与实际操作相结合，使我们更加深刻地理解了数字识别技术的原理和应用。
在实训过程中，我们不仅学习了数字识别的基本原理，还通过实际操作掌握了数字识别技术的应用方法。
2. 提高编程能力在实训过程中，我们使用了多种编程语言（如Python、C++等）进行数字识别程序的开发。
通过实际编程，我们的编程能力得到了显著提高，为今后从事相关领域的工作打下了坚实的基础。
3. 培养团队合作精神实训过程中，我们分成小组进行项目开发，每个成员都承担着不同的任务。
在团队合作中，我们学会了相互沟通、协作，共同解决问题。
这为我们今后在工作中与他人合作提供了宝贵经验。
4. 增强创新意识实训过程中，我们不断尝试改进数字识别算法，优化程序设计。
数字识别算法数字识别算法是指通过计算机程序对数字图像进行分析和处理，从而识别出数字的算法。
数字识别算法是计算机视觉领域的重要研究方向之一，广泛应用于手写数字识别、车牌识别、人脸识别等领域。
常见的数字识别算法包括传统的模板匹配算法、神经网络算法、支持向量机算法等。
下面将对这三种算法进行详细介绍。
1. 模板匹配算法模板匹配算法是最基本、最简单的数字识别算法之一，它的基本思想是将待识别的数字图像与已知数字模板进行比较，找出最相似的模板作为识别结果。
具体实现过程如下：首先将数字图像进行二值化处理，得到二值图像；然后将二值图像与数字模板进行逐像素比较，计算它们的相似度；最后选择相似度最高的模板作为识别结果。
模板匹配算法的优点是实现简单、计算速度快，但它的缺点也很明显，即只能识别与模板相似度较高的数字，对于变形、噪声等情况的数字识别效果较差。
2. 神经网络算法神经网络算法是一种基于生物神经系统的数字识别算法，它的基本思想是模拟人脑神经元之间的相互作用，通过训练神经网络来实现数字识别。
神经网络算法的实现过程如下：首先将数字图像进行预处理，提取出数字的特征向量；然后将特征向量输入到神经网络中，通过训练神经网络来学习数字的特征，从而实现数字识别。
神经网络算法的优点是具有很强的自适应性和鲁棒性，对于变形、噪声等情况的数字识别效果较好。
但它的缺点也很明显，即需要大量的训练数据和计算资源，训练时间长，而且对于神经网络的结构和参数的选择也需要一定的经验和技巧。
3. 支持向量机算法支持向量机算法是一种基于统计学习理论的数字识别算法，它的基本思想是通过构建最优的超平面来实现数字的分类。
具体实现过程如下：首先将数字图像进行预处理，提取出数字的特征向量；然后将特征向量作为样本输入到支持向量机中，通过训练支持向量机来学习数字的特征，从而实现数字的分类和识别。
支持向量机算法的优点是具有很强的泛化能力和鲁棒性，对于变形、噪声等情况的数字识别效果较好。
摘要摘要车牌识别技术是智能交通系统中的重要组成部分，它在违章抓拍，不停车收费，停车场管理以及重要场所过往车辆的实时登记等方面都有重要的作用。
论文从车牌字符识别的理论出发，基于MATLAB语言对现有的模板匹配，神经网络，基于向量机（SVM）等方法在字符识别过程中的优缺点以及识别率进行系统的研究。
论文的主要工作如下：1.针对车牌图片的预处理包括去噪，增强，分割，提取字符等等；2.构建模板匹配，神经网络，基于向量机（SVM）字符识别的相关测试数据；3.分别实现模板匹配字符识别算法，神经网络字符识别算法，基于向量机（SVM）字符识别算法，并做相应识别率的实验，将三者的实验结果进行比对；4.基于MATLAB GUI做三种算法系统的界面。
关键词：车牌识别模板匹配神经网络向量机识别率ABSTRACTABSTRACTLicense plate recognition technology is the intelligent transportation system an important part of it illegal to capture, no parking, parking management, and an important place in the past, real-time vehicle registration and other aspects important role. Papers from the license plate character recognition theory, MATLAB language based on the existing template matching, neural network, based on vector machines (SVM) and other methods in the process of character recognition and the recognition rate of the advantages and disadvantages of the system. The main work is as follows:1.Pre-treatment, including the license plate image denoising, enhancement,segmentation, extraction of character, etc.2.Construction of template matching, neural network, based on the vectormachine (SVM) test data related to character recognition;3.Respectively, to achieve template matching algorithm for character recognition,neural network character recognition algorithm based on vector machines (SVM) algorithm for character recognition, and recognition rate accordingly experiment, the three sides to compare the experimental results;4.Do three algorithms based on MATLAB GUI interface of the system.Keywords: License Plate Recognition Template matching Neural network Vector Recognition rate目录 i目录第一章序言 (1)1.1课题研究背景以及意义 (1)1.2本文主要的研究内容 (1)第二章车牌图像的预处理 (5)2.1图像的平滑处理 (5)2.1.1 平滑处理的理论 (5)2.1.2 平滑处理的实现 (6)2.2图像的二值化处理 (7)2.2.1 二值化处理的理论 (7)2.2.2 二值化处理的实现 (7)2.3二值图像的形态学运算 (8)2.3.1形态学运算的理论 (8)2.4对字符进行分割 (10)2.4.1 字符分割的理论 (10)2.4.2 字符分割的实现 (11)第三章基于模板匹配算法的车牌字符识别算法 (13)3.1模板匹配算法的理论背景 (13)3.2模板匹配算法的实现及识别率的研究 (16)3.3本章小结 (19)第四章基于神经网络算法的车牌字符识别算法 (21)4.1神经网络算法的理论背景 (21)4.2神经网络算法的实现及识别率的研究 (27)4．3本章小结 (33)第五章基于向量机（SVM）算法的车牌字符识别算法 (35)5.1向量机（SVM）算法的理论背景 (35)ii 目录5.1.1 SVM的基本原理 (35)5.1.2 SVM中核函数的选择 (35)5.1.3 SVM的多类决策问题 (36)5.1.4 SVM算法描述 (38)5.2向量机（SVM）算法的实现以及识别率的研究 (39)5.2.1 车牌字符图像的预处理 (39)5.2.2 车牌字符特征的选取 (39)5.2.3 车牌字符SVM的构造 (39)5.2.3 实验过程中相关函数及参数的选定 (40)5.2.4 实验过程中的相关结果 (41)5.3本章小结 (43)第六章总结与展望 (45)致谢 (47)参考文献 (49)第一章序言 1第一章序言1.1课题研究背景以及意义目前，我国的经济正在飞速的发展，综合实力也在与日俱增，城市化进程也在加快，国内各大城市交通管理能力将面临重大考验。
视频监控的电力设备图像识别分析胡伟发布时间：2021-09-07T03:19:17.625Z 来源：《中国科技人才》2021年第17期作者：胡伟[导读] 远程数字视频监控具有远程监控设备的功能，但它不仅浪费人力资源，而且增加了误报的概率。
而图像识别系统可以通过模式识别建立相应的决策规则，捕捉到设备的异常现象，并及时向工作人员发出报警信号。
因此，远程数字视频监控系统与图像识别系统的有效结合可以实时监测变电站，从而保障变压器设备安全。
下面本文就对此展开探讨。
云南科威电子科技有限公司云南 650228摘要：远程数字视频监控具有远程监控设备的功能，但它不仅浪费人力资源，而且增加了误报的概率。
而图像识别系统可以通过模式识别建立相应的决策规则，捕捉到设备的异常现象，并及时向工作人员发出报警信号。
因此，远程数字视频监控系统与图像识别系统的有效结合可以实时监测变电站，从而保障变压器设备安全。
下面本文就对此展开探讨。
关键词：视频监控；电力设备；图像识别1 网络视频监控系统的组成电力工程抢险视频监控系统主要由采集前端、数据中心、监控终端三部分和相应的数据处理软件组成，系统结构组成示意见图 1。
该系统采集前端主要负责图像、信号的收集，然后将采集到的模拟信号通过数据中心的编码系统转换成为数字信号。
传输手段采用 4G/5G 无线网，信号以无线网络的方式发射、汇聚到数据中心或服务器。
监控终端采用多级架构技术，分散监控、集中处理、集中管理，同时可以满足监控屏幕和手机 APP调用现场视频。
图1 系统结构组成示意2 网络视频监控系统的功能2.1 实时监控功能主要以网络通信技术、视频技术、软件系统技术等为基础，通过对抢险现场设置摄像头，进行图像自动采集并实时传输。
2.2 实时指挥功能移动实时监控克服了传统视频监控终端必须要连接到电脑和显示屏的缺陷，可以在手机终端实施调用图像和信息，实现实时指挥抢险作业，提高监控者、管理者、指挥者的活动范围和决策指挥效率。
车牌识别系统（License Plate Recognition ，LPR ）是智能交通系统ITS 的一个重要组成部分。
该系统可以广泛应用于电子收费、出入控制、公路流量监控、失窃车辆查询和停车场车辆管理等需要车牌认证的重要场合，尤其在高速公路收费系统中，实现不停车收费以提高公路系统的运行效率，LPR 车牌识别系统主要分为车牌定位和字符识别两大模块，字符识别是对车牌上的汉字，字母和数字进行确认的过程，是整个LPR 系统的核心部分。
模板匹配方法是字符识别较为常用的一种方法，由于一般使用的模板匹配方法是对待识别字符与模板字符进行逐像素比较，这样不仅存储量过大而且相当耗时，考虑到字符识别的实际应用以及实时性要求，我们在这里采用的是改进的模板特征匹配方法，主要思想就是对字符进行分类，之后对字符进行细化，提取细化后字符的特征矢量，与模板的特征矢量进行加权匹配，误差最小的作为识别结果。
本文以车牌中的数字识别为例来介绍这种算法，其识别流程如图1所示，下面具体介绍这种改进的模板匹配方法。
图1数字识别流程图1数字分类分割后的单个车牌字符是RGB 彩色图像，我们首先要通过灰度化滤除彩色信息，并进一步转化为二值图，之后0～9这10个阿拉伯数字字符根据不同的特征对其进行快速而高效地分类，有助于系统对其做出正确的识别，同时高效的分类，可以大大缩小下一步模板匹配的数字范围，进一步提升系统的识别速度。
其具体特征量如下：数字字符轮廓的形状：每个数字字符轮廓的变化蕴含着大量的信息，通过对这些信息的提取更有利于对其进行分类，本文通过对待识别数字字符的左右边缘部分进行投影的方法来对其轮廓进行分类，以数字5为例，首先提取字符图像左右各四分之一的两个边缘，然后对其进行横向投影，图2为数字5的右侧边缘投影图，字符边缘投影的信息可用一个一维数组来描述，数组的长度为图像高度的两倍，分别用于记录图像的左右边缘信息，按此分类可以粗略的划分为：字符左右轮廓对称，如：0，1，8；左上部分无字符信息，如：4，6；左下部分无字符信息，如：7，9；以及其他数字字符。
2图像细化对分类后的各类数字字符进行细化操作，抽取字符的骨架，把二值图像中具有一定宽度的线条状笔划细化成只有一个像素宽度的线条，这样不仅可以大大压缩原始图像的数据量，保持字符原有形状的基本拓扑结构不变，还可以克服由于二值化后待识别字符笔划粗细不均而造成的字符识别率低的问题。
考虑到实时性，本系统采用MATLAB 中预定义的形态运算函数bwmorph ，其语法格式为：BW2＝bwmorph （BW1,opera-tion,n ），指的是对图像BW1做n 次指定的形态学运算opera-tion ，n 可以是Inf ，在这种情况下，操作将持续到图像不再变化为止。
这里我们使用两种operation ：‘thicken ’，n ＝Inf 以及‘thin ’，n＝Inf 。
‘thicken ’，n＝Inf ，在对象的外部不断增加像素，但要保证所增加的像素不会导致原来不连接的对象成为8－连接，此项保持欧拉数，这里背景为白色，所以经过此步骤以后，数字区域变细，这时再把图像取反，使用bwmorph 的‘thin ’，n＝Inf 操作，这时数字区域就细化成线。
如果是无孔的对象，则缩成最小连接的一笔，如果是有孔的对象，则缩成外层边缘，而在每个孔之间缩成相连的环，此项也保持欧拉数。
如图3所示为数字6细化后的结果。
一种改进的模板匹配的数字识别算法刘洋洋嵇启春（西安建筑科技大学信息与控制工程学院，陕西西安710055）Digit Recognition Based on Improved Template Matching Method摘要提出了一种改进的模板匹配的数字识别算法，该算法是预先将字符分成若干个集合，经细化得到数字中央的骨骼部分，再对待识别数字提取特征并与训练库中的数字特征加权比较，利用欧式距离最小原则来对数字作出判决，试验结果表明，加权的模板匹配法保证了数字识别的正确率，而对数字进行预分类和细化处理，可以大大缩小模板匹配的识别速度，弥补了模板匹配算法对于大量数字耗时多的缺点，提升了系统速度。
关键词：数字识别，特征量提取，模板匹配AbstractAn algorithm based on Improved Template matching method is proposed for digit recognition systems．The digit are di-vided into a number of small collection,then obtain the skeletal parts of the digit by the elaboration．The feature extraction of the digit is realized,and make weightea comparison with the features of the digits in the training library．Finally,the algorithm makes judgments according to the Minimum Euclidean distance principle．The results show that the template matching algo-rithm ensures the accuracy of digit recognition,the digit pre－classification and elaboration could reduce the digit searching range,save the time and improve the system speed．Keywords :digit recognition,feature extraction,template matching图2数字5的右侧边缘投影一种改进的模板匹配的数字识别算法76《工业控制计算机》2010年第23卷第5期图3数字6细化后的结果3字符特征提取模板匹配是字符识别的基本方法之一。
数学描述为：D （i ，j ）＝Mm ＝1ΣNn ＝1Σ［I （m ，n ）－T （m ，n ）］2式中，I(m ，n)为待识别样本，T （m ，n ）为知识库中的模板，D （i ，j ）为两个字符的欧式距离，在识别过程，分别计算待识别图像与知识库中的各个模板的距离，即与10个数字逐个比较，距离越小，表示此时与模板的匹配程度越好，为零则说明两者完全匹配，这种方法虽然算法简单，容易实现，但它的计算量会随着图像所含像素增加而迅速增加，而且执行匹配运算次数随着原图的增大而增多，匹配效率不高。
为此，我们提出采用提取特征矢量来进行数字识别。
特征提取的目的是从原始数据中抽取出用于区分不同类型的本质特征，无论是识别过程还是学习过程，都要对研究对象固有的，本质的重要特征或属性进行量测并将结果数值化，形成特征矢量。
通常能描述对象的元素很多，为了节约资源，节省计算机存储空间，处理时间，特征提取的费用，有时更是为了可行性，在保证满足分类识别正确率要求的条件下，按某种准则尽量选用对正确分类识别作用较大的特征，使得用较少的特征就能完成分类识别任务，这项工作表现为减少特征矢量的维数或符号字符数，在本文中采用对待识别数字图像进行行列扫描与数字起点结合的方法提取特征。
结构特征提取的算法如下：1）对细化后的数字图像取竖直的三条直线，分别取在5／12，1／2，7／12处，记下这三条竖直直线与数字笔段的交点数。
2）再取水平三条直线，分别取在1／3，1／2，2／3处，分别记下这三条水平直线与数字笔段的交点数。
3）再取对角两条直线，分别记下这两条对角直线与数字笔段的交点数。
经细化后的数字图像其特征较为稳定，且笔划简单，因此对其抽取的基本结构组件能反映数字的本质特征，从而可快速有效地识别数字符号，并达到较好的分类效果。
提取笔划特征的算法如下：1）按从上到下，从左到右的顺序扫描预处理后图像并选择黑像素点P ；2）计算像素P 的8———领域之和N ；3）若N＝1，则像素P 为端点，端点计数器加1；4）重复步骤（1）－（3），直到遍历整个图像。
依据上述特征提取方法，本系统中的特征矢量由9个分量组成，其排列如下所示：DATA＝[水平1／3处交点数，水平中线交点数，水平2／3处交点数，竖直5／12处交点数，竖直中线交点数，竖直7／12处交点数，左对角线交点数，右对角线交点数，端点数]4加权特征模板匹配在上述数字特征提取过程中，由于有些数字外形的相似性，会出现不同的数字提取的9个特征矢量差别不大，比如，2和5，3和5等，为了提高识别正确率，拉大各数字分类的区别，本文提出的算法在提取了字符的9个特征的基础上，根据每个特征的重要程度的不同，对9个特征进行加权匹配，使得数字识别的准确率大大提高。
依据上面提取出的特征矢量，进行模板匹配，其数学描述如下：D （i ）＝9k ＝1ΣA （k ）×I （k ）－T （k ）式中，A(k)为第k 个特征的权值，I(k)为待匹配字符的第K 个特征，T(k)为模板库中某个模板的第k 个特征，D(i)为匹配值，表示匹配字符的特征与模板字符的特征的差异程度，匹配值越小，两个字符特征越一致。
其中，加权系数需要不断的实验来确定，以达到较好的分类效果。
算法描述如下：设i＝0，j＝0；1）取第i 个字符与模板库中的第j 个模板进行比较；2）比较第1，4，6个特征，A(k)取值为2；比较第2，59个特征，A (k)取值为0．5，比较第3，7，8个特征，A (k)取值为1。
“j＋＋”，如果全部模板匹配完毕，进入步骤(3)执行，否则回到步骤(1)执行。
3）取出最小的模板匹配值，以该模板字符作为与当前字符匹配成功的字符。
“i＋＋，j＝0”，回到步骤(1)执行。
5实验流程与结果为了验证本文提出算法的有效性，采用120幅数字图像作为实验数据，用Matlab7．0编程，并在Intel CPU ，2．80GHz ，512MB 的内存的微机上进行了仿真，整体识别率达到92％，识别时间约0．8s ，基本满足实际应用要求。
以数字2为例，由于数字2和数字5经过细化后提取的特征矢量非常相似，在没有加权匹配前，数字2识别为5，如图4a 图所示，而进行加权匹配后，拉大了类间距离，数字2成功识别，如图4b 图所示。
图46结束语本文的算法通过提取数字字符特征量，对待识别的数字字符进行带有冗余的分类，力求在保证分组成功的基础上尽可能缩小字符匹配范围，同时进行数字字符细化，以提高系统的运算速度，对细化后的字符骨架进行特征提取，并进行加权模板匹配，保证了系统的识别正确率，实验结果表明，两者的结合使系统有较高的识别正确率与识别速度，达到了预期的效果。
