车牌字符特征提取识别方法

这篇图像论文范文属于论文模板免费优秀学术论文范文,图像类有关毕业论文格式,与车牌字符特征提取识别方法相关学术论文格式模板。适合图像及字符及车牌方面的的大学硕士和本科毕业论文以及图像相关开题报告范文和职称论文写作参考文献资料下载。

摘 要：在社会经济高速发展的时代,智能交通系统的应用越来越普及.其中,车牌识别已经成为研究的热点.本文提出了一种基于模板匹配的车牌字符识别方法,对车牌中汉字和数字字母的特征提取进行了研究,并根据提取的字符特征利用模板匹配的方法对车牌字符进行识别.实验结果表明,该方法对车牌字符具有良好的识别效果.

关 键 词 ：智能交通；车牌识别；模板匹配；特征提取

中图分类号：TP391.41

车牌识别是智能交通系统的重要组成部分.随着国内外专家和学者不断的深入研究,很多优秀的车牌识别方法被提出.我国的标准车牌不仅包含数字和英文字母,还包括汉字.另外,车牌图像容易受到外界因素的影响,这也是国内现有的车牌识别方法识别效率不够高的原因.目前,常用的字符识别算法主要分为两大类,一类是基于学习的识别方法另一类是基于匹配的识别方法.本文采用的是基于模板匹配的车牌字符识别方法,该方法首先要提取字符的特征值,为模板匹配提供依据.

1.字符归一化

所谓大小归一化就是将不同尺寸的字符图像通过几何变换来统一大小.假设原始图像f（x,y）,归一化后的图像为g（x′,y′）,归一化后的图像与原图像的坐标之间的关系如公式1所示：

其中,a等于width/width′,b等于height/height′,width和height是原始图像f（x,y）的宽和高,而width′和height′是归一化后的图像的宽和高.经过归一化处理后,在点（x′,y′）处的像素灰度值如公式2所示：

g（x′,y′）等于f（x,y） （2）

2.字符特征提取

2.1 数字字母特征提取.左右轮廓特征能很好的反映出数字字母的特征,并且计算量较小.

扫描字符图像时,扫描线遇到的第一个字符像素和图像边界的水平距离.记左侧轮廓特征为L（i）,则左轮廓特征值可用公式3表示：

L（i）等于left（i）-lborder （3）

其中,left（i）代表字符图像中第i行最左侧边界点的位置,lborder是字符图像左侧边界.同理,字符图像中第i行的右轮廓特征R（i）可以用公式4表示：

R（i）等于right（i）-rborder （4）

其中,right（i）代表字符图像中第i行最右侧边界点的位置,rborder是字符图像左侧边界.

将字符图像分成六份后,取样位置按照斐波那契数列的形式进行设置,即在靠近图像上下边缘的第一部分和第六部分,以及图像的中间位置的第三部分和第四部分图像的1/8、2/8、3/8、5/8、8/8处进行取样,得到字符图像的20个左轮廓特征值.在提取右轮廓的特征时可以只在字符图像的中间的第三部分、第四部分和靠近下边缘的第六部分进行特征提取,采样位置也采用同左轮廓相同的不均匀采样方式,这样右轮廓特征有15个.因此,字符左右轮廓的特征就是一个35维的特征向量.

2.2 汉字特征提取.由于不同的汉字结构不同,笔划特征也不相同.本文从汉字图像的水平和垂直两个方向提取笔划特征,主要有水平全穿越、垂直全穿越、水平半穿越、垂直半穿越等.

（1）全穿越.全穿越方法分为水平全穿越和垂直全穿越,能够很好的反映出汉字整体的笔划特征.水平全穿越是从水平方向扫描图像,计算扫描线穿越笔划的次数.本文主要是从图像的1/4、3/4处进行扫描,获得两个位置的穿越笔划的次数,并将其保存到数组中.如图1中水平方向上的两条红线即为水平扫描线.在1/4和3/4处图1中的水平全穿越次数分别为2和4.

图1 穿越位置示意图

垂直全穿越是从垂直方向对图像进行扫描.同水平全穿越一样,本文也是从图像宽度的1/4、3/4处对图像进行垂直方向上的扫描.

（2）水平半穿越、垂直半穿越.半穿越就是对图像扫描时,并不是完全的扫描某一行或某一列,而只是扫描到图像的二分之一处.例如水平半穿越只是穿越汉字图像的左半部分或右半部分,而不是穿越整个字符.如图1中所示,半穿越时扫描线扫描到1/2处的绿色线时结束,半穿越可以很好的反映出汉字的左半部分和右半部分或上下部分的笔划特点.

3.模板匹配

3.1 建立标准模板.为了提高车牌字符识别准确率,本文从经常出现的车牌图片中选取边缘效果比较好的图像经过归一化作为图像模板.以0-9等十个数字为例,将字符图像大小归一化为48*30大小的图像作为数字的标准模板.

3.2 模板匹配.首先将待识别的字符图像大小归一化与标准模板尺寸相同,然后提取待识别字符的特征向量,计算待识别字符图像和模板特征值之间的欧几里得距离,其中选择差别最小的作为字符的识别结果.

4.实验结果及分析

为了验证本文所采用的字符特征对字符识别的效果,本文利用MATLAB进行了仿真实验.具体过程如下：

车牌图像经过二值化后的图像如图2所示：

图2 车牌原始图像及二值化后图像

将处理后的车牌图像分割成单个的待识别字符图像,如图3所示：

图3 图4 图5

将图3中待识别字符图像大小归一化为48*30,归一化后的图像如图4所示：

上文中已经设置了字符的标准模板,并提取了标准模板的特征值,其中汉字的标准特征数组为A,字符的标准特征数组为TZ.分别提取图4中汉字和字符的特征,利用与标准模板特征值之间的欧氏距离进行字符识别,最后的识别结果如图5所示.

5.结束语

本文采用模板特征匹配的方法对字符进行识别.对于车牌中的汉字和数字字母分别提取笔划特征以及左右轮廓特征,根据提取的特征与模板特征进行匹配,根据匹配结果对字符进行识别.使用本文的车牌识别方法在MATLAB环境下进行仿真实验,实验结果表明,该方法的识别结果准确率较高.