前言

智能交通系統(tǒng)（ITS）是當今世界交通管理體系發(fā)展的必然趨勢，而作為智能交通系統(tǒng)中的重要組成部分之一的車牌自動識別技術(shù)，目前已被廣泛應(yīng)用于城市道路監(jiān)控、高速公路收費與監(jiān)控、小區(qū)與停車場出入口管理、公安治安卡口等場合，成為研究的熱點。

車牌識別技術(shù)是利用計算機等輔助設(shè)備進行的自動汽車牌照自動識別就是在裝備了數(shù)字攝像設(shè)備和計算機信息管理系統(tǒng)等軟硬件平臺的基礎(chǔ)之上，通過對車輛圖像的采集，采用先進的圖像處理、模式識別和人工智能技術(shù)，在圖像中找到車牌的位置，提取出組成車牌號碼的全部字符圖像，再識別出車牌中的文字、字母和數(shù)字，最后給出車牌的真實號碼。

車牌識別系統(tǒng)主要解決的問題

車牌識別技術(shù)可以實現(xiàn)自動登記車輛“身份”,已經(jīng)被廣泛應(yīng)用于各種交通場合,對“平安城市”的建設(shè)有著至關(guān)重要的作。具體概括如下：

電子警察系統(tǒng)

電子警察系統(tǒng)作為一種抓拍車輛違章違規(guī)行為的智能系統(tǒng),大大降低了交通管理壓力。隨著計算機技術(shù)和CCD技術(shù)的發(fā)展,目前電子警察系統(tǒng)已經(jīng)是一種純視頻觸發(fā)的高清抓拍系統(tǒng),可以完成多項違章抓拍功能,其中包括違章闖紅燈抓拍功能、違章不按車道行駛抓拍功能、違章壓線變道抓拍功能、違章壓雙黃線抓拍功能和違章逆行抓拍功能等內(nèi)容。電子警察自動抓拍違章車輛以及識別車牌號碼,將違法行為記錄在案。電子警察系統(tǒng)大大節(jié)省警力,規(guī)范城市交通秩序,緩解交通擁堵,減少交通事故。

卡口系統(tǒng)

卡口系統(tǒng)對監(jiān)控路段的機動車輛進行全天候的圖像抓拍,自動識別車牌號碼,通過公安專網(wǎng)與卡口系統(tǒng)控制中心的黑名單數(shù)據(jù)庫進行比對,當發(fā)現(xiàn)結(jié)果相符合時,系統(tǒng)自動向相關(guān)人員發(fā)出警報信號?？谙到y(tǒng)記錄的圖像還可以清楚地分辨司乘人員(前排)的面部特征。

高速公路收費系統(tǒng)

高速公路收費系統(tǒng)已經(jīng)基本實現(xiàn)自動化,當車輛在高速公路收費入口站時,系統(tǒng)進行車牌識別,保存車牌信息,當車輛在高速公路收費出口站時,系統(tǒng)再次進行車牌識別,與進入車輛的車牌信息進行比對,只有進站和出站的車牌一致方可讓車輛通行,自動收費系統(tǒng)可以有效地提高車輛的通行效率,并且可以有效地檢測出逃費車輛。

高速公路超速抓拍系統(tǒng)

系統(tǒng)抓拍超速的車輛和識別車牌號碼,并通過公安專網(wǎng)將超速車輛的車牌號碼傳達到各出口處罰點,各出口處罰點用車牌識別設(shè)備對出口車輛進行車牌識別,與己經(jīng)收到的超速車輛的號碼對比,一旦號碼相同立即報警。

停車場收費系統(tǒng)

當車輛進入停車場時,收費系統(tǒng)抓拍車輛圖片進行車牌識別,保存車輛信息和進入時間,并語音播報空閑車位,當車輛離 停車場時,收費系統(tǒng)自動識別出該車的車牌號碼和保存車輛離 的時間,并在數(shù)據(jù)庫中查找該車的進入時間,計算出該車的停車費周,車主交完費用后,收費系統(tǒng)自動放行。停車場收費系統(tǒng)不但實現(xiàn)自動化管理,節(jié)約人力,而且還保證了車輛停放的安全性。

公交車報站系統(tǒng)

當公交車進入和離開公交站臺時,報站系統(tǒng)對其進行車牌識別,然后與數(shù)據(jù)庫中的車牌進行比對,語音報讀車牌結(jié)果和公交線路。綜上所述,車牌識別技術(shù)的廣泛應(yīng)用使道路安全、交通通暢、車輛安全、環(huán)境保護得到了全面的保障。

車牌識別系統(tǒng)的基本工作原理及流程

車牌識別就是依次實現(xiàn)汽車圖像的車牌定位、車牌字符分割、車牌字符識別算法的過程。車牌定位就是把車牌圖像從含有汽車和背景的圖像中提取出來，其輸入的是原始的汽車圖像，輸出是車牌圖像。車牌的字符分割就是通過對車牌圖像的預(yù)處理、幾何校正等把字符從車牌圖像中分割出來，分成一個個獨立的字符，其輸入是車牌定位后得到的車牌圖像，輸出是經(jīng)過預(yù)處理、幾何校正等后得到的一組單個的字符圖像，并得到各個字符的點陣數(shù)據(jù)。字符識別是依次從單個字符點陣數(shù)據(jù)中提取字符特征數(shù)據(jù)，并給出識別結(jié)果。

車牌識別系統(tǒng)采用高度模塊化的設(shè)計，將車牌識別過程的各個環(huán)節(jié)各自作為一個獨立的模塊。

1、車輛檢測跟蹤模塊

車輛檢測跟蹤模塊主要對視頻流進行分析，判斷其中車輛的位置，對圖像中的車輛進行跟蹤，并在車輛位置最佳時刻，記錄該車輛的特寫圖片，由于加入了跟蹤模塊，系統(tǒng)能夠很好地克服各種外界的干擾，使得到更加合理的識別結(jié)果，可以檢測無牌車輛并輸出結(jié)果。

2、車牌定位模塊

車牌定位模塊是一個十分重要的環(huán)節(jié)，是后續(xù)環(huán)節(jié)的基礎(chǔ)，其準確性對整體系統(tǒng)性能的影響巨大。車牌系統(tǒng)完全摒棄了以往的算法思路，實現(xiàn)了一種完全基于學(xué)習(xí)的多種特征融合的車牌定位新算法，適用于各種復(fù)雜的背景環(huán)境和不同的攝像角度。

3、車牌矯正及精定位模塊

由于受拍攝條件的限制，圖像中的車牌總不可避免存在一定的傾斜，需要一個矯正和精定位環(huán)節(jié)來進一步提高車牌圖像的質(zhì)量，為切分和識別模塊做準備。使用精心設(shè)計的快速圖像處理濾波器，不僅計算快速，而且利用的是車牌的整體信息，避免了局部噪聲帶來的影響。使用該算法的另一個優(yōu)點就是通過對多個中間結(jié)果的分析還可以對車牌進行精定位，進一步減少非車牌區(qū)域的影響。

4、車牌切分模塊

車牌系統(tǒng)的車牌切分模塊利用了車牌文字的灰度、顏色、邊緣分布等各種特征，能較好地抑制車牌周圍其他噪聲的影響，并能容忍一定傾斜角度的車牌。這一算法有利于類似移動式稽查這種車牌圖像噪聲較大的應(yīng)用。

5、車牌識別模塊

在車牌識別系統(tǒng)中，通常采用多種識別模型相結(jié)合的方法來進行車牌識別，構(gòu)建一種層次化的字符識別流程，可有效地提高字符識別的正確率。另一方面，在字符識別之前，使用計算機智能算法對字符圖像進行前期處理，不僅可盡可能保留圖像信息，而且可提高圖像質(zhì)量，提高相似字符的可區(qū)分性，保證字符識別的可靠性。

6、車牌識別結(jié)果決策模塊

識別結(jié)果決策模塊，具體地說，決策模塊利用一個車牌經(jīng)過視野的過程留下的歷史記錄，對識別結(jié)果進行智能化的決策。其通過計算觀測幀數(shù)、識別結(jié)果穩(wěn)定性、軌跡穩(wěn)定性、速度穩(wěn)定性、平均可信度和相似度等度量值得到該車牌的綜合可信度評價，從而決定是繼續(xù)跟蹤該車牌，還是輸出識別結(jié)果，或是拒絕該結(jié)果。這種方法綜合利用了所有幀的信息，減少了以往基于單幅圖像的識別算法所帶來的偶然性錯誤，大大提高了系統(tǒng)的識別率和識別結(jié)果的正確性和可靠性。

7、車牌跟蹤模塊

車牌跟蹤模塊記錄下車輛行駛過程中每一幀中該車車牌的位置以及外觀、識別結(jié)果、可信度等各種歷史信息。由于車牌跟蹤模塊采用了具有一定容錯能力的運動模型和更新模型，使得那些被短時間遮擋或瞬間模糊的車牌仍能被正確地跟蹤和預(yù)測，最終只輸出一個識別結(jié)果。

車牌識別系統(tǒng)的關(guān)鍵技術(shù)及算法

車牌定位

車牌定位是車牌識別系統(tǒng)的基礎(chǔ)，其定位的準確與否直接影響到車牌的字符分割和識別效果，是影響整個車牌識別系統(tǒng)識別率的主要因素。車牌定位，即運用數(shù)字圖像處理、模式識別、人工智能等技術(shù)對采集到的汽車圖像進行處理，從而準確地獲得圖像中的車牌區(qū)域，其輸入是原始的汽車圖像，輸出是車牌圖像。在現(xiàn)實車牌識別系統(tǒng)中，由于光照不均勻、背景的復(fù)雜性等原因，造成準確定位出車牌的難度較大。目前，根據(jù)車牌的特征，常見的車牌定位方法有基于車牌顏色特征信息的定位法、基于車牌區(qū)域頻譜特征的定位法、基于分類器的車牌定位法、基于車牌邊緣特征的車牌定位法等，這些方法各有所長。值得注意的是，車牌定位算法的分類并不是唯一的，區(qū)別算法類別的標準并不十分明確。車牌定位算法的方法多種多樣、各有所長，但存在著計算量大或者定位準確率不高等問題。

車牌定位是車牌識別的關(guān)鍵步驟，為了能在復(fù)雜背景和不均勻光照條件下快速準確定位車牌位置，基于改進Isotropic Sobel邊緣檢測算子的車牌定位算法，由此來解決其存在的問題，該算法通過改進Isotropic Sobel邊緣檢測算子，實現(xiàn)了車牌圖像在水平、垂直以及對角線方向上的紋理特征提取，然后采用Otsu算法閾值化，再對閾值化后的二值圖像做數(shù)學(xué)形態(tài)學(xué)運算得到車牌的候選區(qū)域，最后利用車牌特征去除偽車牌。

算法流程圖：

對輸入的彩色圖像進行灰度化處理：

彩色圖像包含更多的信息，但是直接對彩色圖像進行處理的話，系統(tǒng)的執(zhí)行速度將會降低，儲存空間也會變大。彩色圖像的灰度化是圖像處理的一種基本的方法，在模式識別領(lǐng)域得到廣泛的運用，合理的灰度化將對圖像信息的提取和后續(xù)處理有很大的幫助，能夠節(jié)省儲存空間，加快處理速度。

邊緣檢測的方法是考察圖像的像素在某個領(lǐng)域內(nèi)灰度的變化情況，標識數(shù)字圖像中亮度變化明顯的點。圖像的邊緣檢測能夠大幅度地減少數(shù)據(jù)量，并且剔除不相關(guān)的信息，保存圖像重要的結(jié)構(gòu)屬性。在實際的圖像分割中，往往只用到一階和二階導(dǎo)數(shù)進行邊緣檢測，雖然，在原理上，可以用更高階的導(dǎo)數(shù)，但是，因為噪聲的影響，在純粹二階導(dǎo)數(shù)操作中就會出現(xiàn)對噪聲敏感的現(xiàn)象，三階以上的導(dǎo)數(shù)信息往往失去了應(yīng)用價值。此外，二階導(dǎo)數(shù)還可以說明灰度突變的類型，在有些情況下，如灰度變化均勻的圖像，只利用一階導(dǎo)數(shù)可能找不到邊界，此時二階導(dǎo)數(shù)就能提供很有用的信息。為了減少二階導(dǎo)數(shù)對噪聲敏感，解決的辦法是先對圖像進行平滑濾波，消除部分噪聲，再進行邊緣檢測。

Sobel邊緣檢測算子

Sobel算子是根據(jù)鄰域像素與當前像素的距離有不同的權(quán)值，強調(diào)中心像素的對邊鄰域像素對其的影響，而消弱4個對角近鄰像素的作用。圖像中每一個像素點都用這兩個核做卷積，一個卷積核對圖像垂直邊緣響應(yīng)最大，而另一個則對水平邊緣響應(yīng)最大，取兩個卷積之中的最大值作為該像素點的輸出值。這樣使得Sobel算子對噪聲有抑制作用，因此不會出現(xiàn)很多孤立的邊緣像素點，不過Sobel算子對邊緣的定位不是很精確，圖像的邊界寬度往往不止一個像素，不適合對邊緣定位準確性要求很高的應(yīng)用。與Prewitt相似，Sobel算子也是通過像素平均來實現(xiàn)的，也有一定的抗噪能力。值得注意的是它們都不是各向同性的，所以它們檢測出來的邊緣并不是完全連通的，會有一定程度的斷開。

Sobel邊緣檢測還有另外一種形式，稱為Isotropic Sobel算子，該算子具有各向同性的特征，利用加權(quán)平均算子，權(quán)值反比于鄰點與中心點的距離，當沿著不同方向檢測邊緣時梯度幅度一致，因此它的位置加權(quán)系數(shù)更準確，在檢測不同方向上的邊緣時梯度的幅度一致，但速度較一般Sobel算子要慢一些。 用于邊緣檢測的算子很多，常用的還有Laplacian邊緣檢測算子、Canny邊緣檢測算子等。

對邊緣檢測后的灰度圖進行二值化處理

車牌圖像經(jīng)過邊緣檢測之后，車牌上的字符及邊緣信息會突出出來，同時，其他非字符和非車牌邊框的邊緣紋理特征也突出了出來，為了減少噪聲的影響，需要對車牌圖像進行二值化處理，二值化是對圖像進行閾值化的一種類型。根據(jù)閾值的選取情況，二值化的方法可分為全局閾值法、動態(tài)閾值法和局部閾值法，我們用最大類間方差法（也稱Otsu算法）進行閾值化，來剔除一些梯度值較小的像素，減少需要查找的車牌范圍，二值化處理后車牌圖像的像素值為0或者255。

對車牌圖像進行圖像形態(tài)學(xué)操作

由于成像系統(tǒng)、傳輸介質(zhì)、記錄設(shè)備等的不完善，以及天氣情況的變化等，車牌圖像往往受到多種噪聲的污染。在經(jīng)過二值化處理的車牌圖像上，會出現(xiàn)一些與要研究的對象（即車牌區(qū)域）不相關(guān)的孤立點或者像素塊，擾亂圖像的研究對象，影響對車牌區(qū)域的提取、分割等操作。于是要構(gòu)造一種有效抑制噪聲的濾波器來有效的去除目標和背景中的噪聲，同時，能夠很好地保護車牌區(qū)域的形狀、大小及特定的車牌紋理特征。圖像濾波，即在盡量保留圖像細節(jié)特征的條件下對目標圖像的噪聲進行抑制，是圖像處理中消除噪聲的不可或缺的操作，其處理的結(jié)果的好壞將直接影響到對后續(xù)圖像進行處理和分析的有效性和可靠性。常用的濾波操作方法有很多種，如中值濾波、形態(tài)學(xué)濾波、高斯濾波、雙邊濾波等。我們在這里介紹一下中值濾波和本文所研究系統(tǒng)采用的形態(tài)學(xué)濾波。

車牌識別系統(tǒng)也是基于形態(tài)學(xué)操作的重要性質(zhì)，對經(jīng)過二值化后的車牌圖像首先進行閉運算操作，使得車牌的字符區(qū)域連接起來，然后對車牌圖像進行開運算操作，來消除車牌上的噪聲，得到明亮的車牌區(qū)域從候選區(qū)域中去除偽車牌并定位出車牌區(qū)域通過對車牌圖像的數(shù)學(xué)形態(tài)學(xué)運算，圖像中剩下少部分的連通區(qū)域，即為車牌的候選區(qū)域，這些區(qū)域包括車牌區(qū)域和偽車牌區(qū)域，為此，需要從圖像中去除偽車牌并定位出車牌。

首先，經(jīng)過對白色連通區(qū)域的輪廓進行處理得到矩形邊界框，再根據(jù)我國車牌長寬比的特征，即44:14，考慮到在車牌定位過程中，由于對車牌的數(shù)學(xué)形態(tài)學(xué)操作會減少車牌信息以及拍攝所得到的車牌圖像中車牌的傾斜等原因，取長寬閾值為2.0-6.0，這樣就剔除了長寬比不符合條件的候選區(qū)域。 然后，由于對車牌圖像的數(shù)學(xué)形態(tài)學(xué)操作會減少車牌信息，所以定位出的車牌區(qū)域會有可能小于車牌的實際區(qū)域，這時，我們就需要對定位出的車牌區(qū)域進行放大，在這里，我們對車牌區(qū)域進行放大的比例是120%，即對已經(jīng)定位出的車牌候選區(qū)域的邊界進行擴大。車牌由七個字符組成，在對候選區(qū)域?qū)?yīng)的灰度化圖像進行邊緣檢測二值化之后，正常情況下，車牌水平投影區(qū)域內(nèi)每行的邊緣點數(shù)要大于14，根據(jù)經(jīng)驗值，我們?nèi)?5。在車牌水平投影區(qū)域內(nèi)會出現(xiàn)較大的波峰，該波峰認為是車牌的上下邊界，根據(jù)實驗結(jié)果，要求波峰的始點和終點之差大于20小于120，從而得到車牌的上下邊界。最后，根據(jù)二值化車牌圖像中車牌的紋理特征信息，即在車牌區(qū)域范圍內(nèi)會出現(xiàn)明顯的梯度變化特征，來確定車牌區(qū)域，最終定位出車牌。在二值化圖像中，255代表車牌圖像中的邊緣信息，0代表非邊緣信息。為了更加精確的定位出車牌和剔除偽車牌，需要對定位出的車牌區(qū)域進行篩選，有兩個篩選條件，一個是在二值化圖像中灰度值為255和灰度值為0的像素比大于0.25，另一個是二值化圖像中灰度的跳變次數(shù)范圍是[5,30]。

通過對車牌圖像的灰度處理、邊緣檢測、二值化、圖像形態(tài)學(xué)操作定位出車牌的候選區(qū)域，接著利用車牌的特征，如長寬比、像素比等，從候選區(qū)域中定位出車牌

車牌字符分割

車牌字符分割算法的研究

車牌字符分割就是對已經(jīng)定位出的車牌區(qū)域內(nèi)的車牌字符進行分割，從而獲取車牌上的字符，是車牌字符識別的前提和準備。車牌字符分割的好壞，直接影響到識別效果的好壞。在車牌識別系統(tǒng)中，由于車牌污染、背景復(fù)雜、光照不均勻、車牌發(fā)生傾斜、邊框影響以及間隔符等因素影響，很難找到一種普遍使用的分割方法。

車牌區(qū)域定位完成之后，由于提取出來的車牌區(qū)域內(nèi)的車牌圖像可能存在傾斜現(xiàn)象，因此，在車牌字符分割之前，需要判斷車牌圖像是否傾斜。在車牌傾斜的情況下，需要準確的求得車牌的傾斜角度，然后把發(fā)生傾斜的車牌校正過來，為接下來的字符分割創(chuàng)造條件，這就是車牌的傾斜校正。常用的傾斜校正算法包括Radon變換、Hough變換。在車牌的傾斜校正完成之后，需要去除車牌的上下、左右邊界，然后才能把車牌上的字符一個個的分割出來，得到一個單獨的車牌字符圖像，為后續(xù)的車牌字符識別做好準備，即車牌的字符分割。

在車牌的字符分割中，有許多因素會對車牌的字符分割造成影響，例如圖像的噪聲、車牌的定位不精確、字符的粘連、漢字的不連通等。本文介紹一種改進的水平投影算法，該算法能夠克服這些因素造成的不良影響，并且能夠準確的分割出車牌，為后續(xù)的精確識別做好準備。為了分割出相互獨立的字符，對經(jīng)過Otsu算法閾值化的灰度圖進行分割。

以下以改進的水平投影算法為例進行介紹：

1、去除車牌字符的上下邊界以外的區(qū)域。對灰度化的車牌圖像從下向上逐行掃描，并統(tǒng)計出每行的像素值為255的像素的個數(shù)，當像素值為255的像素個數(shù)大于7時（車牌有7個字符），認為尋找到車牌字符的下邊界。同理，從上向下逐行掃描，能夠?qū)ふ业杰嚺谱址纳线吔?。去除車牌字符上下邊界以外的區(qū)域。去除車牌字符上下邊界之后，設(shè)車牌的高度為height，寬度為width。

2、對車牌圖像從左向右逐列掃描，并記錄統(tǒng)計出每列的像素值為255的像素的個數(shù)，并將結(jié)果保存在一位數(shù)組count[ width+ 1]中，其中count[ i ]用于存儲第i列像素值為255的像素的個數(shù)。

3、我國車牌的第一個字符是漢字，根據(jù)漢字的特征，設(shè)置兩個閾值去分割車牌的第一個漢字字符，兩個閾值分別為threshold 1，threshold 2。從左向右掃描灰度化的車牌圖像，第一個大于閾值threshold 1的列，即為漢字的開始位置，記為S然后，繼續(xù)掃描車牌圖像，直到尋找到小于閾值threshold 1的列，記為H，比較這兩列的寬度H-S與threshold 2的大小，如果H-S < threshold2，則繼續(xù)掃描圖像直到找到與S列相差的寬度大于?threshold 2且滿足像素值為255的像素的個數(shù)小于閾值的列。所尋找到的列就是車牌的漢字字符的結(jié)束列。在分割不連通的漢字的時候，這種改進的方法起到作用是顯著的。

4、剩下的字符都是英文字母和阿拉伯數(shù)字，這些字符不存在不連通性的問題，于是，僅僅利用第一個閾值threshold 1就可以分割出車牌剩下的字符。

5、當車牌的第一個漢字字符被分割出來之后，繼續(xù)掃描車牌區(qū)域圖像，當某一列的像素值為255的像素個數(shù)開始大于閾值threshold 1時，這一列就是車牌字符開始的位置，當某一列的像素值為255的像素的個數(shù)開始小于閾值threshold 1時，這一列就是車牌字符的結(jié)束位置。如此重復(fù)的下去，直到把車牌剩下的字符也分割出來為止。

對提取的車牌字符特征進行歸一化操作

從輸入的車牌圖像中提取的車牌的尺寸不一樣，這就造成了分割出來的車牌字符的尺寸不一樣，為了更好的識別車牌字符，在本文中，對車牌字符進行歸一化處理，使得經(jīng)過不同圖像獲得車牌車牌在字符分割后，所獲取的車牌單個字符圖像大小都為5×10像素。

車牌字符識別算法的研究

車牌的字符識別是車牌識別系統(tǒng)能夠最終實現(xiàn)的關(guān)鍵因素，是對經(jīng)過車牌定位和車牌字符分割后的一個個車牌字符進行識別。車牌識別系統(tǒng)中的字符識別與其它的字符識別相比，有其自身的特點，主要由以下方面的不同：車牌識別系統(tǒng)中字符的字量少，包括漢字、英文字母、數(shù)字，并且字型統(tǒng)一，相對于普通的漢字識別難度相對較低；從系統(tǒng)的實用性角度來看，作為一個實時的系統(tǒng)，它要求有較高的識別速度，這就決定了字符識別算法計算必須足夠高效；同時，它還要求有很高的識別率，并且最低限度減少錯誤識別率。

基于模板匹配的字符識別算法

匹配就是將不同傳感器或同一傳感器在不同時間、不同成像條件下對同一景象獲取的兩幅或者多幅圖像在空間上對準，或者根據(jù)已有模式在另一幅圖像中尋找相應(yīng)的模式。在遙感圖像的處理時需要把不同波段傳感器對同一事物的多光譜圖像按照像點對應(yīng)套準，然后根據(jù)像點的性質(zhì)進行分類。如果在不同時間內(nèi)對同一地面拍攝的兩幅圖像，經(jīng)套準后找到其中特征有了變化的像點，就可以用來分析圖中那些部分發(fā)生了變化,而利用放在一定間距處的兩只傳感器對同一物體拍攝得到兩幅圖片，找出對應(yīng)點后可計算出物體離開攝像機的距離，即深度信息。一般的圖像匹配技術(shù)是利用已知的模板和某種算法對識別圖像進行匹配計算，從而判斷圖像中是否含有該模板的信息和獲取坐標，車牌的字符匹配就是這種匹配技術(shù)。即車牌字符匹配的實現(xiàn)方式是計算輸入模式的車牌字符與樣本之間的相似性，取相似性最大的樣本為輸入樣本所屬的類別。該算法的步驟是，首先建立模板庫，將待識別的字符進行二值化并將其歸一化操作，然后作為輸入模式的字符與所有的模板進行匹配，最后選擇最佳匹配作為結(jié)果。算法的優(yōu)點是，在預(yù)處理后的圖片質(zhì)量較高、車牌的傾斜程度較低、車牌的紋理特征清晰的情況下，這種算法識別的準確率較高，但是對字符細節(jié)信息的忽略導(dǎo)致了在識別相似字符時容易出錯。在實際的車牌識別系統(tǒng)中獲取的車牌，往往由于拍攝角度的不同、車牌污損、光照不均等原因造成了二值化后的字符會出現(xiàn)形變、粘連、斷裂、細節(jié)模糊等情況，這些原因?qū)е铝四０迤ヅ湓谲嚺谱址R別上的局限性，尤其是停車場車牌識別系統(tǒng)。停車場環(huán)境下，車牌圖像受到光照的影響較大，為了提高字符識別的準確率，通常在停車場車牌識別系統(tǒng)中很少采用這種算法。

基于特征統(tǒng)計匹配算法

基于特征統(tǒng)計匹配算法主要原理是先提取輸入模式的車牌字符統(tǒng)計特征，再按照一定的規(guī)則與所確定的決策函數(shù)進行分類判斷。字符的統(tǒng)計特征包括像素塊數(shù)、字符的輪廓數(shù)、輪廓的形狀等。像素塊是指二值化圖像中上、下、左、右四個方向上相互連通的所有白素區(qū)域所組成的一個連通區(qū)域的像素塊，由此可知，漢字字符的像素塊大于1，英文字母和數(shù)字的像素塊數(shù)是1。漢字的識別是將字符點矩陣看作是一個整體，根據(jù)每個字符的筆畫特征點不同，將字符分解為橫、豎、撇、捺等一種或幾種的組合，經(jīng)過統(tǒng)計從而得到相應(yīng)的特征，接著再與字符庫中的特征集進行匹配，獲取輸入字符的識別結(jié)果。在實際的應(yīng)用中，由于外部原因造成了字符常常會出現(xiàn)模糊、傾斜等情況，導(dǎo)致了部分字符無法正確識別。

基于分類器的字符識別

基于分類器的字符識別，是目前應(yīng)用較廣的一種車牌識別方式。其主要的思路是通過對樣本數(shù)據(jù)的學(xué)習(xí)，達到自動將數(shù)據(jù)分類到已知類型。分類器其實是一種數(shù)學(xué)模型，目前有很多類型的分類器，包括Bayes分類器、決策樹模型、BP神經(jīng)網(wǎng)絡(luò)分類器等。 貝葉斯分類器的分類原理是通過某對象的先驗概率，利用貝葉斯公式計算出其后驗概率，即該對象屬于某一類的概率，選擇具有最大后驗概率的類作為該對象所屬的類。也就是說，貝葉斯分類器是最小錯誤率意義上的優(yōu)化。應(yīng)用貝葉斯網(wǎng)絡(luò)分類器進行分類主要分成兩階段。第一階段是貝葉斯網(wǎng)絡(luò)分類器的學(xué)習(xí)，即從樣本數(shù)據(jù)中構(gòu)造分類器，包括結(jié)構(gòu)學(xué)習(xí)和CPT學(xué)習(xí)；第二階段是貝葉斯網(wǎng)絡(luò)分類器的推理，即計算類結(jié)點的條件概率，對分類數(shù)據(jù)進行分類。這兩個階段的時間復(fù)雜性均取決于特征值間的依賴程度，因而在實際應(yīng)用中，往往需要對貝葉斯網(wǎng)絡(luò)分類器進行簡化。根據(jù)對特征值間不同關(guān)聯(lián)程度的假設(shè)，可以得出各種貝葉斯分類器，Naive Bayes、TAN、BAN、GBN就是其中較典型、研究較深入的貝葉斯分類器。

貝葉斯分類器的特點是：

1） 貝葉斯分類并不把一個對象絕對地指派給某一類，而是通過計算得出屬于某一類的概率，具有最大概率的類便是該對象所屬的類；

2） 一般情況下在貝葉斯分類中所有的屬性都潛在地起作用，即并不是一個或幾個屬性決定分類，而是所有的屬性都參與分類；

3） 貝葉斯分類對象的屬性可以是離散的、連續(xù)的，也可以是混合的。 貝葉斯定理給出了最小化誤差的最優(yōu)解決方法，可用于分類和預(yù)測。但在實際中，它并不能直接利用，它需要知道證據(jù)的確切分布概率，而實際上我們并不能確切的給出證據(jù)的分布概率。因此我們在很多分類方法中都會作出某種假設(shè)以逼近貝葉斯定理的要求。 決策樹(decision tree)一般都是自上而下的來生成的。每個決策或事件（即自然狀態(tài)）都可能引出兩個或多個事件，導(dǎo)致不同的結(jié)果，把這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。 決策樹就是將決策過程各個階段之間的結(jié)構(gòu)繪制成一張箭線圖，我們可以用下圖來表示。

決策樹模型

決策樹模型的特點：

1) 與其他分類算法相比，決策樹模型有以下優(yōu)點：可理解性強、速度快。

2) 一般決策樹模型缺點是：缺乏伸縮性：由于進行深度優(yōu)先搜索，所以算法受內(nèi)存大小限制，難于處理大訓(xùn)練集。為了處理大數(shù)據(jù)集或連續(xù)量的種種改進算法（離散化、取樣） 不僅增加了分類算法的額外開銷，而且降低了分類的準確性，對連續(xù)性的字段比較難預(yù)測，當類別太多時，錯誤可能就會增加的比較快，對有時間順序的數(shù)據(jù)，需要很多預(yù)處理的工作。在有噪聲的情況下，完全擬合將導(dǎo)致過分擬合（overfitting），即對訓(xùn)練數(shù)據(jù)的完全擬合反而不具有很好的預(yù)測性能。剪枝是一種克服噪聲的技術(shù)，同時它也能使樹得到簡化而變得更容易理解。另外，決策樹技術(shù)也可能產(chǎn)生子樹復(fù)制和碎片問題。 當然，不同分類器對于一些分類有著不同的分類精度，因此我們在處理一些實際問題時，可以根據(jù)實際問題的分類屬性和各種分類器的特點來選擇相應(yīng)的分類器，從而得到較高的分類精度。