基于模板匹配和神经网络的车牌字符识别方法

　　1 引言

　　车牌识别技术是智能交通系统的重要组成部分的，是集机器视觉、模式识别、人工智能等技术为一体的复杂处理过程。要求识别精度高、处理时间短，能满足实际应用的需要。目前最常用的车牌字符识别方法是基于神经网络和模板匹配的方法。文献[1-4]给出了基于神经网络的车牌字符识别方法，对于解析度较高(车牌区宽度不小于120个像素)和图像比较清晰的车牌，这些方法能有效地识别车牌中的字符，但是对于较低解析度和较为模糊的车牌，以上方法是不可行的，因为这些方法只有在车牌中的每一字符独立分割出来的前提下才能完成识别工作，而独立分割车牌区的字符，对较低解析度和较为模糊的车牌来说是非常困难甚至是不可能的。文献[5]提出了一种基于模板匹配的车牌识别方法，只需提取字符区整体特征，避免了字符的分割，能有效地完成低解析度和模糊的车牌字符识别，但字符识别时间太长。本文提出了一种改进的神经网络和一种四灰度加权相关函数模板匹配集成方法来进行字符识别，使车牌字符识别的精度和实时性得到了改善。

　　2 模板匹配字符识别方法

　　中国车牌的字符分成4类，即汉字、字母、数字和点号(“l”)。汉字为各省或直辖市的简称或军种的简称。字母为a～z英文字母。数字为0～9。

　　标准模板匹配法识别车牌字符之前，对已定位好的车牌区需进行标准化，标准化的目的是使车牌区的字符和标准模板的匹配特征相适应。通常取标准模板为二值化图像模板(取车牌区字符为1像素，背景为0像素)，同时车牌标准化后得到的车牌图像也为二值图像。匹配是以距离或相似函数作为依据的。本文提出的基于四灰度的加权相似函数的判别准则，既可保证字符识别的精度和稳定性，又具有满意的识别速度。

　　四灰度是将模板和车牌标准化为a,b,c,d 四种灰度值的图像。通过对实际采集的车牌灰度图像进行分析发现:字符的灰度值a、背景的灰度值b、背景和字符之间的边界灰度值(分字符的边界靠字符处的灰度值c、背景的边界靠背景处的灰度值两类d)之间有较明显的界限。取模板的大小为m×n像素(如8×16，8为模板的列数，16为模板的行数)，则模板和用于匹配的车牌中对应区域的像素的灰度值可用gm×n和fm×n矩阵表示，同时，定义模板和匹配车牌区之间的相似矩阵为

　　sm×n，这3个矩阵分别为

    运算的值实际上是加权值，sm×n函数实际上是一个模板和所处理的对应车牌区像素之间的相似程度的加权和。事 实上，加权值合理地反映了字符、背景、字符边界和背景边界位置之间的联系。实验表明:这种加权相似函数法与交叉相关函数法相比具有同样的匹配正确率，且运算量不到交叉相关函数法的0.1%。