汽车牌照自动识别系统设计

　2.2 特征提取

本文引用地址： //m.amcfsurvey.com/article/194419.htm

　　特征提取的主要目的是从原始数据中抽取出用于区分不同类别的本质特征。由于不同的特征的适用性不同，故对不同效果的字符所提取的特征性能也不尽相同，因此，用单一的特征已经很难适应受多种条件影响的车牌照字符的识别。另外，由于不同特征的不同维之间所表示的意义也不太相同，且权重也可能相差很多，如果采用直接组合的方法，就会使权重较大的特征占主导地位，而忽略了权重较小的特征。要解决这种问题，可以采用特征向量归一化法或者加权的办法，将两种特征通过加权的方法组合起来，从而达到组合使用两种特征的目的。

　　2.3 分类器设计

　　分类器就是在特征空间中用某种方法将被识别对象归为某一类别。其基本做法是在样本训练集的基础上确定某个判决规则，以使按这种判决规则对被识别对象进行分类所造成的错误率最小或引起的损失最小。

　　采用神经网络作为分类器时，需要有一定的训练样本，而且样本个数不能太少，但是，本文的实验环境中的车牌上，汉字、英文样本较少，甚至某些汉字英文仅有一个或者几个样本，因而无法保证神经网络的训练程度。因此，本文采用模板匹配法。模板匹配法实际上就是采用多个标准样本的距离分类器。通常可利用平均样本法来计算样本均值以将其作为每个类别的标准样本，然后计算待识别样本与标准样本间的距离，最后选择距离最小的标准样本作为待识别的样本类别。

　　通常采用的距离准则如下;

　　(1)Minkowsky距离

　　该距离是若干种距离的通式表示：

　　(2)“City block”距离

　　即街区距离，它是对Manhattan距离的修正，同时加上了权重。即：

　　(3)Euclidean距离

　　即欧氏距离，是Minkowsky距离在λ=2时的特例，其优点是各点连续可微：

　　(4)Mahalanobis距离

　　即马氏距离，它注意到样本的统计特性，而排除了样本间的相关性影响。它可表示为：

　　本设计选用了欧式距离。因为欧式距离可以只计算

，这样可以降低计算时间。

3 结束语

　　本文提到的车牌照识别方法具有很好的识别效果，并可针对出现的漏识和识别错误等现象做出改进，预处理时还可对图像亮度进行分析，针对过亮或者过暗的图像采取不同的二值化策略;也可以根据字符识别的结果采用回溯方法来验证车牌定位和字符切分的准确性;字符识别部分可增加字符模版的训练样本数量，而采用神经网络作为分类器均可以提高字符识别的准确率。