文档介绍：1基于距离变换的分级车牌字符识别算法背景介绍车辆牌照字符识别是在车牌检测的基础上,经过字符准确分割处理后,对车牌上面的汉字、英文字母、数字进行有效的确认的一个过程。从学科划分的角度考虑,字符识别属于模式识别的范畴。车辆牌照字符的识别与印刷体字符识别以及手写体字符识别有许多的相似之处,特别是与印刷体字符识别问题较为相近。但是车辆牌照字符识别也有其特殊之处,车辆牌照字符识别的字符集较小;实际过程中获取图像所采用摄像机的性能、拍摄角度、光照条件及车辆运行等因素致使实际获取的车牌图像具有更多的噪声;车辆牌照字符容易出现模糊、污损、字符断裂及字符倾斜等一系列情况。与其它字符识别相比,车牌字符识别有其特殊性,主要体现在以下几点:(1)字符集小。车牌上出现的汉字字符为省、自治区、直辖市或特殊机构的简称。加上26个英文字符以及10个数字,字符类别不超过100类。(2)待识别的字符图像小。字符图像来源于定位分割得到车牌图像,车牌占车辆图像中的比例很小,因此,车牌字符一般都很小,字符的宽高通常在20~30个像素之间,这样就增加了识别的难度。(3)车牌字符图像受到的干扰因素多。车牌识别系统是全天候工作的系统,由于受到天气、外界干扰、车辆运动、车牌倾斜以及拍摄角度等因素的影响,导致提取到的车牌字符图像中的字符的大小、粗细、位置及倾斜度都不一样。另外,车牌的清晰度、清洁度、新旧、底色及光照背景等因素,可能会使采集到的图像存在严重干扰,如字符模糊、畸变甚至断线等。因而,要求所采用的识别方法具有很强的抗干扰性和环境适应性。(4)存在一些结构特征非常相似的字符。例如:数字“2”与字母“Z”,数字“8”与字母“B”,数字“5”与字母“S”,数字“0”、字母“Q”、“D”和“O”等。目前已经有许多种字符识别的方法如统计分类器方法、人工神经网络方法、模板匹配方法等。由于车牌字符是单一字体,因此本文采用模板匹配方法对车牌字符进行识别。在基本的模板匹配算法的基础上,序贯相似性检测算法将具有旋转、平移、缩放不变的中心矩描述方法与传统的模板匹配方法相结合,提出了一种快速算法以克服传统匹配方法的不足。文献[72]对相似字符进行深入的分析,提出了一种“子区域权值模板”车辆牌照字符精判别方法,它将字符分为6个不同的子区域,不同的相似字符被赋予不同的权重,从而对相似字做进一步的判别,以提高整体识别率。文献[73]也通过构造字符模板库,对待识别的字符通过与模板库中的标准模板进行相似度计算,取相似度最高的标准模板为最终结果。这类模板匹配算法2实现过程简单,识别的准确率较高识别速度较快,可以满足实时性要求,但是模板匹配算法在识别相似的易混淆的字符时其准确性较低,容错性较差。文献[74]在模板匹配法的基础上,根据汽车牌照本身的特性,提出了特征点匹配识别的方法,此方法选取能够区分各字符的若干特征点,进而取值得到各字符的编码,能较好地区分特征值相近的字符。Lee等人[75]通过提取灰度图像的字符特征并将提取的特征作为字符模板来保存,利用已提取的字符特征模板进行字符识别。相比较于模板匹配方法而言,此类特征点匹配方法能更好的获得字符的特征,对字符差别不大的字符识别效果比模板匹配算法更好,但是这类方法的缺陷在于获取字符特征的过程复杂,字符特征不容易获得,而且此类方法仅适用于二值图像,受图像二值化结果影响很大。本文提出了一种基于距离变换的分级车牌字符识别算法。首先,对字符分割步骤得到的字符图像进行预处理。该步骤根据字符的高度和宽度将将所有字符采用线性插值方法调整到标准大小,并将字符的亮度调整到范围0~255内。其次,采用Niblack自适应阈值分割方法对车牌字符进行分割。由于汉字的与字母或数字的线段宽度不一致,对于同样大小的字符,车牌的汉字所包含的目标像素数量要大于字母和数字。因此,本文在字符图像分割采用不同的策略,前者采用的方差和阈值要小于后者,这样可以分割出汉字的更多的细节信息。然后,采用距离变换将二值图像变换为灰度图像,并与字符模板图像进行匹配,将匹配程度最大的字符作为字符识别的结果,它可以避免多种干扰因素的影响。最后,为了解决结构特征非常相似字符的误识别问题,本文采用分级处理方法,将车牌字符划分为多个局部区域进行匹配,并根据累计的匹配系数进行字符识别。车牌字符图像预处理在实际的车连监控场景中,获取的车牌图像大小与光照条件相差比较大,因此在字符识别之前,通常需要将字符区域的图像进行预处理,主要包括车牌字符的缩放、灰度级拉伸、阈值分割等步骤。在不同成像环境下,车牌字符的大小和灰度变化范围存在较大差异。因此,需要将这些字符转换为标准的字符模板的尺寸。本文根据车牌字符分割步骤得到的高度和宽度,采用双线性插值方法将各种大小的车牌字符转换为48×24像素。另一方面,不同光照条件下,字符图像的对比度变化比