基于改进的模板匹配识别算法的研究

摘要：车牌识别系统是智能交通系统的核心组成部分，在交通部门的违章检测、高速公路自动收费和智能停车场管理等方面占有重要的作用。车牌字符识别问题是车牌识别的关键技术之一，也是目前该领域研究的热点问题之一。本文通过对两种模板匹配的车牌字符识别方法进行了比较与研究。

关键词：车牌识别 模板匹配 汉字识别

1.引言

车辆牌照识别(LPR)系统作为一个综合的计算机视觉系统主要分为车流量、车型检测子系统和车辆牌照识别子系统两部分，而车牌字符识别是系统的核心。车辆牌照识别子系统又可分为车牌定位、车牌字符识别两部分。LPR系统主要需要进行的是图像的实时采集、处理、分析和识别，属于图像工程的范畴。

现代社会已进入信息时代，随着计算机技术、通信技术和计算机网络技术的发展，自动化的信息处理能力和水平不断提高，并在人们社会活动和生活的各个领域得到广泛应用，在这种情况下，作为信息来源的自动检测、图像识别技术越来越受到人们的重视。

2.两种模板匹配法

2.1 传统模板匹配法识别

传统模板匹配法是实现离散输入模式分类的有效途径之一，其实质是通过度量输人模式与模板之间的相似性，取相似性最大的作为输人模式所属类别。该方法通过对字符的直观形象进行特征抽取，使用相关匹配原理确定的匹配函数进行判决，也就是通过一个分类器将输入的字符与标准模板字符进行匹配。

2.2 改进的模板匹配法识别

传统模板匹配方法的缺点是抗干扰能力差。模板匹配法根据建模时所取特征的不同，分为图形匹配、笔画分析、几何特征抽取等几种形式。图形匹配法在建模和匹配比较时，都是基于字符的图形块本身进行匹配，并根据其相似程度得出识别结果，本文采用了该方法对汉字进行识别。

通过图形匹配的方法识别汉字字符的时，首先，要对输入的汉字字符进行二值化和归一化处理，若背景用0表示，汉字字符用1表示，对每一个汉字字符均建立一个标准的模板Ti，令待识别的图像为Y，它们的大小均为A×B，将Y与每一个模板进行匹配，分别求出它们的相似度Si：

其中，Ti和Y均为像素的二值点阵，Y×Ti表示矩阵和矩阵的点乘，即矩阵中对应位置元素的相乘。观察上式可以知道，上式即表示标准模板与待识图像上对应点均为“1”像素的数目与标准模板上“1”像素的数目之比。

在实际调查中，我们可以发现，汽车牌照中所使用的汉字字符大概有50多个，那么我们就只需要建立50多个模板。如果直接对汉字字符进行匹配运算，对每个汉字的进行识别时，都计算该汉字与所有模板的相似度，这样会导致大量的计算，从而降低了识别速度，不仅不能满足车牌识别的实时性需求，而且由于大量计算，增加了识别的错误率，因此我们通过先对汉字的模板进行粗分类，也就是根据车牌中汉字字符的某种特征对字符模板先进行大致的分类，比如可以依照字体结构进行分类等。当需要识别的汉字出现时，首先提取出该字符的这种特征，再计算与各个组之间的相似度，进而在相似度最大的组模板里进行特征的匹配，最终得出识别的结果。

根据以上的分析，选取的特征应该具有分类效果好、提取比较简单、易于识别的特性，所以我们最后选取了汉字模板图像的字符区域密度R和复杂指数F来对模板进行粗分类。

汉字模板图像的字符区域密度R指的是在汉字的模板图像中字符所包含的像素数和整个模板包含像素数的比值，这个比值能够比较好的反映字符的基本特征，它的数学表达式如2-2：

复杂指数F是字符的统计特征，它反映的是X方向和Y方向上字符笔画的复杂程度，该特征有一个突出特点就是它对字符的位置和大小不是很敏感，鲁棒性较好，它的具体计算公式如2-3：

字符在X与 Y方向上的复杂指数Fx和Fy别为：

其中，Lx和Ly别为X方向和Y方向上字符像素的总数，σx和σy分别为X方向和Y方向上质心二次矩的平方根，σx和σy的表达式如2-4：

其中，xc和yc分别为字符质心的X和Y方向上的坐标。图2.1为汉字识别的流程：

我们所使用的匹配判定原则为式(2-1)，如果Sx等于Si的最大值，且Sx大于λ，那么认为图像X和模板Tx匹配，否则拒绝识别，其中λ为拒绝识别的阈值，通过多次实验，通过结果可以表明λ=0.68时有较好的识别效果。

4.总结

本文广泛查阅了国内外现有的关于车牌识别的文献后，对车牌识别系统中车牌字符识别的相关技术进行了综述。通过对传统模板匹配车牌字符识别方法进行研究，提出了一种改进的模板匹配车牌字符识别方法，解决了传统模板匹配法识别的不足，通过多次实验，表明该改进的模板匹配法识别能够达到较好的识别效果。

参考文献:

[1]张忻中.汉字识别技术的新动向.第四届全国汉字及汉语语音识别学术会议论文集，杭州，1992.5.

[2]邢向华，顾国华.基于模板匹配和特征点匹配相结合的快速车牌识别方法[J] .光电子技术，2003(12)：268-270.

[3]Da Rocha Gesualdi，A.Manoelde Seixas，J.Character recognition in car license paltes based on principal components and neural processing,Neural networks,2002.SBRN 2002.

[4]刘滨.基于神经网络的车牌字符识别研究.武汉大学工程硕士学位文，2004:4-8.