1引言

　　随着计算机性能的逐步提高及其在各个领域的广泛应用，计算机在铁路运输中也发挥了巨大作用。在众多应用中，车号的自动采集把人从单调枯燥的工作解放出来，同时可以避免人工操作效率低，而且受外界环境的影响，抄录的车号精度、准确度不高等弊端[1，2]。

　　随着图像处理与模式识别技术的不断发展，现阶段基于图像处理方法的铁路火车车号识别系统在铁路运输中也得到了一些初步应用，但仍需要进一步改进与完善。铁路火车车号识别属特定环境下印刷体数字的识别。原始图像具有数字大小不相同、数字位置不固定，字符图像明暗不一、灰度分布不均等特点[3]。实验表明[4，6]，基于多级分类的识别算法，简单、快速、正确率高。

　　铁路火车车号识别与汽车牌照识别有一定的差别，对于前者，待分类的类别少，只有10个数字及24个英文字母，其中还有大部分字母没有选用作车号，而且不需要识别汉字，适合用模板匹配法。另一方面，人工神经网络虽然具有良好的容错性、自适应和学习能力等特点，对字符的识别率较高，但是样本训练收敛速度慢，所以在实时性要求比较高的场合通常采用模板匹配的方法[5]。

　　本文提出一种改进的模板匹配法，先通过骨架特征得到初步匹配结果，再通过样本的连通域特征、穿线特征和网格特征对匹配结果进行校正，得到单个字符识别结果。实验结果表明这种方法简单、有效、实用，便于在实际中的应用，为铁路火车车号采集提高了效率，降低了成本。

　　2传统模板匹配法与本文的改进算法

　　以二维图像处理为例，传统模板匹配算法的具体过程[6]为：设已知模板图像为T，大小为H×W，待考察的样本图像I大小为M×N（M>H，N>W）。匹配的过程是设法把模板图像T叠加到缩放为H×W大小样本图像I0上，并比较T与它覆盖下的I0的子图像T0的差别。若差别小于某个事先设定的阈值，则认为T在该处与I0子图像T0有较好的匹配，即找到了目标对象。对包含多个样本的待匹配的整幅图像按照逐个像素扫描并实施上述操作，则可确定样本图像I中是否存在模板图像T所确定的目标对象。具体算法中常采用相关度量函数作为差别的判断标准。其表达式为：

　　其中H指高度，W指宽度，I(x，y)指样本图像，T(x，y)指模板图像，C(k)为相关度量函数。

　　传统模板匹配算法主要有以下不足：

　　第一，计算量大，公式（1）的计算量随着模板图像T所包含的像素增加而增大，而且执行匹配运算的次数随着样本图像I的增大而增多，匹配效率不高；第二，样本图像质量退化时识别率较低

　　针对上述缺点，人们研究了许多改进的算法[6-10]：

　　通过对这些算法的研究，本文对车号的识别提出了一种改进的模板匹配算法。对于一系列二值化模板图像T1，T2，…，Tn以及二值化样本图像I，具体算法如下：

　　第一步，将样本图像I细化而得到骨架图像I'；

　　第二步，比较骨架特征I'与所有字符模板图像重合的情况，得到一系列新的图像T1'，T2'，…，Tm'（m<36，不区分数字与字母）；

　　第三步，将匹配结果T1'，T2'，…，Tm'的像素值与I'的像素值进行比较，取二者像素数的比值为参考值，最大的参考值所对应的模板图像即为匹配最佳的模板。最大隶属度A(x)的计算公式为：

　　A(x)=max[T1'/I'，T2'/I'，…，Tm'/I'](2)

　　其中Tm'和I'分别指图像Tm'和I'的像素数。

　　本算法参考值A(x)一般情况下90%以上都为1，最小的也大于80%。以字母F为例，算法效果图如下：

　　通过实验发现，此算法易错识的几对典型的字符是"3B"、"FP"、"3J"、"EF"、"5S"、"8B"，通过分析这些字符特征，发现"3B"和"FP"可以通过连通域数特征[10]来区分，"3J"和"EF"可以通过穿线特征[6]来区分，而"5S"和"8B"可以通过网格特征[8-10]来区分。

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。