3.4骨架提取

　　骨架提取的目的是把二值图像中具有一定宽度的线条状笔画细化成只有一个像素宽的线条，这样不仅可以压缩原始图像的数据，保持字符原有形状的基本拓扑结构不变，还可以克服由于二值化后待识别字符笔画粗细不均匀造成的字符识别率低的问题。

　　字符细化的方法主要分串行和并行两类，本文选取的是经典的串行算法Hilditch算法。实际使用Hilditch算法时要注意，图像的边框必须留白，一两个像素宽即可，否则细化会出现问题，影响匹配质量。

　　3.5字符识别

　　3.5.1模板匹配

　　模板的选用很重要，本文算法所采用的每个字符模板T都相当于由这个字符的多个模板叠加组合而成。本文算法也可以看作是细化后的样本字符I'与模板字符T进行逻辑与运算，将字符模板中与样本字符有最佳匹配度的一部分模板图像T'提取出来，然后将这部分模板图像T'相对于样本字符I'的隶属度与其余模板匹配所得的隶属度进行比较，隶属度最大的模板的即是我们寻找的模板。

　　3.5.2特征值校对

　　通过实验与对车号的分析，在样本图像质量完好的情况下，穿线特征与4×4网格特征足以把误识的字符全都校正。

　　E和F的穿线特征分别为3和2，3和J的穿线特征分别为3和1，都可以进行很好的区分。5S，8B穿线特征相同，如果网格特征向量从0开始计数，那么，5和S的区别主要在6、7这两个位置的值上，5的笔画稍平而S的笔画有弧形出头。而8和B明显的区别在于左边的笔画上，B是一竖到底，而8有三处弧线，对这几个位置的网格特征值进行比较即可区分出8和B。

　　由于车号字符有排列有一定的规律，最后还可对识别结果进行一次逻辑校验，从而使识别结果的正确更有保证。

　　3.6实验结果

　　由数码相机获取实际车辆图像，经过车牌定位、字符分割获得各字符图像作为本算法的输入，获得的字符测试集含有400个字符，其中有30%左右字符质量较好，其余字符都有不同程度的质量退化。用VC++6.0编程，在IntelCPU主频1.8GHz，内存1GMB的计算机上对字符测试集应用本算法并和传统的模板匹配法进行比较，所得实验结果如附表所示。可见本文方法的字符整体识别率在98%以上，没有拒识字符，平均耗时3ms/字符，识别效果明显优于传统的模板匹配法，满足实时应用要求。

　　4结语

　　本文的算法通过连通域对细化前的英文字母和数字字符一起进行初分类，对字符细化后再用改进的模板匹配法进行识别，对易于识别出错的字符进行了穿线特征、网格特征和逻辑特征辅助判断，提高了识别正确率。实验结果表明，几种方法的结合使系统有较高的识别正确率与识别速度，达到了预期效果。

　　参考文献

　　[1]丁昆，马锐，刘永壮，赵秀全.车号识别替代抄车号的完整解决方案[J].铁路通信信号工程技术，2010，06:38-41.

　　[2]李百泉，张晓方，仲铭.车号自动识别系统的应用与发展[J].中国铁路，1997，03:50-52.

　　[3]刘斌，刘炜.货车车号识别的研究与应用[J].电视技术，1999，7:38-40

　　[4]黄书强，付仲良，陈珉.基于多级分类的货车车号识别算法[J].微型机与应用.2002，08:45-46

　　[5]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.2003，04:268-270

　　[6]王鉴，黄山，严国莉，凌彤辉.车牌字符识别技术[J].中国测试技术，2005，02:46-47+85.

　　[7]魏武，黄心汉，张起森，王敏，王明俊.基于模板匹配和神经网络的车牌字符识别方法[J].模式识别与人工智能.2001，01:123-127

　　[8]李小平，林学訚，曲大成，任江兴.车辆牌照识别系统可靠性问题的研究[J].北京理工大学学报.2001，01:11-14

　　[9]曾宪贵，黎绍发，左文明.特征区域模板匹配法实现汽车牌照的精确识别[J].计算机工程与设计，2003，09:28-29.

　　[10]顾晨勤，葛万成.基于模板匹配算法的字符识别研究[J].通信技术.2009，03:220-222

 

---

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。