摘   要： 針對(duì)車牌漢字識(shí)別提出了一種基于二值圖形變動(dòng)分析的模糊模板匹配的車牌漢字識(shí)別方案。介紹了該方法的具體實(shí)現(xiàn)算法和實(shí)驗(yàn)流程及結(jié)果。
關(guān)鍵詞： 模式識(shí)別  車牌識(shí)別  模板匹配

　　字符識(shí)別屬于模式識(shí)別的范疇,，通常的字符識(shí)別方法可分為2類：基于字符結(jié)構(gòu)（筆畫(huà)特征）的結(jié)構(gòu)識(shí)別和基于字符統(tǒng)計(jì)特征的統(tǒng)計(jì)識(shí)別,。結(jié)構(gòu)模式識(shí)別方法的優(yōu)點(diǎn)是可以識(shí)別復(fù)雜的模式，缺點(diǎn)是需要進(jìn)行筆畫(huà)特征的提取,，在輸入圖像質(zhì)量不佳的情況下,，這一點(diǎn)往往難以做到。在統(tǒng)計(jì)模式識(shí)別方法中,，特征提取方便,，識(shí)別速度與識(shí)別對(duì)象無(wú)關(guān)，但需要得到字符集的穩(wěn)定特征,，且在字符筆畫(huà)較多時(shí)要求的特征量非常大,。二種識(shí)別方法各有優(yōu)缺點(diǎn)。
　　人類的視覺(jué)感知系統(tǒng)是一個(gè)魯棒性很強(qiáng)的,、能抵御實(shí)際中可能遇到的各種變形和噪聲干擾的文字識(shí)別系統(tǒng),。人們的認(rèn)字過(guò)程實(shí)際上是對(duì)漢字整體形象的把握，是對(duì)漢字圖像全局的處理過(guò)程[1],。因而,，漢字的整體信息在無(wú)筆順識(shí)別中起著無(wú)法替代的重要作用。
　　統(tǒng)計(jì)模式識(shí)別借助概率論的知識(shí),，判斷或決策對(duì)象的特征類別,，使得決策的錯(cuò)誤率達(dá)到最小?；诮y(tǒng)計(jì)特征的識(shí)別方法先抽取識(shí)別對(duì)象的穩(wěn)定特征,，組成特征矢量，然后在字符集的特征空間中進(jìn)行特征匹配,?；谝陨险J(rèn)識(shí)，在分析汽車牌照中漢字字符的特點(diǎn)后,，采用了有別于結(jié)構(gòu)分析的一種基于字符圖像特征統(tǒng)計(jì)的模式識(shí)別方法進(jìn)行漢字識(shí)別,。同時(shí)針對(duì)統(tǒng)計(jì)方法無(wú)法區(qū)分的相似漢字，提取其微結(jié)構(gòu)信息進(jìn)行特殊的校正識(shí)別,。
1  特征統(tǒng)計(jì)匹配
　　統(tǒng)計(jì)決策論其要點(diǎn)是提取待識(shí)別模式的一組統(tǒng)計(jì)特征,，然后按照一定準(zhǔn)則所確定的決策函數(shù)進(jìn)行分類判決[2]。漢字的統(tǒng)計(jì)模式識(shí)別是將字符點(diǎn)陣看作一個(gè)整體,，從該整體上經(jīng)過(guò)大量統(tǒng)計(jì)得到所用特征,，用盡可能少的特征模式來(lái)描述盡可能多的信息。所采用的方法有：特征統(tǒng)計(jì)的方法,、整體變換分析法[3],、幾何矩特征,、筆劃密度特征、字符投影特征,、外圍特征,、微結(jié)構(gòu)特征和特征點(diǎn)特征等。這些方法都具有各自的優(yōu)缺點(diǎn),，應(yīng)根據(jù)具體應(yīng)用進(jìn)行選取,。主要方法有外圍面積特征匹配法和網(wǎng)格特征匹配法。外圍面積特征反映了字符的輪廓信息,。外圍面積特征提取法,，主要是從周圍形狀的心理學(xué)知識(shí)來(lái)獲得漢字信息的特征，即對(duì)文字周圍上下左右的形狀進(jìn)行量化,，從而構(gòu)造特征向量。網(wǎng)格特征實(shí)際是結(jié)構(gòu)模式識(shí)別和統(tǒng)計(jì)模式識(shí)別相結(jié)合的產(chǎn)物,。字符圖像被均勻或非均勻地劃分為若干區(qū)域,，稱之為“網(wǎng)格”。在每個(gè)網(wǎng)格內(nèi)尋找各種特征,，如目標(biāo)面積比例,、交叉點(diǎn)、筆劃端點(diǎn)的個(gè)數(shù),、細(xì)化后的筆劃長(zhǎng)度和筆劃密度等,。特征統(tǒng)計(jì)以網(wǎng)格為單位，即使個(gè)別點(diǎn)統(tǒng)計(jì)有誤差也不會(huì)造成大的影響,，從而增強(qiáng)了特征的抗干擾性,。因此這種方法得到日益廣泛的應(yīng)用。在實(shí)際的車牌漢字識(shí)別中,，當(dāng)相同漢字的二值圖形變動(dòng)較小時(shí)該方法較有效,。具體應(yīng)用：將尺寸為34×66象素的漢字二值圖均勻分成32個(gè)正方形的小區(qū)域(不考慮外邊框的1個(gè)象素)，統(tǒng)計(jì)每個(gè)8×8的小區(qū)域內(nèi)目標(biāo)象素（白色）所占的面積比例,，就得到了歸一化的32維特征矢量,。統(tǒng)計(jì)多幅相同漢字的32維特征矢量，取均值作為該漢字的標(biāo)準(zhǔn)網(wǎng)格特征模板,。識(shí)別時(shí),，計(jì)算待識(shí)別漢字的32維網(wǎng)格特征矢量與模板矢量之間的Euclid距離，求得最小距離值,，其對(duì)應(yīng)的漢字即為識(shí)別結(jié)果,。在具體應(yīng)用中，由于外部原因常常會(huì)出現(xiàn)字符模糊,、字符傾斜的情況,，而網(wǎng)格特征匹配方法對(duì)字符模糊和傾斜較敏感,，因此魯棒性不是很強(qiáng)，不適合實(shí)際應(yīng)用,。
2  模板匹配
　　考慮到以上2種主要識(shí)別方法存在的弊端,，決定選用模板匹配的算法進(jìn)行字符的識(shí)別。實(shí)際研究中發(fā)現(xiàn),，二值化的圖形模板雖然直觀,，但其匹配計(jì)算過(guò)程過(guò)于簡(jiǎn)單直接，對(duì)傾斜,、形變,、殘損、模糊的待識(shí)別字符匹配誤差較大,，因此魯棒性較差,。而灰度模板由于色彩、光照等因素影響,，難以找到普遍適用的模板形式實(shí)現(xiàn)直接的匹配計(jì)算,。綜合以上二方面的問(wèn)題，在引入統(tǒng)計(jì)模式識(shí)別思想的基礎(chǔ)上,，提出了基于二值圖形變動(dòng)分析的模糊模板匹配方案,。
2.1 基于二值圖形變動(dòng)分析的模糊模板匹配
　　在含有汽車牌照的圖像中，將漢字定位并提取出來(lái)以后,，還要完成規(guī)格化,、二值化等操作。即使是相同的漢字,，由于車牌傾斜,、模糊，特別是由于每次定位不可能完全精確一致等諸多因素的影響,，導(dǎo)致在二值圖中字體的形狀,、大小都會(huì)不同，字體位置也會(huì)發(fā)生不同程度的偏移,。將這種二值圖形的不規(guī)則現(xiàn)象稱為圖形的變動(dòng),。在漢字識(shí)別的分析過(guò)程中，希望對(duì)圖形變動(dòng)的大小進(jìn)行量化處理,。因此,，提出了求圖形整體變動(dòng)量的統(tǒng)計(jì)方法，其優(yōu)點(diǎn)是不需要參照標(biāo)準(zhǔn)圖形,，可以進(jìn)行客觀評(píng)價(jià),，并構(gòu)造出用于匹配識(shí)別的模糊模板。
　　對(duì)每一個(gè)車牌的漢字字符,，選取n幅質(zhì)量較好的參考圖,。將這n幅參考圖規(guī)格化為17×33的標(biāo)準(zhǔn)大小后進(jìn)行二值化處理,，得到標(biāo)準(zhǔn)參考圖fi(x，y),。因此每個(gè)車牌漢字字符都有n幅由0,、1所組成的二值圖像。將這n幅二值圖像對(duì)齊后疊加,，再進(jìn)行歸一化,。得到的模糊圖形F(x，y),。四個(gè)漢字的模糊圖形模板(不同方向的視覺(jué)效果)如圖1所示,。

　　該模糊圖形上每一象素點(diǎn)實(shí)際上都對(duì)應(yīng)著一個(gè)概率值，該概率值代表白色目標(biāo)（漢字筆劃）在該點(diǎn)出現(xiàn)的可能性,。例如在模糊模板中若某一點(diǎn)值為1,，表明在所有參加統(tǒng)計(jì)的二值圖形上漢字筆劃都經(jīng)過(guò)該點(diǎn)，其為白色目標(biāo)象素的可能性是100％,，為黑色背景象素的可能性是0,；反之亦然。進(jìn)行匹配識(shí)別時(shí),，對(duì)一幅切分后的待識(shí)別漢字灰度圖，將其規(guī)格化,、二值化,，然后計(jì)算每一象素點(diǎn)與模板的吻合程度，即每一象素點(diǎn)正確匹配的置信度con(x,，y),。引入置信度的公式：
　　

　　f(x，y)為得到的二值化后的待識(shí)別圖像,，把所有點(diǎn)的置信度平均后得到總的置信度con作為判別依據(jù),。最大置信度con所對(duì)應(yīng)的模板漢字作為匹配識(shí)別輸出的結(jié)果。
　　

　　公式中的width和height分別是歸一化后標(biāo)準(zhǔn)圖像的長(zhǎng)和寬,。通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的分析發(fā)現(xiàn),，識(shí)別錯(cuò)誤的圖像，往往嚴(yán)重變形,、模糊,，二值化效果差。
2.2 基于二值圖形變動(dòng)分析的模糊模板匹配的改進(jìn)算法
　　針對(duì)以上問(wèn)題,，提出了一種簡(jiǎn)單的改進(jìn)算法,。將切分后不同大小的灰度字符圖像規(guī)格化為17×33的標(biāo)準(zhǔn)尺寸以后，將各象素點(diǎn)的灰度值線性變換到[0,，1]區(qū)間,，再與模糊圖形模板匹配,，計(jì)算Euclid距離，其最小距離值對(duì)應(yīng)的模板漢字作為匹配識(shí)別輸出的結(jié)果,。該方法的優(yōu)點(diǎn)是不用對(duì)灰度圖像作二值化處理,，避免了由于二值化操作帶來(lái)的圖像信息損失。特別是對(duì)一些模糊圖像,，若直接采用二值化效果較差,，影響匹配準(zhǔn)確度。因此使用該方法在一定程度上提高了識(shí)別正確率,。
　　實(shí)驗(yàn)中發(fā)現(xiàn),，對(duì)少數(shù)明暗程度變化大或?qū)Ρ榷炔粡?qiáng)的模糊圖像，該方法也產(chǎn)生了少量識(shí)別錯(cuò)誤,。這是由于將待識(shí)別圖像的各點(diǎn)灰度值線性拉伸到[0,，1]區(qū)間后，原始圖像明暗程度不同導(dǎo)致其平均值與對(duì)應(yīng)模板的平均值并不一致,，直接用Euclid距離進(jìn)行匹配,，帶來(lái)了計(jì)算誤差。因此引入了歸一化相關(guān)性度量公式：

3  試驗(yàn)結(jié)果的進(jìn)一步校正
　　模板匹配表現(xiàn)的主要是漢字的整體特征,，但是有些漢字存在著一定程度上整體的相似性,，因此必須對(duì)相似的字符進(jìn)行進(jìn)一步的校正才能提高識(shí)別的正確率。對(duì)相似漢字的區(qū)分,，往往是尋找其特有的筆劃結(jié)構(gòu),，這也是在統(tǒng)計(jì)模式識(shí)別中引入結(jié)構(gòu)方法的必要之處。例如在車牌漢字識(shí)別中,，“粵”字與其他省份漢字的最大區(qū)別是底部的鉤狀結(jié)構(gòu),。為此對(duì)預(yù)處理后的17×33二值圖像的底部1/4部分作水平和垂直方向的投影，水平投影17個(gè)特征值(由左,、右二邊分別投影得到),，垂直投影33個(gè)特征值(由上、下二邊分別投影得到),，形成50維的微結(jié)構(gòu)投影特征矢量,。“粵”字微結(jié)構(gòu)特征及其統(tǒng)計(jì)41幅圖像后的微結(jié)構(gòu)投影特征直方圖如圖2所示。經(jīng)統(tǒng)計(jì)平均后作為區(qū)分相似漢字的依據(jù),。實(shí)際校正時(shí),，計(jì)算微結(jié)構(gòu)特征的匹配距離。若小于預(yù)先設(shè)定的閾值,，則直接返回該漢字作為識(shí)別結(jié)果,。

4  實(shí)驗(yàn)流程及結(jié)果
　　對(duì)識(shí)別300幅切分后的質(zhì)量較好的漢字灰度圖進(jìn)行識(shí)別，實(shí)驗(yàn)流程如圖3所示,。實(shí)驗(yàn)結(jié)果表明,，外圍面積特征匹配法正確率達(dá)88％,，網(wǎng)格特征匹配法86％，簡(jiǎn)單模板匹配法91％,，改進(jìn)算法的正確率達(dá)到了93％,。如果對(duì)識(shí)別結(jié)果進(jìn)一步校正，正確率將提高到95％,。若再進(jìn)一步增加訓(xùn)練集,，完善模板，相信正確率還可以繼續(xù)提高,。

參考文獻(xiàn)
1   丁曉青.漢字識(shí)別研究的回顧.電子學(xué)報(bào),，2002；30(9)
2   Trier I D,，Jain A K,，Taxt  T.Feature Extraction Methods for  Character Recognition-A Survey.
     Pattern Recognition.1996；29(4)
3   朱小燕,，史一凡,，馬少平.手寫(xiě)體字符識(shí)別研究.模式識(shí)別與人工智能，2000,；13(2)
4   王學(xué)文,，丁曉青，劉長(zhǎng)松.基于Gabor變換的高魯棒漢字識(shí)別新方法.電子學(xué)報(bào),，2002,；30(9)