汽車牌照自動識別系統(tǒng)設(shè)計
2.2 特征提取本文引用地址:http://butianyuan.cn/article/194419.htm
特征提取的主要目的是從原始數(shù)據(jù)中抽取出用于區(qū)分不同類別的本質(zhì)特征。由于不同的特征的適用性不同,故對不同效果的字符所提取的特征性能也不盡相同,因此,用單一的特征已經(jīng)很難適應(yīng)受多種條件影響的車牌照字符的識別。另外,由于不同特征的不同維之間所表示的意義也不太相同,且權(quán)重也可能相差很多,如果采用直接組合的方法,就會使權(quán)重較大的特征占主導(dǎo)地位,而忽略了權(quán)重較小的特征。要解決這種問題,可以采用特征向量歸一化法或者加權(quán)的辦法,將兩種特征通過加權(quán)的方法組合起來,從而達到組合使用兩種特征的目的。
2.3 分類器設(shè)計
分類器就是在特征空間中用某種方法將被識別對象歸為某一類別。其基本做法是在樣本訓(xùn)練集的基礎(chǔ)上確定某個判決規(guī)則,以使按這種判決規(guī)則對被識別對象進行分類所造成的錯誤率最小或引起的損失最小。
采用神經(jīng)網(wǎng)絡(luò)作為分類器時,需要有一定的訓(xùn)練樣本,而且樣本個數(shù)不能太少,但是,本文的實驗環(huán)境中的車牌上,漢字、英文樣本較少,甚至某些漢字英文僅有一個或者幾個樣本,因而無法保證神經(jīng)網(wǎng)絡(luò)的訓(xùn)練程度。因此,本文采用模板匹配法。模板匹配法實際上就是采用多個標(biāo)準(zhǔn)樣本的距離分類器。通??衫闷骄鶚颖痉▉碛嬎銟颖揪狄詫⑵渥鳛槊總€類別的標(biāo)準(zhǔn)樣本,然后計算待識別樣本與標(biāo)準(zhǔn)樣本間的距離,最后選擇距離最小的標(biāo)準(zhǔn)樣本作為待識別的樣本類別。
通常采用的距離準(zhǔn)則如下;
(1)Minkowsky距離
該距離是若干種距離的通式表示:
(2)“City block”距離
即街區(qū)距離,它是對Manhattan距離的修正,同時加上了權(quán)重。即:
(3)Euclidean距離
即歐氏距離,是Minkowsky距離在λ=2時的特例,其優(yōu)點是各點連續(xù)可微:
(4)Mahalanobis距離
即馬氏距離,它注意到樣本的統(tǒng)計特性,而排除了樣本間的相關(guān)性影響。它可表示為:
本設(shè)計選用了歐式距離。因為歐式距離可以只計算
,這樣可以降低計算時間。
3 結(jié)束語
本文提到的車牌照識別方法具有很好的識別效果,并可針對出現(xiàn)的漏識和識別錯誤等現(xiàn)象做出改進,預(yù)處理時還可對圖像亮度進行分析,針對過亮或者過暗的圖像采取不同的二值化策略;也可以根據(jù)字符識別的結(jié)果采用回溯方法來驗證車牌定位和字符切分的準(zhǔn)確性;字符識別部分可增加字符模版的訓(xùn)練樣本數(shù)量,而采用神經(jīng)網(wǎng)絡(luò)作為分類器均可以提高字符識別的準(zhǔn)確率。
評論