车牌识别

PSF是point spread function的简称，即点扩散函数，用该指标来衡量重建后的图像的分辨率。在线性系统中，对于任意成像目标I1和其对应的像I2可以表示成I2=I1*h，h是系统函数。这个卷积系数h就是PSF，因为当I1为冲击函数时，I2=h。I2的质量取决于h。当h越偏离冲击函数，I2就越模糊，其模糊程度可以用h的宽度来衡量，h越宽，I2越模糊。空间分辨率定义为，能够区分两个不同点的最小间隔。PSF的宽度决定了重建图像的空间分辨率。对于从傅里叶域采样重建的图像，其分辨率取决于傅里叶域的分辨率，无论在重建后图像域中采样何种差值或补零方案，都不能提高图像的空间分辨率。

垂直边缘检测算法

数学形态学

基于颜色分割算法

)车牌字符的特点:

字符识别属于模式识别领域，归类于OCR(光学字符识别)技术。但其与一般的印刷体字符的识别相比有其特殊性，具体表现在以下方面:

a.小字符集。仅包括上述共80多个字符，与其他的OCR系统相比，只是其中很小的一部分。

b.成像环境复杂、干扰和几何变形较多。

c.字符点阵分辨率低。字符所占的像素比较少。

d.个别位置的字符以外，上下文字符在语义和概念上没有关联。

e.简单的阿拉伯数字、英文字母和结构复杂的汉字都需要放在一起处理，识别算法复杂。尤其是汉字字符，字符相似度大且经常成像不清晰，使得一些仅仅依靠形体特征识别的算法不适用。

f因为车牌字符是一种标准化的字体，不存在手写体字符识别的要求，

(l)车牌定位

现有的各种车牌定位算法中，运用到的牌照特征主要有色彩特征、纹理特征、形状特征、位置特征、能量特征、频谱特征等。由于车牌识别系统应用于复杂的外界环境下，车牌定位存在以下难点:

a.车牌图像背景处于杂乱的背景图像之中，易受环境因素干扰，照片质量难以保证。受光照和污物的影响，存在偏色的现象。当车牌图像对比度较小、光照不均匀时，有效定位率下降;

b.部分背景可能也具有较规则的特征，而且其他字符区域以及具有类似车牌纹理特征区域的干扰，导致车牌难以准确定位，如养路费牌、广告牌、车灯区等都容易干扰车牌的定位。

c.受拍摄角度和距离的影响，车牌存在几何变形和大小不定的特点;也会出现车牌磨损和弯曲变形，出现污点变脏、笔迹模糊和褪色等情况影响定位效果;

d.受车速的影响，部分影像可能模糊，导致运动图像的模糊失真，形成锯齿。总的来说，将定位方法分为两大类，基于灰度图像和基于彩色图像的车牌定位方法，也可以将两种方法结合在一起。

l)基于灰度图像的车牌定位方法

国外的研究有:Masataka提出一种利用车牌边角特征来定位的方法，采用了并行处理方法提高运算速度[45]，据报道其定位精度达到99%。西门子研究中心的Yaniao等研究出一种利用牌照纹理特征和两幅连续图像进行定位的算法[#6】。在国内，南京理工大学冯国进等[47〕利用了车牌的几何特征，研究出一种基于自适应投影的快速定位技术，车牌大小的变化一定范围内不影响效果。北京工业大学的牛欣，沈兰荪[48]提出的算法是运用特征的特性，首先利用对原始图像的边缘进行一阶微分算子的预处理，并运用数学形态学的闭运算去除噪声，初定位车牌，然后采用投影的方法剔除假车牌，留下真车牌。其算法复杂度低且满足实时定位的要求。出一种思路是通过变换函数突出车牌特点，他们对二值化闺值的选取提出了改进，采用了最大方差法，并水平扫描二值化后的图像，找出扫描线变化剧烈的区域作为车牌初定位的结果。同济大学廖金周，宣国荣[5‘]针对牌照字符串沿水平方向排列的规则，采用了一种线形滤波器，得到侯选区域;此算法能够在对牌照的字符、位置及其大小，颜色和车辆的背景等做最小限定的条件下，实现复杂背景下的自动分割。广东工业大学的余英林【52]和华南理工大学的戴青云提出了基于小波与形态学的车牌图像分割方法，基于小波多尺度分割边缘子图像，用形态学方法去除没有价值的信息与噪音，精定位车牌位置。此方法适用于存在噪声的车牌图像。南京理工大学的史湘全[53]等提出了利用遗传算法，结合区域特征矢量构造的适应度函数，优化搜索图像，确定车牌的最佳定位参量。

基于彩色图像的车牌定位

上海交大的赵雪春等[55]提出了一种基于彩色图像的分割方法，另外提出了多级混合集成分类器的识别方法。山西的郭大波等[56】提出是基于车牌底色识别的方法。赵海燕等[57〕先把颜色加强，再利用车牌颜色进行定位。

2)字符分割字符分割是根据已经确定车牌位置提取每一个字符的过程。MingGhee[5‘]等提出了一种利用Hough变换寻找牌照的上下边界和倾斜角度e，然后利用牌照的上下边界进行水平切分。Yunta。等146]提出了二值化过程引入马尔科夫场某些特性的方法。中国科技大学陈锻生等[59〕利用连通区域形状分析的方法来分割字符。云南昆明理工大学潘小露等160]利用投影的方法分割车牌。国防科技大学的韩智广等16‘]提出了针对车牌分割与校正倾斜度方面的方法。

(3)车牌识别

目前的车牌字符识别方法基本可分为:字符的统计特征法、结构特征分析法、支持向量机SVM算法、神经网络法和模板匹配法。

1)字符的统计特征法:选取同一类字符中分类性能好的统计特征作为特征向量。常用的统计特征有复杂指数、粗网格特征、垂直和水平投影、字符的归一化宽度比。该方法对噪声不敏感，有较好的鲁棒性，但对细节差别反映不灵敏，通常用于字符的粗分类。

2)字符的结构特征法:根据识别方式的多样化，结构可以选择笔根、笔划甚至笔段。常用的结构特征有:孔洞和缺口、字符的特殊节点数、笔道密度函数、链码等。结构特征字符识别方法的优势是其能够较好分辨出结构上的细微差别;但是对噪声比较敏感，且占用大量的存储和计算资源，算法识别速度慢。

3)支持向量机SVM算法:通过非线性变换定义内积函数将输入空间变换到一个高

维空间，求取最优线性分类面。其独特的优势在于解决非线性、小样本学习和高维模式

识别等问题。

4)人工神经元网络的算法分为两类:一类是先进行特征提取，然后把待识别字符的特征送入神经网络分配器进行训练，此方法需要很长的时间训练网络，网络的类型也有很多种，常用的是BP网络，其有较好的自学与分类能力;另一类是把需要处理的图像直接输入网络，自动进行特征提取最终得到识别结果，此方法需要由硬件实现，需要处理的信息量大。

5)模板匹配法通过比较输入模式与模板之间的相似程度，取相似度最大的作为输入模式所属类别。由于建模时参考的特征不同，模板匹配法分为图形匹配、笔划分析、几何特征抽取等方式。其实质是根据字符的直观形象提取特征，由相关匹配原理定义的函数进行比较，将待匹配字符和标准模板字符放在同一分类器中进行比较。图形匹配法是基于字符的图形块本身而进行匹配，并由相似程度得出识别结果。传统的模板匹配方法容易受到环境的影响，准确率不高，需要使用更多的模板进行匹配，处理时间也会增加。在车牌识别中使用模板匹配进行字符识别有许多的例子，HanSA[62]提出了针对荷兰车牌的识别方法，其算法思想是构造一些特殊的模板，其全车牌识别正确率为92%以上。国内北航的胡爱明163〕等针对收费站这种复杂环境开发出了一套基于模板匹配技术识别系统，报道称其识别准确率为97%以上。

国外典型的牌照定位方法有：R.Parisi 等提出的基于DFT变换的频域分析方法[29]；

J.Barroso 提出的基于水平线搜寻的定位[30]；Charl Coetzee 提出的基于Niblack 二值化

算法及自适应边界搜索的定位方法