基于模板匹配车牌识别技术的研究
基于模板匹配车牌识别技术的研究——王宜政1、研究背景汽车牌照自动识别模块是现代社会智能系统的重要组成部分，是图像处理和模式识别技术研究的热点，具有非常广泛的应用[1]。
车牌识别主要包括以下三个步骤：车牌区域定位、车牌字符分割、车牌字符识别。
本论文通过对采集的车牌图像进行灰度变换、边缘检测、腐蚀、平滑等过程来进行车牌图像预处理，并由此得到一种基于车牌颜色纹理特征的车牌定位方法，最终实现了车牌区域定位。
车牌字符分割是为了方便后续对车牌字符进行匹配，从而对车牌进行识别。
本论文采用了模板匹配的方法，对输出的字符图像和模板库里的模板进行匹配，以得到对应于车牌字符的具体信息。
本论文还基于MATLAB进行了设计仿真实验，实验表明，该方案整体有效可行。
基于模板匹配的车牌识别技术在其识别正确率、速度等方面具有独特的优势及广阔的应用前景。
2、理论基础车牌定位与字符识别技术是以计算机数字图像处理、模式识别等技术为基础，通过对原图像进行预处理及边缘检测等过程来实现对车牌区域的定位，然后对车牌区域进行图像裁剪、归一化、字符分割及保存，最后将分割得到的字符图像与模板库里的模板进行匹配识别，从而输出匹配结果。
该流程如下图所示：——>采集图像——>图像预处理——>定位车牌区域——>车牌图像处理——>字符分割——>字符识别——>输出结果（⇒车辆牌照识别系统）车牌识别首先要正确地分割车牌区域，为此已经提出了很多方法：使用霍夫变换检测直线来定位车牌边界，进而获取车牌区域；使用灰度阈值分割、区域生长等方法进行区域分割；使用纹理特征分析技术检测车牌区域等。
然而霍夫变换对图像噪声比较敏感，因此在检测车牌边界直线时，容易受到车牌变形或噪声等因素的影响，具有较大的误检测几率。
灰度阈值分割、区域增长等方法则比霍夫直线检测方法稳定，但当图像中包含某些与车牌灰度非常相似的区域时，便不再适用了。
同理，纹理特征分析方法在遇到与车牌纹理特征相近的区域或其他干扰时，车牌定位的正确率也会受到影响。
因此仅采用单一的方法，难以达到实际应用的要求。
如果进行车牌字符的定位和裁剪，则需要首先对输入的车牌图像进行预处理，以得到精确的车牌字符图像；然后将处理后的车牌看作由连续的字符块组成，并设定一个灰度阈值，如果超过该阈值，则认为有多个字符相连，需要对其进行切割，进而实现对车牌字符的分割；最后把分割的字符图片进行标准化并与模板库进行比对，选出最相似的字符结果并输出，即为车牌信息。
2.1、车牌图像处理2.1.1、图像灰度化车牌图像的采集一般是通过数码相机或摄像机来进行，得到的图片一般都是RGB图像，即真彩图像。
根据三基色原理，每一种颜色都可以由红、绿、蓝三种基色按不同的比例构成，所以车牌图像的每个像素都由三个数值来指定红、绿、蓝的颜色分量。
灰度图像实际上是一个数据矩阵I，该矩阵每个元素的数值代表一定范围内的亮度值，矩阵I可以是整型、双精度型，通常0代表黑色，255代表白色。
在MATLAB中，一副RGB图像可以用uint8、uint16或者双精度等类型的m×n×3矩阵来描述，其中m和n分别表示图像的宽度和高度，此处的RGB图像不同于索引图，所以不使用调色板。
在RGB模型中，如果R=G=B，则表示一种灰度颜色。
其中，R=G=B的值叫做灰度值，由彩色转为灰度的过程叫做图像灰度化处理。
因此，灰度图像是指只有强度信息而没有颜色信息的图像。
一般而言，可采用加权平均值法对原始RGB图像进行灰度化处理，该方法的主要思想是从原图像中取R、G、B各层像素值，经过加权求和得到灰度图的亮度值。
在现实生活中，人眼对绿色敏感度最高，对红色敏感度次之，对蓝色敏感度最低，因此为了选择合适的权值对象，使之能够输出合理的灰度图像，权值系数应满足G>R>B。
实验和理论表明，当R、G、B的权值系数分别选择0.299、0.587、0.114时，能够得到最适合人眼观察的灰度图像。
2.1.2、图像二值化灰度图像二值化在图像处理过程中有着很重要的作用，图像二值化处理不仅能使数据量大幅减少，还能突出图像的目标轮廓，便于进行后续的图像处理与分析。
对车牌灰度图像而言，所谓的二值化处理就是将其像素点的灰度值设置为0或255，从而让整幅图片呈现黑白效果。
因此，对灰度图像进行适当的阈值选取，可以在图像二值化的过程中保留某些关键的图像特征。
在车牌图像二值化的过程中，灰度大于或等于阈值的像素点被判定为目标区域，其灰度值用255表示；否则这些像素点被判定为背景或噪声而排除在目标区域之外，其灰度值用0表示。
图像二值化是指在整幅图像中仅保留黑、白二值的数值矩阵，每个像素取两个离散数值0或1，其中0代表黑色，1代表白色。
在车牌图像处理系统中，进行图像二值化过程的关键是选择合适的阈值，使得车牌字符与背景能够得到有效分割。
不同的阈值设定方法对车牌图像进行处理也会产生不同的二值化处理结果：阈值设置得过小，则容易误分割，产生噪声，影响二值变换的准确度；阈值设置得过大，则容易过分割，降低分辨率，使非噪声信号被视为噪声而被过滤，造成二值变换的目标损失。
2.1.3、图像边缘检测边缘是指图像局部亮度变化最显著的部分，主要存在于目标与目标、目标与背景、区域与区域、颜色与颜色之间，是图像分割、纹理特征提取和形状特征提取等图像分析的重要步骤之一。
车牌识别系统中边缘提取对于车牌位置的检测有很重要的作用，常用的边缘检测算子有很多，如Roberts、Sobel、Prewitt、Laplacian、Log、Canny等。
根据实验分析，Canny算子对弱边缘的检测相对精确，能更多地保留车牌区域的特征信息，所以本论文采用Canny算子来进行边缘检测。
Canny算子在边缘检测中有以下明显的判别指标。
（1）信噪比信噪比越大，提取的边缘质量越高。
信噪比SNR定义为：。
式中，G(x)代表边缘函数，h(x)代表宽度为W的滤波器的脉冲响应，σ代表高斯噪声的均方差。
（2）定位精度边缘定位精度L定义如下：。
式中G'(x)、h'(x)分别是G(x)和h(x)的导数。
L 越大，表明定位精度越高。
（3）单边缘响应为了保证单边缘只有一个响应，检测算子的脉冲响应导数的零交叉点平均距离D(f')应满足：，式中，h″(x)是h(x)的二阶导数。
以上述指标和准则作为基础，利用Canny算子的边缘检测算法步骤如下：①预处理。
采用高斯滤波器进行图像平滑。
②梯度计算。
采用一阶偏导的有限差分来计算梯度，获取其幅值和方向。
③梯度处理。
采用非极大值抑制方法对梯度幅值进行处理。
④边缘提取。
采用双阈值算法检测和连接边缘。
2.1.4、图像形态学运算数学形态学图像处理的基本运算有四个：膨胀（或扩张）、腐蚀（或侵蚀）、开启、闭合。
二值形态学中的运算对象是集合，通常给出一个图像集合和一个结构元素集合，利用结构元素对图像集合进行形态学操作。
膨胀运算的符号为⊕，图像集合A用结构元素B来膨胀，记做A⊕B，定义为：。
式中，表示B的映像，即与B关于原点对称的集合。
因此，用B对A进行膨胀的运算过程如下：先做B关于原点的映射得到映像，再将其平移x，当A与B映像的交集不为空时，B的原点就是膨胀集合的像素。
腐蚀运算的符号是Θ，图像集合A 用结构元素B 来腐蚀，记做A ΘB ，定义为： {}|()x A B x B A Θ=⊆。
因此，A 用B 腐蚀的结果是所有满足将B 平移后，B 仍旧全部包含在A 中的X 的集合，也就是结构元素B 经过平移后全部包含在集合A 中的原点所组成的集合。
膨胀操作会使物体的边界向外扩张，此时如果物体内部存在小空洞，则经过膨胀操作，这些洞将被补上，不再是边界。
如果再次进行腐蚀操作，外部边界则将变成原来的样子，而这些内部空洞则已经消失。
腐蚀操作会去掉物体的边缘点，如果物体足够细小，则其所有的点都会被认为是边缘点，进而被整体消除，仅保留大物体。
如果在进行膨胀操作时，留下来的大物体会变回原来的大小，则被消除的小物体已经消失。
在一般情况下，由于受到噪声的影响，车牌图像在阈值化后所得到的边界，往往是不平滑的，目标区域内部也具有一些噪声空洞，在背景区域上也会散布着一些小的噪声干扰。
通过连续的开、闭运算，可以有效地改善这种情况，有时甚至需要经过多次腐蚀之后，再加上相同次数的膨胀，才可以产生较好的效果。
2.1.5、图像滤波处理图像滤波能够在尽量保留图像细节特征的条件下对噪声进行抑制，是图像预处理中常用的操作之一，其处理效果的好坏将直接影响后续图像分割、图像识别的有效性和稳定性。
均值滤波也称为线性滤波，是图像滤波最常用的方法之一，其采用的主要方法是领域平均法。
该方法对滤波像素的位置(x,y)选择一个模板，该模板由其近邻的若干像素组成，求出模板中所包含像素的均值，再把该均值赋予当前像素点(x,y),将其作为处理后的图像在该点上的灰度值g(x,y)，即，其中M为该模板中包含当前像素在内的像素总个数。
采集车牌图像的过程往往会受到多种噪声的污染，进而会在将要处理的车牌图像上呈现一些较为明显的孤立像素点或像素块。
一般情况下，在研究目标车牌时所出现的图像噪声都是无用的信息，而且还会对目标车牌的检测和识别造成干扰，极大地降低了图像质量，影响图像增强、图像分割、特征提取、图像识别等后续工作的进行。
因此，在程序实现中，为了能有效地进行图像去噪，并且能有效地保存目标车牌地形状、大小及特定的几何和拓扑结构特征，本论文采用均值滤波来对车牌图像进行去噪处理。
2.2、车牌定位原理车牌区域具有明显的特点，因此根据车牌底色、字色等有关知识，可采用彩色像素点统计的方法分割出合理的车牌区域。
本论文以蓝底白字的普通车牌为例，说明彩色像素点统计的分割方法。
假设经过数码相机或CCD摄像头，拍摄采集到了包含车牌的RGB彩色图像，水平方向记为y，垂直方向记为x，则：首先，确定车牌底色RGB各分量分别对应的颜色范围；其次，在y方向统计此颜色范围内的像素点数量，设定合理的阈值，确定车牌在y方向的合理区域；然后，在分割出的y方向区域内统计x方向此颜色范围内的像素点数量，设定合理的阈值进行定位；最后，根据x、y方向的范围来确定车牌区域，从而实现定位。
2.3、车牌字符处理2.3.1、阈值分割原理阈值分割算法是图像分割中应用场景最多的算法之一。
简单地说，对灰度图像进行阈值分割，就是先确定一个处于图像灰度取值范围内的阈值，然后将图像中各个像素的灰度值与这个阈值进行比较，并根据比较的结果将对应的像素划分成两类：像素灰度值大于阈值的一类和像素灰度值小于阈值的另一类，灰度值等于阈值的像素可以归入这两类之一。
分割后的两类像素一般分属图像的两个不同区域，所以对像素根据阈值分类法达到了区域分割的目的。
基于模板匹配和SVM的车牌字符识别研究
基于模板匹配和SVM的车牌字符识别研究作者：姜改新来源：《汽车世界·车辆工程技术（上）》2019年第04期摘要：对于车牌识别过程中的字符识别问题，提出了基于模板匹配和SVM（支持向量机）的方法，这两种方法各自有自己的特点，识别率都比较高。
本文给出了这两种方法的性能比较，可以在具有不同需求的情况下采用不同算法。
关键词：模板匹配;SVM;字符识别;性能对比1 引言随着生活水平的提高的汽车行业的发展，家用汽车和其他类型的汽车越来越多，在很多方面造成了监管不便的问题。
汽车的车牌号就犹如人的身份证件号一样是汽车唯一的身份识别信息，在交通系统，住宅小区，事业单位和学校等等许多地方为了信息监测和安全防范都需要检验汽车的身份信息，单单靠人工的方式识别显然十分困难，车牌识别系统的出现在一定程度上为汽车信息识别提供了很大的便利，应用市场也十分广泛。
车牌识别系统的流程一般是首先进行车牌图像的获取，然后对图像进行预处理，而车牌定位、车牌字符分割和字符识别这几个部是比较核心的步骤，本文对字符识别这一部分提供了模板匹配和支持向量机这两种算法，给出了特点的介绍和性能的比较。
2 支持向量机支持向量机方法的基本模型是定义在特征空间上的间隔最大线性分类器，学习的目标是在特征空间中找到一个分类超平面，能够将实例分到不同的类。
分类特征要求分类内部样本距离足够小，类间样本距离足够大。
根据以上原理构造的SVM判别函数为：a为约束函数的解，y是出入样本的值，为核函数。
步骤：（1）对测试样本进行预处理，使其便于获得特征;（2）再对字符图像求其特征参数;（3）根据SVM方法进行判別。
SVM着重于最小化训练集的结构误差，识别效率高，识别速度快，测试误差小，而且还具有较强的泛化能力，但是SVM是基于小样本统计理论的基础上的，对于数据量很大的训练样本，SVM的训练时间比较长。
3 模板匹配算法我国普通汽车车牌的字符共有七位，第一位是各省或者直辖市的汉字简称，然后第二位是A～Z的字母，后五位是数字和字母的混合搭配，由于字符特征差距较大，采用不同的模板分别识别，提高了效率和准确性。
基于模板匹配的车牌识别
基于模板匹配的车牌识别1、实验目的和意义通过设计车牌识别系统，正确获取整个图像中车牌的区域，并识别出车牌号。
在实验过程中，熟悉基于模式识别的车牌识别的原理，并对其实现方法进行了分析和仿真。
随这图形图像技术的发展，现在的车牌识别技术准确率越来越高，识别速度越来越快。
无论何种形式的车牌识别系统，它们都是由触发、图像采集、图像识别模块、辅助光源和通信模块组成的。
车牌识别系统涉及光学、电器、电子控制、数字图像处理、计算视觉、人工智能等多项技术。
触发模块负责在车辆到达合适位置时，给出触发信号，控制抓拍。
辅助光源提供辅助照明，保证系统在不同的光照条件下都能拍摄到高质量的图像。
图像预处理程序对抓拍的图像进行处理，去除噪声，并进行参数调整。
然后通过车牌定位、字符识别，最后将识别结果输出。
2、实验原理车牌自动识别是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。
其硬件基础一般包括触发设备、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机等，其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。
某些牌照识别系统还具有通过视频图像判断车辆驶入视野的功能称之为视频车辆检测。
一个完整的牌照识别系统应包括车辆检测、图像采集、牌照识别等几部分。
当车辆检测部分检测到车辆到达时触发图像采集单元，采集当前的视频图像。
牌照识别单元对图像进行处理，定位出牌照位置，再将牌照中的字符分割出来进行识别。
3、详细设计步骤3.1 提出总体设计方案:为了进行牌照号码、颜色识别，需要以下几个基本的步骤:a.牌照定位，定位图片中的牌照位置;b.牌照字符分割，把牌照中的字符分割出来;c.牌照字符识别，把分割好的字符进行识别，最终组成牌照号码。
牌照识别过程中，牌照颜色的识别依据算法不同，可能在上述不同步骤实现，通常与牌照识别互相配合、互相验证。
1(1)牌照定位:自然环境下，汽车图像背景复杂、光照不均匀，如何在自然背景中准确地确定牌照区域是整个识别过程的关键。
机器视觉-实验三报告-模板匹配法实现车牌识别
实验三报告模板匹配法实现车牌识别一、实验目的结合印刷体字符识别方法，用模板匹配法实现车牌识别。
要求：能实现车牌定位、字符分割和车牌中数字0-9的识别。
二、实验设备微机三、实验内容及步骤1．上机编写程序。
2．调试程序。
3．根据实验结果，撰写实验报告。
四、实验报告(一)对汽车图像进行图像转换、图像增强和边缘检测等:1.载入车牌图像：I=imread('car1.jpg');figure(1),imshow(I);title('original image')；%将车牌的原图显示出来，结果如下：2.将彩图转换为灰度图并绘制直方图：I1=rgb2gray(I);%将彩图转换为灰度图figure(2),subplot(1,2,1),imshow(I1);title('gray image');figure(2),subplot(1,2,2),imhist(I1);title('灰度图直方图');%绘制灰度图的直方图结果如下所示：3. 用roberts算子进行边缘检测：I2=edge(I1,'roberts',0.18,'both');%选择阈值0.18，用roberts算子进行边缘检测figure(3),imshow(I2);title('roberts operator edge detection image')；结果如下：4.图像实施腐蚀操作：se=[1;1;1];I3=imerode(I2,se);%对图像实施腐蚀操作，即膨胀的反操作figure(4),imshow(I3);title('corrosion image');5.平滑图像se=strel('rectangle',[25,25]);%构造结构元素以正方形构造一个se I4=imclose(I3,se);%图像聚类、填充图像figure(5),imshow(I4);title('smothing image');结果如下所示：6. 删除二值图像的小对象I5=bwareaopen(I4,2000);%去除聚团灰度值小于2000的部分figure(6),imshow(I5);title('remove the small objects'); %用imshow函数显示滤波后图像结果如下所示：（二）车牌定位[y,x,z]=size(I5);%返回I5各维的尺寸，存储在x,y,z中myI=double(I5);%将I5转换成双精度tic %tic表示计时的开始，toc表示计时的结束Blue_y=zeros(y,1);%产生一个y*1的零阵for i=1:yfor j=1:xif(myI(i,j,1)==1)%如果myI(i,j,1)即myI的图像中坐标为(i,j)的点值为1，即该点为车牌背景颜色蓝色 %则Blue_y(i,1)的值加1Blue_y(i,1)= Blue_y(i,1)+1;%蓝色像素点统计endendend[temp MaxY]=max(Blue_y);%Y方向车牌区域确定%temp为向量yellow_y的元素中的最大值，MaxY为该值的索引PY1=MaxY;while ((Blue_y(PY1,1)>=5)&&(PY1>1))PY1=PY1-1;endPY2=MaxY;while ((Blue_y(PY2,1)>=5)&&(PY2<y))PY2=PY2+1;endIY=I(PY1:PY2,:,:);%行方向车牌区域确定%%%%%% X方向 %%%%%%%%%Blue_x=zeros(1,x);%进一步确定x方向的车牌区域for j=1:xfor i=PY1:PY2if(myI(i,j,1)==1)Blue_x(1,j)= Blue_x(1,j)+1;endendendPX1=1;while ((Blue_x(1,PX1)<3)&&(PX1<x))PX1=PX1+1;endPX2=x;while ((Blue_x(1,PX2)<3)&&(PX2>PX1))PX2=PX2-1;endPX1=PX1-1;%对车牌区域的校正PX2=PX2+1;dw=I(PY1:PY2-8,PX1:PX2,:);t=toc;figure(7),subplot(1,2,1),imshow(IY),title('Line direction areas');%行方向车牌区域确定figure(7),subplot(1,2,2),imshow(dw),title('positioning color images');%定位后的车牌区域如下所示：(三)字符分割与识别1.车牌的进一步处理对分割出的彩色车牌图像进行灰度转换、二值化、均值滤波、腐蚀膨胀以及字符分割以从车牌图像中分离出组成车牌号码的单个字符图像，对分割出来的字符进行预处理（二值化、归一化），然后分析提取，对分割出的字符图像进行识别给出文本形式的车牌号码。
基于统计学能量模板法的车牌识别
基于统计学能量模板法的车牌识别车牌识别是现代交通管理中一项非常重要的技术，它可以帮助交通管理部门实时监测道路上的车辆并进行违章记录。
基于统计学能量模板法的车牌识别是一种常用的方法。
在本文中，我们将详细介绍这种方法的原理和步骤。
统计学能量模板法是一种基于模板匹配的车牌识别方法，它主要利用车牌图像的特征和统计学方法来实现车牌的识别。
具体来说，该方法主要包括以下几个步骤：1. 预处理：将原始图像进行预处理，包括灰度化、二值化等操作，以便进一步处理。
这一步的目的是将图像转化为二值图像，便于后续处理。
2. 车牌定位：在预处理后的图像中，需要通过一些车牌定位算法来确定车牌的位置。
常用的车牌定位算法有基于颜色信息和基于形状信息的方法。
这一步的目的是将图像中的车牌和其他信息进行区分，便于后续处理。
3. 特征提取：在确定了车牌的位置后，需要对车牌图像进行特征提取。
常用的特征提取方法有傅里叶描述子、哈尔小波变换等。
这一步的目的是将图像中的车牌特征提取出来，为后续的识别做准备。
4. 模板匹配：在进行特征提取后，需要通过模板匹配的方法来识别车牌。
模板匹配是一种常用的图像匹配方法，它主要通过计算图像之间的距离和相似度来进行匹配。
这一步的目的是将提取的特征与预先准备好的车牌模板进行匹配，得到最终的识别结果。
基于统计学能量模板法的车牌识别主要通过预处理、车牌定位、特征提取和模板匹配等步骤来实现。
这种方法的优点是能够较好地处理车牌图像中的噪声和扭曲等问题，并且可以实现较高的识别准确率。
该方法也存在一些缺点，比如对车牌位置和光照条件要求较高，对于复杂背景的图像识别效果较差等。
在实际应用中，基于统计学能量模板法的车牌识别可以广泛用于交通管理、违章监测和停车场管理等场景。
随着计算机视觉和图像处理技术的不断发展，车牌识别技术也在不断地得到改进和优化。
相信在不久的将来，基于统计学能量模板法的车牌识别将会得到进一步提升和应用。
基于统计学能量模板法的车牌识别
基于统计学能量模板法的车牌识别随着科技的不断发展和进步，人们的生活得到了极大的便利和改善。
在交通管理方面，人工智能技术的应用已经成为一种趋势。
车牌识别技术作为智能交通系统中的重要组成部分，受到了广泛关注。
而基于统计学能量模板法的车牌识别技术具有较高的准确性和稳定性，成为了当前车牌识别技术的研究热点之一。
基于统计学能量模板法的车牌识别技术，简称为SVM。
这种技术使用支持向量机算法，通过SVM学习模型对图像数据进行分类和识别，从而实现对车牌的快速准确识别。
其基本原理是将车牌识别问题视为一个分类问题，在训练阶段利用大量的车牌图像数据进行模型的学习，在识别阶段利用学习好的模型进行车牌的识别。
具体实现过程如下：将车牌图像数据进行预处理，包括图像的灰度化、二值化、去噪等操作，使得车牌图像能够更好地适应SVM算法的特征提取和分类。
然后，提取图像的特征向量，这些特征向量能够准确地描述车牌图像的特征和属性，为后续的分类和识别提供有力的依据。
利用SVM算法进行模型的训练，选择合适的核函数和参数，使得模型能够更好地拟合车牌图像数据的特征，提高识别准确率。
1. 高准确率基于统计学能量模板法的车牌识别技术具有较高的准确率。
通过SVM算法学习模型，能够准确地提取车牌图像的特征，并进行精准的分类和识别。
在大量实际应用中，SVM算法的车牌识别技术表现出了很好的稳定性和准确性，极大地提高了交通管理的效率和科学性。
2. 良好的鲁棒性基于统计学能量模板法的车牌识别技术能够在光照、天气、视角等复杂环境下保持良好的识别效果。
SVM算法通过充分学习和模型训练，能够克服传统车牌识别技术在光照不均、车速快慢等方面的局限性，保证了车牌识别系统在真实场景中的可靠性和稳定性。
3. 训练数据需求量小基于统计学能量模板法的车牌识别技术在模型训练阶段不需要大量的数据支持，仅需要少量的训练数据集就能够取得较好的识别效果。
这对于真实场景中数据采集的难度和成本来说，是一种显著的优势，也是该技术得到广泛应用的重要原因之一。
基于模板匹配和SVM的车牌字符识别研究
车辆工程技术209机械电子1 引言 随着生活水平的提高的汽车行业的发展，家用汽车和其他类型的汽车越来越多，在很多方面造成了监管不便的问题。
汽车的车牌号就犹如人的身份证件号一样是汽车唯一的身份识别信息，在交通系统，住宅小区，事业单位和学校等等许多地方为了信息监测和安全防范都需要检验汽车的身份信息，单单靠人工的方式识别显然十分困难，车牌识别系统的出现在一定程度上为汽车信息识别提供了很大的便利，应用市场也十分广泛。
车牌识别系统的流程一般是首先进行车牌图像的获取,然后对图像进行预处理,而车牌定位、车牌字符分割和字符识别这几个部是比较核心的步骤,本文对字符识别这一部分提供了模板匹配和支持向量机这两种算法,给出了特点的介绍和性能的比较。
2 支持向量机 支持向量机方法的基本模型是定义在特征空间上的间隔最大线性分类器，学习的目标是在特征空间中找到一个分类超平面，能够将实例分到不同的类。
分类特征要求分类内部样本距离足够小，类间样本距离足够大。
根据以上原理构造的SVM判别函数为： a 为约束函数的解，y 是出入样本的值，为核函数。
步骤： （1）对测试样本进行预处理，使其便于获得特征；（2）再对字符图像求其特征参数；（3）根据SVM 方法进行判别。
SVM 着重于最小化训练集的结构误差，识别效率高，识别速度快，测试误差小，而且还具有较强的泛化能力，但是SVM 是基于小样本统计理论的基础上的，对于数据量很大的训练样本，SVM 的训练时间比较长。
3 模板匹配算法 我国普通汽车车牌的字符共有七位,第一位是各省或者直辖市的汉字简称,然后第二位是A~Z 的字母,后五位是数字和字母的混合搭配,由于字符特征差距较大，采用不同的模板分别识别,提高了效率和准确性。
在进行模板匹配之前，为了提高抗干扰能力，已经对图像进行了滤波去噪和二值化等操作。
模板匹配操作步骤如下：图1 字符切割后，为了便于字符的识别，消除字符的大小对识别的影响，提高识别的精度，将每个字符的图片进行归一化，归一化包括位置归一化和大小归一化。
基于模板匹配车牌识别技术的研究
基于模板匹配车牌识别技术的研究——王宜政1、研究背景汽车牌照自动识别模块是现代社会智能系统的重要组成部分，是图像处理和模式识别技术研究的热点，具有非常广泛的应用[1]。
车牌识别主要包括以下三个步骤：车牌区域定位、车牌字符分割、车牌字符识别。
本论文通过对采集的车牌图像进行灰度变换、边缘检测、腐蚀、平滑等过程来进行车牌图像预处理，并由此得到一种基于车牌颜色纹理特征的车牌定位方法，最终实现了车牌区域定位。
车牌字符分割是为了方便后续对车牌字符进行匹配，从而对车牌进行识别。
本论文采用了模板匹配的方法，对输出的字符图像和模板库里的模板进行匹配，以得到对应于车牌字符的具体信息。
本论文还基于MATLAB进行了设计仿真实验，实验表明，该方案整体有效可行。
基于模板匹配的车牌识别技术在其识别正确率、速度等方面具有独特的优势及广阔的应用前景。
2、理论基础车牌定位与字符识别技术是以计算机数字图像处理、模式识别等技术为基础，通过对原图像进行预处理及边缘检测等过程来实现对车牌区域的定位，然后对车牌区域进行图像裁剪、归一化、字符分割及保存，最后将分割得到的字符图像与模板库里的模板进行匹配识别，从而输出匹配结果。
该流程如下图所示：——>采集图像——>图像预处理——>定位车牌区域——>车牌图像处理——>字符分割——>字符识别——>输出结果（⇒车辆牌照识别系统）车牌识别首先要正确地分割车牌区域，为此已经提出了很多方法：使用霍夫变换检测直线来定位车牌边界，进而获取车牌区域；使用灰度阈值分割、区域生长等方法进行区域分割；使用纹理特征分析技术检测车牌区域等。
然而霍夫变换对图像噪声比较敏感，因此在检测车牌边界直线时，容易受到车牌变形或噪声等因素的影响，具有较大的误检测几率。
灰度阈值分割、区域增长等方法则比霍夫直线检测方法稳定，但当图像中包含某些与车牌灰度非常相似的区域时，便不再适用了。
同理，纹理特征分析方法在遇到与车牌纹理特征相近的区域或其他干扰时，车牌定位的正确率也会受到影响。
基于模板匹配的车牌汉字识别方法及判别函数
摘
要
ቤተ መጻሕፍቲ ባይዱ
利用预先设计好的标准车牌汉字模板与待识别字符进行逻辑 ‘ 运算，通过判别函数得 出识别结果。文中提 与’
出两个判别函数 ，求取模板、待识别字符与匹配结果三者标准差最小值，求取 匹配结果矩阵元素和最大值 ，并对它们的识别
结果进行对比和分析 ，最后将 两个函数联合使用。结果表 明，在一些字符的识别上文 中方法较以往的识别方法有所提 高。
ａ ｄ ｔｅ ｃ ａ ａ ｔｒｔ ｅ ｒ ｃ ｇ ｉｅ ｎ ｈ ｈ ｒｃｅ ｏ ｂ ｅ ｏ ｎ ｚ ｄ． Ｉ ｕ ｓｆｒ ｒ ｗｏ ｄ ｓ ｒｍｉａ ｔｆ ｎ ｔ ｎ ｔｐ ｔ ｗａ ｄ ｔ ｉｃｉ ｎ ｎ ｕ ｃｉ ｓ， ｃ ｌｕａｅ ｈ ｎｍｕ ｏ ｔｎ ａｄ ｏ ｏ ａｃ ｌｔ ｓｔ ｅ ｍｉｉ ｍ ｆｓａ ｄ ｒ ｄ ｖ ａｉｎ ｏ ｅｔｍｐ ａｅ， ｔ ｅｃ ａａ ｔｒｔ ｅｒ ｃ ｇ ｉｅ ｎ ｈ ｔｈｎ ｅ ｕｔ ｃ ｌｕａｅ ｈ ｘｍｕ ｓ ｍ ｆｔ ｅ ｅ ｉｔ ｆｔ ｅ ｌｔ ｏ ｈ ｈ ｈ ｒ ｃｅ ｏｂ ｅ ｏ ｎｚ ｄ ａ ｄ ｔ ｅｍａｃ ｉｇｒ ｓ ｌ， ａｃ ｌｔ ｓｔ ｅｍａ ｉ ｍ ｕ ｏ ｈ ｍａｒｘ ｅｅ ｎ ｓｏ ｈ ｔｈ ｎ ｅ ｕｔ ａ ｄ ｍａ ｅ ｎ ａ ａｙ ｉ ｏ ｅｒｒｓ ｌ ． Ｔ ｅ ｔｕ ｅ ｈ ｍ ｏ ｅｈ ｒ Ｔ ｅ ｒ — ｔｉ ｌｍｅ ｔ ｆｔｅ ｍａｃ ｉ ｇｒ ｓ ｌ ， ｎ ｋ ｓａ ｎ ｌｓｓ ｆｔ ｉ ｅ ｕｔ ｈ ｓ ｈ ｎ ｉ ｓ ｓｔ ｅ ｔ ｇ ｔ ｅ ． ｈ ｅ ｓ ｌ ｈ ｗ ｈ ｔｉ ｈ ｓｂ ｔｅ ｅ ｕｔｔａ ｈ ｒ ｖｏ ｓｍｅｈ ｄ ｉ ｅ ｏ ｎ ｔ ｎ ｏ ｏ ｈ ｒ ｃｅｓ ｕｔ ｓ ｏ ｔａ ｔ ａ ｅｔｒｒｓ ｌ ｈ ｎ ｔ ｅｐ ｅ ｉｕ ｔ ｏ ｎ ｒｃ ｇ ｉ ｏ ｆｓ ｍｅ ｃ ａ ａ ｔｒ ． ｓ ｉ Ｋ ｅ ｗｏ ｄ ｌｃ ｎ ｅｐ ａｅ ｒｃ ｇ ｉ ｏ ｙ ｒ ｓ ｉｅ ｓ ｌｔ ｅ ｏ ｔ ｎ； ｃ ａａ ｔｒ； ｔｍｐ ａｅ； ｌｇｃ ｏ ｅａｉｎ ； ｂ ｎ ｒ ｔｉ Ｍａｌｂ ｎ ｉ ｈ ｃｅ ｒ ｅ ｌｔ ｏ ｉ ｐ ｒｔｏ ｓ ｉａ ｙ ｍａｒｘ； ｔ ａ
基于模板匹配的车牌识别及matlab实现
科类理工类编号（学号）20082036本科生毕业论文（设计）基于模板匹配的车牌识别及matlab实现License plate recognition based on template matching and matlabimplementation伏绍鸫指导教师：朱玲职称讲师农业大学黑龙潭650201学院：基础与信息工程学院专业：电子信息工程年级：2008级论文（设计）提交日期：2012年5月答辩日期：2012年5月答辩委员会主任：林楠农业大学2012年05 月目录摘要 (1)ABSTRACT (2)1 前言 (3)2 车牌识别系统分析 (4)2.1 车牌识别的目的 (5)2.2车牌识别现状分析 (5)2.3车牌识别的意义 (6)2.4 我国车牌分析 (7)3 车牌识别系统的原理及方法 (8)3.1车牌识别系统简述 (8)3.2 车牌图像处理 (9)3.2.1 图像灰度化 (9)3.2.2 图像二值化 (10)3.2.3边缘检测 (10)3.2.4 图像闭运算 (12)3.2.5图像滤波处理 (13)3.4 车牌字符处理 (15)3.4.1 阈值化分割原理 (15)3.4.2 对车牌阈值化分割 (16)3.4.3 字符归一化处理 (17)3.5 字符识别 (17)3.5.1 字符识别简述 (17)3.5.2 字符识别的分类 (18)3.5.3 基于模板匹配的字符识别 (19)4 实验分析 (19)4.1车牌定位过程及分析 (19)4.2 车牌字符识别 (23)4.3 车牌识别结果及分析 (26)5 结论 (28)参考文献 (29)致 (29)附录 (29)基于模板匹配的车牌识别及matlab实现伏绍鸫（农业大学基础与信息工程学院，650201）摘要随着我国经济、交通的的快速发展，车牌定位系统以及车牌字符自动识别技术也逐渐受到人们的重视。
车牌识别是对采集的车牌图像进行灰度变换、边缘检测、腐蚀以及平滑处理，最后在取得的大对象中移除小对象，由此提出了一种基于车牌纹理特征的车牌定位算法，最终实现对车牌的定位。
基于改进的模板匹配识别算法的研究
基于改进的模板匹配识别算法的研究摘要：车牌识别系统是智能交通系统的核心组成部分，在交通部门的违章检测、高速公路自动收费和智能停车场管理等方面占有重要的作用。
车牌字符识别问题是车牌识别的关键技术之一，也是目前该领域研究的热点问题之一。
本文通过对两种模板匹配的车牌字符识别方法进行了比较与研究。
关键词：车牌识别模板匹配汉字识别1.引言车辆牌照识别(LPR)系统作为一个综合的计算机视觉系统主要分为车流量、车型检测子系统和车辆牌照识别子系统两部分，而车牌字符识别是系统的核心。
车辆牌照识别子系统又可分为车牌定位、车牌字符识别两部分。
LPR系统主要需要进行的是图像的实时采集、处理、分析和识别，属于图像工程的范畴。
现代社会已进入信息时代，随着计算机技术、通信技术和计算机网络技术的发展，自动化的信息处理能力和水平不断提高，并在人们社会活动和生活的各个领域得到广泛应用，在这种情况下，作为信息来源的自动检测、图像识别技术越来越受到人们的重视。
2.两种模板匹配法2.1 传统模板匹配法识别传统模板匹配法是实现离散输入模式分类的有效途径之一，其实质是通过度量输人模式与模板之间的相似性，取相似性最大的作为输人模式所属类别。
该方法通过对字符的直观形象进行特征抽取，使用相关匹配原理确定的匹配函数进行判决，也就是通过一个分类器将输入的字符与标准模板字符进行匹配。
2.2 改进的模板匹配法识别传统模板匹配方法的缺点是抗干扰能力差。
模板匹配法根据建模时所取特征的不同，分为图形匹配、笔画分析、几何特征抽取等几种形式。
图形匹配法在建模和匹配比较时，都是基于字符的图形块本身进行匹配，并根据其相似程度得出识别结果，本文采用了该方法对汉字进行识别。
通过图形匹配的方法识别汉字字符的时，首先，要对输入的汉字字符进行二值化和归一化处理，若背景用0表示，汉字字符用1表示，对每一个汉字字符均建立一个标准的模板Ti，令待识别的图像为Y，它们的大小均为A×B，将Y与每一个模板进行匹配，分别求出它们的相似度Si：其中，Ti和Y均为像素的二值点阵，Y×Ti表示矩阵和矩阵的点乘，即矩阵中对应位置元素的相乘。