一種基于模糊模板匹配的車牌漢字識別方法

字符識別屬于模式識別的范疇，通常的字符識別方法可分為2類：基于字符結(jié)構(gòu)（筆畫特征）的結(jié)構(gòu)識別和基于字符統(tǒng)計特征的統(tǒng)計識別。結(jié)構(gòu)模式識別方法的優(yōu)點是可以識別復雜的模式，缺點是需要進行筆畫特征的提取，在輸入圖像質(zhì)量不佳的情況下，這一點往往難以做到。在統(tǒng)計模式識別方法中，特征提取方便，識別速度與識別對象無關(guān)，但需要得到字符集的穩(wěn)定特征，且在字符筆畫較多時要求的特征量非常大。二種識別方法各有優(yōu)缺點。

人類的視覺感知系統(tǒng)是一個魯棒性很強的、能抵御實際中可能遇到的各種變形和噪聲干擾的文字識別系統(tǒng)。人們的認字過程實際上是對漢字整體形象的把握，是對漢字圖像全局的處理過程[1]。因而，漢字的整體信息在無筆順識別中起著無法替代的重要作用。

統(tǒng)計模式識別借助概率論的知識，判斷或決策對象的特征類別，使得決策的錯誤率達到最小?；诮y(tǒng)計特征的識別方法先抽取識別對象的穩(wěn)定特征，組成特征矢量，然后在字符集的特征空間中進行特征匹配?；谝陨险J識，在分析汽車牌照中漢字字符的特點后，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)計的模式識別方法進行漢字識別。同時針對統(tǒng)計方法無法區(qū)分的相似漢字，提取其微結(jié)構(gòu)信息進行特殊的校正識別。

1 特征統(tǒng)計匹配

統(tǒng)計決策論其要點是提取待識別模式的一組統(tǒng)計特征，然后按照一定準則所確定的決策函數(shù)進行分類判決[2]。漢字的統(tǒng)計模式識別是將字符點陣看作一個整體，從該整體上經(jīng)過大量統(tǒng)計得到所用特征，用盡可能少的特征模式來描述盡可能多的信息。所采用的方法有：特征統(tǒng)計的方法、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)特征和特征點特征等。這些方法都具有各自的優(yōu)缺點，應根據(jù)具體應用進行選取。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知識來獲得漢字信息的特征，即對文字周圍上下左右的形狀進行量化，從而構(gòu)造特征向量。網(wǎng)格特征實際是結(jié)構(gòu)模式識別和統(tǒng)計模式識別相結(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”。在每個網(wǎng)格內(nèi)尋找各種特征，如目標面積比例、交叉點、筆劃端點的個數(shù)、細化后的筆劃長度和筆劃密度等。特征統(tǒng)計以網(wǎng)格為單位，即使個別點統(tǒng)計有誤差也不會造成大的影響，從而增強了特征的抗干擾性。因此這種方法得到日益廣泛的應用。在實際的車牌漢字識別中，當相同漢字的二值圖形變動較小時該方法較有效。具體應用：將尺寸為34×66象素的漢字二值圖均勻分成32個正方形的小區(qū)域(不考慮外邊框的1個象素)，統(tǒng)計每個8×8的小區(qū)域內(nèi)目標象素（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)計多幅相同漢字的32維特征矢量，取均值作為該漢字的標準網(wǎng)格特征模板。識別時，計算待識別漢字的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，其對應的漢字即為識別結(jié)果。在具體應用中，由于外部原因常常會出現(xiàn)字符模糊、字符傾斜的情況，而網(wǎng)格特征匹配方法對字符模糊和傾斜較敏感，因此魯棒性不是很強，不適合實際應用。

2 模板匹配

考慮到以上2種主要識別方法存在的弊端，決定選用模板匹配的算法進行字符的識別。實際研究中發(fā)現(xiàn)，二值化的圖形模板雖然直觀，但其匹配計算過程過于簡單直接，對傾斜、形變、殘損、模糊的待識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現(xiàn)直接的匹配計算。綜合以上二方面的問題，在引入統(tǒng)計模式識別思想的基礎(chǔ)上，提出了基于二值圖形變動分析的模糊模板匹配方案。

2.1 基于二值圖形變動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，導致在二值圖中字體的形狀、大小都會不同，字體位置也會發(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。在漢字識別的分析過程中，希望對圖形變動的大小進行量化處理。因此，提出了求圖形整體變動量的統(tǒng)計方法，其優(yōu)點是不需要參照標準圖形，可以進行客觀評價，并構(gòu)造出用于匹配識別的模糊模板。

對每一個車牌的漢字字符，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的標準大小后進行二值化處理，得到標準參考圖fi(x，y)。因此每個車牌漢字字符都有n幅由0、1所組成的二值圖像。將這n幅二值圖像對齊后疊加，再進行歸一化。得到的模糊圖形F(x，y)。四個漢字的模糊圖形模板(不同方向的視覺效果)如圖1所示。

該模糊圖形上每一象素點實際上都對應著一個概率值，該概率值代表白色目標（漢字筆劃）在該點出現(xiàn)的可能性。例如在模糊模板中若某一點值為1，表明在所有參加統(tǒng)計的二值圖形上漢字筆劃都經(jīng)過該點，其為白色目標象素的可能性是100％，為黑色背景象素的可能性是0；反之亦然。進行匹配識別時，對一幅切分后的待識別漢字灰度圖，將其規(guī)格化、二值化，然后計算每一象素點與模板的吻合程度，即每一象素點正確匹配的置信度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別圖像，把所有點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所對應的模板漢字作為匹配識別輸出的結(jié)果。

公式中的width和height分別是歸一化后標準圖像的長和寬。通過對實驗結(jié)果的分析發(fā)現(xiàn)，識別錯誤的圖像，往往嚴重變形、模糊，二值化效果差。

2.2 基于二值圖形變動分析的模糊模板匹配的改進算法

針對以上問題，提出了一種簡單的改進算法。將切分后不同大小的灰度字符圖像規(guī)格化為17×33的標準尺寸以后，將各象素點的灰度值線性變換到[0，1]區(qū)間，再與模糊圖形模板匹配，計算Euclid距離，其最小距離值對應的模板漢字作為匹配識別輸出的結(jié)果。該方法的優(yōu)點是不用對灰度圖像作二值化處理，避免了由于二值化操作帶來的圖像信息損失。特別是對一些模糊圖像，若直接采用二值化效果較差，影響匹配準確度。因此使用該方法在一定程度上提高了識別正確率。

實驗中發(fā)現(xiàn)，對少數(shù)明暗程度變化大或?qū)Ρ榷炔粡姷哪：龍D像，該方法也產(chǎn)生了少量識別錯誤。這是由于將待識別圖像的各點灰度值線性拉伸到[0，1]區(qū)間后，原始圖像明暗程度不同導致其平均值與對應模板的平均值并不一致，直接用Euclid距離進行匹配，帶來了計算誤差。因此引入了歸一化相關(guān)性度量公式：

其中I(i，j)和Tn(i，j)分別是輸入的待識別的字符圖像和第n個模板，分別是輸入字符圖像所有灰度的均值和第n個模板的均值，w和h分別為圖像的長和寬，S(I，Tn)是匹配函數(shù)，其值在0～1之間，代表待識別圖像與模板圖像的匹配程度。使用該公式計算相關(guān)性，可以避免由于明暗和對比度變化導致圖像和模板的“能量”不一致而帶來的匹配誤差，進一步提高了匹配準確度。

3 試驗結(jié)果的進一步校正

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，因此必須對相似的字符進行進一步的校正才能提高識別的正確率。對相似漢字的區(qū)分，往往是尋找其特有的筆劃結(jié)構(gòu)，這也是在統(tǒng)計模式識別中引入結(jié)構(gòu)方法的必要之處。例如在車牌漢字識別中，“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)。為此對預處理后的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個特征值(由左、右二邊分別投影得到)，垂直投影33個特征值(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)計平均后作為區(qū)分相似漢字的依據(jù)。實際校正時，計算微結(jié)構(gòu)特征的匹配距離。若小于預先設(shè)定的閾值，則直接返回該漢字作為識別結(jié)果。


4 實驗流程及結(jié)果

對識別300幅切分后的質(zhì)量較好的漢字灰度圖進行識別，實驗流程如圖3所示。實驗結(jié)果表明，外圍面積特征匹配法正確率達88％，網(wǎng)格特征匹配法86％，簡單模板匹配法91％，改進算法的正確率達到了93％。如果對識別結(jié)果進一步校正，正確率將提高到95％。若再進一步增加訓練集，完善模板，相信正確率還可以繼續(xù)提高。