模式识别应用-车牌识别.ppt

模式识别应用——车牌识别模式识别系统的组成：
信息获取
预处理
特征提取和选择
分类器设计和分类决策信息获取
机器识别：计算机获取模式信息即实现观察对象的数字化表达。
待识别的样本大都是非电信息，例如语音信号、待识别文本、图像等，这就需要将这些以各种不同形式表现的信息通过传感器转换成电信号。
如用话筒将声音信号转换成电信号。
景物信息在摄像机靶面成像并转换成二维的像素矩阵，每个像素（矩阵元素）的电信号与物体表面反射的光强或颜色信息呈现函数关系。预处理
预处理主要是指去除所获取信息中的噪声，增强有用的信息，及一切必要的使信息纯化的处理过程。
图像信息的预处理：几何校正、图像增强、图像还原等。
例如，从图像中将汽车车牌的号码识别出来，就需要先将车牌从图像中找出来，再对车牌进行划分，将每个数字分别划分开。做到这一步以后，才能对每个数字进行识别。以上工作都应该在预处理阶段完成。分类决策
模式识别系统工作有两个过程，一是样本训练，二是分类决策。
样本训练：在已确定的特征空间中，对作为训练样本的数据进行特征提取与选择，得到它们在特征空间的分布，依据这些分布决定分类器的具体参数。
分类决策：分类器在分界形式及其具体参数都确定后，对待分类样本进行分类决策的过程。分类决策是对事物辨识的最后一步。
识别事物（决策）的基本方法：同一类事物之间属性应比较近似，而不同类事物之间的属性之间应差异较大。这种现象表现在特征空间的分布中往往表现出同类事物的特征向量聚集在一起，聚集在一个相对集中的区域，而不同事物则分别占据不同的区域。因此，如果待识别的事物的特征向量出现在某一类事物经常出现或可能出现的区域内，该事物就被识别为该类事物。
决策依据：在特征空间中哪个区域是某类事物典型所在区域需要用数学式子划定，这样一来，满足这种数学式子与否就成为分类决策的依据。如何确定这些数学式子就是分类器设计的任务，而一旦这种数学式子确定后，分类决策的方法也就确定了。汽车车牌识别系统汽车车牌识别系统汽车车牌识别——图像采集汽车车牌识别——图像采集首先，从摄像头取得彩色的包含车牌的图像。在摄像机前方的检测点安装传感器，当汽车通过检测点时，传感器向主机发出信号，系统自动摄下车辆的图像，并将图像输入计算机。车牌定位是在包含车辆的图像中找到牌照区域的位置，并把牌照区域分割出来，得到牌照图像。也可称这部分为牌照定位与分割。牌照定位决定其后的车牌字符识别，因此牌照定位是识别系统的关键。经过大量实验数据发现，车辆牌照一般具有以下特征:
目前车辆牌照的具体排列格式是由一个省份汉字(军警牌则为其他字)后跟字母或阿拉伯数字组成的7个字序列。除第一个汉字外，字母或数字的笔画在竖直方向都是连通的。
标准车牌的具体排列格式是:X1X2·X3X4X5X6X7
X1是各省、直辖市的简称或军警（多数为红色）、外交标志（例如：大使馆车辆白底黑字）
X2是英文字母
X3X4是英文字母或阿拉伯数字
X5X6X7是阿拉伯数字。(2)车辆牌照区域牌底与牌字颜色相差较大，边缘非常丰富。
(3)车辆牌照子图像区域长高比例一定，车牌原始尺寸每个字宽45mm，字高90mm，间隔符宽10mm，每个单元间隔12mm。
根据汽车牌照的特点，需要充分利用这些特征，并结合一系列图像处理，对车辆牌照进行定位与分割。车牌特征提取的第一步——灰度化
为了便于后续的快速图像处理，以及对不同颜色的车辆牌照进行统一处理，需要把摄像头拍到的含车辆的图像由24位真彩色转化成灰度图。一般采用现行标准的平均值法:2024/10/24车牌特征提取的第二步——灰度拉伸
对灰度化的图像进行对比度拉伸，把感兴趣的灰度范围拉开，使得该范围内的像素亮的更亮、暗的更暗，使图像的边缘更加凸显。灰度拉伸可以使牌照区域的笔画特征更明显，有益于下一步的边缘检测。如果图像的灰度范围超出了［a，b］，但绝大多数像素的灰度落在区间［a，b］内，只有很少部分的像素灰度分布在小于a和大于b的区间内，此时可以采用一种称作“截取式线性变换”的变换方法，其变换式如下:车牌特征提取的第三步——边缘检测
边缘检测对于车牌区域的分割有重要的作用。经过边缘检测之后的图像由各个物体的轮廓线组成，由于车辆牌照是边缘丰富的子区域，车牌的笔画轮廓凸现，而车体上其他部分的轮廓线特征并不突出。在车牌识别系统中，可以采用如下的算子来提取边缘:之后输出的就是候选的车牌位置，这些位置中，只有一个是真正的车牌。而究竟哪一个是对的，要到字符识别阶段才能有结果。字符分割要把车牌中的一个个字符逐一切分开，这样才能在下一步的识别中对每一个字符分别处理。分割的方法可以利用灰度图像往竖直方向的投影。在有数字或字符的部分，这个投影值应该比较大，而在字符之间的间隙处，投影的累计值就几乎为零了。利用这个特征，可以很好地将字符分割开来