模板匹配算法在車牌字符識別中的應用

摘 要：車牌字符一般由漢子、字母和數(shù)字組成，本文采用模板匹配的方法對其進行識別，并與神經網(wǎng)絡方法進行了對比，該方法實現(xiàn)簡單，運算速度快，提高了字符的識別率，是一種有效地字符識別方法。

關鍵詞：模板匹配；車牌字符；神經網(wǎng)絡

中圖分類號：TP391.41

隨著汽車行業(yè)的發(fā)展，特別是各類家用小汽車數(shù)量的增長，給交通環(huán)境、交通事故和交通擁堵帶來一系統(tǒng)的問題，同時也給交通管制帶來了很大的負擔。為了提高車輛管理效率，緩解公路交通壓力，必須找到一種行之有效的解決方案，智能交通系統(tǒng)的出現(xiàn)，在一定程度上能緩解這些問題。車牌識別系統(tǒng)是智能交通系統(tǒng)的重要組成部分，對保證交通系統(tǒng)順利平穩(wěn)的運行具有積極的作用。在現(xiàn)實生活中，汽車“身份證”的汽車車牌，是在公共場合能夠唯一確定汽車身份的憑證，汽車車牌作為汽車的唯一標識，是交通運輸管理部門查詢和管理汽車的主要信息來源，因此，對車牌識別系統(tǒng)的研究，具有很大的現(xiàn)實意義。

1 模板匹配算法

一般的圖像匹配技術是利用已知的模板利用某種算法對識別圖像進行匹配計算獲得圖像中是否含有該模板的信息和坐標；我們采用以下的算式來衡量模板T（m，n）與所覆蓋的子圖Sij（i，j）的關系，已知原始圖像S（W，H），用以下公式衡量它們的相似性：

在將其歸一化后，得到模板匹配的相關系數(shù)：

最終的實驗證明，模板越大，匹配的速度越慢；模板越小，匹配的速度越快；閥值的大小對匹配速度影響大。

2 神經網(wǎng)絡算法

神經網(wǎng)絡是由大量的、簡單的處理單元（稱為神經元）廣泛地互相連接而形成的復雜網(wǎng)絡系統(tǒng)，它反映了人腦功能的許多基本特征，是一個高度復雜的非線性動力學習系統(tǒng)，神經網(wǎng)絡的基礎在于神經元，神經元模型和神經元數(shù)學模型如圖1所示。

3 實驗結果

車牌中字符識別一直是車牌識別的一個難點問題，本文將模板匹配和神經網(wǎng)絡算法進行比對。將車牌字符中所有字符進行分類，包含漢子模板庫、字母模板庫和數(shù)字模板庫。建立標準字符模板大小設定為33×35，為黑色背景用灰度值0表示，白色用灰度值255表示，對模板庫中的字符去除邊框、提取邊緣、尺寸變換等處理，用Matlab函數(shù)制作為標準模板。

本實驗圖像庫中共有300幅圖（520個樣本），其中220幅作為訓練集（400個樣本）；80幅圖作為測試集（120個樣本）。

（a）處理前標準模板庫模型

（b）車牌定位后圖像

（c）字符分割后圖像

（d）模板匹配識別后的圖像

（e）神經網(wǎng)絡識別后的圖像

圖2 實驗結果圖

圖2是實驗結果圖。（a）圖是獲取原始車牌庫中的一個樣本，（b）圖是樣本定位后的圖像，（c）圖是將定位后的字車牌字符分割后形成的7個車牌字符。圖（d）和（e）分別是模板匹配識別和神經網(wǎng)絡識別后的圖像，由圖可以看出，模板匹配識別的圖像比神經網(wǎng)絡識別的圖像更加清晰。表1表示這兩種方法對應的識別率分析，由表可以看出，模板匹配的識別率略高于神經網(wǎng)絡的識別率。神經網(wǎng)絡分類器實現(xiàn)過程相對較復雜，不具有很好的實時性，而模板匹配是模式識別中的一種方法，該方法根據(jù)目標和標準模板之間重合度的大小來完成對目標的識別。由于模板匹配方法原理簡單，可操作性強，可以很好的區(qū)分開某些形狀很接近的字母和數(shù)字，獲得了較高的識別質量。

表1 字符識別測試表

在本系統(tǒng)研究過程中，該還具有某些局限性，如偶爾出現(xiàn)識別的圖像與模板圖像的大小有一點偏差，是因為受到學習樣本不夠的影響，我們在以后的研究過程中，將進一步完善該算法，使其達到更好的識別效果，從而提高圖像的識別率。

參考文獻：

[1]瞿中，常慶麗，王永昆.改進的車牌相似字符分級分類識別算法研究[J].計算機工程與設計，2013.

[2]馬俊莉，莫玉龍，王明祥.一種基于改進模板匹配的車牌字符識別方法[J].小型微型計算機系統(tǒng)，2003.

[3]嚴萍，曾金名.一種有效的車牌字符識別法[J].西昌學院學報（自然科學版），2011.

作者簡介：鐘彩（1982.08-），男，湖南湘陰人，碩士，講師，研究方向：計算機圖像處理。

作者單位：常德職業(yè)技術學院，湖南常德 415000