車牌識(shí)別系統(tǒng)LPR（License Plate Recognition）包括車牌定位、字符分割和字符識(shí)別三大部分。其中，字符識(shí)別的準(zhǔn)確及高效成為整個(gè)車牌識(shí)別系統(tǒng)的關(guān)鍵。
　　車牌字符識(shí)別是模式識(shí)別的一個(gè)重要研究領(lǐng)域，字符特征提取可分為基于統(tǒng)計(jì)特征和基于結(jié)構(gòu)特征兩大類［1］，統(tǒng)計(jì)方法具有良好的魯棒性和抗干擾性等，但是，由于其采用累加的方法，對(duì)于“敏感部位”的差異也隨之消失，即對(duì)形近字的區(qū)分能力較差。而結(jié)構(gòu)方法對(duì)細(xì)節(jié)特征較敏感，區(qū)分形近字符的能力較強(qiáng)，但是難以抽取、不穩(wěn)定、算法復(fù)雜度高。分類器設(shè)計(jì)方面，人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)SVM（Support Vector Machine）［2］等技術(shù)已被用于車牌字符識(shí)別研究中，有效地提高了識(shí)別率，但缺少基于特征的優(yōu)化設(shè)計(jì)。
　　本文針對(duì)實(shí)際采集的車牌圖像質(zhì)量不高所導(dǎo)致的字符形變、噪聲、易混淆的問(wèn)題，根據(jù)人類視覺(jué)活動(dòng)的問(wèn)題，選取基于輪廓的統(tǒng)計(jì)特征反映字符整體信息；選取結(jié)構(gòu)特征反映字符細(xì)節(jié)信息，采用SVM作為分類器，并對(duì)基于輪廓的特征提取方法進(jìn)行了優(yōu)化設(shè)計(jì)。
　　1 車牌字符識(shí)別算法框架
　　本文提出的識(shí)別算法模擬人類智能，采用兩級(jí)分類識(shí)別的思想處理車牌字符識(shí)別問(wèn)題，引入可信度評(píng)判機(jī)制。經(jīng)預(yù)處理后的字符首先進(jìn)入粗分類識(shí)別，采用基于輪廓的統(tǒng)計(jì)特征作為粗分類的特征提取方法，利用SVM分類器得出分類識(shí)別結(jié)果，并計(jì)算結(jié)果的可信度。識(shí)別系統(tǒng)將粗分類識(shí)別結(jié)果的可信度與預(yù)先設(shè)置好的用于判別形近字的可信度閾值相比較，如果可信度大于閾值，則識(shí)別系統(tǒng)將字符歸為非形近字，并將結(jié)果輸出;否則， 識(shí)別系統(tǒng)將字符歸為形近字，并根據(jù)粗分類識(shí)別結(jié)果，計(jì)算字符所屬的形近字類別，將字符送入細(xì)分類識(shí)別，提取字符的結(jié)構(gòu)特征作為細(xì)分類的特征提取方法，利用決策表中的形近字區(qū)分規(guī)則，得到識(shí)別結(jié)果。圖1為識(shí)別系統(tǒng)算法流程圖。
　　
　　2 一級(jí)分類識(shí)別
　　2.1 粗分類特征提取
　　粗分類的特征提取方法應(yīng)該能夠描繪字符的整體信息，基于輪廓的統(tǒng)計(jì)特征描繪字符外圍輪廓的變化。利用距離反映輪廓的方法，通過(guò)計(jì)算字符圖像左、右、上、下四個(gè)邊框到筆畫(huà)間的距離，得到圖像輪廓的統(tǒng)計(jì)特征。設(shè)預(yù)處理后的二值化字符圖像為f（i，j），具體算法為：
　　
　　其中，width、length為字符圖像的寬和高。規(guī)定此行或此列沒(méi)有筆畫(huà)時(shí)，其特征值為零。