特征提取的主要目的是從原始數(shù)據(jù)中抽取出用于區(qū)分不同類別的本質(zhì)特征。由于不同的特征的適用性不同，故對不同效果的字符所提取的特征性能也不盡相同，因此，用單一的特征已經(jīng)很難適應(yīng)受多種條件影響的車牌照字符的識別。另外，由于不同特征的不同維之間所表示的意義也不太相同，且權(quán)重也可能相差很多，如果采用直接組合的方法，就會使權(quán)重較大的特征占主導(dǎo)地位，而忽略了權(quán)重較小的特征。要解決這種問題，可以采用特征向量歸一化法或者加權(quán)的辦法，將兩種特征通過加權(quán)的方法組合起來，從而達(dá)到組合使用兩種特征的目的。

　　2.3 分類器設(shè)計(jì)

　　分類器就是在特征空間中用某種方法將被識別對象歸為某一類別。其基本做法是在樣本訓(xùn)練集的基礎(chǔ)上確定某個(gè)判決規(guī)則，以使按這種判決規(guī)則對被識別對象進(jìn)行分類所造成的錯(cuò)誤率最小或引起的損失最小。

　　采用神經(jīng)網(wǎng)絡(luò)作為分類器時(shí)，需要有一定的訓(xùn)練樣本，而且樣本個(gè)數(shù)不能太少，但是，本文的實(shí)驗(yàn)環(huán)境中的車牌上，漢字、英文樣本較少，甚至某些漢字英文僅有一個(gè)或者幾個(gè)樣本，因而無法保證神經(jīng)網(wǎng)絡(luò)的訓(xùn)練程度。因此，本文采用模板匹配法。模板匹配法實(shí)際上就是采用多個(gè)標(biāo)準(zhǔn)樣本的距離分類器。通?？衫闷骄鶚颖痉▉碛?jì)算樣本均值以將其作為每個(gè)類別的標(biāo)準(zhǔn)樣本，然后計(jì)算待識別樣本與標(biāo)準(zhǔn)樣本間的距離，最后選擇距離最小的標(biāo)準(zhǔn)樣本作為待識別的樣本類別。

　　通常采用的距離準(zhǔn)則如下;

　　(1)Minkowsky距離

　　該距離是若干種距離的通式表示：

　　(2)“City block”距離

　　即街區(qū)距離，它是對Manhattan距離的修正，同時(shí)加上了權(quán)重。即：

　　(3)Euclidean距離

　　即歐氏距離，是Minkowsky距離在λ=2時(shí)的特例，其優(yōu)點(diǎn)是各點(diǎn)連續(xù)可微：

　　(4)Mahalanobis距離

　　即馬氏距離，它注意到樣本的統(tǒng)計(jì)特性，而排除了樣本間的相關(guān)性影響。它可表示為：

　　本設(shè)計(jì)選用了歐式距離。因?yàn)闅W式距離可以只計(jì)算

，這樣可以降低計(jì)算時(shí)間。

　　3 結(jié)束語

　　本文提到的車牌照識別方法具有很好的識別效果，并可針對出現(xiàn)的漏識和識別錯(cuò)誤等現(xiàn)象做出改進(jìn)，預(yù)處理時(shí)還可對圖像亮度進(jìn)行分析，針對過亮或者過暗的圖像采取不同的二值化策略;也可以根據(jù)字符識別的結(jié)果采用回溯方法來驗(yàn)證車牌定位和字符切分的準(zhǔn)確性;字符識別部分可增加字符模版的訓(xùn)練樣本數(shù)量，而采用神經(jīng)網(wǎng)絡(luò)作為分類器均可以提高字符識別的準(zhǔn)確率。