- 上一篇：城市网格化管理国内外研究现状
- 下一篇：国内外甲醇生产需求现状概况
到20世纪90年代，随着计算机视觉(ComPuterVisionTeebnolog力的发展和计算机性能的提高，开始出现车牌识别的系统化研究。20世纪90年代后期以后，研究人员开始探讨用人工神经网络技术来解决车牌的识别问题。由于人工神经网络技术采用了生物神经网络模型，因此它能较好地实现人类存储知识以及处理信息的机能，从而能较好地解决车牌识别中因字符残缺不完整而无法识别的问题。
目前，车牌数字字符识别的主要方法有特征匹配法、基于模板匹配的字符识别算法和基于神经网络的字符识别算法[16]。下面就这三种方法的特点及它们所面临的问题进行简单介绍。
① 特征匹配法
由于在车牌字符中每个字符的笔画特征是不同的，因此，根据此特点该算法将字符分解为横、撇、竖、折、捺、圆中的一种或几种结构特征的集合，然后将其与字符库中的特征集合进行匹配得到输入字符的识别结果。该方法虽然排除了尺寸、方向带来的干扰，但当字符出现笔画融合、断裂或部分缺失时则显得识别效果不佳。
② 基于模板匹配的字符识别算法[17]
该方法首先将分割后的字符进行二值化处理，然后将其尺寸缩放为字符数据库中模板的大小，与所有的模板进行匹配，从中选择出最佳匹配效果作为输出结果。这种方法的优点是系统简单，缺点是任何有关光照、大小和字符清晰度的变化都会降低识别的正确率，因而在实际应用中往往需要使用较大的模板，或者使用多个模板进行匹配来提高正确率，然而随着模板的增大和模板个数的增加，系统的处理时间也会增加。目前针对该算法已提出一种改进的基于关键点的模板匹配算法，在不同的应用环境中关键点的选取方法也有所不同。
③ 基于神经网络的车牌字符识别算法
基于神经网络的车牌字符识别算法主要有两种方法：一种是直接把待处理的图像输入到网络中，充分利用神经网络的特点自动实现字符特征提取和识别。其缺点是网络结构比较复杂，网络规模随着输入模式文数的增加而变得庞大。优点是网络的抗干扰性能好，识别率较高；另一种方法则是利用先验知识对待识别的字符进行特征提取与字符分类，然后利用这些特征对神经网络分类器进行训练。这种方法其实质是将神经网络技术与传统的识别方法相结合，利用先验知识获取模式特征，然后充分利用神经网络的分类能力对车牌字符进行识别，但识别效果往往与提取的字符特征有关，其关键在于字符分类的好坏。
数字字符识别技术发展趋势
目前，车牌数字字符识别的研究虽然已经取得一些成果，但由于许多新方法仅停留在理论基础上，或限定在比较狭窄的应用范围内，离现实情况中复杂多变的实际应用还有一定差距，暂不能形成产品大量投入使用。在翻阅了有关方面的很多书籍以及论文后，本人觉得未来识别的技术会大大提高，其中包括摄像像素的提高，以及识别准确率上都会得到很大的提高，甚至会发展成全自动化的电子识别模式，不受任何的影响，在时间上大大提高。