if(flag==0)

{

pos= i;

while(VCount[i]==0){i++;xx++;}

if(xx < (wid/4))

{

str.Format("xx=%d wid/4=%d i=%dposi[k-1]=%d",xx,wid/4,i,posi[k-1]);

MessageBox("汉字有分割"+str);

xx=0;

while(VCount[i]!=0){i++;xx++;}

if(xx<=8)

{

xx= 0;

while(VCount[i]==0){i++;xx++;}

if(xx

while(VCount[i]!=0 && i

}

}

else

{

i= pos;

}

}

flag=1;

if(i>= lWidth)

{

posi[k++]=i-1;

}

else

{

posi[k++]=i+1;

}

//如果是字符第二个和第三个字符中间的点，去除。如果是1，宽度增加

if(posi[k-1]-posi[k-2]<=wid)

{

if(i<=(lWidth/8*3))

{

intx = posi[k-1]-posi[k-2]; k=k-2;

str.Format("%d%d %d %d",x,wid,i,BottomLine-TopLine);

}

else

{

posi[k-1]= posi[k-1]+wid/3;

posi[k-2]= posi[k-2]-wid/3;

}

}

if(k>=14)

{

success= 1;

break;

}

}

if(success== 0)

{

MessageBox("字符分隔出错，程序结束识别过程!");

}

3.归一化处理

字符分割的好坏关系到后面归一化处理关键。如果字符分割不成立，归一化处理过程也就不能成功。刚开始实验的时候，我先进行的细化处理，然后再进行归一化处理，但是归一化处理后有，字符基本失去了原来的骨架结构，所以我这里先进行归一化处理。

所谓归一化处理，就是为了在分割字符时，字符大小不相同，所以要将字符归一化为25×50像素大小的图像。图像x轴缩放比率为 ，y轴缩放比率为 ，原图像宽度和高度为lWidth，lHeight[12]。缩放比率由公式：

在放大或缩小图像过程中，产生的像素可能在原图中不能找到相应的像素点。这样就必须采用插值处理的方法。一般插值处理的方法有两种，一种是直接赋值为与它最相邻的像素值，另一种则通过插值算法来计算相应像素值。第一种方法计算过程较简单效率高，但是效果不是很好，比如有时候会出现马赛克现象；所以，这里采用第二种方法，虽然预算量有点复杂，但是最后归一化后的字符不会失真。对后面做细化处理过程做好了铺垫。通过实验得出，采用双线性插值法比最近邻插值法效果好，所以本文中归一化采用双线性插值法。

图4-14 上面为原图像二值化后的结果，下面图像为归一化后的结果

归一化关键代码如下：

//针对图像每行进行操作

for(i= 0; i < NewHeight; i++)

{

//针对图像每列进行操作

for(j= 0; j < NewWidth; j++)

{

//指向新DIB第i行，第j个象素的指针

//注意此处宽度和高度是新DIB的宽度和高度

lpDst = (char*)lpNewDIBBits + NewLineBytes * (NewHeight - 1 - i) + j;

x= j / fXZoomRatio;

y= i / fYZoomRatio;

if(tag)

{ //tag=1，则执行以下的最近邻插值代码

i0= (LONG) (y + 0.5);

j0= (LONG) (x + 0.5);

//判断是否在源图范围内

if((j0 >= 0) && (j0 < Width) && (i0 >= 0) && (i0< Height))

{

//指向源DIB第i0行，第j0个象素的指针

lpSrc = (char*)lpTempDIBBits + LineBytes * (Height - 1 - i0) + j0;

*lpDst= *lpSrc;

}

else

{

//对于源图中没有的象素，直接赋值为255

*((unsigned char*)lpDst) = 255;

}

}

else

{//否则，执行下面的双线性插值代码

doublem = x - LONG(x);//X方向的小数部分

doublen = y - LONG(y);//Y方向的小数部分

unsignedchar rd, ld, lu, ru;//r：右；l：左；d：下；u：上

unsignedchar pix;

ld= *((char *)lpTempDIBBits + LineBytes * (Height - 1 - LONG(y)) + LONG(x));//左下角点的像素值

rd= *((char *)lpTempDIBBits + LineBytes * (Height - 1 - LONG(y)) + LONG(x) +1);// 右下角点的像素值

lu= *((char *)lpTempDIBBits + LineBytes * (Height - 1 - LONG(y) - 1) +LONG(x));// 左上角点的像素值

ru= *((char *)lpTempDIBBits + LineBytes * (Height - 1 - LONG(y) - 1) + LONG(x) +1);// 右上角点的像素值

pix= (1 - m) * (1 - n) * ld + (1 - m) * n * lu + m * n * ru + m * (1 - n) * rd;//双线性插值，得到变换后的像素

*((unsigned char*)lpDst) = pix;//将像素值赋给目的图片

}

}

}

4.细化处理

对图像的喜欢过程实际是求图像骨架的过程。骨架是二维二值目标的重要描述，它指图像中央的骨骼部分，是描述图像几何及拓扑性质的重要特征之一。细化算法有很多。按照迭代方法，分为两类，一类是非迭代过程，一类是迭代过程。非迭代算法有基于距离变换的方法等。迭代方法是通过重复删除像素边缘，直到得到单独像素宽度的图像为止。现在用的比较多的细化算法有Hilditch、Pavlidis、Rosenfeld细化算法和索引表细化算法等[13]。下面主要介绍这四种算法。

Hilditch、Pavlidis、Rosenfeld细化算法：这类算法则是在程序中直接运算，根据运算结果来判定是否可以删除点的算法，差别在于不同算法的判定条件不同。

其中Hilditch算法比较适用于二值图像，是用的比较普遍的细化算法，在本文中我用了该算法后发现会有马赛克效果，所以本文中没有引用该算法； Pavlidis算法用位运算进行特定模式的匹配，所得的骨架是8连接的，使用于0－1二值图像 ；Rosenfeld算法是一种并行细化方法，所得的骨架形态是8－连接的，使用于0－1二值图像 。 后两种算法的效果要更好一些，但是处理某些图像时效果一般，第一种算法适用性强一些[13]。

索引表细化算法：经过预处理后得到待细化的图像是0、1二值图像。像素值为1的是需要细化的部分，像素值为0的是背景区域。基于索引表的算法就是依据一定的判断依据，产生一个表，然后根据要细化的点的八个邻域的情况进行匹配，若表中元素是1，若表中元素是1，则删除该点(改为背景)，若是0则保留。因为一个像素的8个邻域共有256种可能情况，因此，索引表的大小一般为256种。

车牌图像进行预处理后，细化处理是关系到后面能否正确提取字符特征值的关键，所以本文中在比较了几种细化方法后，使用Rosenfeld骨架细化的方法，细化处理后可以得到图像中字符的基本骨架，不会破坏原来的连通性。

Rosenfeld细化过程主要是保持原来图像的连通性

通过归一化 后，再将图像进行细化，基本保存了字符特征的骨架特征。所以后面就是要进行的字符特征提取操作。Rosenfeld效果如下所示：

4-19大小归一化后再细化的图像

5.字符特征提取

字符特征提取的好坏，直接影响字符识别的结果。字符特征提取是一个字符识别过程必不可少的过程。目前，字符特征提取的方法很多，比如：基于网格像素统计方法[5]，基于笔画，轮廓，骨架特征等。我之前做了基于网格像素统计的方法，通过实验，发现识别能力比较差，不能达到预想的结果。

针对上面的结果，我参考何兆成等人的方法，在字符细化后的基础上，通过统计字符笔画斜率特征，字符侧面深度等特征作为字符提取的特征，得到22个特征值。具体统计方法如下：

(1)基于笔画斜率的累计特征提取

字符最具代表性的特征是笔画，不同的字符有不同的笔画数量，形态，长度等，所以可将笔画的斜率累计值作为特征进行特征值提取。笔画斜率有正斜率，负斜率，零斜率三部分，分别统计字符零斜率，正斜率，负斜率的累加和。斜率的统计过程，例如从字符左边扫描，当前的扫描点为 ,下一个扫描点为为 。斜率K值计算如下：

通过上面的过程，从字符左侧开始计算斜率特征，可以得到3个特征。我这里从字符左右上下四个方向统计斜率特征可以得到12个特征值。

(2)拐点幅度累计特征提取

在字符中字符的拐点含有丰富的特征。所以统计拐点幅度特征累计和，可以得到4个特征值。拐点幅度特征 计算如下：

(3)字符轮廓深度特征提取

不同的字符在轮廓上有着明显差异。比如“S”和“C”。如下图中的“S”字符，从右侧扫描深度的时候有着有很多的凹凸信息。而字符“C”从右侧扫描的过程中，字符的中间凹陷比较明显。所以通过扫描字符四个方向的轮廓深度，也能得到4个轮廓特征值。

(4)字符跳跃点统计

由于字符“1”和“B”从左侧扫描过程中基本上没有区别。所以，为了更准确些。我这里通过统计字符水平扫描跳跃点和垂直扫描字符跳跃点来区分。很明显，字符“1”和字符“B”水平和垂直方向的跳跃点有明显的差别。以上过程可以得到2个字符特征。

通过以上分析总共可以得到22个字符特征值。将这些特征进行训练，即可得到所需的结果。关键代码如下(计算左边的特征值为例)：

if(left[i]==-1)

{

while(left[i] == -1) i++;

}

begin=i;i=Height-1;

if(left[i] == -1)

{

while(left[i] == -1) i--;

}

end = i;

for(i=begin;i<=end;i++)

{

if(left[i] == -1)

left[i] = left[i+1];

}

//扫描深度

for(i=begin;i<=end;i++)

{

feature[4] += left[i];

}

feature[4]=feature[4]/10;

double *leftradio = new double[end-begin];

for(i=0;ileftradio[i]=0;

int n=0;

for(i=begin;i<=(end-4);i++)

{

//如果斜率为零

if(left[i] == left[i+4])

{

feature[0]++;

leftradio[n]=0;

}

else

{

leftradio[n] =(left[i]-left[i+4])/4.0;

if(leftradio[n] <0) //如果斜率小于0

feature[1]++;

else //斜率大于0

feature[2]++;

}

n++;

}

for(i=1;i{

feature[3] +=fabs(leftradio[i]-leftradio[i-1]);

}

5.神经网络训练

通过提取的特征值，识别的算法有很多，包括分类器算法，模板匹配算法，基于概率统计的Bayes分类器算法，聚类分析算法等。我这里采用的是BP神经网络分类器算法。

将提取的特征值，输入层为22个特征，隐含层为80个特征，输出层为34个特征。这里去除字母“I”和“O”。字符0-9，24个字母一共34个输出。说明：由于有34个输出，所以这里理想情况下输出结果为33个0和一个1.只是1在第i个输出。i对应的数字编号如0则对应0，1对应1，9对应9，字符“A”对应10，字符“B”对应11，依次类推,字符“Z”对应33。

Matlab创建网络及训练的代码实现如下：

%创建BP网络

net_1=newff(minmax(p),[80,34],{'tansig','purelin'},'traingdm')

%当前输入层权值和阈值

inputWeights=net_1.IW{1,1};

inputbias=net_1.b{1};

%当前网络层权值和阈值

layerWeights=net_1.LW{2,1};

layerbias=net_1.b{2};

%设置训练参数

net_1.trainParam.show = 50;

net_1.trainParam.lr = 0.01; %学习率

net_1.trainParam.mc = 0.9;

net_1.trainParam.epochs = 10000;%训练次数

net_1.trainParam.goal = 1e0; %目标误差

%调用 TRAINGDM 算法训练 BP 网络

[net_1,tr]=train(net_1,p,q);

6.车牌图像识别结果测试

因为车牌中的汉字与字母数字的结构以及骨架不同，所以汉字的识别过程需要另外再做处理，所以本文处理的是车牌除汉字外的车牌图像识别过程。通过最终的测试实验结果，数字的识别结果正确率比较高，字符的识别正确率比较低一点(由于训练用的英文字符比较少)。

识别结果