3.6 牌照字符分割

　　完成牌照區域的定位后，再將牌照區域分割成單個字符，然后進行識別。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內的間隙處取得局部最小值的附近，并且這個位置應滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對復雜環境下的汽車圖像中的字符分割有較好的效果。流程圖如下

　　圖4? 牌照字符分割流程圖

　　3.7 字符的分割與歸一化

　　一般分割出來的字符要進行進一步的處理，以滿足下一步字符識別的需要。但是對于車牌的識別，并不需要太多的處理就已經可以達到正確識別的目的。在此只進行了歸一化處理，然后進行后期處理。

　
　圖5 字符分割與歸一化流程圖

　　3.8 字符的識別

　　字符的識別目前用于車牌字符識別（OCR）中的算法主要有基于模板匹配的OCR算法以及基于人工神經網絡的OCR算法。基于模板匹配的OCR的基本過程是：首先對待識別字符進行二值化并將其尺寸大小縮放為字符數據庫中模板的大小，然后與所有的模板進行匹配，最后選最佳匹配作為結果。模板匹配的主要特點是實現簡單，當字符較規整時對字符圖像的缺損、污跡干擾適應力強且識別率相當高。綜合模板匹配的這些優點我們將其用為車牌字符識別的主要方法。

　　模板匹配是圖象識別方法中最具代表性的基本方法之一，它是將從待識別的圖象或圖象區域f（i，j）中提取的若干特征量與模板T（i，j）相應的特征量逐個進行比較，計算它們之間規格化的互相關量，其中互相關量最大的一個就表示期間相似程度最高，可將圖象歸于相應的類。也可以計算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產生較大的噪聲干擾，或圖象經預處理和規格化處理后，使得圖象的灰度或像素點的位置發生改變。在實際設計模板的時候，是根據各區域形狀固有的特點，突出各類似區域之間的差別，并將容易由處理過程引起的噪聲和位移等因素都考慮進去，按照一些基于圖象不變特性所設計的特征量來構建模板，就可以避免上述問題。

　　
圖6 字符識別流程圖

　　此處我們采用相減的方法來求得字符與模板中哪一個字符最相似，然后找到相似度最大的輸出。汽車牌照的字符一般有七個，大部分車牌第一位是漢字，通常代表車輛所屬省份，緊接其后的為字母與數字。車牌字符識別與一般文字識別在于它的字符數有限，漢字共約50多個，大寫英文字母26個，數字10個。為了實驗方便，結合本次設計所選汽車牌照的特點，只建立了4個數字26個字母與10個數字的模板。其他模板設計的方法與此相同。

　　首先取字符模板，接著依次取待識別字符與模板進行匹配，將其與模板字符相減，得到的0越多那么就越匹配。把每一幅相減后的圖的0值個數保存，即為識別出來的結果。

　　4.基于FPGA的算法實現

　　4.1 攝像頭數據讀取模塊

　　
圖7 攝像頭數據讀取模塊RTL圖

　　4.2 灰度、二值化模塊

　　該模塊基于system generator實現。

　　
圖8 灰度變化

　　圖9 圖像的二值化