特征提取方法
4.2.2 特征提取方法 图像经过一系列的预处理之后原来大小不同、分布不规则的各个字符变成了一个个大小相同、排列整齐的字符。下面接要从被分割归一处理完毕的字符中提取最能体现这个字符特点的特征向量。将提取出训练样本中的特征向量代入BP网络之中就可以对网络进行训练提取出待识别的样本中的特征向量代入到训练好的BP网络中就可以对汉字进行识别。 特征向量的提取方法多种多样可以分为基于结构特征的方法和基于像素分布特征的方法下面给予简单介绍并说明本文所用的方法。 1结构特征。结构特征充分利用了字符本身的特点由于车牌字符通常都是较
规范
编程规范下载gsp规范下载钢格栅规范下载警徽规范下载建设厅规范下载
的印刷体因此可以较容易地从字符图像上得到它的字符笔画信息并可根据这些信息来判别字符。例如汉字的笔画可以简化为4类横、竖、左斜和右斜。根据长度不同又可分为长横、短横、长竖和短竖等。将汉字分块并提取每一块的笔画特征就可得到一个关于笔画的矩阵以此作为特征来识别汉字。 2像素分布特征。像素分布特征的提取方法很多常见的有水平、垂直投影的特征微结构特征和周边特征等。水平、垂直投影的特征是计算字符图像在水平和垂直方向上像素值的多少以此作为特征。微结构法将图像分为几个小块统计每个小块的像素分布。周边特征则计算从边界到字符的距离。优点是排除了
尺寸
手机海报尺寸公章尺寸朋友圈海报尺寸停车场尺寸印章尺寸
、方向变化带来的干扰缺点是当字符出现笔划融合、断裂、部分缺失时不适用。 ?逐像素特征提取法 这是一种最简单的特征提取方法。它可以对图像进行逐行逐列的扫描当遇到黑色像素时取其特征值为1遇到白色像素时取其特征值为0这样当扫描结束后就获得一个维数与图像中的像素点的个数相同的特征向量矩阵。 这种特征提取方法的特点就是算法简单运算速度快可以使BP网络很快的收敛训练效果好更重要的是对于数字图像这样特征较少的图像这种方法提取的信息量最大所以对于本系统来说这种方法较为适用。但是它的缺点也很明显就是适应性不强所以本文没有选用这种方法。 ?骨架特征提取法 两幅图像由于它们的线条的窒覆煌沟昧椒枷癫畋鸷艽蟮墙堑南咛踅邢富笸骋坏较嗤目矶热缫桓鱿袼乜硎闭馐橇椒枷竦牟罹嗑筒荒敲疵飨浴,猛夹蔚墓羌茏魑卣骼唇惺胧侗鹁褪沟檬侗鹩辛艘欢ǖ氖视π浴,话闶褂孟富姆椒ɡ提取骨架细化的算法有很多如Hilditch算法、Rosenfeld算法等。对经过细化的图像利用EveryPixel函数进行处理就可以得到细化后图像的特征向量矩阵。骨架特征提取的方法对于线条粗细不同的数码有一定的适应性但是图像一旦出现偏移就难以识别。 ?微结构法 本文使用此方法实现车牌汉字的识别。其具体算法是 微结构法将图像分为几个小块统计每个小块的像素分布。本文提取出汉字的39个特征存储在数组f0f38中。具体算法可分为四步 图4.1 图4.2 图4.3 图4.4 步骤一把字符平均分成9份如图4.1所示给每一份编号如图4.2统计每一份内黑色像素的个数存储在数字tz0tz9中统计在行方向和列方向上每一份内的黑色像素个数和与之相邻的一份内黑色像素个数的比值作为一个特征例如行方向上提取特征f0tz1/ tz0f1tz2/ tz1f2tz0/ tz2…f8tz6/ tz8列方向上f9tz3/ tz0f10tz6/ tz3f11tz0/ tz6…f17tz2/ tz8共18个特征。 步骤二把字符横向分成三份如图4.3所示统计每一份内的黑色像素个数每一份内的黑色像素个数与前一份内黑色像素个数的比值作为一个特征f18tz10/ tz9f19tz11/ tz10f20tz9/ tz11把字符纵向分成三份如图4.4所示统计每一份内的黑色像素个数每一份内的黑色像素个数与前一份内黑色像素个数的比值作为一个特征f21tz13/ tz12f22tz14/ tz13f23tz12/ tz14共六个特征。 步骤三如图4.5在竖直方向上找出三列统计在该列中跳变点的个数即相邻点像素值从0变到255的次数共三个特征记为f24f25f26在水平方向上找出三行列统
计在该行中跳变点的个数即相邻点象素值从0变到255的次数共三个特征记为
f27f28f29。 图4.5 步骤四把每一份内黑色象素的个数tz0tz9作为9个特征记为f30f38。
这样得到汉字的共39个特征根据这些特征就可以区分每个车牌汉字进行识别。
浙公网安备 33021202002483