基于聯(lián)合HOG 特征的車牌識(shí)別算法

殷 羽，鄭 宏，高婷婷，劉 操

（武漢大學(xué) 電子信息學(xué)院，湖北 武漢430072）

0 引 言

每個(gè)國家的車牌具有各自不同的特點(diǎn)，國外現(xiàn)有的車牌識(shí)別系統(tǒng)對(duì)我國車牌進(jìn)行識(shí)別時(shí)存在很大問題，不能簡單的直接利用國外現(xiàn)有的研究成果。目前，國內(nèi)研究人員針對(duì)漢字字符識(shí)別已經(jīng)提出了符合漢字結(jié)構(gòu)特征的特征提取方法。其中包括四邊碼、方向線素特征［1］、漢字筆畫抽取特征［2］、筆畫分布特征和彈性網(wǎng)格特征等。在文獻(xiàn) ［3］中，提出了基于歐拉數(shù)改進(jìn)的模板匹配方法，此方法減少了大量匹配過程，提高了相似字符的識(shí)別率。文獻(xiàn) ［4］中，提出了將雙神經(jīng)網(wǎng)絡(luò)分類器引入脫機(jī)手寫漢字識(shí)別。對(duì)于數(shù)字字母的識(shí)別，文獻(xiàn) ［5］提出利用隱馬爾科夫特征和分形維數(shù)進(jìn)行數(shù)字字母的識(shí)別，識(shí)別率較高，但也僅停留在理論階段，不適用于復(fù)雜環(huán)境中的識(shí)別。目前廣泛應(yīng)用于字符識(shí)別的方法主要有3 種：模板匹配字符識(shí)別［6］，神經(jīng)網(wǎng)絡(luò)字符識(shí)別［7］，統(tǒng)計(jì)學(xué)習(xí)字符識(shí)別［8］。基于模板匹配的字符識(shí)別方法是依據(jù)處理后的車牌字符與預(yù)設(shè)模板的相似程度來進(jìn)行判斷。神經(jīng)網(wǎng)絡(luò)方法憑借其良好的適應(yīng)能力、較好的學(xué)習(xí)能力以及容錯(cuò)能力受到較為普遍的歡迎。基于統(tǒng)計(jì)學(xué)習(xí)的字符識(shí)別方法目前在車牌識(shí)別的各個(gè)場景中有較多應(yīng)用。其中，采用支持向量機(jī)的車牌識(shí)別算法在近年來十分流行，它有效避免了從歸納到演繹的過程，同時(shí)方法簡單，魯棒性強(qiáng)。

雖然車牌識(shí)別技術(shù)已經(jīng)取得了一定的成果和突破，但是離成熟應(yīng)用于復(fù)雜多變的實(shí)際場景要求差距還較大，目前一些新的理論方法還只能應(yīng)用于幾種特殊場景，有待進(jìn)一步實(shí)驗(yàn)論證和改進(jìn)。

本文提出了聯(lián)合方向梯度直方圖和核主成分分析法特征，它綜合了二值圖、灰度圖、16值圖的方向梯度直方圖特征的優(yōu)點(diǎn)，能夠較好提取漢字結(jié)構(gòu)特征。方向梯度直方圖特征進(jìn)行聯(lián)合后，HOG 特征維數(shù)增加，此時(shí)為了縮短特征提取時(shí)間，本文用核主成分分析法方法進(jìn)行降維。字符識(shí)別方法采用的是對(duì)小樣本問題有較好分類效果的支持向量機(jī)。

1 基于聯(lián)合HOG 特征的車牌識(shí)別算法

常見車牌有7個(gè)字符，文中是將分割下來的7個(gè)字符進(jìn)行識(shí)別。車牌字符由英文字母、漢字和數(shù)字組成，中文和英文數(shù)字的特點(diǎn)不一樣：中文漢字筆畫稠密、輪廓復(fù)雜；數(shù)字和英文則輪廓清晰，結(jié)構(gòu)簡單。因此文中對(duì)漢字和英文數(shù)字采用不同的分類器，對(duì)它們分別提取特征。本文車牌識(shí)別過程是：首先確定字符的分類器。然后分別提取漢字、數(shù)字字母的灰度方向梯度直方圖 （histogram of oriented gradients，HOG）［9］特征、二值HOG 特征、16值HOG特征，將它們組合成聯(lián)合HOG 特征，將得到的聯(lián)合HOG特征用核主成分分析法進(jìn)行降維。最后將漢字和數(shù)字字母的聯(lián)合HOG 特征送入支持向量機(jī)進(jìn)行訓(xùn)練和預(yù)測，將漢字和數(shù)字字母的識(shí)別結(jié)果進(jìn)行組合，得到最終的車牌字符識(shí)別結(jié)果。基于聯(lián)合HOG 的車牌識(shí)別流程如圖1所示。

圖1 基于聯(lián)合HOG 的車牌識(shí)別流程

1.1 方向梯度直方圖

方向梯度直方圖的核心思想是計(jì)算圖像中被檢測目標(biāo)的局部梯度的統(tǒng)計(jì)信息。由于梯度是針對(duì)邊緣輪廓，因此目標(biāo)的外形輪廓可以由梯度分布所描述。因此，HOG 特征就是通過將分割下來的單個(gè)字符分割成小的連通區(qū)域 （細(xì)胞，cell），成為細(xì)胞單元，每個(gè)細(xì)胞單元中的每個(gè)像素生成一個(gè)梯度直方圖，這些直方圖的串聯(lián)就可表示出所檢測目標(biāo)的特征。為了提高光照變化的適應(yīng)性，將這些直方圖在分割下來的單個(gè)字符中的一個(gè)較大區(qū)域 （塊，block）內(nèi)進(jìn)行對(duì)比度歸一化，具體來說就是計(jì)算每個(gè)局部直方圖在塊中的密度，根據(jù)密度來對(duì)這個(gè)塊中的每個(gè)細(xì)胞單元進(jìn)行歸一化。經(jīng)過歸一化后，HOG 特征對(duì)光照變化和陰影可以獲得更好的適應(yīng)能力。

HOG 具體實(shí)現(xiàn)過程如下：

（1）計(jì)算圖像梯度：先用模板 ［－1，0，1］對(duì)分割下來的單個(gè)字符做卷積運(yùn)算，得到水平方向梯度分量Gh（x，y），如式 （1）所示；再用模板 ［1，0，－1］對(duì)分割下來的單個(gè)字符做卷積運(yùn)算，得到豎值方向梯度分量Gv（x，y），如式 （2）所示；最后，計(jì)算該像素點(diǎn)的梯度幅值M（x，y）和θ（x，y）梯度方向，如式 （3）、式 （4）所示，f（x，y）表示該點(diǎn)的像素值，計(jì)算公式為［10］

（2）構(gòu)建梯度方向直方圖：在細(xì)胞單元中的每個(gè)像素點(diǎn)都要為基于某個(gè)梯度方向的直方柱投票，梯度方向可取0～180°或者0～360°，在以往的實(shí)驗(yàn)證明0～180°效果較好。單個(gè)字符圖像被分為若干個(gè)細(xì)胞單元，每個(gè)細(xì)胞單元包括8＊8個(gè)像素，將梯度范圍分為9個(gè)方向角度，因此利用9個(gè)方向角度對(duì)8＊8個(gè)像素的梯度信息進(jìn)行投票。特別指出，直方圖投票采取加權(quán)投票，即每個(gè)像素的梯度幅值作為投票權(quán)重。

（3）將細(xì)胞單元組合成塊：塊的結(jié)構(gòu)有兩種：矩形塊（R－HOG）和環(huán)形塊 （C－HOG）如圖2 所示。本文采用矩形塊來進(jìn)行目標(biāo)檢測，矩形塊一般包含3個(gè)參數(shù)：每個(gè)塊中細(xì)胞單元的數(shù)目，每個(gè)細(xì)胞單元中像素點(diǎn)的數(shù)目以及每個(gè)細(xì)胞單元的方向角數(shù)目。文中參數(shù)為：2＊2 細(xì)胞／塊，8＊8像素／細(xì)胞單元，9個(gè)方向角度／細(xì)胞單元。

（4）塊內(nèi)歸一化

計(jì)算公式如下所示［10］

圖2 塊的結(jié)構(gòu)

L2－h(huán)ys：先計(jì)算L2－norm，然后將v 的最大值限定為0.2，再進(jìn)行歸一化。

其中，v表示包含給定塊統(tǒng)計(jì)直方圖信息的未歸一化向量；δ 是一個(gè)很小的常數(shù)，作用是為了避免分母為0；是v 的k 階范數(shù)。在Dalal的實(shí)驗(yàn)中發(fā)現(xiàn)L2－h(huán)ys，L2－norm，L1－sqrt效果差不多，L1－norm 字符識(shí)別效果要差一些，但這4個(gè)歸一化方法在識(shí)別性能上對(duì)比未歸一化都有明顯提高。本文中采用的是L2－norm 進(jìn)行歸一化。

如圖3所示：假設(shè)將車牌字符歸一化到64＊128，每8＊8個(gè)像素組成一個(gè)細(xì)胞單元，每2＊2個(gè)細(xì)胞單元組成一個(gè)塊，當(dāng)塊的滑動(dòng)步長為8時(shí)，掃描垂直方向可以滑動(dòng)15次，水平方向可以滑動(dòng)7 次，因此可以得到36＊7＊15＝3780位的特征算子。單個(gè)車牌字符處理效果如圖4 所示，車牌字符灰度圖的梯度幅值圖和梯度角度圖包含的細(xì)節(jié)信息多，但缺點(diǎn)在于角度圖中的字符輪廓不明顯，影響了車牌字符識(shí)別率。為了克服上述缺點(diǎn)，提出了聯(lián)合HOG 特征，將灰度圖的HOG 特征、二值圖的HOG 特征和16 值圖的HOG 特征聯(lián)合起來。

圖3 車牌字符與塊和細(xì)胞單元的關(guān)系

圖4 車牌字符HOG 特征

1.2 聯(lián)合方向梯度直方圖

HOG一般是基于灰度圖像進(jìn)行處理的，灰度圖像保存了圖像的細(xì)節(jié)信息，但是字符圖像的輪廓不鮮明；而二值圖像雖然保存了輪廓信息，但是丟失了圖像細(xì)節(jié)，如圖5所示。灰度圖的梯度幅值圖和梯度角度圖包含大量的細(xì)節(jié)信息，其中角度圖像中的字符輪廓不明顯。二值圖的梯度幅值圖和梯度角度圖的字符輪廓均比較清晰，但是沒有細(xì)節(jié)信息。

圖5 灰度圖HOG 特征和二值圖HOG 特征對(duì)比

基于這種情況，本文提出了聯(lián)合HOG 的方法，即將灰度圖和二值圖分別計(jì)算HOG 并組合成聯(lián)合特征，如式 （8）所示：H 代表是得到的聯(lián)合特征，hi表示灰度圖和二值圖的HOG 特征，wi代表的是灰度圖和二值圖HOG 的權(quán)重值，權(quán)重之和為1。權(quán)重分布的不同對(duì)后來的識(shí)別結(jié)果有很大影響。經(jīng)實(shí)驗(yàn)證明，權(quán)重值都為0.5 時(shí)，識(shí)別效果是最好的，并且對(duì)比單獨(dú)的灰度圖或二值圖的識(shí)別效果好

同時(shí)本文進(jìn)一步提出將16值圖的HOG 特征加入聯(lián)合HOG 特征，即分別進(jìn)行車牌字符的灰度圖、二值圖和16值圖的HOG 計(jì)算，將結(jié)果以某種關(guān)系線性組合起來得到的聯(lián)合HOG 特征，組合如式 （9）所示：H 代表最終的聯(lián)合HOG 特征，hgrary，h2，h16分別代表車牌字符灰度圖、二值圖和16值圖的HOG 特征，wi代表權(quán)重。本文經(jīng)過實(shí)驗(yàn)結(jié)果表明，在權(quán)重為0.3，0.3，0.4時(shí)識(shí)別效果最好

聯(lián)合HOG 將灰度圖、二值圖和16值圖的特點(diǎn)結(jié)合起來，能夠一定程度的彌補(bǔ)單獨(dú)進(jìn)行灰度圖或者二值圖的HOG 預(yù)案算造成的不足，對(duì)識(shí)別率有也有一定程度的提高。具體不同權(quán)值對(duì)識(shí)別率的影響將在實(shí)驗(yàn)結(jié)果與分析中詳細(xì)說明。由于HOG 生成過程冗長，得到的特征向量維數(shù)較大，而聯(lián)合HOG 特征由多個(gè)HOG 串聯(lián)得到，維數(shù)更大。因此，本文用核主成分分析法對(duì)聯(lián)合HOG 進(jìn)行降維，這樣不僅可以縮短訓(xùn)練時(shí)間，同時(shí)不影響識(shí)別率。

1.3 核主成分分析法

核主成分分析法 （kernel principal component analysis，KPCA）定義參見文獻(xiàn) ［11］。設(shè)xi∈Zp（i＝1，2，3，…，n），將輸入空間Zp通過非線性變換ε 映射到F，F(xiàn) 中的樣本點(diǎn)記為ε（xi），F(xiàn)空間樣本的協(xié)方差矩陣為C，如式 （10）所示。根據(jù)Mercer定理，用核函數(shù)K（xi，xj）替代空間F中的內(nèi)積，如式 （12）所示。αjr表示標(biāo)準(zhǔn)化后的特征向量，gr（xj）為對(duì)應(yīng)ε 的第r 個(gè)非線性主元分量，其中r＝1，2，…，m，如式 （12）所示。將所有的投影值形成一個(gè)矢量g（xj）作為樣本的特征值，如式 （13）所示。KPCA 雖然能解決非線性問題，但是樣本點(diǎn)的數(shù)目比較大，造成核矩陣的維數(shù)比較大，所以計(jì)算復(fù)雜度也增加了。本文用稀疏的 貪 婪 矩 陣 逼 近 （sparse greedy matrix approximation，SGA）［12］方法減小樣本點(diǎn)的個(gè)數(shù)，從而降低了核矩陣的維數(shù)。計(jì)算公式如下所示［13］

1.4 車牌字符特征分類

車牌字符分類主要是指將待識(shí)別的字符特征與經(jīng)過學(xué)習(xí)的訓(xùn)練字符特征通過某一算法進(jìn)行對(duì)比來進(jìn)行識(shí)別。常用的分類器主要包括最小距離分類器、k－最近鄰分類器、貝葉斯分類器、決策樹、Adaboost級(jí)聯(lián)分類器、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)［14］（support vector machine，SVM）。根據(jù)需要訓(xùn)練分類的車牌字符特性及不同分類器的特點(diǎn)，本文主要采用支持向量機(jī)進(jìn)行分類。支持向量機(jī)的核心思想在于利用一個(gè)分類超平面當(dāng)作決策的曲面，來最大化正類和負(fù)類兩者的邊緣距離。考慮到本文中車牌字符識(shí)別中訓(xùn)練樣本的數(shù)量有限，而且生成的HOG 維數(shù)較多，因此本文采用的對(duì)小樣本問題有較好分類效果的支持向量機(jī)。針對(duì)多分類的問題，本文采用的 “一對(duì)一”的方式進(jìn)行劃分。

SVM 在處理樣本并進(jìn)行訓(xùn)練預(yù)測識(shí)別的過程大致為以下幾步：在車牌字符樣本中選擇訓(xùn)練樣本集和測試樣本集，分別對(duì)訓(xùn)練集和測試集進(jìn)行預(yù)處理，并提取HOG 等特征，然后利用交叉驗(yàn)證法選擇最優(yōu)參數(shù)c和g，最后利用最佳參數(shù)訓(xùn)練SVM，獲得訓(xùn)練模型，利用訓(xùn)練模型對(duì)測試集進(jìn)行預(yù)測，得到預(yù)測分類準(zhǔn)確率。

SVM 中常用的核函數(shù)包括線性核函數(shù)，徑向基核函數(shù)，多項(xiàng)式核函數(shù)，sigmoid核函數(shù)。對(duì)于不同的核函數(shù)測試集的分類準(zhǔn)確率也會(huì)不同，見表1，通過對(duì)數(shù)字字母的89張圖片進(jìn)行測試得到的分類準(zhǔn)確率。由表1可知，車牌字符識(shí)別中采用徑向基核函數(shù)的分類準(zhǔn)確率最高。因此，本文SVM 的核函數(shù)采用的是RBF核函數(shù)。

表1 不同核函數(shù)的識(shí)別率對(duì)比

綜上所述，在提取特征以后，利用SVM 進(jìn)行訓(xùn)練分類。在訓(xùn)練過程中的參數(shù)需要進(jìn)行尋優(yōu)，本文在進(jìn)行HOG參數(shù)對(duì)比的實(shí)驗(yàn)中，為了盡快得到結(jié)論節(jié)省訓(xùn)練時(shí)間，所采用的SVM 參數(shù)統(tǒng)一為：懲罰變量c的變換范圍是2－5～25，核函數(shù)參數(shù)g 是2－5～25，將測試集分為3個(gè)部分，參數(shù)c和g搜索的步長為2。

2 實(shí)驗(yàn)結(jié)果及分析

本文中的實(shí)驗(yàn)部分所采用的車牌圖片均來自治安卡口或電子警察中采集到的真實(shí)圖片。在此實(shí)驗(yàn)中所有車牌字符圖片均為32＊64大小。軟件平臺(tái)為：Matlab2010 （算法驗(yàn)證），Microsoft Visual 2005 （MFC 對(duì) 話 框 界 面 設(shè) 計(jì)），libsvm （SVM 工具箱）。分類識(shí)別率計(jì)算方法如式 （14）所示，Accuracy 為測試集的分類準(zhǔn)確率，N 為總測試樣本數(shù)，Nc為識(shí)別正確的測試樣本數(shù)。分類準(zhǔn)確率值越大，字符的識(shí)別效果越好

2.1 不同特征識(shí)別率對(duì)比

文中對(duì)比了數(shù)字字母、漢字在不同特征的情況下，對(duì)識(shí)別率和識(shí)別時(shí)間的影響。其中數(shù)字字母的訓(xùn)練集圖片為569張，測試集圖片為1479張；漢字的訓(xùn)練圖片為468張，測試圖片為1096張。訓(xùn)練集和測試集圖片均為已切分好的單張灰度圖片，分類器為支持向量機(jī)，實(shí)驗(yàn)結(jié)果如圖6和圖7所示。LBP［15］、方向線素特征［7］、水平垂直投影、13點(diǎn)特征法［16］雖然識(shí)別時(shí)間短，但是識(shí)別率比較低。LBP對(duì)圖像噪聲非常敏感，車牌字符灰度圖像含有較多的噪聲，對(duì)LBP特征識(shí)別結(jié)果有一定程度影響；方向線素特征是針對(duì)漢字字符結(jié)構(gòu)提出來的，適用于手寫漢字識(shí)別；水平垂直投影法和13點(diǎn)特征法都是基于二值圖像的字符識(shí)別，二值化的效果對(duì)識(shí)別結(jié)果有很大影響；HOG 特征識(shí)別基本達(dá)到了較好的結(jié)果；聯(lián)合HOG 降維后特征識(shí)別率最高，它是基于灰度圖、二值圖、16值圖的HOG 特征，將灰度圖和二值圖的優(yōu)勢結(jié)合起來，在識(shí)別時(shí)間增加不多的情況下，識(shí)別率得到一定程度的提升。

圖6 數(shù)字字母不同特征識(shí)別率對(duì)比

圖7 漢字不同特征識(shí)別率對(duì)比

2.2 聯(lián)合HOG 特征權(quán)值分布實(shí)驗(yàn)

文中用漢字字符作為實(shí)驗(yàn)圖片，漢字訓(xùn)練集圖片為242張，測試集圖片為592張，實(shí)驗(yàn)結(jié)果如圖8和圖9所示。聯(lián)合HOG比基于單獨(dú)灰度圖，二值圖或16值圖的HOG 分類準(zhǔn)確率有一定程度地提高。對(duì)于灰度圖和二值圖，在權(quán)值分別為0.5和0.5時(shí)分類準(zhǔn)確率達(dá)到最高。對(duì)于灰度圖，二值圖和16值圖，在權(quán)值分別為0.3，0.3和0.4時(shí)識(shí)別效果最好。這代表著在權(quán)值分布越接近的時(shí)候，識(shí)別效果越好。

2.3 不同車牌識(shí)別方法對(duì)比

將本文的車牌識(shí)別方法跟Tesseract［17］和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，見表2。本文在進(jìn)行字符識(shí)別的研究之前曾嘗試過利用開源軟件Tesseract對(duì)預(yù)處理好的車牌進(jìn)行識(shí)別，Tesseract對(duì)預(yù)處理效果的依賴程度很大，通常都是將車牌的字符感興趣區(qū)域劃分出來后進(jìn)行二值化，再利用Tesseract進(jìn)行識(shí)別。如果二值圖片不是很理想，就會(huì)大大的影響識(shí)別效果。這對(duì)預(yù)處理提出了非常高的要求，但一般預(yù)處理是無法達(dá)到如此嚴(yán)格的標(biāo)準(zhǔn)。另外，Tesseract用簡體中文庫識(shí)別的車牌圖片，由于車牌漢字二值化的效果參差不齊，低質(zhì)量的車牌漢字二值化后會(huì)造成筆畫斷裂等不必要的損失，導(dǎo)致漢字的識(shí)別效果不能令人滿意。多個(gè)綜合特征結(jié)合BP神經(jīng)網(wǎng)絡(luò)車牌識(shí)別方法中［18］，多個(gè)綜合特征指基元數(shù)，平均寬度，區(qū)域分布，水平垂直投影等字符的多個(gè)特征，它是針對(duì)字符的二值圖像提取的。由于漢字的結(jié)構(gòu)緊湊，筆畫稠密的特點(diǎn)使得漢字圖像在二值時(shí)易產(chǎn)生筆畫斷裂，這對(duì)綜合特征中的基元數(shù)，平均寬度和區(qū)域分布在統(tǒng)計(jì)結(jié)果上都有一定程度的影響；特征向量的數(shù)量龐大導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)收斂較慢，對(duì)識(shí)別速度有一定的影響。該方法對(duì)車牌中的數(shù)字字母識(shí)別效果較好，但是由于漢字識(shí)別錯(cuò)誤的關(guān)系，影響了整體的車牌識(shí)別率。如果二值圖片不是很理想的話就會(huì)大大的影響識(shí)別效果。聯(lián)合HOG＋SVM 特征在未進(jìn)行KPCA 降維前識(shí)別率雖然有一定程度的提升，但識(shí)別時(shí)間是HOG＋SVM 所需時(shí)間的3倍，本文所用聯(lián)合HOG＋KPCA＋SVM 方法在漢字和數(shù)字、字母識(shí)別中均能達(dá)到較好的識(shí)別效果，識(shí)別時(shí)間跟HOG＋SVM 識(shí)別時(shí)間差異不大。

圖8 灰度圖和二值圖不同權(quán)值分布的識(shí)別率

圖9 灰度圖、二值圖和16值圖不同權(quán)值的識(shí)別率

表2 完整車牌識(shí)別率對(duì)比

3 結(jié)束語

文中在HOG 特征的基礎(chǔ)上提出了聯(lián)合HOG 特征。對(duì)灰度圖、二值圖、16值圖進(jìn)行特征聯(lián)合以后，識(shí)別時(shí)間是灰度圖HOG 特征的3倍，為了減少識(shí)別時(shí)間，本文用KPCA 對(duì)HOG 特征進(jìn)行降維，降維后識(shí)別時(shí)間跟灰度圖HOG 特征差異不大。通過實(shí)驗(yàn)證明了聯(lián)合HOG 特征跟LBP、方向線素特征等相比在車牌識(shí)別率上有一定程度的提升。同時(shí)得出了聯(lián)合HOG 特征在權(quán)值分布均勻時(shí)，識(shí)別率比較高。用聯(lián)合HOG＋KPCA＋SVM 對(duì)車牌字符進(jìn)行識(shí)別，能夠較好的識(shí)別車牌，但是HOG 的生成過程較長，針對(duì)如何進(jìn)行速度的提升和性能優(yōu)化將是以后工作中重點(diǎn)解決問題，同時(shí)考慮擴(kuò)展該方法在其它模式識(shí)別領(lǐng)域的應(yīng)用。

［1］LIN Ying，LV Yue.Handwritten bangle numerals recognition based on directional element feature ［J］.Computer Engineering，2009，35 （15）：185－186 （in Chinese）. ［林穎，呂岳.基于方向線素特征的孟加拉手寫數(shù)字識(shí)別 ［J］.計(jì)算機(jī)工程，2009，35 （15）：185－186.］

［2］ZHAO Jiyin，ZHENG Ruirui，WU Baochun，et al.A review of off－line handwritten Chinese character recognition ［J］.Acta Electronica Sinica，2010，38 （2）：405－415 （in Chinese）.［趙繼印，鄭蕊蕊，吳寶春，等.脫機(jī)手寫體漢字識(shí)別綜述 ［J］.電子學(xué)報(bào)，2010，38 （2）：405－415.］

［3］CHEN Wei，CAO Zhiguang，LI Jianping.Application of improved templates matching method on plate recognition ［J］.Computer Engineering and Design，2013，34 （5）：1808－1811（in Chinese）.［陳瑋，曹志廣，李劍平.改進(jìn)的模板匹配方法在車牌識(shí)別中的應(yīng)用 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2013，34（5）：1808－1811.］

［4］WANG Ge，XIE Songyun，DANG Zheng.Exploring recognition of off－line handwritten Chinese characters using double ANN classifier ［J］.Journal of Northwestern Polytechnical University，2010，28 （4）：574－578 （in Chinese）. ［王 歌，謝松云，黨正.基于雙神經(jīng)網(wǎng)絡(luò)分類器的脫機(jī)手寫體漢字識(shí)別［J］.西北工業(yè)大學(xué)學(xué)報(bào)，2010，28 （4）：574－578.］

［5］GENG Qingtian，ZHAO Hongwei.License plate recognition based on fractal and hidden Markov feature ［J］.Optics and Precision Engineering，2013，21 （12）：3198－3204 （in Chinese）.［耿慶田，趙宏偉.基于分形維數(shù)和隱馬爾科夫特征的車牌識(shí)別 ［J］.光學(xué)精密工程，2013，21 （12）：3198－3204.］

［6］XIE Zhijiang，LU Bo，LIU Qin，et al.Rotation invariant and fast image template matching algorithm ［J］.Journal of Jilin University：Engineering and Technology Edition，2013，43（3）：711－717 （in Chinese）.［謝志江，呂波，劉琴，等.旋轉(zhuǎn)不變性圖像模板匹配快速算法 ［J］.吉林大學(xué)學(xué)報(bào)：工學(xué)版，2013，43 （3）：711－717.］

［7］Gheorghita S，Munteanu R，Graur A.An effect of noise in printed character recognition system using neural network［J］.Advances in Electrical and Computer Engineering，2013，13 （1）：65－68.

［8］ZHANG Qi，WANG Yuanyuan，MA Jianying，et al.Automatic identification of vulnerable plaques based on intravascular ultrasound images ［J］.Optics and Precision Engineering，2011，19 （10）：2507－2519 （in Chinese）.［張麒，汪源源，馬劍英，等.基于血管內(nèi)超聲圖像自動(dòng)識(shí)別易損斑塊 ［J］.光學(xué)精密工程，2011，19 （10）：2507－2519.］

［9］Arróspide J，Salgado L，Camplani M.Image－based on－road vehicle detection using cost－effective histograms of oriented gradients［J］.Journal of Visual Communication and Image Representation，2013，24 （7）：1182－1190.

［10］XIANG Zheng，TAN Hengliang，MA Zhengming.Performance comparision of improved HOG，Gabor and LBP ［J］.Journal of Computer－Aided Design and Computer Graphics，2012，24 （6）：787－792 （in Chinese）. ［向征，譚恒良，馬爭鳴.改進(jìn)的HOG 和Gabor，LBP 性能比較 ［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2012，24 （6）：787－792.］

［11］Meng Y，Zou J，Gan X，et al.Adaptive WNN aerodynamic modeling based on subset KPCA feature extraction ［J］.Journal of Central South University，2013，20 （4）：931－941.

［12］Rakotomamonjy A.Surveying and comparing simultaneous sparse approximation（or group－lasso）algorithms［J］.Signal Processing，2011，91 （7）：1505－1526.

［13］ZHANG Zhaoyang，TIAN Zheng.Adaptive kernel feature subspace method for efficient feature extraction ［J］.Pattern Recognition and Artificial Intelligence，2013，26 （4）：392－401 （in Chinese）.［張朝陽，田錚.特征有效提取的自適應(yīng)核特征子空間方法 ［J］.模式識(shí)別與人工智能，2013，26（4）：392－401.］

［14］Choi J H，Lee H Y，Lee H K.Color laser printer forensic based on noisy feature and support vector machine classifier［J］.Multimedia Tools and Applications，2011：1－20.

［15］Zhao Y，Jia W，Hu R X，et al.Completed robust local binary pattern for texture classification ［J］.Neurocomputing，2012，106：68－76.

［16］ZHANG Jian.Research on character recognition of license plate recognition ［J］.Information Technology，2011，35（9）：109－110 （in Chinese）.［張劍.車牌識(shí)別中字符識(shí)別的研究 ［J］.信息技術(shù)，2011，35 （9）：109－110.］

［17］Patel C，Patel A，Patel D.Optical character recognition by open source OCR Tool Tesseract：A case study ［J］.International Journal of Computer Applications，2012，55 （10）：50－56.

［18］Erdinc Kocer H，Kursat Cevik K.Artificial neural networks based vehicle license plate recognition ［J］.Procedia Computer Science，2011，3：1033－1037.