HyperLPR源码分析13

2021SC@SDUSC

这篇报告是最后一篇报告，这篇报告里就不分析新的内容了，而是对前面的内容做出一些总结，总结出几个图像处理、模式识别和机器学习方面算法的共同套路、规律。

一、模式识别的大体思路

车牌文字识别属于模式识别的一种，模式识别的大体思路就是特征提取与选择、学习训练、分类识别三步。

特征提取与选择，就是采集要识别的原始数据并且提取它们的特征，在车牌识别方面，就是获取标准车牌的图片，进行预处理，去除噪声、模糊和不相关的部分，裁剪下标准车牌文字，然后降低维数，从模式空间中选择最有利于模式分类的量作为特征，压缩模式维数，以找到最关键的分类特征，便于处理与识别。

那么已经提取好了模板特征，然后是进行训练，使机器具有分类识别功能，将人类的识别知识和方法以及关于分类识别对象的知识输入机器中，产生分类识别的规则和分析程序。在这里就是把模板车牌输入卷积神经网络进行训练，找出分类效果最好的参数。

最后一步就是应用模型进行分类识别了，这也就是我们这个程序的大体内容，因为前两步骤，内容复杂到我们无法分析，所以其实我们分析的都是这一步。这一步的思路就比较清晰了，输入待识别的车牌图片，进行预处理、裁剪，找出车牌位置，再找出车牌上文字的位置，然后给卷积神经网络做分类即可。

二、图像预处理的思路

其实我们分析的相当一部分内容都是图像预处理，我们输入的图片，其中只有一部分是车牌内容，并且没有做任何分割，这样的图片是不能直接输入卷积神经网络，与模板匹配的，必须进行预处理才能输入。

图像预处理大体步骤如下，并不是所有步骤都会用到&#