（1）图像预处理：采用图像增强、灰度化、去噪滤波、边缘检测、倾斜校正等方法对图像进行预处理。

（2）图像的二值化方法：扫描像素定位车牌区域，并使用迭代确定合理的全局阈值，再进行图像的二值化处理。

（3）图像分割方法：使用了改进的投影分割方法对车牌的字符进行分割，通过字符宽度阈值比较和像素置零的方法以解决字符的粘连问题，采用垂直投影分别对汉字字符和其他字符进行分割，并通过阈值比较与识别率比较排除切割过程中的干扰。

（4）字符分类器：设计了一个基于BP神经网络的字符分类器，识别已经分割好的低质量印刷体字符。首先运用微结构法特征提取对字符样本进行统计特征提取，根据提取的特征样本训练神经网络，然后提取待识别的字符特征，将其特征向量输入到已经训练好的BP网络中，完成字符识别。

本文的总体识别过程如图1-2所示。

图1-2 系统识别流程图

1。4本论文的组织结构

本文总共由六个章节组成。

第一章介绍了本文的研究背景和研究意义、国内外OCR技术的发展现状、研究难点及本文的主要研究内容。

第二章介绍了图像预处理技术。讨论并研究了基于加权平均的灰度化算法、基于线性灰度变换的图像增强算法、中值滤波/均值滤波方法、基于Roberts算子/Sobel算子的边缘检测方法、基于边缘检测和数学形态学处理的车牌定位算法和车牌字符的倾斜校正方法等。

第三章介绍了图像分割和特征提取技术。讨论并研究了阈值法二值化处理、基于邻近插值算法的字符归一化、改进的投影分割方法、基于微结构法和逐像素法的特征提取等。

第四章介绍了神经网络字符分类器的设计。讨论了神经网络概述及其与模式识别的关系、BP神经网络模型及算法流程等，研究了基于BP神经网络的车牌字符分类器设计等。

第五章是神经网络字符识别系统的实现与分析。结合MATLAB软件，对本文讨论和研究的预处理模块、图像灰度化、中值滤波、边缘检测、图像形态学处理、车牌定位、倾斜校正、图像二值化、字符切割、字符识别、字符归一化与特征提取、BP神经网络字符识别分类器的设计等环节在程序上进行了完整实现，并对实验结果进行了分析。

第六章是本文的总结和展望部分，对本文研究的低质量印刷体字符分割与识别技术进行了简要总结，分析了不足之处，提出了今后研究的重点难点和热点。

第二章 图像的预处理技术文献综述

当今图像处理研究应用领域，面对庞大的图像信息量，原始图像一般都难以满足实际需求，随着数字图像处理技术和计算机技术的发展，使得在图像中提取信息成为可能，数字图像处理技术同时也是字符图像识别的必要。原始图像处理技术往往包括灰度化、图像增强、滤波环节、边缘检测、字符区域定位等环节，为后面的图像分割打好基础[8]。

2。1原始图像预处理技术

2。1。1灰度化

图像的灰度化处理的本质是将彩色图像转换成灰度图像，而通过设备采集的图像大多为彩色图像，想存储彩色图像信息需要大量的存储空间，耗时耗力，影响图像的实时处理。彩色图像中，由R、G、B三个分量决定每个像素的颜色，R、G、B这三个分量的取值范围为0~255。当R、G、B取不同的数值时，像素点就会显示不同的颜色。若令灰度值gray=R=G=B，彩色图就可以转化为灰度图，所以灰度图可以说是一种特殊的彩色图。这三个分量之间没有色彩上的不同，唯一的差异是亮度，明暗程度取决于像素灰度值的高低。将输入的彩色图像灰度化可以减小计算量，方便我们后续开展其他的图像处理步骤[9]。