模板匹配识别算法和神经网络识别算法的比较及MATLAB实现

ISSN1009-3044

ComputerKnowledgeandTechnology

第16卷第34期(2020年12月)

电脑知识

与技术

Vol.16,No.34,

December.

2020

E-mail：*************.cn

ComputerKnowledgeandTechnology

电脑知识

与技术

http：//

Tel：+86-551-6569

模板匹配识别算法和神经网络识别算法的比较及MATLAB实现

陶鹏，朱华

（攀枝花学院数学与计算机学院，四川攀枝花617000）

摘要：现有的车牌识别系统（LPR）已经诞生了许多关键技术。常用的关键技术有：基于数学形态学定位汽车车牌、基于

Hough变换的车牌图像倾斜校正算法。而识别算法中，主要有模板匹配和BP神经网络算法。模板匹配算法是数字图像处

理组成的重要部分之一。把不同的传感器在不同时间和成像条件下对景物获取到的图像在空间上对齐，或在模式到一幅

图中寻找对应的处理方法。BP神经网络算法是一种“误差逆传播算法训练”：利用输出的误差估计前一层的误差，以此类

推，获取各层次估计的误差。本次实验通过比较识别算法的两种关键技术得出以下结论：模板匹配实现过程简单，速度

快，要求字符比较规整，并且对车牌图片质量要求很高，图像被其他因素干扰时，比如光线、清晰度等，会导致识别率低；而

神经网络算法可以在不同的复杂环境下、不明确推理规则等识别问题，具有自适应性好、识别率高的自学习和自调整能

力，但在识别前需要进行网络训练，速度慢，依赖大量的学习样本。

关键词：识别算法；模板匹配；BP神经网络

中图分类号：TP181文献标识码：A

开放科学（资源服务）标识码（OSID）：

文章编号：1009-3044(2020)34-0187-04

CharacterRecognitionAlgorithmBasedonTemplateMatchingandCharacterRecognitionAlgorithmbasedonNeuralNetwork

ComparisonandMATLABImplementation

（SchoolofMathematicsandComputer,PanzhihuaUniversity,Panzhihua617000,China）

Abstract:Existinglicenseplaterecognition(LPR)systemhascreatedthekeytechnologyofmanykeytechniquesarecommonly

usedare:carlicenseplatebasedonmathematicalmorphologyonthelicenseplateimagetiltcorrectionalgorithmbasedonHough

transformandtherecognitionalgorithm,therearemainlytemplatematchingtemplatematchingalgorithmandtheBPneuralnet⁃

workalgorithmisoneofanimportantpartofdigitalimageprocessingofthedifferentsensorsindifferenttimeandimagingcondi⁃

tionofscenerygetimagealignmentonthespace,orinthemodeltoafigureinsearchthecorrespondingtreatmentmethodtheBP

neuralnetworktrainingalgorithmisakindoferrorbackpropagationalgorithm:usingtheoutputerroroftheestimationerrorofthe

previouslayer,andsoon,foralllevelsestimatederrorthisexperimentbycomparingtherecognitionalgorithmoftwokindsofkey

technologyinthefollowingconclusions:templatematchingprocessissimple,fast,characterisneat,andthelicenseplateimage

qualityrequirementishigh,theimageinterferencebyotherfactors,suchasthelightofclarity,leadstotherecognitionrateislow;

However,neuralnetworkalgorithmcanidentifyproblemssuchasunclearinferencerulesindifferentcomplexenvironments,and

hasself-learningandselr,networktrainingisneed⁃

edbeforerecognition,whichisslowandreliesonalargenumberoflearningsamples.

Keywords:Recognitionalgorithm;Templatematching;Theneuralnetwork

TAOPeng，ZHUHua

随着我国经济水平的不断提升，人们对生活质量的要求也

源源不断提高。为了满足自我和家庭的需求，越来越多人购买

了汽车，据公安部报道：自2019年6月，我国汽车保有量突破

3.4亿辆。因此，交通智能化管理在人们的生活中的比例越来

越重要。车牌识别系统（lPR）是智能交通系统（ITS）的核心组

成部分，也是智慧城市的关键一步。通过IPR，可以对车辆进行

监控，交通流量控制指标标量，车辆定位，监管，登记等。在实

现交通自动化管理有着现实意义的作用。

一个完整的车牌识别系统是基于图像分割和图像识别理

论：通过图像的采集对含有车牌的图像进行车牌定位和提取，

从而确定车牌的位置，并且进一步识别出文本字符。而车牌倾

斜校正，字符分割，字符识别，是识别工作的相辅相成。由于，

本次实验是比较字符识别的关键技术，所以采用控制变量法：

车牌定位采用数学形态学定位法：膨胀、腐蚀、开启和闭合。图

像倾斜校正采用Hough变换法：找出变换域中的峰值数据（相

交直线最多的点），根据峰值数据的空域坐标绘出对应直线。

1车牌识别系统总体流程

图1是车牌识别系统的总体流程：图像采集->图像预处

理->车牌定位和提取->车牌校正->字符分割->字符识别->训

练模型。

收稿日期：2020-06-25

本栏目责任编辑：唐一东

人工智能及识别技术

187

ComputerKnowledgeandTechnology

电脑知识

与技术

图1车牌识别总体流程图

1.1首先通过设备获取原始图像后，车牌识别系统利用MAT⁃

LAB技术将原始图像数据化

1.1.1读入图像文件

tor');

[filenamepathname]=uigetfile({'*.jpg';'*.bmp'},'FileSelec⁃

I=imread([pathname

handles.I=I;

''filename]);

guidata(hObject,

axes(1);

handles);

图2原始图像

1.1.2灰度化

因为外界的光线条件多变光照不均匀，容易得到的图像出

现偏光，因此可以通过rgb2gray函数以实现对比度的变换及扩

大，以减少光线对图形的影响。

I=handles.I;

I1=rgb2gray(I);

axes(2);

imshow(I1);title('灰度化');

图3灰度图

1.1.3边缘检测

由于在自然背景中准确确定牌照区域是整个识别过程的

关键，为了准确获得车牌信息，利用Roberts算子进行边缘

检测。

I2=edge(I1,'roberts',0.18,'both');

图4边缘检测

188

人工智能及识别技术

第16卷第34期(2020年12月)

1.1.4平滑图像轮廓处理

由于噪声以及数字化误差导致角点不理想。自动白平衡、

自动曝光以及伽马校正，采用腐蚀函数imerode（）求图像区域

空间的平均值，

se=[1;1;1];

以使图像更为清晰。

I3=imerode(I2,se);%¸腐蚀操作

图5腐蚀处理

1.1.5滤波处理

为除去小图像，

se=strel('rectangles',[30,30]);

利用bwareaopen（）函数删除小面积对象。

I5=imclose(I4,se);%

部分

I6=bwareaopen(I5,2000);%

图像聚类，

除去

填充图像

聚团灰度值小于2000的

figure(2),imshow(I6);

图6滤波处理

1.1.6数学形态学定位车牌

经过图像预处理之后的灰度图进行行列扫描，确定车牌

区域。

Btemp1_y=zeros(y

for

for

m=1:y

temp1,1);

if(myI(m,n,1)==1)

n=1:x

temp1

temp1

end

Btemp1_y(i,1)=Blue_y(i,1)+1;

end

end

[temp

%Y

Ytemp1=Maxtemp1Y;

方向车牌区域确定

MaxY]=max(B_y);

while((Bstemp1_y(PY1temp1,1)>=5)&&(Y1

end

Y1PYtemp11-1;

temp1>1))

Y2=Max

while((Btemp1_y(Y2

temp1Y;

temp1,1)>=5)&&(Y2temp1

End

Y2temp1=Y2temp1+1;

IY

%X

temp1=I(Y1temp1PYtemp12,:,:);

B

while((Bs_x(1,PX1)<3)&&(X1

temp1_x=zeros(1,x);

·方向的区域确定

end

X1=X1+1;

X1=X1-1;%

X2=X2+1;

对车牌区域的校正

本栏目责任编辑：唐一东

第16卷第34期(2020年12月)

dw=I(Y1:Y2-8,X1:X2,:);

t=tocs;

axes(5);imshow(dw),title('定位车牌');

图7车牌定位

1.1.7字符切割

校正车牌区域得到剪切后的字符并去噪；

Word2=[];

while

[m,n]=size(d);

f==0

left=1.0;

wides=0;

whilesum(d(:,wides+1))~=0

end

wides=wides+1;

ifwides

d1(:,[1:wide])=0;

else

d=qiege(d1);

temp=qiege(imcrop(d,[1

[m,n]=size(tp);

1widem]));

all=sum(sum(tp));

(m/3.0)],:)));

twos_thirds=sum(sum(temp([round(m/3):2*round

iftwos_thirds/all>y21

end

f=1;word1=tp;%word1

d(:,[1:wide])=0;d=qieges(d);

end

end

图8字符切割

2模板匹配算法原理

模板匹配原理用于车牌识别算法是OCR，是先将待识别的

字符进行二值化操作，并将大小缩放到字符数据库模板大小，

然后逐一匹配，从待识别的图像区域F（i，j）中提取大量特征量

与模板的T（i，j）逐一匹配，计算他们之间规格化的互相关量，

最大的互相关量就是相识度最高的，然后依次相减，选出最佳

结果。流程如图9所示：

图9模板识别算法流程图

本栏目责任编辑：唐一东

ComputerKnowledgeandTechnology

电脑知识

与技术

图10模板库

图11实验结果

3BP神经网络原理

神经网络的基本原理是通过输入向量和权的向量的加权

求和，成为下一个神经元的输入，再加上偏置，经过激活函数计

算作为下一层的神经元的输出，多用于函数逼近，模型识别分

类，数据压缩和时间序列预测。

也存在收敛速度慢，

BP神经网络具有较强的泛化能力和高度非线性能力，

迭代步数多，易陷入局部极小和全局搜索

但

能力等缺点，可以先用遗传算法对“BP神经网络”进行优化在

解析空间找出比较好的搜索空间。

数。本次实验选择

Sigmoid可微函数和线性函数常作为

tansing作为神经元的激励函数。

BP神经网络的激励函

的信号压缩在一个可控的范围内，

Sigmoid函数是神经网络的激励函数。激励函数会把输出

图12神经网络算法流程图

让其成为一个有限值。

图13训练界面

人工智能及识别技术

189

ComputerKnowledgeandTechnology

电脑知识

与技术

第16卷第34期(2020年12月)

4实验结果与分析

为了充分比较匹配算法和神经网络的优缺点，对500张汽

车车牌进行了测试，测试结果如下：

表1匹配算法识别率和神经网络算法识别率对比图

光照强度

采集图片数

匹配算法识别准确率

神经网络算法识别准确率

亮

125

36%

60%

较亮

125

48.8%

60.8%

较暗

125

43.2%

64.8%

暗

125

46.4%

66.4%

因是省份汉字笔画较多同时伴有笔画黏黏的现象，从而造成了

误判。

5结论

1）在应用中，由于干扰因素众多，模板匹配算法准确率没

有神经网络识别算法高，但是在数字和字母的识别中，两者差

别不大，因为数字和字符结构简单，彼此间的相识度较小。

2）在图片模糊，不清晰，背景识别困难（车牌颜色和车身颜

色一致）时，神经网络比模板匹配算法更具优越性。

3）模板匹配实现过程简单（只需准备模板库），验证过程速

度快；而BP神经网络实现过程复杂，需要提前进行网络训练，

但训练后的效优于模板匹配。

总而言之，应用模板匹配时，应当保证车牌的图像质量，解

析度不能太低。应用神经网络时，应当使字符能正确独立分割

出来，应用神经网络的样本保证充分不偏。

通过实验发现：匹配算法识别准确率和神经网络识别准确

率都随着光照强度的减弱而增加，其原因是图像的二值化进行

定位的算法鲁棒性与适应性比较差，阈值会受到图像亮度与图

像复杂度的影响。特别是车牌和汽车颜色一致时，即使光线好

依旧定位失败。因此，在车牌定位过程中，车牌的提取结果会

因光照的影响而出现较大的偏差，从而导致定位失败；在相同

的光照强度下，匹配算法识别准确率远远低于神经网络的算法

识别率，其原因是：模板匹配时，所设计的模板和它对应的字符

图像难以吻合。对于较为复杂的汉字如“赣”、“鲁”和特殊的字

母“U”等，这种不吻合所带来的错误会对结果产生不良的影响。

而数字的识别能得到较好的效果。神经网络算法识别率也不

太高，其原因是：数据量太小，并不能满足本次实验，另一个原

参考文献：

[1]李宇成,杨光明,王目树.车牌识别系统中关键技术的研究[J].

计算机工程与应用,2011,47(27):180-184,209.

[2]魏武,黄心汉,张起森,等.基于模板匹配和神经网络的车牌字

符识别方法[J].模式识别与人工智能,2001,14(1):123-127.

[3]黄德双.神经网络模式识别系统理论[M].北京:电子工业出版

社,1996.

【通联编辑：唐一东】

（上接第184页）

舍、有多少人聚集活动等情况。可以按片区、按时间进行人员

数量、人员分类等的统计，可以生成报表。

4）异常预警分析，可按学校要求进行异常情况分析，如旷

课（迟到、早退）学生分析、夜不归宿学生名单或多天没有轨迹

记录的学生分析，可以按院系、专业、辅导员、时间段等生成统

计报表，发送给辅导员和相关领导提供预警。

6结束语

图4智能服务分析系统设计架构图

主要应用场景有：

1）签到考勤，如课堂考勤、值班考勤、教工考勤、会议考勤

等。实现需要三个重要环节：在需要考勤的场所架设人脸识别

摄像机、考勤签到机等人脸信息采集设备，获取人脸信息，进行

身份识别；通过与教务系统、会议系统、人事系统、学工系统等

数据整合，获取需要考勤的人员名单；智能服务分析系统对人

员信息进行比对，完成考勤功能。

2）人员轨迹分析，通过在校园内主要区域架设人脸识别摄

像机、通道机等，实时捕获校园内步入识别范围内人员并进行

甄别记录。智能服务分析系统利用识别数据，实现人员信息查

询、分析等功能，对校内人员的行为轨迹进行有效的跟踪，定位

各时间节点出现的位置。并可通过人员照片进行轨迹分析（如

是校内注册人员能反向检索人员信息），此功能可用于案件调

查追踪。

3）人员分布分析，查询当前时间或某段时间全校或指定区

域的人员分布情况，如有多少人员在图书馆、有多少人员在宿

人脸识别技术将会越来越广泛地在应用于高校智慧校园

建设，本文通过人脸识别的具体应用，阐述了我校智慧校园建

设过程中的应用探索。在我校具体应用中也发现人脸识别技

术仍然存在一些不足之处，例如，室外通道机摄像头被强光照

射，人员识别率会下降，影响行人通行。行人面部遮挡或识别

角度等原因也会影响人员信息的识别。相信在未来的技术改

进中，人脸识别技术更加智能化，也会更加广泛地应用到高校

智慧校园建设。

参考文献：

[1]时伟翔.基于人脸识别的校园智能化方案[J].价值工程,2020,

39(1):264-265.

[2]李良.智慧校园建设中定位识别服务分析系统设计[J].电脑

知识与技术,2017,13(30):77-78.

[3]刘树飞.人脸识别技术在智慧校园中的应用探析[J].通讯世

界,2019(9):44-45.

【通联编辑：唐一东】

190

人工智能及识别技术

本栏目责任编辑：唐一东