字符識別屬于模式識別的范疇，通常的字符識別方法可分為2類：基于字符結構（筆畫特征）的結構識別和基于字符統(tǒng)計特征的統(tǒng)計識別。結構模式識別方法的優(yōu)點是可以識別復雜的模式，缺點是需要進行筆畫特征的提取，在輸入圖像質量不佳的情況下，這一點往往難以做到。在統(tǒng)計模式識別方法中，特征提取方便，識別速度與識別對象無關，但需要得到字符集的穩(wěn)定特征，且在字符筆畫較多時要求的特征量非常大。二種識別方法各有優(yōu)缺點。
　　人類的視覺感知系統(tǒng)是一個魯棒性很強的、能抵御實際中可能遇到的各種變形和噪聲干擾的文字識別系統(tǒng)。人們的認字過程實際上是對漢字整體形象的把握，是對漢字圖像全局的處理過程［1］。因而，漢字的整體信息在無筆順識別中起著無法替代的重要作用。
　　統(tǒng)計模式識別借助概率論的知識，判斷或決策對象的特征類別，使得決策的錯誤率達到最小。基于統(tǒng)計特征的識別方法先抽取識別對象的穩(wěn)定特征，組成特征矢量，然后在字符集的特征空間中進行特征匹配。基于以上認識，在分析汽車牌照中漢字字符的特點后，采用了有別于結構分析的一種基于字符圖像特征統(tǒng)計的模式識別方法進行漢字識別。同時針對統(tǒng)計方法無法區(qū)分的相似漢字，提取其微結構信息進行特殊的校正識別。
　　1 特征統(tǒng)計匹配
　　統(tǒng)計決策論其要點是提取待識別模式的一組統(tǒng)計特征，然后按照一定準則所確定的決策函數(shù)進行分類判決［2］。漢字的統(tǒng)計模式識別是將字符點陣看作一個整體，從該整體上經(jīng)過大量統(tǒng)計得到所用特征，用盡可能少的特征模式來描述盡可能多的信息。所采用的方法有：特征統(tǒng)計的方法、整體變換分析法［3］、幾何矩特征、筆劃密度特征、字符投影特征、外圍特征、微結構特征和特征點特征等。這些方法都具有各自的優(yōu)缺點，應根據(jù)具體應用進行選取。主要方法有外圍面積特征匹配法和網(wǎng)格特征匹配法。外圍面積特征反映了字符的輪廓信息。外圍面積特征提取法，主要是從周圍形狀的心理學知識來獲得漢字信息的特征，即對文字周圍上下左右的形狀進行量化，從而構造特征向量。網(wǎng)格特征實際是結構模式識別和統(tǒng)計模式識別相結合的產(chǎn)物。字符圖像被均勻或非均勻地劃分為若干區(qū)域，稱之為“網(wǎng)格”。在每個網(wǎng)格內(nèi)尋找各種特征，如目標面積比例、交叉點、筆劃端點的個數(shù)、細化后的筆劃長度和筆劃密度等。特征統(tǒng)計以網(wǎng)格為單位，即使個別點統(tǒng)計有誤差也不會造成大的影響，從而增強了特征的抗干擾性。因此這種方法得到日益廣泛的應用。在實際的車牌漢字識別中，當相同漢字的二值圖形變動較小時該方法較有效。具體應用：將尺寸為34×66象素的漢字二值圖均勻分成32個正方形的小區(qū)域（不考慮外邊框的1個象素），統(tǒng)計每個8×8的小區(qū)域內(nèi)目標象素（白色）所占的面積比例，就得到了歸一化的32維特征矢量。統(tǒng)計多幅相同漢字的32維特征矢量，取均值作為該漢字的標準網(wǎng)格特征模板。識別時，計算待識別漢字的32維網(wǎng)格特征矢量與模板矢量之間的Euclid距離，求得最小距離值，其對應的漢字即為識別結果。在具體應用中，由于外部原因常常會出現(xiàn)字符模糊、字符傾斜的情況，而網(wǎng)格特征匹配方法對字符模糊和傾斜較敏感，因此魯棒性不是很強，不適合實際應用。
　　2 模板匹配
　　考慮到以上2種主要識別方法存在的弊端，決定選用模板匹配的算法進行字符的識別。實際研究中發(fā)現(xiàn)，二值化的圖形模板雖然直觀，但其匹配計算過程過于簡單直接，對傾斜、形變、殘損、模糊的待識別字符匹配誤差較大，因此魯棒性較差。而灰度模板由于色彩、光照等因素影響，難以找到普遍適用的模板形式實現(xiàn)直接的匹配計算。綜合以上二方面的問題，在引入統(tǒng)計模式識別思想的基礎上，提出了基于二值圖形變動分析的模糊模板匹配方案。
　　2.1 基于二值圖形變動分析的模糊模板匹配
　　在含有汽車牌照的圖像中，將漢字定位并提取出來以后，還要完成規(guī)格化、二值化等操作。即使是相同的漢字，由于車牌傾斜、模糊，特別是由于每次定位不可能完全精確一致等諸多因素的影響，導致在二值圖中字體的形狀、大小都會不同，字體位置也會發(fā)生不同程度的偏移。將這種二值圖形的不規(guī)則現(xiàn)象稱為圖形的變動。在漢字識別的分析過程中，希望對圖形變動的大小進行量化處理。因此，提出了求圖形整體變動量的統(tǒng)計方法，其優(yōu)點是不需要參照標準圖形，可以進行客觀評價，并構造出用于匹配識別的模糊模板。
　　對每一個車牌的漢字字符，選取n幅質量較好的參考圖。將這n幅參考圖規(guī)格化為17×33的標準大小后進行二值化處理，得到標準參考圖fi（x，y）。因此每個車牌漢字字符都有n幅由0、1所組成的二值圖像。將這n幅二值圖像對齊后疊加，再進行歸一化。得到的模糊圖形F（x，y）。四個漢字的模糊圖形模板（不同方向的視覺效果）如圖1所示。
　　
　　該模糊圖形上每一象素點實際上都對應著一個概率值，該概率值代表白色目標（漢字筆劃）在該點出現(xiàn)的可能性。例如在模糊模板中若某一點值為1，表明在所有參加統(tǒng)計的二值圖形上漢字筆劃都經(jīng)過該點，其為白色目標象素的可能性是100％，為黑色背景象素的可能性是0；反之亦然。進行匹配識別時，對一幅切分后的待識別漢字灰度圖，將其規(guī)格化、二值化，然后計算每一象素點與模板的吻合程度，即每一象素點正確匹配的置信度con（x，y）。