基于Blackfin561的嵌入式车牌识别系统

两边寻找边界，找出车牌的上下边。对纵坐标在上下边范围内的图像进行水平投影，寻找连续的白色区域，以确定左右边界。两次寻找边界时均要结合车牌大小的先验尺寸知识来确定车牌的区域，若不符合尺寸要求则排除此次找出的区域并重新寻找。

1.3.4 字符分割

根据车牌的边界信息提取出车牌区域的原始亮度数据，对车牌区域再用大率法进行二值化。这样可消除图像其他部分对车牌灰度范围的影响。然后对二值化后的图像进行水平投影，根据车牌字符的宽度来对车牌字符进行分割。再对每个分割出的字符进行竖直投影，并依据车牌字符高度尺寸来去掉上下的黑边，得到待识别的字符图像，如图7所示。

1.3.5 字符识别

字符识别采用的是离散型Hopfield神经网络。其是一种循环神经网络，网络的输出会反馈到输入端，产生不断变化的状态。如果网络是一个能收敛的稳定网络，则这一反馈与迭代的计算过程所产生的变化会越来越小。一旦达到了稳定平衡状态，网络便会输出一个稳定的恒值，关键在于确定其在稳定条件下的权系数。

首先对车牌的标准字符进行离散化，变成16×32的二值图像，即有512个神经元。这样网络可记忆的样本数最多为512×0.15=76.8个。根据车牌的特点，要建立两个网络：一个是车牌汉字的网络，包括36个汉字;一个是数字与字母的网络，包括36个元素。

可看到两个网络均不会产生伪样本。通过Matlab对标准字符数据进行仿真，得到网络稳定的权系数，然后将参数提取出来供DSP计算使用。

在DSP中将分割后的字符图像进行归一化处理，使字符图像与标准图像大小一致，然后输入到网络中根据公式(1)进行计算。其中，Wij和θi是通过Matlab仿真得到的权系数，x为图像数据。通过循环迭代计算，由式(2)，当网络的能量函数达到稳定时，就得到了识别出的字符，将识别出的字符与标准字符相减，且差值累加，其差值累加最小的字符便是识别出的结果。由于Hopfield网络有联想记忆的功能，故抗干扰性较强、对有噪声、笔画断开、笔画粘连等现象均有良好的识别效果，如图8所示。

1.3.6 与上位机通讯

识别结束后，将识别结果以ASCII的形式通过DM9000发送到PC机进行后续处理。

2 结束语

车牌识别系统的关键技术是车牌定位、字符分割与字符识别。本文结合硬件平台对3个重要部分进行了程序实现。通过实验证明以Blanc fin561双核DSP为核心的嵌入式系统配合Hopfield神经网络能较好地完成车牌识别工作，并可使速度与识别率得到全面提高。基于嵌入式的整体结构也使得系统的扩充工作变得简单，有较高的实际应用价值。