| 主权项 |
基于Grassmann流行的车牌字符识别方法，其特征在于，包括下列步骤：步骤A：构建每类车牌字符图像样本的张成子空间：A‑1：对每类车牌字符取n个车牌字符图像样本，将各车牌字符图像转化为灰度图像，并将灰度图像归一化为相同图像尺寸，其中n大于或等于3；A‑2：每类字符n个样本的图像矩阵<img file="dest_path_FDA0000743044930000011.GIF" wi="553" he="78" />其中i为字符类型标识符，<img file="dest_path_FDA0000743044930000012.GIF" wi="612" he="86" />表示第i类字符的第j个样本的车牌字符图像按行或按列展开形成的m维列向量，其中m表示归一化后的车牌字符图像的像素点总数，j＝1,2,…,n；所述<img file="dest_path_FDA0000743044930000015.GIF" wi="85" he="74" />表示第i类字符的第j个样本的车牌字符图像的第p个像素点的像素值，p＝1,2,…,m；A‑3：对图像矩阵M<sub>i</sub>进行奇异值SVD分解，得到<img file="dest_path_FDA0000743044930000013.GIF" wi="364" he="164" />其中矩阵U<sub>i</sub>为m*m阶酉矩阵，矩阵A<sub>i</sub>为n*n阶对角矩阵，矩阵V<sub>i</sub><sup>H</sup>为n*n阶酉矩阵V<sub>i</sub>的共轭转置矩阵；取对角矩阵A<sub>i</sub>中前k个最大值对应位置的矩阵V<sub>i</sub>中的列向量构成矩阵Y<sub>i</sub>，用span(Y<sub>i</sub>)表示矩阵Y<sub>i</sub>的张成子空间，将所述张成子空间span(Y<sub>i</sub>)映射到Grassmann流形上，其中下标i为字符类型标识符，其中1≤k＜n；步骤B：对待识别车牌字符图像进行字符识别：B‑1：输入n个同类待识别车牌字符图像，基于步骤A‑1、A‑2得到待识别字符类型x的图像矩阵<img file="dest_path_FDA0000743044930000014.GIF" wi="567" he="85" />基于步骤A‑3由图像矩阵M<sub>x</sub>得到矩阵Y<sub>x</sub>，用span(Y<sub>x</sub>)表示矩阵Y<sub>x</sub>的张成子空间，将所述张成子空间span(Y<sub>x</sub>)映射到Grassmann流形上；B‑2：基于Grassmann流行的两点间距离，分别计算张成子空间span(Y<sub>x</sub>)与每个类的张成子空间span(Y<sub>i</sub>)之间的点距离，取最小点距离所对应的类型标识符i为待识别字符类型x的字符种类。 |
