本文提出了一種對(duì)噴碼文字的識(shí)別方法，先通過(guò)對(duì)字體輪廓、網(wǎng)格、投影等特征提取，然后，根據(jù)統(tǒng)計(jì)的特征所形成的分類器，進(jìn)行投票法判決，最后針對(duì)文字體輪廓特征特別接近，提取內(nèi)沿的局部特征進(jìn)行第二次判決。這種方法已經(jīng)在工業(yè)應(yīng)用中取得了很好的效果。

　　一.概述

　　當(dāng)今在發(fā)票，車(chē)票及門(mén)票上的數(shù)字均由噴碼產(chǎn)生,由于受?chē)姶a時(shí)墨量和光照的影響,能產(chǎn)生多種變形,給我們的識(shí)別造成了很多難點(diǎn)。

機(jī)器視覺(jué)成功應(yīng)用于噴碼文字識(shí)別" border="0" src="http://www.gongso.com/images/hyyy/2009/11/27/BDF5B0DF80364903B9061E12D6624C11.jpg" />

　　圖1

　　二 我們的方法

　　1．切割和歸一化

　　先對(duì)圖像的文字部分進(jìn)行橫向和縱向切割,我們采用的是投影的方法,然后再對(duì)切割出來(lái)的部分,進(jìn)行大小歸一化,歸一化的方法主要兩種,一種是普通的大小縮放,我們采用的是另外的一種方法.我們先求出文字的質(zhì)心。

　　式（1）中 為1時(shí)表示該像素點(diǎn)為黑像素，為0時(shí)表示該像素點(diǎn)為背景。

　　然后再計(jì)算水平和垂直方向的散度：

　　2. 特征的提取

　　我們分別提取了待識(shí)別字體的網(wǎng)格特征，水平和垂直方向的投影特征，以及字體的邊緣特征，但是對(duì)于光照的差別比較大的情況，這些方法受到的影響是非常大的，因?yàn)樵诠庹掌醯那闆r下，象素點(diǎn)的個(gè)數(shù)明顯減少，以及造成字體邊緣的缺損。對(duì)于零這個(gè)字體。

　　為了避免由此帶來(lái)的識(shí)別錯(cuò)誤我們對(duì)先切出來(lái)的字體進(jìn)行象素點(diǎn)比率的統(tǒng)計(jì)，假如當(dāng)它小于一個(gè)特定的門(mén)限值得時(shí)候，對(duì)它實(shí)施開(kāi)運(yùn)算，大于門(mén)限值得時(shí)候進(jìn)行閉運(yùn)算。（c）為（a）圖進(jìn)行膨脹后的結(jié)果,（d）為（b）細(xì)化后的結(jié)果.對(duì)于所提取的特征值我們通過(guò)正規(guī)化相交的公式求得最后的分類器。

　　其中 為由字體算得特征相量， 是待識(shí)別字體算得相量。然后根據(jù)這三個(gè)分類器通過(guò)簡(jiǎn)單投票法形成多分類器進(jìn)行判別,即有兩個(gè)或兩個(gè)以上形成決策A，認(rèn)為A是合法的。若每個(gè)分類器形成的決策是不多的，我們就選定公式3中算的最大值作為分類器決策。假設(shè)三種特征的識(shí)別正確率分別為p1,p2,p3.那么我們的方法在理論上能達(dá)到的正確識(shí)別率為：

　　P = p1＊p2（1-p3）+p2＊p3（1-p1）+p1＊p3（1-p2）+p1＊p2＊p3

　　三 實(shí)驗(yàn)結(jié)果

　　運(yùn)用我們上訴的方法,對(duì)圖象進(jìn)行識(shí)別,我們的算法能夠給出正確的結(jié)果。

　　四結(jié)論

　　對(duì)我們的算法進(jìn)行了一系列的測(cè)試和統(tǒng)計(jì)發(fā)現(xiàn)正確的識(shí)別率一般在99.9%以上,但是現(xiàn)在最大的問(wèn)題是由于噴碼文字邊緣的不規(guī)則性,這就造成了Q,0,O,D之間有著極大的相似性。對(duì)于這類相似文字，我們對(duì)識(shí)別結(jié)果又加了一些局部特征量的判斷比如說(shuō)內(nèi)沿特征,來(lái)進(jìn)一步提高識(shí)別率。