梁 楊，任勝兵，胡志剛

（中南大學(xué) 軟件學(xué)院，湖南 長沙410075）

0 引 言

紙幣冠字號識別作為目前模式識別領(lǐng)域的一項重要應(yīng)用，主要涉及圖像預(yù)處理、字符分割和字符識別三大模塊。圖像預(yù)處理是冠字號識別系統(tǒng)的重要基礎(chǔ)，主要包括冠字號定位［1］，旋轉(zhuǎn)校正［2］，二值化［3，4］，去噪濾波［5］等環(huán)節(jié)。傳統(tǒng)的圖像定位方法中，有的依靠經(jīng)驗值對圖像進行粗略截取，定位誤差較大，有的通過掃描圖像某些特征來截取目標(biāo)區(qū)域，抗干擾性差且耗時。傳統(tǒng)的幾何坐標(biāo)旋轉(zhuǎn)算法雖然實現(xiàn)簡單，但需要對每個點都進行包含乘加運算的坐標(biāo)變換，非常耗時，并且待旋轉(zhuǎn)圖像越大其執(zhí)行速度越會成為系統(tǒng)瓶頸。傳統(tǒng)的二值化主要有全局閾值法和局部閾值法，全局閾值法根據(jù)圖像的灰度統(tǒng)計確定閾值，算法速度快，但抗干擾能力差；局部閾值法需要對每個點及其鄰域的灰度信息進行判斷，有一定的抗噪性，但速度很慢。字符識別作為識別系統(tǒng)的核心，其識別率和識別速度直接影響整個系統(tǒng)的性能。根據(jù)特征提取方法不同，常用的識別方法有模板匹配法［6－8］，小矩量法［9］和網(wǎng)格法［10］。文獻(xiàn) ［6－8］介紹的模板匹配法相對簡單，但比較耗時，而且識別率較低；文獻(xiàn) ［9］利用小波矩提取的特征向量維數(shù)較高，算法收斂速度慢，識別率較低；文獻(xiàn) ［10］介紹的網(wǎng)格法需要計算每個網(wǎng)格的統(tǒng)計特征，雖然網(wǎng)格特征容易提取，但其抗位置變化能力差，字符的傾斜、偏移會導(dǎo)致網(wǎng)格間錯位，使識別率降低。

針對以上方法處理速度和準(zhǔn)確率的不足，改進了預(yù)處理的關(guān)鍵算法并提出了一種組合特征識別方法。預(yù)處理階段，提出一種幾何定位算法，達(dá)到了精確性和實時性的要求；改進旋轉(zhuǎn)算法，提高了執(zhí)行速度；提出一種可變滑窗二值化算法和一種濾波算法，改善了二值化效果。識別階段，通過有針對性地提取字符的必選特征和若干可選特征，采用多叉樹作為分類器，高效地進行分類識別。以美元冠字號為例的測試驗證了該方法可以達(dá)到較高的識別率和識別速度，滿足工程應(yīng)用的要求。

1 紙幣冠字號碼識別流程

一般地，冠字號識別流程可分為圖像采集、圖像預(yù)處理、字符分割、字符識別等四大步驟。其中，圖像采集一般由圖像傳感器等硬件部分完成，本文主要研究圖像采集后軟件算法的改進。冠字號識別系統(tǒng)整體框架如圖1所示。

圖1 冠字號識別系統(tǒng)整體框架

2 預(yù)處理關(guān)鍵算法改進

2.1 冠字號區(qū)域定位

如果對整張美元圖像進行處理，很多無關(guān)信息并不需要，而且數(shù)據(jù)量大，效率低。所以定位的目的就是得到包含完整冠字號碼的圖片部分，盡量切掉冠字號周圍無關(guān)的圖像，因此首先要根據(jù)冠字號的位置特點將冠字號區(qū)域初步定位下來。本文提出一種幾何定位方法，算法思想如下：

（1）采用邊界找點法確定紙幣圖像四條邊上的若干點（點的個數(shù)根據(jù)實驗確定，但至少為2），以此來線性擬合出紙幣的四條邊界線。

（2）根據(jù)最小二乘法原理求出紙幣圖像四條邊界線的斜率和截距。

（3）確定目標(biāo)區(qū)域上邊線到紙幣上邊界線的距離、目標(biāo)區(qū)域左邊線到紙幣左邊界線的距離、目標(biāo)區(qū)域的高度和寬度。

（4）根據(jù)直線平移原理以及步驟 （3）中確定的距離、寬度和高度參數(shù)，平移四條邊界線，將目標(biāo)區(qū)域包含在四條直線圍成的矩形區(qū)域內(nèi)。

（5）求出平移后四條直線的交點，然后根據(jù)交點坐標(biāo)將目標(biāo)區(qū)域截取出來，即可準(zhǔn)確地定位出包含冠字號的區(qū)域。

2.2 圖像旋轉(zhuǎn)校正

為了方便后續(xù)分割與識別，需要對定位后傾斜的冠字號區(qū)域進行旋轉(zhuǎn)校正。旋轉(zhuǎn)應(yīng)先考慮到如下三方面：①為了使處理的數(shù)據(jù)量小，對目標(biāo)區(qū)域旋轉(zhuǎn)時超出整幅圖像邊界的部分需要裁剪掉；②繞圖像中心進行旋轉(zhuǎn)，確保冠字號不會被切割掉；③由于圖像的像素坐標(biāo)只能為整數(shù)，而經(jīng)過坐標(biāo)變換后，原圖像與旋轉(zhuǎn)后圖像的點不是一一對應(yīng)關(guān)系，旋轉(zhuǎn)后點的坐標(biāo)出現(xiàn)小數(shù)，需要估算該點的灰度值。

字符識別系統(tǒng)主要應(yīng)用于嵌入式平臺，因此針對實時性和準(zhǔn)確性的問題，旋轉(zhuǎn)算法有三點改進：

（1）采用查表法建立每一度傾角對應(yīng)的正弦、余弦映射表，并把相應(yīng)的正余弦值擴大為真實值的256 倍，使運算過程中只有整數(shù)沒有浮點數(shù)，所有乘除運算均通過移位運算實現(xiàn)。

（2）只選取每行的第一個點根據(jù)式 （1）進行坐標(biāo)變換，該行其余點根據(jù)式 （2）進行坐標(biāo)變換

其中，θ為旋轉(zhuǎn)角度，式 （1）中 （X0，Y0）為旋轉(zhuǎn)前的點，（X，Y）為旋轉(zhuǎn)后的點，式 （2）中 （X，Y）為前一個旋轉(zhuǎn)后的點，（Xnext，Ynext）為下一個旋轉(zhuǎn)后的點，式 （2）根據(jù)同一行前后兩個點橫坐標(biāo)的關(guān)系得出。

（3）采用雙線性插值法估計旋轉(zhuǎn)后點的灰度值。把旋轉(zhuǎn)后像素坐標(biāo) （X，Y）分解成 （x＋u，y＋v），其中x、y代表坐標(biāo)點的整數(shù)部分，u、v 代表坐標(biāo)點的小數(shù)部分。如式 （3）所示

由式 （3）可以看出，用距離點 （x＋u，y＋v）最近的4個點估計 （x＋u，y＋v）灰度值，f （x＋u，y＋v）的值即為旋轉(zhuǎn)校正后點 （X0，Y0）的灰度值。距離點 （x＋u，y＋v）越近，對 （X0，Y0）灰度值影響越大。

2.3 二值化

二圖像的好值壞直接影響字符特征的提取，進而影響識別率。提出了一種可變滑窗二值化算法，主要思想是：將原圖像用滑動窗口分成若干子圖像，再分別用OTSU 算法進行二值化，滑窗大小根據(jù)整幅圖像中噪音多少自適應(yīng)調(diào)整。算法簡述如下：

算法1：可變滑窗二值化算法輸入：原始圖像F（x，y）輸出：二值圖像B（x，y）Begin If F（x，y）中灰度值在80到140間的點數(shù)大于常數(shù)K Then滑窗寬度WIN＝COL／N1 Else 滑窗寬度WIN ＝COL／N2 ‘N2 ＜N1 EndIf For j＝1：COL If（j＞0）AND（j% WIN＝0） Then 用OTSU 算法計算當(dāng)前窗口閾值并二值化，二值化結(jié)果保存在B（x，y）中 EndIf EndFor Output B（x，y）End

2.4 濾波算法

實際應(yīng)用中，二值化后的圖像里難免存在噪聲干擾，為進一步提高二值圖像質(zhì)量，提出了一種能降低離散噪聲的濾波算法，主要思想是：如果該點為前景點0，并且其一周至少有3個背景點1，并且其相鄰右邊3個點或下面3個點不全為0時，將其置為1。算法簡述如下：

算法2：濾波算法輸入：二值圖像B（x，y）輸出：濾波圖像T（x，y）Begin T（x，y）＝B（x，y）For i＝2：ROW－1 For j＝2：COL－1 If （T（i，j）＝0） AND（（T（i－1，j）＋T（i＋1，j）＋T（i，j－1）＋T（i，j＋1））＞2） AND （（T（i＋1，j）＋T（i＋2，j）＋T（i＋3，j）＞0）） AND （（T（i，j＋1）＋B（i，j＋2）＋T（i，j＋3）＞0）） Then T（i，j）＝1； EndIf EndFor EndFor Output T（x，y）End

3 特征提取與識別

3.1 組合特征提取

字符特征提取是字符識別的關(guān)鍵，通過研究字符的結(jié)構(gòu)特征和統(tǒng)計特征，提出了一種高效的組合特征提取方案，具體方法如下：

（1）橫豎線特征：大量實驗發(fā)現(xiàn)，橫豎線特征作為字符的一種結(jié)構(gòu)特征，非常具有代表性，分類效果明顯。為此，首先給出橫豎線的定義，假設(shè)字符外接矩形的高度為H，寬度為W。

定義1 字符圖像中，垂直線高度大于αH，稱為豎線。

定義2 字符圖像中，水平線寬度大于βW，稱為橫線。

其中，α是豎線特征比閾值，β是橫線特征比閾值，0.5＜α＜1，0.5＜β＜1。

此外，規(guī)定橫豎線特征向量為兩位，表示為 （colFeature，rowFeature），colFeature 代表豎線特征，取值為0、1、2、3、4，分別代表：無左右豎線、僅有左豎線、僅有右豎線、僅有中豎線、兩側(cè)均有豎線；rowFeature代表橫線特征，取值為0、1、2、4，分別代表：無上下橫線、僅有上橫線、僅有下橫線、上下均有橫線。

提取字符豎線特征的步驟：①從左到右掃描字符的每一列，計算該列最大連續(xù)黑色像素點的個數(shù)N。②如果N／H＞＝α，說明該列為豎線，如果N／H＜α，說明該列不是豎線。③如果該字符所有列都不存在豎線，則colFeature＝0；如果只有前三列存在豎線，則colFeature＝1；如果只有后三列存在豎線，則colFeature＝2；如果只有中間三列存在豎線，則colFeature＝3；如果前三列和后三列同時存在豎線，則colFeature＝4。

橫線特征提取步驟和豎線類似，在此不再贅述。

通過提取橫豎線特征，得到僅有兩個特征值的二維向量，分類效率高。不僅能有效區(qū)分1和4，I和H 等結(jié)構(gòu)特征差別較大的字符，也能有效區(qū)分N 和K，6和5等一些形似字符。

對訓(xùn)練樣本集提取了不同字符的橫豎線特征后，首先要進行字符集的劃分。在實際應(yīng)用中由于存在字符傾斜、噪聲干擾等影響，可能造成同一字符對應(yīng)多個特征向量的情況。由于篇幅所限，這里以特征向量 （1，0）， （4，2）為例，給出對應(yīng)的字符集見表1。

表1 字符集舉例

（2）連通域特征：字符的連通域特征非常穩(wěn)定，不受字符傾斜的影響，抗干擾能力強，很好地彌補了字符橫豎線特征的不足。

二值圖像的連通域標(biāo)記是指在白色像素 （通常用1表示）和黑色像素 （通常用0表示）組成的一幅點陣圖像中，把互相鄰接 （一般4－鄰接或8－鄰接）的像素值為1的像素集合提取出來，為圖像中不同的連通域填入不同的數(shù)字標(biāo)記，并統(tǒng)計連通域的數(shù)目。

字符連通域特征的提取步驟如下：

令標(biāo)記變量flag 初值為2，為方便連通域掃描，在分割完的字符四周加上一圈背景像素點1，如圖2 （a）所示；

從坐標(biāo)為 （0，0）的點開始順序掃描，如果值為1，則標(biāo)記為flag 的值，然后坐標(biāo)先進棧，判斷如果棧非空，則棧頂坐標(biāo)出棧，同時遍歷該出棧點4鄰域內(nèi)的點，如果為1，則進棧，標(biāo)記為flag 的值，否則不標(biāo)記。如此循環(huán)判斷棧的狀態(tài)，非空則出棧并進行遍歷和標(biāo)記。直到?？眨瓿梢粋€連通域的標(biāo)記，并使flag 值加1以便標(biāo)記下一個連通域；

直到該字符圖像中所有點均已被標(biāo)記，即不存在值為1的像素點時，所有連通域標(biāo)記結(jié)束，該字符連通域個數(shù)＝flag－2。

以字母D 為例，其連通域的標(biāo)記如圖2所示。

圖2 字母D 的連通域標(biāo)記

由圖2 （b）可知，對字母D 標(biāo)記完值為3 的連通域后，flag 加1變?yōu)?，此時所有點都已進行過標(biāo)記，則D的連通域個數(shù)為2。因此根據(jù)連通域特征能準(zhǔn)確進行字符分類，很好地區(qū)分外部輪廓相似而內(nèi)部特征差異較大的字符，如B和D，0和8等。

（3）縱向交點數(shù)特征：不同字符在某些列縱向交點數(shù)上存在差異，如數(shù)字2和7，字母C和E，在中間幾列交點數(shù)有明顯不同。因此，字符的交點信息可以作為字符分類的有效信息。字符縱向交點數(shù)的提取就是掃描字符的某一列前景像素點與背景像素點相交的個數(shù)。以字母C 和E 為例，提取其中間列的交點特征如圖3所示。

在圖3中，C 和E 在中間列的交點數(shù)不同，可以快速識別出來。實際應(yīng)用中，由于筆畫偶爾會有噪音干擾或斷裂情況，所以計算交點時一般會同時掃描前后相鄰的幾列，綜合進行判定。

圖3 字母C和E交點特征對比

（4）橫向交點數(shù)特征：橫向交點數(shù)特征的提取和縱向類似，需要掃描該字符某幾行前景像素點與背景像素點相交的個數(shù)，在此不再贅述。

（5）橫向交點坐標(biāo)位置特征：橫向交點坐標(biāo)位置特征的提取是指在字符的某一行中，從左往右或者從右往左掃描，第一次碰到前景像素點時，記錄該點的橫坐標(biāo)，然后判斷此坐標(biāo)是在字符的左半部分還是右半部分，進而區(qū)分具有此特征的字符。以數(shù)字2和5 為例，選擇第5 行，從右往左掃描交點，如圖4所示。

圖4 數(shù)字2和5橫向交點位置特征對比

在圖4的掃描行中，第一次碰到前景像素點時，數(shù)字2的橫坐標(biāo)位于字符中線的右側(cè)，數(shù)字5的位于中線的左側(cè)。從而快速識別出結(jié)構(gòu)相似的字符2和5。

（6）縱向交點坐標(biāo)位置特征：縱向交點坐標(biāo)位置特征的提取和橫向類似，需要在字符的某一列中，從上往下或者從下往上掃描，第一次碰到前景像素點時，記錄該點的縱坐標(biāo)，然后根據(jù)此坐標(biāo)的位置來識別字符，在此不再贅述。

（7）斜線特征：斜線特征提取首先在字符4個頂點的位置找到一個基點，然后從此基點開始尋找有無從該點延伸的斜線。斜線就是有從基點出發(fā)的前景點能往斜向 （如左上）游走兩次以上的特征。以字母O 和Q 為例，基點選取的基準(zhǔn)是在右下的3×3的框中找到1個前景像素點，使其縱、橫坐標(biāo)之和最大，若縱、橫坐標(biāo)之和相等，則取縱坐標(biāo)較大的點做為基點。因此，字母Q 有從基點出發(fā)向左上角的斜線，而字母O 沒有此斜線，由此可以將字母Q 和O 識別出來。

（8）環(huán)位置特征：環(huán)是指字符中由前景點圍成的一個閉合區(qū)域。環(huán)位置特征適用于連通域個數(shù)相同的形似字符的識別，其特征提取需要借助連通域標(biāo)記好的數(shù)字，從上往下或者從下往上掃描，第一次碰到該標(biāo)記值時，記錄該點的縱坐標(biāo)，然后判斷環(huán)位于字符的上半部還是下半部，進而識別出字符。例如數(shù)字6 和9，由于連通域個數(shù)都為2，顯然環(huán)在數(shù)字6的下半部，在數(shù)字9的上半部，從而能夠快速區(qū)分。

（9）環(huán)內(nèi)前景點統(tǒng)計特征：環(huán)內(nèi)前景點統(tǒng)計特征的提取在連通域掃描時完成，即統(tǒng)計環(huán)內(nèi)具有同一標(biāo)記的點的個數(shù)。例如，字母O 內(nèi)的像素點明顯要多于字母A，從而很快區(qū)分出字母O 和A。

（10）區(qū)域統(tǒng)計特征：區(qū)域統(tǒng)計特征是計算字符圖像中選定矩形區(qū)域內(nèi)前景點或背景點的個數(shù)，其作為字符圖像重要的統(tǒng)計特征，具有很好的區(qū)分性和穩(wěn)定性。

3.2 分類識別

采用多叉樹的方法進行分類識別。首先提取待識別字符的橫豎線特征進行第一次分類，如果不是最終結(jié)果，則根據(jù)分支特點繼續(xù)提取其它合適的特征進行再次分類，直至識別出結(jié)果。以美元數(shù)字0－9為例，識別過程如圖5所示。

圖5 數(shù)字識別過程

從圖5可以看出，一般地，對單個字符而言，平均2－3次分類即可完成識別，個別字符最少需要1次分類，最多不超過4次分類。因此，組合特征提取方法靈活，針對性強，識別率高，而且字符的特征空間維度低，平均分類次數(shù)少，識別速度快。字母識別過程和數(shù)字類似，由于篇幅所限，不再贅述。

4 實驗結(jié)果及分析

4.1 系統(tǒng)實驗結(jié)果

實驗環(huán)境：集成德州儀器公司DM642 芯片的開發(fā)板，Code Composer Studio V3.3 開發(fā)環(huán)境，仿真器，點鈔機。用點鈔機的掃描管在白光下隨機掃描2000張美元圖片作為測試集，全部保存為.dat格式的數(shù)據(jù)文件。在開發(fā)板上，依次導(dǎo)入這2000張美元圖片并在線測試，實驗結(jié)果表明，基于該方法的字符識別率達(dá)到96.80%，平均識別時間為22.5ms／張。

4.2 結(jié)果分析和比較

4.2.1 定位算法實驗結(jié)果

以小頭版的100美元為例，分別在紙幣的4 個邊上選取20個點進行線性擬合，根據(jù)幾何定位算法定位出冠字號區(qū)域。幾何定位效果如圖6所示。

圖6可以看出，冠字號區(qū)域在紙幣上的相對位置固定，所以根據(jù)實驗確定距離、寬度和高度的參數(shù)。幾何定位法可以精確地定位到紙幣上任意指定的區(qū)域，并且選擇較少的點進行線性擬合可以明顯提高算法速度。與傳統(tǒng)的經(jīng)驗值定位相比，幾何定位法更準(zhǔn)確，與依靠掃描圖像某些特征區(qū)域的定位方法相比，幾何定位算法速度更快，抗干擾性更強。

4.2.2 旋轉(zhuǎn)校正算法實驗結(jié)果

以大小為240×480的圖像進行旋轉(zhuǎn)校正，表2給出傳統(tǒng)幾何旋轉(zhuǎn)和改進旋轉(zhuǎn)算法的性能比較。

圖6 幾何定位效果

表2結(jié)果表明，由于采用加減運算、查表法、移位運算等，代替了需要占用更多指令周期的乘除、三角和浮點運算，改進的旋轉(zhuǎn)算法比傳統(tǒng)旋轉(zhuǎn)算法執(zhí)行速度更快，效率更高。

表2 傳統(tǒng)幾何旋轉(zhuǎn)和改進旋轉(zhuǎn)算法性能對比

4.2.3 二值化算法實驗結(jié)果

取一個略有噪聲的冠字號圖像，分別采用傳統(tǒng)OTSU算法和可變滑窗二值化算法效果如圖7所示。

圖7 圖像二值化效果對比

圖7效果說明，由于可變滑窗二值化算法會根據(jù)噪聲多少自適應(yīng)調(diào)整滑窗大小，然后按其大小分塊采用OTSU算法計算閾值，兼顧了全局閾值法的速度和局部閾值法的效果，與傳統(tǒng)OTSU 算法相比，可變滑窗二值化算法抗干擾性更強，二值圖像質(zhì)量更好，為特征提取打下良好基礎(chǔ)。

4.2.4 濾波算法實驗結(jié)果

實驗證明，提出的濾波算法能有效減少二值圖像中的離散噪音點，如圖8所示。

4.2.5 分類識別算法實驗結(jié)果

圖8 濾波前后效果對比

為檢驗提出的組合特征識別算法性能，在本系統(tǒng)中分別集成了幾種傳統(tǒng)的字符識別算法作為對比模型，選擇字符的識別率和識別時間作為評價標(biāo)準(zhǔn)，對這2000張美元圖片進行實驗測試，見表3。

表3 組合特征識別法與傳統(tǒng)特征識別法性能對比

實驗結(jié)果表明，由于組合特征識別法不需要存儲模板，占用資源少，一般只需提取包含字符橫豎線特征在內(nèi)的2～3個特征，即可通過多叉樹分類器完成識別，因此采用組合特征的字符識別算法識別率高，識別速度快，優(yōu)于其它3種傳統(tǒng)識別算法。

5 結(jié)束語

研究了嵌入式平臺上字符識別的關(guān)鍵算法，改進了預(yù)處理的關(guān)鍵算法，提出了一種組合特征識別方法。首先提出了幾何定位算法，通用性強，定位精度高，速度快，穩(wěn)健性強；其次改進了圖像旋轉(zhuǎn)算法，圖像校正速度顯著提高；然后提出了一種可變滑窗的二值化算法和一種濾波算法，自適應(yīng)性強，二值圖像質(zhì)量提高，為特征提取打下了良好的基礎(chǔ)；最后提出了一種組合特征提取方案，并采用多叉樹結(jié)構(gòu)進行字符分類，識別率高，速度快，魯棒性好。對比4種分類算法的總體性能可以看出，組合特征識別方法具備識別率高和耗時短的優(yōu)點，更能滿足實際系統(tǒng)的要求。研究圖像在頻率域上的可用特征，豐富組合特征的提取，改進識別方法，使識別率和識別速度進一步提高是下一步的研究方向。

［1］Vinhdu Mai，Miao Duoqian，Wang Ruizhi，et al.An improved method for Vietnam license plate location，segmentation and recognition ［C］／／International Conference on Computational and Information Sciences，2011：212－215.

［2］Serene Banerjee，Anjaneyulu Kuchibhotla.Real－time optimal－memory image rotation for embedded systems［C］／／IEEE International Conference on Image Processing，2009：3277－3280.

［3］Zhang Zhiyong，Song Yang.The license plate image binarization based on Otsu algorithm and MATLAB Realize［C］／／International Conference on Industrial Control and Electronics Engineering，2012：1657－1659.

［4］Kuang Jiangming，Xu Suxiao，Zhang Shuang，et al.License plate recognition system with voice announcement based on improved Otsu pseudo binarization algorithm ［C］／／International Conference on System of Systems Engineering，2012：316－318.

［5］Sun Chuanwei，Liu Hong，Liu Jingao.An image enhancement method for noisy image［C］／／International Conference on Audio，Language and Image Processing，2010：1144－1147.

［6］TANG Jin，LI Qing.Fast template matching algorithm ［J］.Journal of Computer Applications，2010，30 （6）：1559－1564（in Chinese）.［唐琎，李青.一種快速的模板匹配算法 ［J］.計算機應(yīng)用，2010，30 （6）：1559－1564.］

［7］Shih Bih－Yaw，Chen Chen－Yuan，Kuo Jin－Wei，et al.A pre－liminary study on design and development of template－based for license plate recognition system applying artificial coordinates auxiliary techniques［C］／／IEEE International Conference on Industrial Engineering ＆Engineering Management，2010：80－83.

［8］Alexander Sibiryakov.Fast and high－performance template matching method ［C］／／IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2011：1417－1424.

［9］ZHOU Hongjun，YANG Hao，LIN Yimang.Plate characters recognition based on ICA and wavelet moments［J］.Journal of Southwest China Normal University （Natural Science Edition），2010，35 （2）：159－163 （in Chinese）.［周虹君，楊浩，林一莽.利用獨立成分分析和小波矩對車牌字符特征的識別 ［J］.西南師范大學(xué)學(xué)報 （自然科學(xué)版），2010，35 （2）：159－163.］

［10］YANG Danfeng，LV Yue.Off－line signature verification based on combination of direction feature and grid feature［J］.Journal of Image and Graphics，2012，17 （6）：717－721 （in Chinese）.［楊丹鳳，呂岳.方向特征和網(wǎng)格特征融合的離線簽名鑒別 ［J］.中國圖象圖形學(xué)報，2012，17（6）：717－721.］