文本识别(TR,text recognition)是机器视觉领域中的研究热点,涉及图像处理、数据挖掘、模式识别等交叉学科。文本识别在交通、邮政、银行以及自动化办公等众多场合得到越来越广泛的应用。文本识别包含四个关键环节:文本检测、单字符分割、特征提取以及字符识别。文本检测的准确度,字符分割的精确度,提取的特征的优劣以及字符识别的正确率问题是这些环节所应关注的主要问题。文中对文本识别的各个步骤做了详细的研究,并开发了具体的动态文本识别系统。为了增加检测的可靠性,文中依据文本区域存在丰富的一致性边缘这一特性,改进了传统的基于Sobel边缘检测与形态学运算结合的文本检测方法,在此基础上采取了轮廓跟踪以及与先验知识结合的算法而实现了精确定位。提出利用从跟踪到的特征矩形轮廓提取倾角进行文本倾斜校正的算法,使用基于跳变次数的线扫描法来确定字符上下边。为了满足实时性以及可靠性的要求,采取了基于垂直投影法的改进的二次判断单字符分割算法。在字符特征的选择方面,本文采取了13点特征提取法、粗网格法以及全像素特征下的PCA降维方法,并对粗网格特征和13点特征进行了对比分析实验。分析实验表明:粗网格特征在类可分性上优于13点特征,但在类稳定性上不如13点特征提取法。对于分类器的设计,本文采取模版匹配分类器与SVM分类器结合的方式进行字符的识别,模版匹配识别方法对于小字符集的识别效率很高,而SVM分类器则有着很强的泛化能力、适应能力,本文通过结合使用两类分类器来提升识别模块的性能。本文应用的语言是C/C++,编译环境为VS2005,应用机器视觉开源库OpenCV,并将libsvm(SVM开发工具)整合到系统里。系统试验表明,本系统在定位分割以及识别方面都能达到较理想的结果。