1.一种基于SIFT算子和混沌遗传算法的车牌字符识别方法，包括汉字识别，所述汉字识别包含两个步骤：提取SIFT算子特征形成字符特征的关键点；将形成的字符特征的关键点与车牌汉字的模板匹配进行汉字识别，其特征是：还包括数字字母识别，具体步骤如下：

1)提取SIFT算子特征，形成字符特征的关键点；

2)将形成的字符特征的关键点与车牌汉字的模板匹配进行汉字识别；

3)采用十三点法提取数字字母特征；

4)数字字母特征的识别；

5)汉字识别和数字字母识别组合形成车牌号码识别；

所述步骤4)的数字字母特征采用支持向量机识别，包括以下步骤：(1)采用径向基核函数生成支持向量机，径向基核函数见下式：

2 2

K(x,xi)＝exp{‑||x‑xi||/2σ}     (9)式中：exp表示以自然常数e为底的指数函数；x表示像素点在x方向坐标；xi表示第i个像素点在x方向的坐标；σ表示核参数；

(2)用混沌遗传算法优化确定惩罚因子C和核参数σ；

(3)进行支持向量机分类设计，以确定三类分类器；

(4)将步骤(2)优化的惩罚因子C和核参数σ导入支持向量机的三类分类器进行识别；

所述步骤(2)用混沌遗传算法优化惩罚因子C和核参数σ包括以下步骤：①确定适应度函数

以公式(9)的径向基核函数为适应度函数；

②初始参数设定

确定运行参数和种群规模M；

采用二进制编码，选择C∈[1,100]为整数，σ∈[0.0001，1]，惩罚因子C和核参数σ的参数组用21位二进制数表示，其初始种群的群体规模为80；

最大迭代次数为n＝100；

交叉概率Pc为0.8；

变异概率

其中L为染色体长度；

③Logistic混沌映射产生初始种群Logistic混沌映射，其产生初始种群映射方程为：xn+1＝μxn(1‑xn)n＝0,1,2…(11)式中，xn表示迭代n次后个体的相对个数，μ是控制参量，取 时，方程迭代运动轨迹将处于完全混沌运动状态；

④利用支持向量机算法计算个体适应度个体适应度定义为如下公式：

⑤对种群进行交叉操作

将种群内个体两两随机组合，对每个配对的组合，首先由系统随机生成一个(0,1)之间的数，由交叉概率决定是否交叉，若交叉，则采用映射生成的序列经简单映射后利用高斯函数来决定交叉位置，否则，匹配下一对组合，所有的交叉位置由一个混沌序列即可决定；

⑥对当前种群进行变异运算

首先由随机生成的数与变异概率来决定是否发生变异，给Logistic映射赋予n个微小差异的初值，将生成n个混沌序列；

⑦满足停止条件则获得最优化的支持向量机惩罚因子C和核参数σ的组合参数；

⑧解码得到最优化的惩罚因子C和核参数σ；

⑨对于步骤④计算出的个体适应度如果不满足停止条件，需要重新选择和计算；

所述步骤④计算出的个体适应度不满足停止条件、需要重新选择和计算，其步骤包括：a、混沌初始化种群

首先随机产生一个初始向量，Xi＝(xi1,xi2,…xim)，将Xi根据Logistic映射公式得到随机初始化种群：

将N个向量X1,X2,…XN变换到目标优化函数要求初始变量的取值范围区间，得到N个初始变量作为初始种群，记为种群个体数量；

b、混沌交叉

用混沌序列来控制交叉操作的频率，具体操作如下：采用混沌交叉映射公式：xn+1＝4xn(1‑xn)  (14)任取一个初值x0，可以产生一个迭代序列，这个序列的特点是在[0,1]之间变化，显然，可以将xn+1作为一个随机开关，当xn+1大于预先所选定的值时，就进行交叉操作；反之，则不交叉，即：

上式中p是预先选定的值，取0.5；

c、混沌变异

在简单的遗传算方法中，变异概率pm的选取是随机的，或者由产生的混沌序列来控制变异操作的进行；

d、复制父代群体和新群体中优秀个体进入下一代。

2.如权利要求1所述的一种基于SIFT算子和混沌遗传算法的车牌字符识别方法，其特征是：所述步骤(3)支持向量机分类设计采用一对一组合模式，需要构造的三类分类器数量为：

式中：n为自然数，取值为10。

3.如权利要求1所述的一种基于SIFT算子和混沌遗传算法的车牌字符识别方法，其特征是：所述步骤1)提取SIFT算子特征的步骤如下：Ⅰ构建尺度空间：假设I(x,y)为输入图像，G(x,y,σ)是变尺度的高斯函数，则该图像的尺度空间函数L(x,y,σ)的定义为下式：L(x,y,σ)＝G(x,y,σ)*I(x,y)  (1)式中，σ为尺度因子，*为卷积运算，(x，y)表示图像中像素位置坐标；

高斯函数G(x,y,σ)定义为下式：为了在尺度空间中有效的检测稳定极值点，采用高斯差分函数D(x,y,σ)，它是通过对两个相邻尺度相差k倍的图像相减得到的：D(x,y,σ)＝(G(x,y,kσ)‑G(x,y,σ))*I(x,y)＝L(x,y,kσ)‑L(x,y,σ)  (3)Ⅱ局部极值点检测：为了检测高斯差分函数的局部极大值和极小值，每个采样点都要与其同尺度的8个相邻点以及上下相邻尺度的9×2个、共26个点进行比较，当该采样点均大于或者小于其他点的时候，该采样点被选中，因此可以检测到该空间内所有的局部极值点，即为SIFT特征候选点；

Ⅲ精确定位极值点：对上一步检测出的候选SIFT特征点进行筛选，筛选出对噪声比较敏感的、对比度低的点和不稳定的边缘点，以进一步得到位置精确的点；

所述候选SIFT特征点的筛选方法是，采用三维二次方程拟合DOG空间局部采样，检测并去除低对比度点，对D(x,y,σ)进行泰勒展开至二次项得到：对上式求导，并令等式等于零，可以得到D(x)的极值点 如下式所示：将式(5)代入式(4)得到式(6)：如果计算得到 则该特征点保留下来，否则去除，留下来精确定位的极值点就是关键点；

Ⅳ关键点方向分配及生成SIFT特征向量关键点确定之后，需要根据其邻域像素的大小及方向分布情况确定关键点的一个主方向，以实现SIFT算子的旋转不变性；

任何一个关键点均可计算它的梯度模值m(x,y)和方向θ(x,y)，见公式(7)和(8)：‑1

θ(x,y)＝tan (L(x,y+1,σ)‑L(x,y‑1,σ))/(L(x+1,y,σ)‑L(x‑1,y,σ))  (8)根据公式(7)和(8)计算的梯度模值m(x,y)和方向θ(x,y)即为关键点的主方向。

4.如权利要求1所述的一种基于SIFT算子和混沌遗传算法的车牌字符识别方法，其特征是：所述步骤2)形成的字符特征的关键点与车牌汉字的模板匹配进行汉字识别时，将各字符的特征提取后的数据导入matlab、并采用最邻近法进行匹配，当两者的匹配个数最多时，所对应的车牌汉字即为待识别字符。