制作交通事故现场图是交通事故处理的重要环节。本课题拟研制基于硬件手绘板的交通事故现场手绘图的识别与归整制作系统,它能读取用户在硬件手绘板上的手绘图数据,识别理解其手绘内容,生成符合国家标准要求的交通事故现场图。交通事故现场图一般具有特定的结构,由块状图符、线状图符、地形地物图符、文字等基本图符构成,本文重点研究GB/T11797-2005标准中规定的28种机动车和非机动车的车符识别问题。　　 本文通过借鉴手写文字识别的技术思路来研究车符识别方法。首先回顾了手写文字识别的有关概念,归纳总结了手写文字识别系统的处理流程和预处理、特征提取、分类识别以及后处理等关键处理环节;然后,比较分析了手绘车符与手写文字的区别与联系。　　 特征提取是目标识别的基础。手绘车符的特征提取分别采用四角度线性投影、水平与垂直投影直方图、HOG三种特征。对于不同类型的特征采用不同大小的模板,才能达到最优的效果。水平与垂直投影直方图可以较好地表征图符的全局特征,HOG特征可以较好地描述图符的局部特征。本文结合投影直方图和HOG特征,分别选取其最优的模板大小,进行特征层融合和识别层融合。实验结果表明,基于投影直方图和HOG特征层融合的识别率优于其他特征的识别率。　　 弹性网格具有吸收形变的作用。本文利用投影直方图的全局特征来构造弹性网格的坐标,提出一种基于弹性网格的HOG特征提取方法。在现有的训练样本库中,总识别率达94.8％;对于测试用户和训练用户独立开来的情况,识别率可达79.8％以上:对于手写数字、电路元件、微软办公软件形状图3个不同领域的手绘图符,总识别率达到92.5％。实验结果表明:该方法对手绘车符识别具有较高的识别率;对新用户具有一定的适应性;算法还具有较好的推广前景。　　 不同分类器的识别性能各不相同。本文评估几种分类器对基于弹性网格HOG特征提取方法的识别性能,并提出自适应加权的KNN算法。实验结果验证了每个分类器都有各自的优点和不足,为后续分类器的集成奠定基础。