如果直接通过提取待识别数字标识符感兴趣区域的这15个特征值，然后与模板数字的特征值一一进行比对，再通过比较找到差异最小来判定感兴趣区域的数字，那么计算耗费时间较长。通过分析我们发现，在表2中对于任意数字符的a11、a31、a02、a42这四个值都是相同的，那么可以利用这4个特征值来初步判定待识别字符是不是完整规范的数字，然后再比对其他11个特征，这样将提高识别效率。算法如下：

(a)令 ，若x≠1则说明待识别数字符不完整，退出整个识别流程；若x=1则进入下一步骤。

(b)对余下11个特征值与模板数字的特征值一一进行比对，识别数字并输出结果。
标识符识别测试实验

　　为验证本文提出的算法及理论的有效性、可靠性和准确性，在实验室的水磨石路面背景下，铺设agv导航线，并在导航路径上放置控制标识符和数字标识符。图5所示为控制标识符实验现场，图6为20幅验证数字标识符识别算法的图像样本，包含了0～9十个数字的两组不同旋转角度的图像。

　　在控制标识符识别实验中，本文所设计的控制标识符能很好地模拟出现场环境，依据控制标识符的几何特征来识别标识符的方法，能够在较为复杂的环境下快速、准确地识别控制标识符。

　　在识别数字标识符的实验中，图6中的样本对应的特征值计算结果正确无误。这种简单识别数字的方法的准确率较高，而且每次识别数字耗时仅为1ms。在实际应用中，决定识别效率的主要瓶颈在于图像分割环节中从感兴趣区域里面抽取出标识符的精确轮廓，而本文提出的对标识符完整性的初步判断，大大减少了对非完整数字标识符的冗余识别，提高了整个agv导航过程的流畅性。

结束语

　　基于机器视觉的agv导航是目前智能车领域的热门研究课题，视觉引导的agv可以高效地进行运动速度控制，识别多分支路径以及各种停车工位，是其智能化的重要表现。本文设计了两类导航标识符并给出识别方法，经实验验证，这两类导航标识符的应用，大大的提高了agv的智能性，满足对标识符识别实时性、准确性以及鲁棒性的要求，达到了预期目标。为视觉导航agv的高智能化发展提供了新思路。