資源描述：
《復(fù)雜背景下多車牌識別算法的研究與軟件系統(tǒng)實(shí)》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、復(fù)雜背景下多車牌識別算法的研究與軟件系統(tǒng)實(shí)第1章緒論1.1選題背景及意義近年來，隨著我國汽車產(chǎn)業(yè)制造水平和人民生活水平的提升，國內(nèi)汽車的數(shù)量也在持續(xù)地增長，根據(jù)國家統(tǒng)計(jì)局的數(shù)據(jù)顯示，截止2015年底我國汽車保有量達(dá)到了1.72億輛，而這個數(shù)字在2009年底時(shí)僅僅是0.63億。隨著這一繁榮景象而來的，還有更多亟待解決的技術(shù)問題。比如，隨著汽車數(shù)量的大幅增加，原有的車輛管理系統(tǒng)的性能也應(yīng)該隨之提高，在多輛車同時(shí)出現(xiàn)時(shí)，如何快速準(zhǔn)確地鎖定目標(biāo)車輛，也是非常值得研究的問題。這些技術(shù)問題的解決，將會極大地緩解汽車數(shù)量的迅猛增長對管理部門造成的壓力。目標(biāo)車輛鎖定，是
2、車輛管理系統(tǒng)的基本核心功能。而車牌識別技術(shù)正是目標(biāo)車輛鎖定中的關(guān)鍵技術(shù)[1]。事實(shí)上，各種場景的車輛管理系統(tǒng)都是先通過車牌識別技術(shù)對目標(biāo)車輛進(jìn)行鎖定，提取車牌號碼，然后再進(jìn)行系統(tǒng)預(yù)設(shè)的下一步功能，實(shí)現(xiàn)自動管理。下面是當(dāng)前智能車輛管理系統(tǒng)的主要應(yīng)用場景[2,3,4]：隨著汽車數(shù)量的增加，除了需要不斷地加強(qiáng)城市道路的建設(shè)與優(yōu)化道路交通體系之外。最重要的一點(diǎn)是可以通過實(shí)施車輛管理系統(tǒng)，引導(dǎo)車輛在合理路段行駛，對不按照道路交通規(guī)則行駛的車輛實(shí)時(shí)登記處罰，對懷有僥幸心理的駕駛員進(jìn)行有效的震懾，顯著提高城市交通系統(tǒng)的效率?，F(xiàn)代犯罪分子使用最多的交通工具就是汽車，車輛
3、被盜事件也時(shí)有發(fā)生，案件發(fā)生后，公安一線民警會調(diào)取案發(fā)場所附近的監(jiān)控設(shè)備，搜索錄像中的嫌疑車輛，此時(shí)性能優(yōu)良的車牌識別系統(tǒng)將大大縮短查找錄像的時(shí)間，全面提升民警的辦案效率。.........1.2國內(nèi)外研究現(xiàn)狀雖然車牌自動識別技術(shù)在圖像處理領(lǐng)域是一項(xiàng)較早開始的研究，并且也取得了一定的研究成果，但是每年仍然有很多的研究人員投身這一領(lǐng)域，不斷地改進(jìn)這項(xiàng)技術(shù)。這是因?yàn)?，與人的眼睛不同，計(jì)算機(jī)做不到輕易地分辨不同類型的車牌，對于計(jì)算機(jī)來說，車牌僅僅是一張RGB彩色圖像或者灰度圖像。從圖像或者視頻中檢測并識別車牌是有一定難度的，并不是簡單地?cái)?shù)清汽車的數(shù)量那樣簡單。
4、目前，許多研究人員使用的檢測車牌的算法，每一個都有一些局限性。大部分算法僅僅對特定某一類圖像可以很好地處理，但是對其他的圖像的識別率很低。正是這個原因，這個領(lǐng)域的研究一直在進(jìn)行，但是依然不夠完美。典型的自動車牌識別系統(tǒng)主要由以下三個部分組成：車牌定位，字符分割和字符識別。車牌定位即在原始畫面中確定車牌區(qū)域在圖像中的位置[5]。字符分割即在定位好的車牌上將每一個字符獨(dú)立地分割開，是字符識別之前的一項(xiàng)非常重要的處理步驟[6]。最后一步，識別從車牌上分割出來的字符，在這一步將圖像信息轉(zhuǎn)換為字符信息[7]。大部分車牌識別系統(tǒng)都是以通用的方法作為基礎(chǔ)，比如人工神經(jīng)
5、網(wǎng)絡(luò)(ANN)[8,9],概率神經(jīng)網(wǎng)絡(luò)(PNN)[10],光學(xué)字符識別(OCR)[11],BP神經(jīng)網(wǎng)絡(luò)[12]，支持向量機(jī)(SVM)[13],基于區(qū)域的彩色分割[14]和模糊算法[15]，尺度不變特征變換(SIFT)[16]等等。在文獻(xiàn)[17]中，使用Soble濾波器，定位到車輛的邊緣然后進(jìn)行進(jìn)一步的識別。在文獻(xiàn)[15]中使用最大平均相關(guān)高度(MACH)濾波器和R-theta映射技術(shù)，實(shí)現(xiàn)了車牌識別，而不受車輛尺度和旋轉(zhuǎn)變化的影響。在文獻(xiàn)[18]中，使用了光學(xué)字符識別(OCR)技術(shù)，它將印刷文本的掃描圖像轉(zhuǎn)換為計(jì)算機(jī)編碼文本，文獻(xiàn)中提出一種基于反饋神經(jīng)網(wǎng)
6、絡(luò)的OCR算法,使用兩個非重疊的真實(shí)的字符圖像數(shù)據(jù)集作為該算法的訓(xùn)練和測試樣本。這兩個非重疊圖像數(shù)據(jù)集，用來模擬真實(shí)世界中的情景。ANN是廣泛應(yīng)用于模式識別中的智能算法。最經(jīng)常使用ANN的是多層反饋神經(jīng)網(wǎng)絡(luò)，這個算法結(jié)構(gòu)簡單，可以將要判斷的輸入值，分類到預(yù)定的目標(biāo)類別集合中。文獻(xiàn)[19]和[20]分別使用特征提取和二進(jìn)制像素值的方法將被分類的信息輸入神經(jīng)網(wǎng)絡(luò)，前一個是神經(jīng)網(wǎng)絡(luò)常用的方法，在不同的環(huán)境下都可以達(dá)到理想的結(jié)果。然而，特征提取通常具有較高的計(jì)算復(fù)雜度和多余的干擾特征。文獻(xiàn)[21]中，針對難以辨認(rèn)的車牌字符(比如I和1，B和8，O和D)，增加了一
7、個額外的訓(xùn)練，可以對這些區(qū)別不大的字符很好地區(qū)分。文獻(xiàn)[22]提出的方法中，從彈性網(wǎng)格中進(jìn)行字符特征的提取，將整個字符串作為研究的對象。文中用這一方法結(jié)合SVM，對日本車牌進(jìn)行了測試。測試的范圍內(nèi)含有數(shù)字、日文和代表車牌區(qū)域的字符串，識別的準(zhǔn)確率分別達(dá)到了99.5%，98.6%和97.8%。文獻(xiàn)[23]中，提出一種雙階段混合OCR系統(tǒng)提高了識別準(zhǔn)確率。首先使用四個統(tǒng)計(jì)分類器分別獨(dú)立地識別輸入的字符，然后利用貝葉斯方法融合這些獨(dú)立的輸出。其次，如果第一步識別出的字符屬于上面提到的相似字符中的任一字符，接著會進(jìn)一步進(jìn)入一個深入識別的階段。.........第
8、2章相關(guān)理論基礎(chǔ)2.1區(qū)域特征矩描述符眾所周知，計(jì)算機(jī)是不認(rèn)識圖像，只認(rèn)識數(shù)字的
