原文传递
基于数字图像处理和机器学习的车牌识别(LPR)研究
| 论文题名： | 基于数字图像处理和机器学习的车牌识别(LPR)研究 |
| 关键词： | 数字图像处理;机器学习;车牌识别;遗传算法 |
| 摘要： | 随着经济与社会的高速发展，各种类型汽车保有量迅速增长，而公路的容积增长缓慢，管理手段相对滞后，使得我国的交通压力越来越大。特别是城市和交通枢纽，如：高速公路收费站，检查点，堵点路段，停车场等。为了缓解矛盾，智能交通系统(ITS)己成为当前交通管理发展的主要方向。而车牌识别技术又是ITS中的重要组成部分，它提供快速，精确的车牌信息，极大地减轻了人工识别的成本，并且为智能交通其他应用提供了信息。 为了能够从复杂背景中提取车牌，分割车牌字符和识别字符。本课题对这些车牌识别中关键技术进行了重点的研究。 为了提高车牌定位的速度和抗干扰能力，本文首先对AdaBoost技术进行了深入的研究。由于分类效果的好坏是和级联分类器密切相关的，而级联分类器是建立在强分类器的基础上的，因此强分类器的构建对整个级联分类器是有至关重要的影响。结合车牌的特点，提出了一种基于跳变特征和跳变密度方差特征的AdaBoost算法，提高了检测率和降低了误识率。为了缓解弱分类器训练速度和错误率之间的矛盾，本文提出了一种基于类积分图的快速弱分类器阈值查找算法。基于强分类器的构建过程中对非车牌训练样本的需求，本文构造了一个基于训练模型的非车牌自动生成算法，能够提高非车牌训练样本集合的多样性和较高生成速度，达到有效训练强分类器的目的。得到的车牌定位系统能够很好地在复杂环境下高效地提取车牌，在自备的各个测试集上达到较高的识别率，较低的误识率。 然后，利用OTSU获取最佳阈值实现车牌图像的二值化。采用Radon变换进行了倾斜校正，去除边框后应用基于垂直投影的方法分割了车牌字符。获得了基本没有倾斜的低噪声的车牌字符。 最后，通过分析字符与数字的结构特征，建立了一个基于粗分类的多级分类策略。对归一化后的车牌字符，第一级采用了孔洞特征进行分类，在细分类上采用了基于相对位置过线扫描等方法的再次分类。对于不易再细分的子类，采用经遗传算法优化的BP神经网络进行分类。由于采用遗传算法优化的方法，在一定程度上避免了BP神经网络过拟合训练数据的问题，在测试集合上该方法也达到了比较好的效果。 本文研究证明：改进的AdaBoost算法可以很好地对车牌进行定位，并且有较强的抗干扰能力。经遗传算法训练的BP神经网络，在一定程度上可以提高泛化能力。 |
| 作者： | 王笛 |
| 专业： | 计算机软件与理论 |
| 导师： | 石锐 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆大学 |
| 学位年度： | 2008 |
| 正文语种： | 中文 |
检索历史
应用推荐
