详情

原文传递车牌识别关键技术研究

论文题名：	车牌识别关键技术研究
关键词：	车牌识别;字符分割;极值区域;人工蜂群算法;BP神经网络
摘要：	随着经济的迅速发展，汽车保有量快速增长，给城市交通和社会治安带来了巨大压力，交通智能化管理迫在眉睫。而车牌识别是交通智能化管理的关键与核心模块，因此研究又快又准的车牌识别技术具有重要价值。车牌识别是图像处理和识别领域的经典研究课题之一，其关键技术包括图像预处理，车牌定位，字符分割和字符识别等。然而实际情况中，常见的车牌识别算法整体处理速度较慢，系统鲁棒性差，不能满足系统应用的实时性和广泛性要求。　　在车牌定位和字符分割阶段，本文受最大极值稳定区域算法启发，提出了一种基于极值区域的车牌定位和字符分割算法：首先，打破常规方法先定位车牌再分割字符的思路，在车牌图像阈值变化过程中，记录中间状态的极值区域，得到一棵相互嵌套的极值区域树，在此基础上，依据区域的面积、欧拉特征和纹理特征准确筛选出字符区域，算法能够在车牌字符定位的同时完成字符的分割，大大提高了车牌识别系统的效率；其次，由于极值区域较强的仿射不变性，保证了定位和分割的准确性；同时算法可以兼容不同的车牌底色和车牌型号，提高了系统的鲁棒性。在字符识别阶段，提出了一种基于改进BP神经网络的字符识别算法：首先，因人工蜂群算法在寻优方面有控制参数少、易于实现等优点，研究并提出了一种基于狼群分配原则的自适应步长人工蜂群算法，以进一步提高算法的搜索精度和速度；其次，为克服神经网络学习过程消耗较大的缺陷，提高算法的效率，引进改进后的人工蜂群算法高效且准确地求得 BP神经网络模型中最优权值和阈值；同时，由于采用了最优的权值和阈值，提高了算法的准确率，进而提高了字符识别时的准确率和效率。　　本文提出的基于极值区域的车牌定位和字符分割算法经过试验证明，能够解决传统车牌识别过程中定车牌位和字符分割过程复杂冗余，效率低，鲁棒性差的缺点，其中处理时间较一般流程可以平均节省时间13.46％。基于人工蜂群算法的BP神经网络字符识别算法能够克服基于传统BP神经网络的识别算法学习速度慢，精度低影响车牌识别系统识别率和识别速度的问题，其平均寻优时间可以减少约2.76%，准确度提高约1.84%。　　现实生活中光线、车速、拍摄角度等因素常常导致拍摄的车牌图像质量不高，影响识别准确度。如何快速准确定位并识别低质量图像的车牌是未来工作的重点。
作者：	马轩
专业：	计算机科学与技术
导师：	臧明相
授予学位：	硕士
授予学位单位：	西安电子科技大学
学位年度：	2014
正文语种：	中文