多特征融合的车牌检测算法研究

发布时间：2017-11-08 17:32

  本文关键词：多特征融合的车牌检测算法研究

  更多相关文章： 车牌检测 特征提取 边特征 候选车牌验证 数据融合

【摘要】：车牌识别系统是智能交通系统的重要组成部分,在日常生活中有许多应用,如电子收费,停车场入口管理,交通执法等。车牌识别系统主要包括三部分:车牌检测,字符分割,字符识别。其中车牌检测是非常重要的一步,车牌检测的好坏直接影响后续的处理及整个车牌识别系统的性能。自然场景中如复杂背景,部分遮挡,光照不均等因素都有可能干扰车牌检测的效果,因此设计一个准确的车牌检测算法仍非常具有挑战性。本文重点研究了多特征融合的车牌检测算法。主要工作分为:1、首先详细阐述了车牌检测技术和车牌特征的内容。分析了基于特征的车牌检测技术在实际应用中的可行性及优势,介绍了基于各种特征的车牌检测技术并分析了各自的优缺点。2、针对传统的基于边密度特征的车牌检测算法存在定位率低、只能检测固定尺寸的车牌的状况,在多尺度物体检测方法的基础上,提出了一种新的算法EM-LPD。EM-LPD算法通过建立图像金字塔的方法,在各尺度的图像中用相同大小的窗口分别进行检测,选取垂直边密度较大的区域作为候选的车牌区。最后再将各个尺度的检测结果进行合并。实验结果表明EM-LPD算法在测试数据集上可以获得较高的检测率。3、针对传统的基于边特征的车牌检测算法误检率高的情况,增加了候选车牌验证步骤,以去除非车牌区域。根据车牌的字符特性,选用纹理特征来描述车牌。根据多特征物体检测的优势,引入两种纹理特征:T-HOG和MB-LBP描述子。T-HOG描述子对图像噪声比较敏感,而MB-LBP描述子的计算方法使得它可以很好的克服噪声带来的影响,故结合这两种特征共同描述车牌特性可以兼顾两种特征的优点。实验结果表明多特征结合的方法可以更好地描述车牌信息。4、应用数据融合技术,提出两种候选车牌验证算法:DF-LPV和FF-LP V,这两种算法结合T-HOG和MB-LBP两种特征,分别采用决策融合和特征融合的方式,对候选车牌图像进行分类,去除误检车牌区域。经实验验证,采用数据融合技术可以很好地过滤掉误检车牌。多特征融合体现在两处:一、从全局看,车牌检测阶段利用车牌的边特征,候选车牌验证过程利用的是车牌的纹理特征,整体上是应用了多特征融合的技术;二、从局部看,在候选车牌验证过程中,根据车牌特性,选取两个不同的纹理特征:T-HOG和MB-LBP,以增强车牌的判别信息。各个特征在车牌检测中的作用是互补的。实验结果表明多特征融合的技术可以极大地提高车牌检测的性能。
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495;TP391.41

【相似文献】

中国期刊全文数据库 前10条

1 周斌;林喜荣;贾惠波;宋榕;;多特征融合的手背血管识别算法[J];清华大学学报(自然科学版);2007年02期

2 周静;黄心汉;彭刚;;基于多特征融合的飞机目标识别[J];华中科技大学学报(自然科学版);2009年01期

3 杜艳明;龙丹;;多特征融合的人脸检测[J];武汉理工大学学报;2010年23期

4 赵小英,黄凤荣;多特征融合的目标识别与提取在空间定位中的研究[J];河北工业大学学报;2002年04期

5 张进华;庄健;杜海峰;王孙安;;一种基于视频多特征融合的火焰识别算法[J];西安交通大学学报;2006年07期

6 王琳;李爱国;王新年;虞燕风;;基于多特征融合的早期火灾烟雾检测[J];大连海事大学学报;2014年01期

7 商飞;马骏骁;姚立;田地;邱春玲;;基于多特征融合的科学仪器工作状态检测方法[J];吉林大学学报(工学版);2010年02期

8 李亮;张树生;白晓亮;邵立;;基于遗传算法的三维CAD模型多特征融合和检索[J];制造业自动化;2013年03期

9 姚拓中;项志宇;刘济林;;基于图像多特征融合的野外水体障碍物检测[J];浙江大学学报(工学版);2009年04期

10 马东辉;朱斌;樊祥;任彪;;基于粒子滤波的目标图像多特征融合跟踪方法[J];探测与控制学报;2009年04期

中国重要会议论文全文数据库 前3条

1 叶锋;蔡光东;郑子华;亓晓旭;尹鹏;;基于多特征融合的药用植物标本识别[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

2 段其昌;季长有;;基于多特征融合的快速人脸检测[A];第十七届全国测控计量仪器仪表学术年会（MCMI'2007）论文集（上册）[C];2007年

3 李玉峰;郑德权;赵铁军;;基于SVM和多特征融合的图像分类[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

中国博士学位论文全文数据库 前5条

1 刘明华;复杂环境下基于多特征融合的目标跟踪关键技术研究[D];青岛科技大学;2016年

2 田纲;基于多特征融合的Mean shift目标跟踪技术研究[D];武汉大学;2011年

3 徐志刚;基于多特征融合的路面破损图像自动识别技术研究[D];长安大学;2012年

4 陈秀新;多特征融合视频复制检测关键技术研究[D];北京工业大学;2013年

5 初红霞;基于均值移动和粒子滤波的目标跟踪关键技术研究[D];哈尔滨工程大学;2012年

中国硕士学位论文全文数据库 前10条

1 张岩;基于多特征融合及二部图匹配的3D目标检索技术研究[D];哈尔滨工业大学;2015年

2 计明明;基于多特征融合的三维模型检索技术[D];浙江大学;2015年

3 王庆;基于多特征融合的人体动作识别方法研究[D];上海大学;2015年

4 刘婕;复杂场景多特征融合粒子滤波目标跟踪[D];重庆理工大学;2015年

5 崔剑;基于多特征融合的分级行人检测方法研究[D];电子科技大学;2015年

6 王珊珊;基于极化SAR非监督分类的油膜厚度估算方法研究[D];大连海事大学;2015年

7 肖冠;基于多特征融合的异类传感器中段目标关联算法研究[D];国防科学技术大学;2013年

8 王建荣;基于多特征融合的无人机航拍图像识别研究[D];成都理工大学;2015年

9 高爽;基于多特征融合的粒子滤波跟踪算法研究[D];西安电子科技大学;2014年

10 坎启娇;基于多特征融合的多目标跟踪算法[D];河北工业大学;2015年

，

本文编号：1158153