复杂环境下的车牌识别算法研究
发布时间：2021-09-04 11:01
由于我国汽车数量的大幅增长,交通问题日益突出,为了缓解交通压力,提高车辆的管理效率,智能交通系统应运而生,而车牌识别系统是智能交通系统的重要组成部分,所以对车牌识别技术的研究具有重要意义。虽然我国车牌识别技术在长时间的研究和努力下,取得了不错的研究成果,能够准确地识别出多数场景下的车牌,但在复杂环境下得到的车牌图像往往具有多种干扰因素,如光照条件恶劣、车牌倾斜、车牌污损等,利用现有车牌识别技术对复杂环境下的车牌图像进行定位与识别,取得的效果并不理想。针对这些问题,本文在现有车牌识别技术的基础上做出相应改进,使车牌识别算法更适应复杂环境,主要工作有以下几点。首先,为了避免图像增强时纹理信息容易丢失的问题,本文采用在频域中的同态滤波算法对车牌图像进行增强,针对以往同态滤波的滤波器参数多,计算复杂的问题,对传统的巴特沃斯滤波器进行改进,将未知参数由五个降低成两个,实验表明,在不影响图像增强的同时,大大降低了算法复杂度,节省了计算时间。在车牌定位时结合光照补偿,对车牌HSV颜色模型进行三通道分离,保持色调分量不变,对饱和度分量进行拉伸,利用改进的同态滤波对亮度分量进行光照补偿,再结合车牌的颜色...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：93 页
【学位级别】：硕士
【部分图文】：
车牌识别系统流程图
在自然场景中，天气条件和环境变化等因素对采集的车辆牌照图像质量有的影响，在一定程度上降低了车牌定位的准确率。为此，本文先将车牌图像频域增强，以突出车牌的细节特征，使得目标区域能够更好的被定位分割出]。1 图像增强算法概述在数字图像处理领域，有许多图像增强算法，虽然这些增强算法都可以对起到增强的作用，但是不同的算法对同一图像增强的效果却大不相同。目前有一种通用的图像增强算法可以实现任意图像的增强，因此，对不同类型的需要试用大量增强算法进行对比实验，选择最合适的算法对其进行处理，以图像细节、质量、特定信息的增强。图像增强算法分为两种类型：一种是空间域增强，另一种是频域增强[27]。类算法是以不同的方式完成相同的工作，即图像增强，只不过空间域算法是像素组成的空间中直接对像素进行调整达到图像增强，而频域算法是将图像间域转换到频域中进行处理。图像增强的不同算法如图 2.1。
图 2.4 非线性变换Fig 2.4 Nonlinear transformation处理度直方图是反映图像灰度的统计特性，它表示一幅直方图是图像处理中的基本信息[27]。从一幅图像的解这幅图像的信息特征，仔细分析可以发现，在明于灰度值较大的地方，同理，在暗图像中，其直方方；对比度较高的图像其直方图分布相对均衡，对相对较窄。基于直方图的增强算法常会用到直方图均方图均衡化的图片对比，由图可以发现，将分布较均衡化后，变成了分布均衡的高对比度图像。
【参考文献】：
期刊论文
[1]基于卷积神经网络的车牌字符识别[J]. 董峻妃,郑伯川,杨泽静. 计算机应用. 2017(07)
[2]多尺度积角点检测和视觉颜色特征的鲁棒车牌定位算法[J]. 陈庄,杨峰,冯欣,崔少国,李博. 重庆大学学报. 2016(02)
[3]基于多尺度分块卷积神经网络的图像目标识别算法[J]. 张文达,许悦雷,倪嘉成,马时平,史鹤欢. 计算机应用. 2016(04)
[4]基于光照补偿和颜色统计的汽车牌照定位方法[J]. 胡之惠,孟银阔. 计算机工程与设计. 2013(10)
[5]基于OpenCV的车牌定位方法[J]. 谭同德,王三刚. 计算机工程与设计. 2013(08)
[6]基于HSV色彩空间与数学形态学的车牌定位研究[J]. 常巧红,高满屯. 图学学报. 2013(04)
[7]改进的模板匹配方法在车牌识别中的应用[J]. 陈玮,曹志广,李剑平. 计算机工程与设计. 2013(05)
[8]基于HSV的夜间车牌识别算法[J]. 王洪亚. 智能计算机与应用. 2013(02)
[9]低秩矩阵恢复算法综述[J]. 史加荣,郑秀云,魏宗田,杨威. 计算机应用研究. 2013(06)
[10]一种基于纹理分析和投影法的车牌定位方法[J]. 刘军,向军,刘银生. 公路工程. 2011(04)
硕士论文
[1]基于深度学习的车牌识别关键技术研究[D]. 李朝兵.电子科技大学 2018
[2]车牌字符识别技术的研究和实现[D]. 赖锟.合肥工业大学 2018
[3]基于深度学习的车牌识别算法研究[D]. 王恒.浙江工业大学 2017
[4]基于卷积神经网络的图像识别方法研究[D]. 段萌.郑州大学 2017
[5]复杂场景下的交通标志识别技术研究[D]. 王昔鹏.合肥工业大学 2017
[6]复杂场景下的中国车牌识别研究[D]. 贺赛娜.哈尔滨工业大学 2017
[7]复杂背景下基于OpenCV的车牌识别系统研究[D]. 曾泉.广东工业大学 2016
[8]基于同态滤波的图像增强算法研究[D]. 程新.西安邮电大学 2016
[9]车牌图像的可视性增强与倾斜校正研究[D]. 许超.合肥工业大学 2016
[10]复杂环境下的车牌识别系统关键技术研究[D]. 刘金阳.合肥工业大学 2016
本文编号：3383148
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：93 页
【学位级别】：硕士
【部分图文】：
车牌识别系统流程图
在自然场景中，天气条件和环境变化等因素对采集的车辆牌照图像质量有的影响，在一定程度上降低了车牌定位的准确率。为此，本文先将车牌图像频域增强，以突出车牌的细节特征，使得目标区域能够更好的被定位分割出]。1 图像增强算法概述在数字图像处理领域，有许多图像增强算法，虽然这些增强算法都可以对起到增强的作用，但是不同的算法对同一图像增强的效果却大不相同。目前有一种通用的图像增强算法可以实现任意图像的增强，因此，对不同类型的需要试用大量增强算法进行对比实验，选择最合适的算法对其进行处理，以图像细节、质量、特定信息的增强。图像增强算法分为两种类型：一种是空间域增强，另一种是频域增强[27]。类算法是以不同的方式完成相同的工作，即图像增强，只不过空间域算法是像素组成的空间中直接对像素进行调整达到图像增强，而频域算法是将图像间域转换到频域中进行处理。图像增强的不同算法如图 2.1。
图 2.4 非线性变换Fig 2.4 Nonlinear transformation处理度直方图是反映图像灰度的统计特性，它表示一幅直方图是图像处理中的基本信息[27]。从一幅图像的解这幅图像的信息特征，仔细分析可以发现，在明于灰度值较大的地方，同理，在暗图像中，其直方方；对比度较高的图像其直方图分布相对均衡，对相对较窄。基于直方图的增强算法常会用到直方图均方图均衡化的图片对比，由图可以发现，将分布较均衡化后，变成了分布均衡的高对比度图像。
【参考文献】：
期刊论文
[1]基于卷积神经网络的车牌字符识别[J]. 董峻妃,郑伯川,杨泽静. 计算机应用. 2017(07)
[2]多尺度积角点检测和视觉颜色特征的鲁棒车牌定位算法[J]. 陈庄,杨峰,冯欣,崔少国,李博. 重庆大学学报. 2016(02)
[3]基于多尺度分块卷积神经网络的图像目标识别算法[J]. 张文达,许悦雷,倪嘉成,马时平,史鹤欢. 计算机应用. 2016(04)
[4]基于光照补偿和颜色统计的汽车牌照定位方法[J]. 胡之惠,孟银阔. 计算机工程与设计. 2013(10)
[5]基于OpenCV的车牌定位方法[J]. 谭同德,王三刚. 计算机工程与设计. 2013(08)
[6]基于HSV色彩空间与数学形态学的车牌定位研究[J]. 常巧红,高满屯. 图学学报. 2013(04)
[7]改进的模板匹配方法在车牌识别中的应用[J]. 陈玮,曹志广,李剑平. 计算机工程与设计. 2013(05)
[8]基于HSV的夜间车牌识别算法[J]. 王洪亚. 智能计算机与应用. 2013(02)
[9]低秩矩阵恢复算法综述[J]. 史加荣,郑秀云,魏宗田,杨威. 计算机应用研究. 2013(06)
[10]一种基于纹理分析和投影法的车牌定位方法[J]. 刘军,向军,刘银生. 公路工程. 2011(04)
硕士论文
[1]基于深度学习的车牌识别关键技术研究[D]. 李朝兵.电子科技大学 2018
[2]车牌字符识别技术的研究和实现[D]. 赖锟.合肥工业大学 2018
[3]基于深度学习的车牌识别算法研究[D]. 王恒.浙江工业大学 2017
[4]基于卷积神经网络的图像识别方法研究[D]. 段萌.郑州大学 2017
[5]复杂场景下的交通标志识别技术研究[D]. 王昔鹏.合肥工业大学 2017
[6]复杂场景下的中国车牌识别研究[D]. 贺赛娜.哈尔滨工业大学 2017
[7]复杂背景下基于OpenCV的车牌识别系统研究[D]. 曾泉.广东工业大学 2016
[8]基于同态滤波的图像增强算法研究[D]. 程新.西安邮电大学 2016
[9]车牌图像的可视性增强与倾斜校正研究[D]. 许超.合肥工业大学 2016
[10]复杂环境下的车牌识别系统关键技术研究[D]. 刘金阳.合肥工业大学 2016
本文编号：3383148
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3383148.html
