复杂背景下的车牌识别技术研究

发布时间：2020-01-20 10:40

【摘要】：近年来，车牌识别技术在智能交通领域的重要性不断提升。车牌识别技术可以应用于小区停车管理系统、重要交通枢纽处的“电子眼”系统、高速公路车速管理系统等多个领域，对公共安全和国家发展带来了很多方便和保障。随着交通环境的不断复杂化，已出现一些车牌识别相关产品渐渐无法满足用户实时性的需求。所以，如何在复杂背景下取得车牌识别正确率和识别速度之间的平衡，是近年来众多研究人员的研究热点，仍然有很多问题有待进一步发掘和完善。本文就复杂背景下的车牌识别技术中涉及的关键算法展开了深入的探讨和研究，所做工作包括： 1）介绍了常用的车牌图像预处理技术，分析了现有车牌定位方法的优缺点。针对复杂环境下车牌区域在整幅图像中比例较小，图像中存在许多纹理特征、颜色特征类似于车牌区域特征的干扰区域等困难，给出了一个基于边缘检测、数学形态学滤波和车牌颜色特征的快速车牌定位算法。 2）分析了我国车牌字符的特点并研究了常用车牌识别字符分割方法。针对复杂背景下的车牌字符分割问题,在改进的相位编组法和快速概率Hough变换的车牌水平倾斜校正算法基础上，给出了一个连通区域分析和双向三分之一投影相结合的车牌字符分割算法，实现了牌照中各个字符的快速准确分割。 3）在概括现有字符识别方法优缺点的基础上，引入一个具有良好不变性和较强鲁棒性的形状描述子，即形状上下文，给出一个基于改进形状上下文的模板匹配字符识别算法，提高了车牌字符识别率和识别速度。仿真结果表明上述算法在复杂背景下车牌识别中的有效性，可用于车牌识别系统。
【图文】：

图像灰度,灰度化,加权平均法

第二章车牌图像预处理和车牌定位方法研究gray = max{ R , G , B}(2-2)（3）加权平均法：将 R、G、B 分量的加权平均值作为最终灰度值，即：1 2 3gray = w × R + w × G + w × B(2-3)其中，1w 、2w 、3w 分别是 R、G、B 分量的权值，而且1 2 3w + w + w= 1。采用不同的权值可以获得不同的灰度图像，根据人眼对颜色敏感程度，一般取1w =0.299、2w =0.587、3w =0.114，此时得到的灰度图像效果较好。加权平均法进行图像灰度化效果通常要优于最大值法和均值法，所以本文采用此方法。图 2.1 给出了利用加权平均法对两幅车牌图像进行灰度化处理的结果，其中 a)、b)是原始图像，c)、d)分别是它们灰度化的结果。

中值滤波

复杂背景下的车牌识别技术研究在本文的车牌识别过程中，，我们采用空域方法进行降噪平滑，抑制那些孤立的噪声点。常用的空域方法有邻域平均法、中值滤波法、小波变换等等。本文在车牌定位中采用简单且去噪效果较好的中值滤波方法，其基本原理为：选取一个以待处理像素为中心的窗口邻域，将该邻域内的所有像素的灰度值排序，去中间值作为中心像素的滤波结果值；邻域窗口遍历整幅图像后，图像中的椒盐噪声可以被很好地平滑掉。图 2.4 给出了用 3×3 的邻域窗口对图 2.1 两幅灰度图像进行中值滤波的结果。
【学位授予单位】：太原科技大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：U495;TP391.41

【参考文献】