复杂背景下车牌抗噪检测识别算法研究

发布时间：2020-04-15 21:50

【摘要】：车牌识别技术是目前智能交通领域关键技术之一,并已广泛应用于车辆轨道交通行为监控、停车场电子收费等各领域。该技术不仅涉及到计算机视觉、数字图像处理以及模式识别等重要技术领域,也是推进智能交通管理系统建设的重要研究课题之一。本文的重点是对复杂背景下车牌抗噪检测识别算法的研究。论文首先简要地论述了该系统的应用及前景;然后详细地阐述了车牌识别技术的基本原理;最后着重研究复杂背景下的车牌识别过程。此外,论文主要是对车牌识别算法的研究,包括车牌区域的定位、字符的分割以及识别的相关算法,同时这三个算法也组成了整个车牌识别系统算法的关键技术框架。1、在车牌定位方面,本文提出了基于分形维数和数学形态学相结合的车牌定位算法。该算法利用分形的自相似特性重构灰度图像的分形维数模型,再结合数学形态学的多维检测器标定车牌图像边缘,从而提高了车牌定位的准确性。2、在字符分割方面,本文采用投影分析和递归回扫法相结合的优化算法。该算法利用字符的垂直投影初步确定出每个字符的位置坐标,再根据车牌特征利用多次递归游标卡位精准分割出车牌每个字符,以提升字符分割的速度和精度。3、在字符识别方面,本文采用分割后的字符图像投影序列和边距比值作为字符的结构特征进行一次粗分类,再与标准字符模板库对应匹配进行二次分类识别。首先根据字符本身的结构特征和字符图像的投影序列,利用分类器进行粗分类筛选出可能对应字符序列,再通过与标准模板库进行匹配,从而识别出对应字符。
【图文】：

图 3.3 分段线性灰度变换示意图Fig.3.3 Piecewise Linear Gray Scale Transformation Schematic度变换示意图可知，灰度域[a,b]得以扩展而灰度域[0,a]我们可以通过对折线点的位置及分段直线的斜率进行设域扩展或压缩。

图 3.5 汽车的二值图像Fig.3.5 Binary image of the car图像灰度图像，，就是将图像中每个像素值取为 0(黑)和 255(白)之间的像素图 3.6 所示。
【学位授予单位】：沈阳理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;U495

【参考文献】

相关期刊论文 前10条

1 殷羽;郑宏;高婷婷;刘操;;基于联合HOG特征的车牌识别算法[J];计算机工程与设计;2015年02期

2 廉宁;徐艳蕾;;基于数学形态学和颜色特征的车牌定位方法[J];图学学报;2014年05期

3 段娜;刘力政;;基于最大间隔符号特征的车牌字符分割算法[J];西安科技大学学报;2014年05期

4 裴明涛;王永杰;贾云得;郭志强;;基于多尺度模板匹配和部件模型的车牌字符分割方法[J];北京理工大学学报;2014年09期

5 王永杰;裴明涛;贾云得;;多信息融合的快速车牌定位[J];中国图象图形学报;2014年03期

6 耿庆田;赵宏伟;;基于分形维数和隐马尔科夫特征的车牌识别[J];光学精密工程;2013年12期

7 瞿中;李梦露;常庆丽;王永昆;;退化车牌字符的两级分割算法研究[J];计算机工程与设计;2013年07期

8 常巧红;高满屯;;基于HSV色彩空间与数学形态学的车牌定位研究[J];图学学报;2013年04期

9 张晓娜;何仁;陈士安;姚明;;基于主动学习AdaBoost算法与颜色特征的车牌定位[J];交通运输工程学报;2013年01期

10 姚振杰;易卫东;;一种用于车牌识别的图像超分辨率算法[J];中国科学院研究生院学报;2013年01期

相关硕士学位论文 前6条

1 谢嘉乐;基于改进的LM-BP神经网络的车牌识别算法研究与应用[D];广东工业大学;2016年

2 朱宏吉;基于深度信念网络的车牌字符识别算法研究与实现[D];浙江大学;2015年

3 黄晓兰;基于改进极限学习机的车牌字符识别方法[D];中国计量学院;2014年

4 龚显丽;基于提升小波和形态学的图像边缘检测研究[D];云南民族大学;2012年

5 凌佳宁;车牌定位与车牌字符识别算法的研究与实现[D];电子科技大学;2012年

6 周喜寿;基于小波包分析和BP神经网络的车牌识别算法的研究[D];西南交通大学;2010年

本文编号：2629018