基于机器学习的车牌识别系统研究

发布时间：2017-05-24 16:02

  本文关键词：基于机器学习的车牌识别系统研究，，由笔耕文化传播整理发布。

【摘要】：随着我国经济的发展和科技的提升,汽车保有量越来越高,每天产生的车牌数据量非常庞大。在这样的背景下,需要发展智能交通系统来辅助交通监控和管理,车牌识别是智能交通的基础,本文设计并实现了车牌识别软件系统。车牌定位是整个车牌识别的基础,往往车牌识别不准确,很大的原因是车牌区域识别不出来导致的。因此本文在车牌检测方面采用了颜色和边缘特征相结合的方法进行车牌候选集提取,综合了颜色和边缘的优点,既有效的控制了时间复杂度,同时还提升了识别性能。然后对车牌候选集采用Bag Of Words的思想进行车牌识别。即先对车牌区域提取SIFT特征,由于特征点数目各异,需要采用k-means算法对特征进行聚类形成视觉词典,然后将SIFT特征映射视觉词典形成得到特征直方图,最后采用SVM对特征进行识别分类。车牌字符识别是车牌识别的最后处理步骤,为了提升识别特征的区分度,本文采用了投影直方图特征和梯度方向直方图特征相结合的特征进行车牌字符识别。梯度直方图图特征是受HOG特征的启发,在图像的局部特征检测和识别方面取得了非常好的效果。实验结果表明本文采用的字符识别方法具有非常不错的识别率,对1000张高速监控车牌取得了91.2%的识别率。
【关键词】：车牌区域识别 SIFT特征 神经网络 投影直方图
【学位授予单位】：东华理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• Abstract5-11
• 第一章 绪论11-17
• 1.1 研究背景及意义11-12
• 1.2 国内外研究现状12-14
• 1.3 本文的研究内容及方法14-15
• 1.4 本文组织结构15-17
• 第二章 车牌识别系统的总体设计17-21
• 2.1 车牌识别系统设计要求17
• 2.2 系统结构方案17-18
• 2.3 本文车牌识别的创新点18-19
• 2.4 本章小结19-21
• 第三章 基于颜色和边缘特征的车牌候选集提取21-43
• 3.1 基于颜色与边缘特征相结合的车牌候选区域提取方法21-22
• 3.2 基于颜色的候选车牌区域提取方法22-35
• 3.2.1 RGB到HSV空间变换23-25
• 3.2.2 直方图均衡化25-26
• 3.2.3 蓝色和黄色分量检测26-28
• 3.2.4 图像闭操作28-29
• 3.2.5 图像轮廓跟踪29-30
• 3.2.6 车牌区域的确定30-32
• 3.2.7 车牌区域的倾斜较正32-33
• 3.2.8 基于颜色的车牌提取结果及问题33-35
• 3.3 基于边缘特征的候选车牌区域提取方法35-40
• 3.3.1 图像灰度化处理35-36
• 3.3.2 图像平滑去噪36-37
• 3.3.3 SOBEL算子边缘提取37-38
• 3.3.4 图像二值化38-39
• 3.3.5 基于边缘特征的车牌提取结果39-40
• 3.4 基于颜色和边缘特征候选车牌区域提取实验结果40-41
• 3.5 本章小结41-43
• 第四章 基于SVM的车牌识别43-61
• 4.1 车牌识别选用BOW模型的原因43-44
• 4.2 车牌区域的SIFT特征提取44-47
• 4.3 k-means算法对SIFT特征归一化47-48
• 4.4 基于SVM对候选车牌进行识别48-60
• 4.5 本章小结60-61
• 第五章 基于神经网络的车牌字符识别61-75
• 5.1 神经网络概述61-64
• 5.1.1 神经网络基本概念61-63
• 5.1.2 神经网络在车牌字符识别的应用63-64
• 5.2 车牌字符特征提取64-70
• 5.2.1 车牌图像预处理64-67
• 5.2.2 投影直方图特征提取67-68
• 5.2.3 梯度方向直方图特征68-70
• 5.3 车牌字符识别的神经网络设计70
• 5.4 车牌字符识别神经网络训练和测试70-74
• 5.5 本章小结74-75
• 总结和展望75-77
• 6.1 总结75
• 6.2 展望75-77
• 致谢77-79
• 参考文献79-82

【参考文献】

中国期刊全文数据库 前7条

1 杨正;;基于大数据架构的智能交通解决方案[J];北京联合大学学报;2014年04期

2 赵保亚;魏彩乔;;基于边缘检测的钢卷尺图像二值化方法[J];现代制造工程;2012年12期

3 郭q谄

本文编号：391253