基于數(shù)字圖像處理和機(jī)器學(xué)習(xí)的車牌識(shí)別(LPR)研究.pdf

1、隨著經(jīng)濟(jì)與社會(huì)的高速發(fā)展，各種類型汽車保有量迅速增長(zhǎng)，而公路的容積增長(zhǎng)緩慢，管理手段相對(duì)滯后，使得我國(guó)的交通壓力越來(lái)越大。特別是城市和交通樞紐，如：高速公路收費(fèi)站，檢查點(diǎn)，堵點(diǎn)路段，停車場(chǎng)等。為了緩解矛盾，智能交通系統(tǒng)(ITS)己成為當(dāng)前交通管理發(fā)展的主要方向。而車牌識(shí)別技術(shù)又是ITS中的重要組成部分，它提供快速，精確的車牌信息，極大地減輕了人工識(shí)別的成本，并且為智能交通其他應(yīng)用提供了信息。
　　為了能夠從復(fù)雜背景中提取車牌，分割

2、車牌字符和識(shí)別字符。本課題對(duì)這些車牌識(shí)別中關(guān)鍵技術(shù)進(jìn)行了重點(diǎn)的研究。
　　為了提高車牌定位的速度和抗干擾能力，本文首先對(duì)AdaBoost技術(shù)進(jìn)行了深入的研究。由于分類效果的好壞是和級(jí)聯(lián)分類器密切相關(guān)的，而級(jí)聯(lián)分類器是建立在強(qiáng)分類器的基礎(chǔ)上的，因此強(qiáng)分類器的構(gòu)建對(duì)整個(gè)級(jí)聯(lián)分類器是有至關(guān)重要的影響。結(jié)合車牌的特點(diǎn)，提出了一種基于跳變特征和跳變密度方差特征的AdaBoost算法，提高了檢測(cè)率和降低了誤識(shí)率。為了緩解弱分類器訓(xùn)練速度和錯(cuò)誤

3、率之間的矛盾，本文提出了一種基于類積分圖的快速弱分類器閾值查找算法?；趶?qiáng)分類器的構(gòu)建過(guò)程中對(duì)非車牌訓(xùn)練樣本的需求，本文構(gòu)造了一個(gè)基于訓(xùn)練模型的非車牌自動(dòng)生成算法，能夠提高非車牌訓(xùn)練樣本集合的多樣性和較高生成速度，達(dá)到有效訓(xùn)練強(qiáng)分類器的目的。得到的車牌定位系統(tǒng)能夠很好地在復(fù)雜環(huán)境下高效地提取車牌，在自備的各個(gè)測(cè)試集上達(dá)到較高的識(shí)別率，較低的誤識(shí)率。
　　然后，利用OTSU獲取最佳閾值實(shí)現(xiàn)車牌圖像的二值化。采用Radon變換進(jìn)行了傾

4、斜校正，去除邊框后應(yīng)用基于垂直投影的方法分割了車牌字符。獲得了基本沒(méi)有傾斜的低噪聲的車牌字符。
　　最后，通過(guò)分析字符與數(shù)字的結(jié)構(gòu)特征，建立了一個(gè)基于粗分類的多級(jí)分類策略。對(duì)歸一化后的車牌字符，第一級(jí)采用了孔洞特征進(jìn)行分類，在細(xì)分類上采用了基于相對(duì)位置過(guò)線掃描等方法的再次分類。對(duì)于不易再細(xì)分的子類，采用經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。由于采用遺傳算法優(yōu)化的方法，在一定程度上避免了BP神經(jīng)網(wǎng)絡(luò)過(guò)擬合訓(xùn)練數(shù)據(jù)的問(wèn)題，在測(cè)試集合上