周燕[1]2008年在《实时车牌识别研究及其在智能交通系统中的应用》文中研究说明智能运输系统是21世纪现代化交通运输体系的重要发展方向,它是一种信息化、智能化、社会化的新型现代交通系统。随着社会经济的不断发展和人们生活水平的日益提高,整个社会对交通运输的需求不断增大,智能交通系统的应用势在必行。实时车牌识别作为智能交通系统中的一个分支,在大型停车场的管理系统、公共安全、交通管理及有关部门有着特别重要的实际运用价值,正日益受到人们的重视。本文运用图像处理技术、模式识别技术、车牌定位技术、字符分割技术、神经网络识别技术等来解决车辆牌照识别问题;分为图像预处理、车牌区域定位与几何校正、字符分割与归一化及字符识别四个模块对实时车牌识别进行分析研究。论文首先研究图像的预处理,将采集到的含有车牌的图像进行灰度化、灰度拉伸、直方图均衡化、中值滤波和图像二值化处理,并改进了一种二值化效果较好的基于灰度直方图的全局最佳平均阈值法;然后对我国车牌特征和常见的车牌定位技术进行深入研究,改进了一种基于车牌区域灰度分布与几何特征的实时车牌定位方法;通过对车牌发生几何形变的原因及类型的分析研究,采用了基于斜率的车牌倾斜校正方法;基于常见的字符分割方法和车牌本身的结构特点及先验知识的分析研究,改进一种基于投影法与车牌先验知识相结合的分割方法;采用邻近插值法,虽然精确度相对较低但可以满足系统的要求且实现方便,将字符归一化为32×16的点阵,为字符的识别做好准备。最后对粒子群优化算法和神经网络的相关原理作了简要介绍和分析研究,在此基础上提出了PSO-BP神经网络并将其用于实时车牌字符识别。
李罡[2]2009年在《基于人工神经网络的不同颜色车牌识别系统的研究》文中研究表明随着我国经济的快速发展,社会信息化程度日益提高,交通管理智能化成为发展的趋势。车辆牌照识别系统是智能交通管理系统的重要组成部分,可用于各类车辆管理场所,以提高管理效率与水平,节省人力、物力,实现车辆管理的科学化、规范化,因此有着广泛的应用前景。车辆牌照的自动定位与识别系统是这一领域中重要的基础性问题。本文所研究的车牌定位与识别系统主要包括四大部分:图像预处理、车牌定位、字符分割和字符识别。图像预处理主要完成了两件工作。一是为了应对复杂背景中光线变化的影响而对亮度曲线进行动态调整;二是根据车牌区域明暗变换明显的特征,采用灰度图像顶帽变换,大幅度削减背景噪声,突出热点区域。在车牌定位过程中,为了使系统既能在复杂环境下工作,又具有较好的实时性,系统首先使用简单的数学形态学方法进行定位,当该方法满足不了环境要求时才进行更加复杂的车牌区域纹理特征定位法。在定位结束后,本文进一步提出了车牌颜色判断和车牌倾斜校正的新方法。在字符分割中,作者总结了传统垂直投影法和模板匹配法的优缺点,采用了与先验知识相结合的改进型垂直投影法。该方法不仅能够对不精确的定位结果进行修正、对字符粘连进行强制分割,而且能够率先识别数字“1”,为识别过程减轻了负担。在字符识别中,本文采用了支持向量机和误差反向传播网络相级联的办法,以各自的优点弥补彼此的缺点,收到了良好的效果。开发过程中的主要难点在于定位与识别两方面。由于车辆所处背景的复杂以及车牌本身颜色的变化,给车牌区域的准确定位带来很大不稳定性。定位的偏差进而导致后续分割与识别的困难。识别的困难主要是由字符的不规则性引起的。系统先利用Matlab进行实现,定型后利用VC6.0重新编写。在编写中又反复与Matlab进行对照,分析算法,不断提高,定位和识别率达到了预期设想。
周亮[3]2007年在《基于神经网络的车牌识别算法研究》文中指出随着城市交通管理现代化水平的提高，建立在车辆牌照识别基础上的交通信号自适应控制系统、智能交通监控系统、GPS车辆管理及导航系统、停车场自动收费系统、智能化交通管理系统应用而生。由于汽车牌照是机动车辆管理的主要标志符号之一，因此对车辆牌照识别系统的研究就尤为重要，该研究的核心是提高车牌识别率，这就需要识别算法能够对环境光照条件，拍摄位置和车辆行驶速度等因素的影响有较大的鲁棒性，并能够满足实时性的要求。本文设计的主要研究内容包括：运用仿真软件对后台图像进行高速，准确的处理。主要工作是对牌照的定位、分割和牌照的字符识别算法方面进行了深入地研究。在牌照的定位之前，本文首先运用不同于当下传统的方法，而是结合当前比较热门的神经网络来对图像进行预处理，得到了比较突出的牌照信息。然后结合牌照自身的一些固有特征，用形态学的方法进行了车牌区域的准确定位；对定位得到的车牌，再次结合牌照内部细节特征，对车牌进行投影，从而得到了车牌较为完整的分割；最后在车牌字符识别阶段，以现今比较流行的神经网络为理论基础，有效的设计出一个改进的神经网络识别算法。仿真结果表明采用本文提出的从车牌定位、分割到最后字符识别的算法能够有效地提高车牌识别率。本文研究内容的创新性体现在以下叁个方面：(1)车牌定位阶段，采用一个改进的自适应PCNN神经网络对图像进行预处理可以得到一个细节丰富，边缘完整的二值图像，随后基于牌照固有特征，结合一种新的形态学方法，可以得到多个车牌候选区域；(2)车牌字符分割阶段，为了满足算法实时性的要求，对畸变车牌进行预处理时，采用字符的行特征来描述本文的倾斜校正算法，之后，基于改进的投影特征图对字符图像分割；(3)字符识别阶段，为了提高算法的识别率，采用改进的BP神经网络。仿真结果表明，通过对算法进行一系列的创新和改进，可以使识别算法的速度加快，识别率得到提高，效果比较理想。
王润民[4]2007年在《基于小波和神经网络的车牌识别系统研究》文中研究指明车牌自动识别(LPR)技术是是智能交通系统(ITS)中一项非常重要的技术。车牌识别系统主要包括叁个部分：车牌定位、车牌字符分割和车牌字符识别。本文针对车牌识别系统的叁个关键技术进行了研究并提出了相应的算法，论文研究工作具体体现在以下几个方面：(1)从国内车牌的特点出发，提出了一种基于能量滤波和小波的车牌定位方法。根据车牌在水平方向能量高且集中的特点构造一个能量函数，能量滤波后获取车牌的大致位置，再由小波分析和形态学方法准确确定车牌位置。仿真结果表明该方法取得了满意的效果。(2)针对车牌字符分割，提出了一种基于神经网络和颜色特征的车牌字符分割方法。该方法直接对车牌的彩色图像进行处理，在判别车牌类型的基础上，采用神经网络对车牌颜色进行识别，将彩色图像转化为二值图像，最后结合投影法和字符连通性特点对字符进行分割。与基于灰度图像的字符分割方法比较，该方法能更准确、清晰地分割字符。(3)在进行车牌字符识别时，特征向量的选取与维数对识别结果产生很大的影响。本文提出了一种基于小波包和Zernike矩特征提取的车牌字符识别方法。对小波包系数和重构后所得图像的Zernike矩所组成的特征空间进行降维处理后，将特征向量作为神经网络训练和分类的参数对车牌中的数字进行识别，实验结果表明选用本文特征向量识别效果良好。(4)根据国内汽车车牌中字符排列的特点，提出了一种基于SVM混合网络的车牌字符识别方法。首先构造了汉字识别子网、英文字母识别子网、英文字母与数字识别子网以及数字识别子网，并提取字符的小波包系数和Zernike矩做为特征向量，然后在各个子网中采用SVM方法对车牌字符进行识别。实验结果表明，采用本文方法的识别效果优于BP神经网络及RBF神经网络识别方法。(5)以高斯核为其核函数的支持向量机识别性能对惩罚因子C和核函数参数σ的选取是敏感的。针对高斯核支持向量机在车牌字符识别问题中的应用，提出了一种基于遗传算法的参数选择方法。利用遗传算法对支持向量机的参数进行优化，最后在各个子网中分别采用参数优化后的支持向量机对车牌字符进行识别，取得了令人满意的识别率。
耿庆田[5]2016年在《基于图像识别理论的智能交通系统关键技术研究》文中进行了进一步梳理随着全球汽车数量的增加,智能交通系统(ITS)越来越成为解决现代交通问题的重要手段。智能交通系统涉及图像处理、智能识别、机器视觉等多学科交叉,其中以图像识别理论为基础的智能泊车技术、车牌识别技术以及车辆识别技术是智能交通系统中应用较广泛的关键技术。本文以图像识别技术在这叁个领域的应用为前提展开研究:1.提出了基于摄像机标定模型的智能泊车系统算法。该算法利用摄像机标定技术中小孔成像原理与泊车运动学模型相结合的图像实时处理方法,解决了智能泊车转向角度取值和智能泊车轨迹的计算问题。为提高泊车预测轨迹计算的精度,本文分别对泊车轨迹构成曲线的规划及摄像机标定模型进行深入研究。首先分析轨迹约束算法中涉及的变量及空间碰撞点,建立了智能泊车约束方程组,提出了多阶段弧线进退泊车轨迹算法;然后在充分研究张正友二维平面标定方法基础之上,在原有畸变模型中引入切向畸变系数,并给出初值优化算法,简化了求解过程,使标定精度及鲁棒性得到提高。通过使用定制实验车从采集帧率、轨迹精度两个方面进行了大量实验,实验数据表明本算法获得的轨迹精准度较高,系统运行稳定,画面播放流畅,实时性好。2.提出了基于分形维数和隐马尔科夫特征的车牌识别系统改进算法。在算法中将车牌识别分为叁个步骤进行研究。(1)在车牌图像预处理及二值化过程中,提出一种改进的自适应多级中值滤波器算法对图像进行去噪处理;随后提出一种基于改进差分盒分形维数的灰度图像二值化方法进行图像二值化。(2)在车牌定位、字符分割校正过程中,首先通过在传统的Sobel图像边缘检测算法中增加两个方向的模板,并对权重做出重新分配的基础上,提出了基于Sobel算子的车牌精确定位改进算法;随后通过对Radon变换的平移和缩放性进行改进,提出了基于Radon变换的字符校正改进算法;最后通过对垂直投影算法加入适当的参数进行改进,提出了基于垂直投影算法的车牌单字符分割改进算法。经过上述算法的优化处理,提高了车牌图像检测的精准度,使边缘细节更细腻、连续,定位更准确,同时保持字符原有的拓扑结构,减少字符的失真。(3)在字符识别过程中,本文提出了基于改进隐马尔科夫特征的车牌字符识别算法。该算法使用离散余弦变换实现光强数据到频率数据转换,并从条件属性集和个体子集两个角度计算差异矩阵,获得最佳阈值,从而得到精确特征值作为字符特征提取依据,结合多重分类器最终完成车牌字符识别。实验结果表明本文的算法具有较高的识别率,能够满足实际应用的需要。3.提出了基于BP神经网络与HOG特征提取相结合的车辆识别改进算法。该算法首先对车标识别和车型识别分别进行研究,然后将二者识别结果综合起来作为车辆识别的依据。(1)在车标识别算法中,提出了基于改进SIFT算子与BP神经网络相融合的车标识别算法。该方法利用车牌和车标相对位置关联关系,对车标位置进行定位,并采用非固定环数及增加权重系数的方法解决了传统SIFT特征描述子因维数过高而产生计算量及时间复杂度过大的问题,最后融合BP神经网络算法对提取的车标SIFT特征描述子进行识别。(2)在车型识别算法中,提出了基于改进的HOG特征与SVM分类器相结合的车型识别算法,根据车型确定轮廓特征,提取改进的HOG特征,采用SVM分类器进行训练,实现高效准确地车型识别。实验结果表明改进后的识别算法具有较高识别率,并且对光线、部分遮挡、噪声有较强的鲁棒性。上述几种算法在ITS有着广泛的应用前景,其智能泊车技术应用智能车辆导航领域,能够给驾驶员在安全驾驶方面提出适当建议。车牌识别和车辆识别技术可应用在交通监控和交通管理领域,实现车辆检测、车辆跟踪、交通流参数检测、事故检测等交通大数据信息获取,对提高道路通行能力,减少交通事故,合理调节路网的交通流分配具有重要意义。
刘逸男[6]2016年在《基于车载视频的车间距计算与车牌识别》文中认为车载视觉作为智能车辆信息的重要来源,其应用范围越来越广泛。就基于车载视频的车间距计算和车牌识别而言,实时、准确的车间距计算,可用于车辆碰撞预警,为安全行驶提供保障;车间距的计算结合浮动车信息采集技术,可估计道路车流量,判定道路拥挤程度;基于车载视频的车牌识别结合浮动车技术可获得大量车辆信息,分析车辆出行路径,统计车辆密度。针对以上的应用,本文提出一种基于车载视频计算车间距和识别车牌的方法,主要工作如下:一、基于车载视频的车辆识别。本文采用了基于Haar-like特征的Adaboost算法进行车辆识别,对于分类器的训练,收集了1000余张不同角度不同遮挡程度的车尾图像以及2000余张道路环境的图像,提取其Haar-like特征训练分类器。在检测过程中,先将高分辨率车载视频的每一帧图像缩小,利用分类器检测车辆并记录坐标位置,同时放大坐标并在高分辨率原图中提取车辆图像。二、基于识别到的车辆图像定位车牌。在实际中,车辆与前车的距离范围较广,导致在车辆检测中提取出的车辆图像分辨率不一,本文根据不同分辨率下车辆图像的纹理、最大极致稳定区域(Maximally Stable Extremal Regions,简称MSER)、颜色特征,分析了叁种不同的车牌定位方法,并利用这叁种方法的融合算法进行车牌定位。叁、利用定位到的车牌进行车间距计算。车牌具有固定的高度,且在车载视频中车辆角度的变化不影响车牌像素高度的变化,本文基于照相机成像原理,利用车牌的像素高度以及像素高度与车间距的固定比例计算车间距,并根据车辆在图像中的位置计算车辆间的直线距离。最后综合以上车辆检测、车间距计算,本文提出了基于车载视觉的安全预警和车密度计算的应用框架。四、基于车牌定位的结果,进行车牌识别。首先人工收集车牌样本,对样本进行处理,提取了车牌字符的特征,利用字符的特征向量,针对普通字符和不易分辨字符训练了两种不同结构的BP神经网络,在检测时利用“由粗到精”的规则进行车牌识别。
黄国胜[7]2002年在《基于神经网络的实时车牌定位与识别系统研究》文中提出随着汽车数量的猛增，智能运输系统(ITS)成为当前国内外迫切需要解决的问题，行驶车辆车牌实时识别作为智能运输系统研究重要组成部分是一个热门且难度较大的问题，因此有必要进行深入的研究。本论文的目的是研究设计一种能在固定场景下对行驶车辆完成车牌自动定位和实时识别的系统。我们对彩色车牌图像进行了车牌定位、字符分割和字符识别等方面的研究，并在车牌自动定位和车牌字符分割方面提出了一种新的系统的研究方法。 论文研究了目前车牌定位的两种主要方法和车牌字符分割等方面的问题，并重点讨论了神经网络彩色分类方法在车牌定位中的应用。在大量试验的基础上，我们建立了一种在车牌位置、纹理等信息引导下的快速定位算法。该算法具有运算量小、实时性强、精度较高等优点，尤其彩色分类神经网络在定位分割中具有高准确性、高抗干扰性的优点。鉴于车牌字符的特点及系统对识别率和快速性的要求，我们提出了一种结合粗网格法、投影法、和粗外围法的字符识别方法，并在判别时加入笔划方向特征检验，降低了误识率。试验证明这一方法能取得较好的效果。
祝晓羽[8]2008年在《基于视频图像特征信息提取技术的汽车牌号识别》文中研究说明随着计算机的发展,计算机视觉与模式识别技术成为一个重要研究课题。用计算机进行视频图像处理就是希望能由计算机自动识别和理解图像,对动态图像序列进行分析处理,以获得有用信息。车牌识别技术(LPR)即以识别车牌为特定目标的专用计算机视觉系统,是智能交通系统中的一个研究热点。因此,本文在研究视频图像特征信息提取技术的基础上,实验于车牌识别系统。本文的主要研究内容包括:(1)采用背景减除法进行运动车辆检测,提出了一种改进的多帧平均法进行背景建模,并通过设定小面积的检测区域以减小背景差分时的计算量。(2)车牌定位的准确与否直接影响到后面环节的实现。本文研究了多种基于车牌特征的定位算法,并采用了一种适合本实验系统的基于数学形态学和车牌几何特征的粗定位,结合车牌纹理灰度跳变特征精定位的车牌提取方法。(3)本文提出了一种基于边缘线及车牌纹理特征的匹配算法,结合最小二乘估计车牌中心运动轨迹,在搜索范围内匹配得到目标车牌,实现车牌跟踪。(4)本文采用一种改进的投影法对车牌字符进行分割。在字符识别方面,使用13特征提取法,对字符进行特征提取,并对叁层BP网络进行训练,最后利用此网络实现字符识别。论文主要构造了一个从视频图像中检测运动车辆,在关键帧中定位车牌,利用此车牌模板在后序图像中进行车牌匹配、跟踪,最后选取最清晰可见的一幅车牌图像进行字符识别的车牌识别系统。在整个理论研究的基础上,本文采用MATLAB对相应算法进行实现,得到比较满意的实验效果。
韦平安[9]2008年在《车牌识别系统技术研究》文中研究说明车牌识别是智能交通中关键技术之一。车牌识别系统一般包括车辆图像采集、车牌定位,字符分割和字符识别四个模块。针对目前车牌识别技术存在的一些问题,着重研究了车牌识别的各项关键技术,在分析了近年来一些典型的车牌识别算法的基础上,最终确定一系列有效的算法对车牌进行识别。车牌图像采集系统的研究,首先概要介绍了目前运动目标检测与跟踪的一些常用方法包括基于光流场的方法、基于帧间差分的方法和基于背景建模的方法,并对各种方法进行了比较,讨论其优缺点及适用范围。通过对这些方法的分析比较,采用背景差分的方法检测运动车辆。在静态背景运动检测中利用背景建模的方法,实现了一个在静止摄像机下的运动检测系统。在车牌定位方面,分析比较了基于边缘检测的方法,基于神经网络的方法,基于灰度特征的方法,以及基于颜色特征的多种车牌定位的方法。并提出了以车牌大小为先验知识的基于垂直边缘检测的车牌定位方法。在字符分割方面,分析了牌照图像二值化与标准归一化以及几何校正的各种算法。最后采用投影法,并借助牌照字符固定宽度、间距的固定比例关系等先验知识实现字符的分割。在字符识别方面,分析比较了常用的字符识别方法。在此基础上详细分析基于BP神经网络的识别方法,对BP神经网络收敛速度慢且容易陷入局部极小点的缺陷进行改进。实验结果证明,本文采用的方法是有效的,车牌定位率、字符分割率、识别率均达到90%以上。
孟涛[10]2006年在《车牌识别关键技术的研究与实现》文中认为车牌识别(license plate recognition简称LPR)是指通过计算机视觉、图像处理与模式识别等方法从车辆图像中提取车牌字符信息,从而确定车辆身份的技术。LPR是智能交通系统(ITS)中重要的研究课题,在公共安全、交通管理、流量观测、电子收费系统及有关军事部门有着重要的应用价值。车牌识别分为车牌定位、字符分割、字符识别叁大部分。车牌定位是一个难题:车牌区域在整幅图像中所占比例很小,车牌的颜色、大小、位置也不确定,并且定位算法要能够克服不同光照和复杂背景的影响,还要兼顾准确性和实时性,因此快速准确的定位车牌是比较困难的。文章研究了一种边缘检测与线扫描相结合定位车牌区域的新方法,较好的解决了这一难题。在获取车辆图像的过程中,由于摄像机和车牌之间角度的变化,经常使所拍摄的车辆图像发生倾斜,导致车牌扭曲和字符变形,给字符分割和字符识别带来极大影响。为此,文章研究了一种基于双线性插值的车牌倾斜校正新方法,该方法有校正时间短、校正效果好的优点。字符分割是LPR的关键步骤,是字符识别的基础。文章提出了一种垂直投影结合模板匹配的分割方法,有效的解决了以往分割算法中字符切割不全、切割移位、受字符磨损变形等因素影响大的问题。字符识别是整个车牌识别的核心。文章讨论了传统的模式识别方法和人工神经网络在车牌字符识别中的应用,并介绍了一种基于BP神经网络的车牌字符识别方法,实验证明该方法识别率较高。
参考文献：
[1]. 实时车牌识别研究及其在智能交通系统中的应用[D]. 周燕. 重庆大学. 2008
[2]. 基于人工神经网络的不同颜色车牌识别系统的研究[D]. 李罡. 北京工业大学. 2009
[3]. 基于神经网络的车牌识别算法研究[D]. 周亮. 青岛科技大学. 2007
[4]. 基于小波和神经网络的车牌识别系统研究[D]. 王润民. 湖南师范大学. 2007
[5]. 基于图像识别理论的智能交通系统关键技术研究[D]. 耿庆田. 吉林大学. 2016
[6]. 基于车载视频的车间距计算与车牌识别[D]. 刘逸男. 北京工业大学. 2016
[7]. 基于神经网络的实时车牌定位与识别系统研究[D]. 黄国胜. 武汉理工大学. 2002
[8]. 基于视频图像特征信息提取技术的汽车牌号识别[D]. 祝晓羽. 南京理工大学. 2008
[9]. 车牌识别系统技术研究[D]. 韦平安. 广西师范大学. 2008
[10]. 车牌识别关键技术的研究与实现[D]. 孟涛. 华中科技大学. 2006
标签：自动化技术论文; 车牌识别系统论文; 神经网络算法论文; 车牌论文; 特征提取论文; 图像分割论文; 图像融合论文; 智能交通系统论文;