1 簡介

車牌識(shí)別系統(tǒng)(License Plate Recognition, LPR)在智能交通系統(tǒng)中占有非常重要的地位。同時(shí),在智能交通領(lǐng)域的應(yīng)用中,有很多基于圖像處理、模式識(shí)別及機(jī)器視覺技術(shù)的研究課題,而其中重點(diǎn)之一即是車牌的自動(dòng)識(shí)別,其主要包括車牌定位、傾斜矯正、字符分割及字符識(shí)別等四個(gè)部分。目前,車牌定位算法有很多種,且大部分都基于一定的理論知識(shí)體系,主要為:圖像彩色信息、紋理分析、邊緣檢測、數(shù)學(xué)形態(tài)學(xué)、遺傳學(xué)及神經(jīng)網(wǎng)絡(luò),等等。車牌傾斜矯正主要有以下幾種方法:基于幾何與紋理分析的方法、基于Hough直線檢測的方法及基于邊緣檢測的方法等。車牌字符分割主要有以下幾種方法:基于紋理和投影特征的方法、基于SVM(Support Vector Machine,支持向量機(jī))的聚類方法、基于區(qū)域生長的分割算法及基于先驗(yàn)知識(shí)的馬爾可夫模型分割算法等。車牌字符識(shí)別主要有以下幾種方法:模式匹配法、特征分類法及基于神經(jīng)網(wǎng)絡(luò)的分類方法等。充分考慮到汽車牌照在實(shí)際拍攝中往往存在著噪聲污染、畸變扭曲、字符斷裂、光照不均、車牌尺寸顏色多樣化等不良因素,并在參考前人研究并綜合考慮各種算法的優(yōu)缺點(diǎn)的基礎(chǔ)上,本論文提出了一套改進(jìn)型車牌識(shí)別算法。在車牌定位部分,利用車牌紋理特征、投影特征及形狀特征(長寬比)等有效信息,并應(yīng)用Sobel y方向邊緣檢測、一階水平差分、曲線平滑、波峰波谷檢測法及波峰區(qū)域合并法,快速準(zhǔn)確地實(shí)現(xiàn)車牌定位。在傾斜矯正部分,利用車牌字符的紋理分布特征,避免了車牌邊緣被污染或不存在的影響及Hough直線檢測復(fù)雜運(yùn)算。在字符分割部分,在充分利用車牌字符的紋理特征、面積分布特征及形狀特征(長寬比)等先驗(yàn)知識(shí)的前提下,結(jié)合投影特征和連通域特征來實(shí)現(xiàn)字符分割。在字符識(shí)別部分,采用了基于BP(Back Propagation,反向傳播)神經(jīng)網(wǎng)絡(luò)的字符識(shí)別方法。同時(shí),整個(gè)算法處理過程還應(yīng)用到灰度變換、Otsu(Otsu,最大類間方差法)自適應(yīng)閾值二值化、圖像濾波、邊緣檢測等。本文首先介紹了車牌識(shí)別技術(shù)的研究背景及研究現(xiàn)狀,并闡述了本文的主要研究內(nèi)容、創(chuàng)新點(diǎn)及論文組織結(jié)構(gòu)。其次介紹了一些本文應(yīng)用到的相關(guān)知識(shí)及系統(tǒng)理論,包括數(shù)字圖像處理的基礎(chǔ)知識(shí)及其在相關(guān)方面的應(yīng)用,數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)知識(shí)及其在圖像處理中的應(yīng)用,BP神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)及其在模式識(shí)別方面的應(yīng)用。然后從車牌定位、車牌字符分割及車牌字符識(shí)別三個(gè)部分對(duì)本論文車牌識(shí)別算法進(jìn)行了詳細(xì)分析與介紹。最后從系統(tǒng)級(jí)上介紹了車牌識(shí)別技術(shù)的實(shí)現(xiàn),對(duì)本論文算法進(jìn)行仿真,并對(duì)結(jié)果進(jìn)行分析、總結(jié)。實(shí)驗(yàn)證明,本論文中所述的改進(jìn)型的車牌識(shí)別算法準(zhǔn)確、有效、可靠。

2 部分代碼

function net = BP_Set () I0 = per_deal ( ’./bp/0.jpg’ ); I1 = per_deal ( ’./bp/1.jpg’ ); I2 = per_deal ( ’./bp/2.jpg’ ); I3 = per_deal ( ’./bp/3.jpg’ ); I4 = per_deal ( ’./bp/4.jpg’ ); I5 = per_deal ( ’./bp/5.jpg’ ); I6 = per_deal ( ’./bp/6.jpg’ ); I7 = per_deal ( ’./bp/7.jpg’ ); I8 = per_deal ( ’./bp/8.jpg’ ); I9 = per_deal ( ’./bp/9.jpg’ ); I10 = per_deal ( ’./bp/A.jpg’ ); I11 = per_deal ( ’./bp/B.jpg’ ); I12 = per_deal ( ’./bp/C.jpg’ ); I13 = per_deal ( ’./bp/D.jpg’ ); I14 = per_deal ( ’./bp/G.jpg’ ); I15 = per_deal ( ’./bp/K.jpg’ ); I16 = per_deal ( ’./bp/L.jpg’ ); I17 = per_deal ( ’./bp/M.jpg’ ); I18 = per_deal ( ’./bp/遼.jpg’ ); I19 = per_deal ( ’./bp/蘇.jpg’ ); I20 = per_deal ( ’./bp/陜.jpg’ ); I21 = per_deal ( ’./bp/京.jpg’ ); I22 = per_deal ( ’./bp/J.jpg’ ); I23 = per_deal ( ’./bp/魯.jpg’ ); P =[ I0 ’ , I1 ’ , I2 ’ , I3 ’ , I4 ’ , I5 ’ , I6 ’ , I7 ’ , I8 ’ , I9 ’ , I10 ’ , I11 ’ , I12 ’ , I13 ’ , I14 ’ , I15 ’ , I16 ’ , I17 ’ , I18 ’ , I19 ’ , I20 ’ , I21 ’ , I22 ’ , I23 ’ ]; T = eye ( 24 , 24 );   %輸出樣本 K = minmax ( P ); %% bp神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置 net = newff ( minmax ( P ),[ 200 , 24 ],{ ’logsig’ , ’logsig’ , ’logsig’ }, ’trainrp’ ); net . inputWeights { 1 , 1 } . initFcn = ’randnr’ ; net . layerWeights { 2 , 1 } . initFcn = ’randnr’ ; net . trainparam . epochs = 60000 ; net . trainparam . show = 50 ; net . trainparam . lr = 0.003 ; net . trainparam . goal = 0.00000000001 ; net = init ( net ); [ net , tr ]= train ( net , P , T ); %訓(xùn)練樣本

3 仿真結(jié)果

4 參考文獻(xiàn)

[1]李豐林. "基于BP神經(jīng)網(wǎng)絡(luò)的汽車牌照識(shí)別." 淮海工學(xué)院學(xué)報(bào)：自然科學(xué)版 12.4(2003):3.

微信掃一掃贊賞作者 贊賞

長按二維碼向我轉(zhuǎn)賬

受蘋果公司新規(guī)定影響，微信 iOS 版的贊賞功能被關(guān)閉，可通過二維碼轉(zhuǎn)賬支持公眾號(hào)。