论文部分内容阅读
车牌识别系统是智能交通系统中的重要组成部分,也是图像识别的国内外学者们研究的热门问题。通过车牌的定位及提取、车牌图像的预处理、车牌特征的提取、车牌字符的识别等技术来识别车辆牌号、颜色等信息,并通过结合数字图像处理、模式识别以及计算机视觉等多项技术,在高速公路车辆管理中和电子收费(ETC)系统中得到广泛应用,也是结合DSRC技术识别车辆身份的主要手段,并且在停车场管理中,车牌识别技术也是识别车辆身份的主要手段。现实应用中,车牌识别仍存在不少瓶颈,如下雨天,雾天等复杂环境下识别率低,速度慢；对曝光度过低或过高的车牌识别不理想等问题。为了解决这些问题,本文深入研究了车牌图像的定位,车牌的字符分割以及车牌的字符识别等主要模块及算法,并相应地提出了对应模块算法中的改进算法。本文通过VC++6.0开发平台完成了整个车牌的识别系统,并开展了相关的实验。本文基于已有的多种车牌识别算法展开了分析,并以此为基础提出了相对应的改进的算法,同时介绍了车牌图像的预处理、倾斜图像的校正等内容。为了消除污染,提高二值化精确率,本文提出了基于病毒进化遗传的二值化算法,它是一种改进的遗传算法,为维持种群的多样性而将病毒机制与遗传算法相结合。本文选择了自适应阈值的Canny边缘检测算法进行边缘检测,并搭配Radon变换法,在检测到边缘的信息后,能够精确地得出车牌倾斜的角度,对其进行校正,从而得到正确的图像。在此基础上,为了降低模糊的或者有污点的车牌图像分割错误率,本文基于垂直投影的分割方法进行改进。为了提高复杂环境下(雨天,雾天及昏暗等)的字符识别率,本文提出一种改进的LM-BP神经网络车牌字符识别方法,该方法根据中国国内现行车牌编制的特点,结合LM算法改进传统BP神经网络,并增加参数修正LM-BP算法,这样能够使传统的BP神经网络收敛速度慢及容易陷入局部的极小值这两个缺点得到解决。在文章的最后,对该系统进行了相关的实验。实验结果表明,对于车牌的定位、字符的分割及字符的识别,系统都能有效完成相应功能,达到了预期的识别效果和收敛速度,系统整体的识别率到达95.66%。