论文部分内容阅读
随着经济与社会的高速发展,各种类型汽车保有量迅速增长,而公路的容积增长缓慢,管理手段相对滞后,使得我国的交通压力越来越大。特别是城市和交通枢纽,如:高速公路收费站,检查点,堵点路段,停车场等。为了缓解矛盾,智能交通系统(ITS)己成为当前交通管理发展的主要方向。而车牌识别技术又是ITS中的重要组成部分,它提供快速,精确的车牌信息,极大地减轻了人工识别的成本,并且为智能交通其他应用提供了信息。为了能够从复杂背景中提取车牌,分割车牌字符和识别字符。本课题对这些车牌识别中关键技术进行了重点的研究。为了提高车牌定位的速度和抗干扰能力,本文首先对AdaBoost技术进行了深入的研究。由于分类效果的好坏是和级联分类器密切相关的,而级联分类器是建立在强分类器的基础上的,因此强分类器的构建对整个级联分类器是有至关重要的影响。结合车牌的特点,提出了一种基于跳变特征和跳变密度方差特征的AdaBoost算法,提高了检测率和降低了误识率。为了缓解弱分类器训练速度和错误率之间的矛盾,本文提出了一种基于类积分图的快速弱分类器阈值查找算法。基于强分类器的构建过程中对非车牌训练样本的需求,本文构造了一个基于训练模型的非车牌自动生成算法,能够提高非车牌训练样本集合的多样性和较高生成速度,达到有效训练强分类器的目的。得到的车牌定位系统能够很好地在复杂环境下高效地提取车牌,在自备的各个测试集上达到较高的识别率,较低的误识率。然后,利用OTSU获取最佳阈值实现车牌图像的二值化。采用Radon变换进行了倾斜校正,去除边框后应用基于垂直投影的方法分割了车牌字符。获得了基本没有倾斜的低噪声的车牌字符。最后,通过分析字符与数字的结构特征,建立了一个基于粗分类的多级分类策略。对归一化后的车牌字符,第一级采用了孔洞特征进行分类,在细分类上采用了基于相对位置过线扫描等方法的再次分类。对于不易再细分的子类,采用经遗传算法优化的BP神经网络进行分类。由于采用遗传算法优化的方法,在一定程度上避免了BP神经网络过拟合训练数据的问题,在测试集合上该方法也达到了比较好的效果。本文研究证明:改进的AdaBoost算法可以很好地对车牌进行定位,并且有较强的抗干扰能力。经遗传算法训练的BP神经网络,在一定程度上可以提高泛化能力。