论文部分内容阅读
近年来，随着人们经济水平的不断提高，车辆也日益普及，这使得路面交通压力不断增加。交通拥堵、交通污染、交通事故这些问题迫切得到改善与解决。因此，智能交通技术便诞生了。车辆是交通系统中最重要的单元主体，而车牌是车辆的唯一身份标示，通过对车牌的识别就能准确记录下该车的交通行为，所以车牌识别技术是智能交通技术的重要基础之一。通过查阅文献可以发现，复杂背景下的车牌识别技术目前还存在较多的问题有待解决。所以本文将以复杂背景为切入点，对车牌识别技术进行更深层次的研究。 对于复杂背景这一条件下，车牌定位容易受到外部环境、多车牌同时存在、车牌倾斜等情况的干扰。本文基于前人定位算法的基础上，提出了联合改进的Sobel垂直边缘检测和颜色特征两种方法同时进行车牌粗定位，以及采用SVM精确定位的方法。基于垂直边缘的定位中，增加对断裂部分进行修补，以及多次Sobel搜索，这样就能避免传统算法中定位不完整和定位粗大的问题。采用垂直边缘和颜色特征同时粗定位，过滤相似特征区域的同时还能降低单一算法对其各自适用条件的依赖性，大大提高算法鲁棒性。采用改进的仿射变换对偏斜车牌进行倾斜校正。提取车牌图像水平垂直直方图为特征依据，使用SVM过滤非车牌区域，使得精度与鲁棒性都能满足实际应用的需求。 车牌字符分割部分，针对传统算法对于连通性差的汉字分割不完整的问题，本文提出了首先查找指示城市字符的位置和大小，然后采用特殊算法反推中文字符位置和大小的方法，提高了分割精度。 对于复杂背景这一条件下，车牌字符识别容易受到车牌自身问题的干扰。所以需要对汉字和字母数字分别提取特征数据，以此细化字符特征。同时采用机器学习法对多个样本进行训练，使得算法具有自我学习和自适应能力。这样便能识别一些非常规或者非正常条件下的车牌字符。字母数字上，通过提取字符轮廓特性及结构对称性进行分析。汉字方面，采用联合Hog特征法进行提取。最后进行SVM训练和测试。实验结果表明本文的算法取得了较为理想的效果。