论文部分内容阅读
车牌识别技术是智能交通系统中的重要组成部分,是计算机视觉、图像处理与模式识别在智能交通领域的重要研究课题之一。但在实际环境下采集到的车牌图像,容易受到光照变化、尺度变化、目标干扰等诸多不利因素影响,因此在复杂多变的自然下识别车牌仍然是一个十分具有挑战的课题。车牌识别技术主要解决车牌的定位、分割、识别三个问题。本文分别对这三个部分进行了研究,并提出了相应算法。本文提出了一种基于目标区域的车牌定位算法,采用逐步求精的定位策略。该算法适用于光照变化、尺度变化和目标干扰等复杂的自然环境。本文引入了Selective Search算法对输入图像进行目标区域提取,根据车牌特征筛选出车牌候选区域,并通过一个预训练的支持向量机对候选区域进行判别,保留车牌区域。对获得车牌区域进行非极大值(NMS)抑制剔除重合区域。最后精确定位到车牌位置。本文提出了一种基于连通区域的字符分割算法。该算法首先对输入车牌进行预处理和倾斜校正,结合连通区域标记法和数学形态学处理法获得字符区域。同时,本文对传统的字符归一化方法进行了改进,有效的解决了由字符归一化造成的字符形变的问题。本文提出了一种基于卷积神经网络的车牌字符识别算法,设计了两个卷积网络NET1和NET2,其中NET1用做识别汉字,NET2用做识别字母和数字。本文引入了 rectifier作为神经元的激活函数,并使用mini-batch随机梯度下降法训练网络,可以加速目标函数的收敛。采用卷积神经网络可以从输入的字符图像中自动提取出图像特征,并进行分类,从而获得识别结果。在整个过程中,不需要手动选定图像特征或对图像作局部处理。实验表明,本文算法可以有效的在复杂自然环境中定位车牌,分割字符和识别字符。并将本文算法与同类型算法做了比较,均有显著的提升。