自然场景下车牌字符识别方法的研究

摘要

随着现代社会和经济的高速发展，车辆也越来越多，如何能够对车辆进行有效管理，是交管部门亟待解决的问题。智能交通系统利用先进的信息技术、通信技术、传感器技术等，提高了交通运输效率。而作为智能交通系统的重要组成部分，车牌识别系统的应用范围非常广泛，如：停车场自动收费、道路按次计费使用、交通执法等等。当前，大部分车牌识别系统应用场景非常单一，而系统获取的图像往往是自然场景下的，受环境影响较大，如对比度低、倾斜、光照不均匀、强光照、运动模糊等。应用场景单一的车牌识别系统对自然场景下获取的车牌具有较低的鲁棒性。一个完整的车牌识别系统主要包括：车牌检测；车牌字符分割；识别中分割出的字符。
　　本文主要研究字符分割与字符识别的方法。车牌的字符分割将直接影响到最终的整牌识别率，而自然场景下的车牌面临着光照不均匀、角度倾斜、运动模糊等影响，在分割时极易出现字符断裂及粘连情况。针对以上情况，首先对车牌进行旋转校正及二值化处理，本文提出一种基于垂直投影二分法与模板校正法相结合的方法，通过多次寻找最优分割阈值的二分法对车牌进行分割，然后通过模板进行校准寻找最优分割点。实验结果表明，无论光照条件良好还是较弱或不均匀，都能对车牌进行准确分割，有效克服字符粘连及断裂的情况，在自然场景下鲁棒性良好。在字符识别阶段，根据我国的车牌特点，主要分为汉字分类器、英文字母分类器、数字分类器以及能够有效区分字母及数字的分类器。车牌汉字识别是字符识别阶段的难点，本文提出一种基于灰度图的汉字识别方法，利用Haar型局部二值模式算子( Haar Local Binary Patterns)对灰度图运算形成HLBP特征图，运用窗口分块法对HLBP特征图进行直方图统计并形成直方图特征向量，使用改进后的KNN算法(k-Nearest Neighbor)对特征向量进行识别。对于字母分类及数字分类，提出一种基于Adaboost集成多个多尺度卷积神经网络的分类器，通过基于样本权值大小的抽样方法，使训练过程中更加关注那些分类错误的样本；多尺度卷积神经网络通过组合前一阶段提取的低层特征以及后一阶段提取的高层特征，来保证提取的输入向量具有更强的不变性，又包含字符中更多的精确细节。通过训练多个多尺度卷积神经网络，确定它们各自的权值，通过投票法来确定最终的分类结果，该方法可以有效克服使用单个分类器陷入局部极小值的问题，在一定程度上提高了分类的准确率。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 选题背景与研究意义

1.2 车牌识别技术的研究现状

1.3 自然场景下车牌识别问题的难点

1.4 主要工作与章节安排

2 车牌图像预处理

2.1 车牌图像旋转校正

2.2 车牌图像灰度化

2.3 车牌图像二值化

2.4 二值化图像背景统一

2.5 本章小结

3 车牌字符分割

3.1 常见的车牌分割算法

3.2 车牌的特点及形态特征

3.3 水平分割

3.4 基于模板校正及投影二分法结合的垂直分割

3.5 实验结果分析

3.6 本章小结

4 字符识别

4.1 汉字识别

4.2 数字及字母识别

4.3 本章小结

5 总结与展望

参考文献

致谢

个人简历、在学期间发表的学术论文与研究成果