复杂场景下的车牌检测算法研究及其工程实现

摘要

车牌识别系统(LPR)是智能交通的重要组成部分，在现代交通管理、社会治安等方面发挥着重要作用，有着广泛的应用前景。车牌检测是车牌识别系统的关键技术之一。随着车牌识别系统的广泛使用，过去在受控环境和简单场景下的车牌检测算法已经不能满足当前的需要。因此，在复杂场景和成像条件情况下的车牌检测逐渐成为当前研究的热点。 本文对复杂场景和成像条件下的车牌检测算法进行了研究，主要完成了以下工作。 首先，本文实现并改进了一种启发式的车牌检测算法。该算法根据车牌区域垂直边缘丰富的特点，提取图像中的垂直边缘，并通过连接边缘，获得车牌候选区域。最后根据车牌的几何、边缘分布以及颜色等特征对候选区域进行筛选得到车牌区域。 其次，本文实现了一种基于Adaboost机器学习算法的车牌检测算法。在该算法中，定义了一种表征局部灰度与全局灰度比例的矩形特征，使用CS-Adaboost算法训练了一个由85个特征组成的级联分类器，并由此实现了一种车牌检测算法。以上两种算法都在PC平台上编程实现，并且在一个583张图像组成的测试集上进行了实验，给出了结果和性能分析。 此外，图像中的倾斜车牌不利于后续的字符分割等操作。针对该问题，本文实现了一种基于“跨栏模型”和“窄孔透射模型”的倾斜车牌矫正算法，给出了实验结果。 最后，本文将启发式车牌检测算法移植到了DSP平台上，构建了一个车牌检测系统，可以在CIF格式的图像上达到10f/s的检测速度。文中介绍了算法在DSP平台上的移植和优化过程，并给出了实验结果。

目录

文摘

英文文摘

声明

1引论

1.1研究背景

1.2车牌检测算法综述

1.2.1基于灰度图像的车牌检测算法

1.2.2基于彩色图像的车牌检测算法

1.2.3基于规则的车牌检测算法

1.2.4基于统计学习的车牌检测算法

1.3本文主要工作及内容安排

2启发式车牌检测算法

2.1算法介绍

2.1.1灰度图像生成

2.1.2图像金字塔

2.1.3边缘图生成

2.1.4车牌候选区生成

2.1.5候选区过滤

2.2算法的快速实现

2.2.1整体结构

2.2.2连通区域检测模块

2.3实验结果与结果分析

2.4本章小结

3基于机器学习的车牌检测算法

3.1机器学习简介

3.2车牌特征提取

3.3分类器训练

3.3.1弱分类器构造

3.3.2强分类器训练

3.3.3级联结构的分类器

3.4候选区合并与重定位

3.4.1候选区合并

3.4.2重定位

3.5实验结果与结果分析

3.6两种算法的对比

3.7本章小结

4倾斜车牌矫正

4.1倾斜车牌矫正算法综述

4.2倾斜检测与矫正算法实现

4.2.1水平倾角检测

4.2.2垂直倾角检测

4.2.3基于切变的矫正

4.3实验结果

4.4本章小结

5车牌检测算法在DSP平台的实现

5.1 DSP简介

5.2 TDS642EVM图像处理平台

5.3车牌检测算法移植与优化

5.3.1 CCS集成开发环境

5.3.2程序移植和优化

5.3.3系统实现

5.4实验结果

5.5本章小结

6总结与展望

致谢

参考文献