结合人工蜂群的车牌识别算法

摘要

随着我国经济的日渐发展，科技水平的提高，人们生活水平逐步上升，交通日渐发达，汽车越来越多，对交通的要求也越来越高。于是就出现了智能交通系统(Intelligent Transport Systems，简称ITS)。ITS的非常重要的一部分是车牌自动识别技术(License Plate Recogniton, LPR)。LPR主要包括3大部分，车牌定位，车牌分割以及车牌识别。
　　人工蜂群(ABC)算法则是Karaboga学者举出的一种寻找最优解的新方法，其将蜂群模型应用到实际的求最优解的问题中，这种算法容易实现并且速度快。
　　为了提高车牌识别算法的鲁棒性，本文将人工蜂群算法分别应用到车牌定位、车牌分割以及字符识别这三个部分中。
　　首先，在车牌定位模块中，传统的提取边沿方法中的阈值不容易确定，阈值选择的不好就会容易丢失边缘或产生虚假边缘，本文将用人工蜂群算法自动搜索最优阈值，得到很好的边缘图像，再结合形态学处理、像素跳变以及车牌的彩色纹理特征最终确定车牌的位置。
　　其次，在车牌分割模块中，垂直投影法中车牌图像的二值化很重要，而二值化主要就是找到合适的阈值，本文将应用人工蜂群算法自动寻找最佳的阈值，得到很好的二值车牌图像，再应用垂直投影法分割车牌字符。
　　最后，车牌字符识别部分，本文采用BP神经网络(Back Propagation Network)法，而BP神经网络要寻找到合适的权重和偏置，本文将采用人工蜂群算法搜索初始权重和偏置，再利用BP神经网络识别车牌字符。
　　通过仿真实验，本文算法能够很好的识别车牌。

目录

声明

摘要

1 绪论

1．1 车牌识别背景

1．2 车牌识别的研究现状

1．2．1 国内外车辆牌照识别技术现状

1．2．2 中国的车牌特点

1．2．3 车牌识别算法

1．3 本文主要研究的内容

1．4 论文结构

2 人工蜂群算法

2．1 蜜蜂采蜜机制

2．2 人工蜂群算法基本思想

2．3 人工蜂群算法的主要步骤

2．4 人工蜂群算法的特点

2．5 小结

3 车牌图像预处理

3．1 灰度化处理

3．2 图像增强

3．2．1 灰度变换

3．2．2 中值滤波

3．3 小结

4 基于人工蜂群算法的车牌定位

4．1 车牌定位常用的方法

4．2 基于人工蜂群算法的图像边缘检测

4．2．1 sobel算子

4．2．2 最大类间方差法(Otsu)

4．2．3 基于RGB空间的彩色图像边缘检测

4．2．4 结合人工蜂群算法和RGB彩色空间的边缘检测方法

4．3 基于形态学的车牌定位

4．3．1 腐蚀和膨胀

4．3．2 开运算和闭运算

4．3．3 基于形态学的车牌定位

4．4 基于像素跳变的车牌定位

4．5 基于彩色信息的车牌定位

4．5．1 HSV彩色空间

4．5．2 将颜色从RGB空间向HSV空间转化

4．5．3 基于彩色信息的车牌定位

4．6 小结

5 基于人工蜂群算法的车牌字符分割

5．1 我国车牌特征

5．2 车牌字符分割方法

5．3 基于人工蜂群算法的车牌图像二值化

5．3．1 二值化的几种方法

5．3．2 结合人工蜂群算法的二值化

5．4 膨胀腐蚀操作

5．5 车牌去边框和铆钉

5．6 车牌字符分割

5．7 小结

6 基于人工蜂群算法的车牌字符识别

6．1 字符归一化

6．2 字符细化

6．2．1 击中或击不中变换

6．2．2 形态学细化

6．3 几种字符识别方法

6．4 字符特征提取

6．5 神经网络

6．6 BP神经网络原理

6．6．1 正向传播

6．6．2 反向传播

6．7 结合ABC算法和BP神经网络的车牌字符识别

6．7．1 BP网络的层数

6．7．2 各层的节点数

6．7．3 传递函数

6．7．4 误差函数

6．7．5 结合ABC算法初始化权值和偏置

6．7．6 训练方法

6．7．7 基于ABC算法和BP神经网络的字符识别

6．8 小结

7 总结

参考文献

致谢

作者简介及读研期间主要科研成果