论文摘要
智能型交通体系（ITS——Intelligent Transportation System）是未来交通监管系统的主要发展趋势。车辆牌照识别技术（LPR——License Plate Recognition）又是ITS中的核心技术之一。因此研究与开发车牌识别系统对于我国交通管理领域的发展具有重要实用价值。LPR系统可分为车牌定位与车牌识别两大部分,本文针对车牌识别部分进行了深入的研究与设计。车牌识别系统要应对多种复杂环境,如车流量高峰期、照射反光、车牌污染等。本课题依据车牌识别系统的高速率、高识别率的设计要求,采用了人工神经网络（ANN）来构建系统识别模块。ANN模拟人脑智能,在识别车牌时能进行联想记忆与推理,从而较好地解决字符残缺不完整而无法识别的问题。在处理机制上将信息存储与处理并行起来,大大提高了运行速度。本课题在FPGA芯片上通过内嵌NIOSII软核方式来设计系统方案。NIOSII CPU是一款可根据应用裁减性能的嵌入式软核,配以可编程并行处理特性的FPGA来承载车牌识别系统,能够充分发挥系统性能并满足实时性要求。论文包括车牌预处理模块、识别模块、硬件设计三方面内容,主要工作如下:①对车牌图像预处理模块进行了深入研究。在车牌二值化的OTSU算法上进行了改进,通过算法前衔接灰度拉伸算法增强了二值化效果。在字符分割的传统投影算法上进行了修改,通过添加控制子图像对字符粘连的判断语句实现了粘连字符的分割;在字符特征提取上采取了综合提取方法,有效提高了车牌字符特征的采集效率。②对ANN进行了研究,采用BP网络对车牌识别模块建模,并依据网络训练效果,对BP网络实行优化,采用样本轮训修改了权值调整算法,并在标准BP学习算法中添加了动量项,极大地提高了网络学习效率及收敛速度。③结合SOPC理念,在FPGA芯片上搭建了基于NIOSII的车牌识别系统。系统中对耗时的浮点运算模块进行了硬件化,提高了系统执行效率;系统输出端设计了LCM接口电路,采用TRDB-LCM对车牌处理图像进行显示。经实验验证,本文所提出的整体系统方案有效可行,基于BP神经网络的车牌识别系统在其识别率、速度、可扩展性等方面具有独特的优势,前景广阔。
论文目录
摘要ABSTRACT1 绪论1.1 研究背景、目的及意义1.2 车牌识别技术概述与研究现状1.2.1 车牌识别的技术概述1.2.2 车牌识别的发展现状1.3 车牌识别技术应用前景1.4 本文的主要内容2 车牌识别系统综述2.1 系统整体概述2.1.1 车牌识别系统设计要求2.1.2 系统工作流程2.1.3 系统结构方案2.1.4 识别系统各模块功能分析2.2 FPGA 与 NIOSII 嵌入式软核概述2.3 车牌识别算法的评价指标2.4 车牌识别系统的开发难点3 车牌字符识别图像预处理3.1 256 色DIB 位图灰度化3.1.1 BMP 文件中DIB 结构3.1.2 位图灰度化处理3.2 中值滤波去噪3.2.1 车牌图像中值滤波3.2.2 中值滤波的去噪性能分析3.3 灰度图像二值化3.3.1 车牌二值化算法优劣研究3.3.2 改进型OTSU 算法二值化3.4 车牌字符分割算法研究与设计3.4.1 车牌字符结构与图像投影3.4.2 车牌字符分割算法研究3.4.3 改进型投影分割算法3.4.4 试验结果与分析3.5 尺度归一与紧缩重排3.6 车牌字符特征选择与提取3.6.1 分类特征标准3.6.2 特征提取技术研究3.6.3 非均匀网格特征提取设计4 基于BP 神经网络的识别算法设计与优化4.1 人工神经网络4.1.1 人工神经网络概述4.1.2 人工神经网络的构成与学习规则4.2 车牌识别中的 BP 神经网络应用4.2.1 BP 神经网络介绍4.2.2 Sigmoid 激活函数的BP 网络算法4.3 基于BP 算法的三层前馈网络用于车牌识别建模4.3.1 基于车牌识别的BP 网络结构设计4.3.2 构建的BP 网络算法程序实现4.3.3 车牌特征的网络训练与测试4.4 BP 算法针对车牌识别的改进与收敛加速4.4.1 样本轮训的权值调整算法改进4.4.2 BP 学习算法中学习速率的提高5 车牌识别系统架构及硬件设计5.1 车牌识别系统总体结构设计5.1.1 系统硬件结构分析5.1.2 芯片选型5.1.3 系统硬件整体结构设计5.2 NIOSII 嵌入式CPU 系统开发5.2.1 NIOSII 嵌入式CPU 搭建5.2.2 浮点算法自定义指令硬件化5.3 基于LCD 的液晶显示模块设计5.3.1 TRDB-LCM 结构与特性5.3.2 NIOSII 软核与 TRDB-LCM 模块接口设计5.4 系统硬件集成6 总结与展望致谢参考文献附录作者攻读硕士学位期间发表的论文目录
相关论文文献
标签：车牌识别论文; 图像预处理论文; 特征提取论文; 神经网络论文;
