基于CNN的智能交通系统多车牌定位方法的研究

论文摘要

车牌识别技术是智能交通系统的重要组成部分之一,已有效的应用于很多方面。车牌定位是车牌识别技术的重要环节。但是,目前较为成熟的车牌定位方法,多是针对单一车牌图像,对多目标、多类型的多车牌情况研究还不够成熟。因此,研发多车牌定位识别系统具有重要意义及应用价值。针对这一研究背景,在广泛阅读国内外文献,比较和借鉴现有车牌定位方法的基础上,结合对海信网络科技股份有限公司“电子警察”项目的实地调研,充分利用车牌的颜色、纹理等多重特征,对多目标、多类型的多车牌定位进行了较深入的研究,提出一种基于细胞神经网络(CNN)、融合彩色特征的多车牌定位新方法。首先,引入细胞神经网络于图像边缘提取过程,构建了新的车牌识别的边缘提取算法。实验结果表明,利用CNN能够提取各方向的边缘,且在其它经典边缘检测算子失效时,CNN仍可成功奏效。CNN硬件电路结构简单,运行速度比DSP芯片快103倍,比其它模拟软件快106倍,且可实现图像并行处理。CNN的加入可以大大提高多车牌识别系统的实时性。其次,利用HSI颜色模型,通过颜色量化构造色码模板,与通过数学形态学处理获得的符合车牌长宽定比的蒙板联合,最终确定真实车牌区域。与单一车牌长宽定比判断法相比,可靠性和准确性得到很大提高。最后,在字符分割、识别过程中,利用双线性插值法、投影和模板匹配相结合,进行字符分割、字符识别,进而完成整个车牌识别过程。通过对多种真实场景图片进行大量实验,如不同时间和光照下,含有不同类型车牌,背景较为复杂,车牌车身颜色相近等,实验结果表明,本文研究的“基于细胞神经网络(CNN)、融合彩色特征的多车牌定位新方法”能够有效定位,定位速度快,可靠性高,对于研发多车牌识别系统具有一定的理论意义和实际应用价值。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究的目的和意义
• 1.2 国内外研究动态
• 1.3 我国车牌的特征
• 1.4 车牌识别常见算法
• 1.5 车牌识别系统中的难点
• 第2章 基于CNN的图像边缘提取算法
• 2.1 细胞神经网络综述
• 2.2 细胞神经网络提取灰度图像边缘
• 2.2.1 分析动态过程
• 2.2.2 细胞神经网络参数设计
• 2.2.3 实验结果及分析
• 第3章 车牌定位
• 3.1 灰度化
• 3.2 多阈值量化分割
• 3.2.1 颜色模型
• 3.2.2 颜色分割
• 3.3 边缘检测
• 3.4 图像膨胀
• 3.5 提取候选区域
• 3.5.1 一次候选区域粗定位
• 3.5.2 提取出一次候选区域
• 3.5.3 提取二次候选区域及真实性验证
• 3.6 仿真结果分析
• 第4章 车牌字符分割与识别
• 4.1 车牌字符分割算法
• 4.1.1 现有的字符分割算法
• 4.1.2 双线性插值法放大车牌区域
• 4.1.3 灰度自适应法车牌图像二值化
• 4.1.4 基于投影和模板匹配相结合的字符分隔算法
• 4.1.4.1 制作分割模板
• 4.1.4.2 模板匹配
• 4.2 基于模板匹配法字符识别
• 4.2.1 现有的字符识别算法
• 4.2.2 基于模板匹配法字符识别
• 4.2.1.1 制作模板
• 4.2.2.2 字符识别
• 第5章 总结与展望
• 参考文献
• 攻读学位期间的研究成果
• 致谢