基于数字图像处理和机器学习的车牌识别（LPR）研究

论文摘要

随着经济与社会的高速发展,各种类型汽车保有量迅速增长,而公路的容积增长缓慢,管理手段相对滞后,使得我国的交通压力越来越大。特别是城市和交通枢纽,如:高速公路收费站,检查点,堵点路段,停车场等。为了缓解矛盾,智能交通系统(ITS)己成为当前交通管理发展的主要方向。而车牌识别技术又是ITS中的重要组成部分,它提供快速,精确的车牌信息,极大地减轻了人工识别的成本,并且为智能交通其他应用提供了信息。为了能够从复杂背景中提取车牌,分割车牌字符和识别字符。本课题对这些车牌识别中关键技术进行了重点的研究。为了提高车牌定位的速度和抗干扰能力,本文首先对AdaBoost技术进行了深入的研究。由于分类效果的好坏是和级联分类器密切相关的,而级联分类器是建立在强分类器的基础上的,因此强分类器的构建对整个级联分类器是有至关重要的影响。结合车牌的特点,提出了一种基于跳变特征和跳变密度方差特征的AdaBoost算法,提高了检测率和降低了误识率。为了缓解弱分类器训练速度和错误率之间的矛盾,本文提出了一种基于类积分图的快速弱分类器阈值查找算法。基于强分类器的构建过程中对非车牌训练样本的需求,本文构造了一个基于训练模型的非车牌自动生成算法,能够提高非车牌训练样本集合的多样性和较高生成速度,达到有效训练强分类器的目的。得到的车牌定位系统能够很好地在复杂环境下高效地提取车牌,在自备的各个测试集上达到较高的识别率,较低的误识率。然后,利用OTSU获取最佳阈值实现车牌图像的二值化。采用Radon变换进行了倾斜校正,去除边框后应用基于垂直投影的方法分割了车牌字符。获得了基本没有倾斜的低噪声的车牌字符。最后,通过分析字符与数字的结构特征,建立了一个基于粗分类的多级分类策略。对归一化后的车牌字符,第一级采用了孔洞特征进行分类,在细分类上采用了基于相对位置过线扫描等方法的再次分类。对于不易再细分的子类,采用经遗传算法优化的BP神经网络进行分类。由于采用遗传算法优化的方法,在一定程度上避免了BP神经网络过拟合训练数据的问题,在测试集合上该方法也达到了比较好的效果。本文研究证明:改进的AdaBoost算法可以很好地对车牌进行定位,并且有较强的抗干扰能力。经遗传算法训练的BP神经网络,在一定程度上可以提高泛化能力。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题研究的背景和意义
• 1.1.1 课题研究的背景
• 1.1.2 课题研究的实用与学术意义
• 1.2 课题在国内处研究动态综述
• 1.2.1 本课题需要解决的基本问题
• 1.2.2 车牌识别技术的研究现状
• 1.2.3 目前国内外车牌识别研究概述
• 1.3 本文研究内容的安排
• 2 基于 AdaBoost 的车牌定位的研究
• 2.1 车牌定位介绍
• 2.2 车牌定位的现状
• 2.3 车牌在车牌图像中的特点
• 2.4 车牌图像定位与分割的难点
• 2.5 基于 AdaBoost 的车牌定位的研究
• 2.5.1 类哈尔（haar-like）特征
• 2.5.2 积分图
• 2.5.3 弱分类器
• 2.5.4 AdaBoost 算法
• 2.5.5 级联分类器
• 2.6 小结
• 3 改进的 AdaBoost 算法
• 3.1 车牌与非车牌的比较
• 3.2 改进的检测系统结构
• 3.2.1 级联分类器的训练方式
• 3.2.2 级联分类器的分类检测过程
• 3.2.3 跳变特征和跳变密度方差
• 3.2.4 本文方法与AdaBoost 训练强分类器方法的比较
• 3.3 改进的类 Haar 特征
• 3.3.1 倾斜类Haar 特征
• 3.3.2 倾斜类Haar 特征的计算
• 3.4 基于类积分图的弱分类器阈值查找算法
• 3.5 自动非车牌测试样本生成
• 3.5.1 非车牌自动生成系统
• 3.5.2 预生成非车牌方法
• 3.6 后处理
• 3.7 实验
• 3.7.1 实验方案
• 3.7.2 实验结果及其分析
• 3.7.3 车牌定位效果图
• 3.8 小结
• 4 车牌字符识别预处理
• 4.1 车牌图像倾斜分析
• 4.2 常见的解决方式
• 4.3 基于 Radon 变换的车牌倾斜校正
• 4.4 去除车牌边框
• 4.5 车牌字符分割
• 4.6 基于投影法的字符分割
• 4.7 字符分割实验结果
• 4.8 小结
• 5 车牌字符识别
• 5.1 字符识别概述
• 5.2 车牌字符识别的特点
• 5.3 字符识别研究现状
• 5.4 识别流程
• 5.5 特征提取
• 5.5.1 字符轮廓特征
• 5.5.2 字符13 特征
• 5.6 字符的归一化处理
• 5.7 基于粗分类的字符识别
• 5.7.1 基于孔洞特征和相对跳变特征的粗分类
• 5.7.2 字符相对跳变特征
• 5.7.3 字符骨骼化
• 5.8 遗传算法训练神经网络
• 5.8.1 神经网络结构设计
• 5.8.2 算法设计
• 5.8.3 染色体设计
• 5.8.4 自适应参数
• 5.8.5 适应度函数
• 5.9 实验结果与分析
• 5.10 小结
• 6 结论与展望
• 6.1 结论
• 6.2 工作展望
• 致谢
• 参考文献
• 附录