基于粗糙集和模糊SVM的车牌识别技术研究

论文摘要

随着城市汽车数目的迅速增加,车牌识别技术成为了智能交通的研究热点。汽车牌照识别技术是智能交通的核心部分,主要包括车牌图像预处理、车牌定位、倾斜校正、字符分割和字符识别等几个部分。本文在分析近年来国内外车牌识别技术最新进展的基础上,对车牌识别系统的关键技术进行了研究。支持向量机(SVM)是20世纪90年代由Vapnik等人提出的一类新型机器学习方法,它能够成功地处理分类和回归问题。由于支持向量机出色的学习性能,该技术已经成为机器学习界的研究热点,并在很多领域得到了成功的应用。但是,作为一种尚未成熟的技术,支持向量机目前还存在着许多局限,如存在不可分区域、训练时间过长等。模糊数学是研究许多界限不分明问题的一种数学工具,利用模糊数学和模糊逻辑,能很好地处理各种模糊问题。粗糙集可以化简训练样本集,在保留重要信息的前提下消除冗余数据,提高分类速度。本文将粗糙集与模糊SVM相结合,给出了一种基于粗糙集和模糊SVM的车牌字符识别算法。在车牌定位阶段,采用了一种基于支持向量机的车牌定位算法,可以准确地定位出车牌。在车牌字符分割阶段,考虑到车牌字符存在粘连的情况,给出了一种改进的垂直投影分割法,提高了字符分割的成功率。在车牌字符识别阶段,利用粗糙集对提取的字符特征进行约简,有效地减少了训练和测试的时间,并且针对传统支持向量机多分类方法存在不可分区域的问题,本文引入了模糊数学的理论,有效地解决了这一多分类问题。最后用MATLAB R2009a和LIBSVM工具箱对本文给出的基于粗糙集和模糊SVM的车牌字符识别算法进行了验证实验,实验结果表明,本文给出的算法能够较好地解决SVM中存在的不可分区域的问题,提高了识别效率,实验结果验证了本文算法的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外车牌识别技术研究的现状
• 1.3 常用字符识别方法
• 1.4 课题研究内容
• 1.5 本章小结
• 第2章 支持向量机理论概述
• 2.1 机器学习的基本问题
• 2.1.1 经验风险
• 2.1.2 复杂性与推广性
• 2.2 统计学习理论的核心内容
• 2.2.1 VC 维
• 2.2.2 推广性的界
• 2.2.3 结构风险最小化
• 2.3 支持向量机
• 2.3.1 最优分类面
• 2.3.2 线性支持向量机
• 2.3.3 非线性支持向量机
• 2.4 SVM 多类识别方法
• 2.5 核函数的介绍
• 2.6 小结
• 第3章 车牌图像的预处理
• 3.1 车牌图像的采集技术
• 3.1.1 车辆检测
• 3.1.2 车牌图像获取
• 3.2 车牌图像增强处理
• 3.2.1 灰度转换
• 3.2.2 灰度变换增强
• 3.3 本章小结
• 第4章 车牌图像的定位技术
• 4.1 车牌定位常用方法分析
• 4.2 基于支持向量机的车牌定位
• 4.2.1 纹理的概念
• 4.2.2 车牌区域特征
• 4.2.3 训练SVM 分类器
• 4.2.4 SVM 分类器的结构
• 4.2.5 分割车牌区域
• 4.3 定位实验结果及分析
• 4.4 本章小结
• 第5章 车牌图像的分割技术
• 5.1 图像分割技术
• 5.1.1 图像分割的定义
• 5.1.2 常用的车牌分割技术分析
• 5.2 车牌字符的先验知识
• 5.3 车牌分割前的预处理
• 5.3.1 车牌图像的二值化
• 5.3.2 车牌图像形态学处理
• 5.3.3 车牌的倾斜校正
• 5.3.4 上下边界的去除
• 5.4 基于车牌构造的投影分割法
• 5.4.1 算法的提出
• 5.4.2 算法的改进
• 5.5 分割实验结果及分析
• 5.6 本章小结
• 第6章 基于粗糙集和模糊SVM 的车牌识别技术
• 6.1 字符图像的归一化
• 6.1.1 位置归一化
• 6.1.2 大小归一化
• 6.2 车牌字符特征的提取及决策表的构造
• 6.2.1 四周边特征
• 6.2.2 投影特征
• 6.2.3 粗网格
• 6.3 字符决策表的离散化
• 6.3.1 等距离离散化方法
• 6.3.2 等频率离散化方法
• 6.4 决策表中属性的约简
• 6.5 基于支持向量机的车牌识别技术
• 6.5.1 SVM 分类方法及样本集的选择
• 6.5.2 核函数及参数的选择
• 6.5.3 SVM 识别方法实验结果和分析
• 6.6 基于粗糙集和模糊SVM 的车牌识别技术
• 6.6.1 SVM 多类算法存在的问题
• 6.6.2 SVM 多类问题解决方法
• 6.6.3 粗糙FSVM 在车牌字符识别中的应用
• 6.6.4 FSVM 识别方法实验结果和分析
• 6.7 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间所发表的学术论文
• 致谢
• 大摘要