车牌识别与车辆排队长度的研究

论文摘要

智能交通系统是解决现在城市中交通拥堵、环境污染等交通问题的一个有效途径。智能交通系统是将电子传感技术、图像处理技术、数据通信技术、电子控制技术和信息处理技术相结合的一个庞大的系统。目的是建立一个完整的地面交通指挥系统,实现准确、实时、有效的现代化交通管理。车牌号码的识别和车辆排队长度的测量是智能交通系统中的重要环节。车牌识别技术和车辆排队长度检测需要综合应用计算机视觉技术、图像处理技术和模式识别等多项技术。在充分考虑了现实生活中车辆牌的特点和图像特点的前提下提出增强K-均值聚类算法,该方法主要通过利用聚类的中心和连通性来确定图像中事物的分类完成必要分割,为实现从图像中提取多个车牌的识别做好前期准备工作。字符识别是在统计灰度值水平变化频率以及对字符所占面积进行计算的基础上得到的数据通过跟标准数据库中的数据进行比较达到识别字符的目的,方法简单准确率高。车辆排队的长度测量是利用改进过的Canny边缘检测算法,即对原算法中的计算模板进行了改进,并通过能量点的累积计算,来实现对车辆排队进行计算,用极短的时间就能完成车队长度的比较。实验采用的图像均是在自各种真实的环境拍摄取得。随机拍摄场合包括停车场、道路、小区。实验结果表明,这样方法能很好的分辨出车牌的字符和车辆的排队长度,具有很好的鲁棒性,有着良好的实用价值。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 车牌的识别与车辆排队长度研究背景和意义
• 1.2 车牌的识别系统与车辆排队长度国内外的研究现状
• 1.3 车牌识别系统和车辆排队长度检测的概述
• 1.4 论文研究的难点和问题
• 1.5 论文的结构
• 第二章 图像处理的预处理介绍
• 2.1 图像处理的背景知识
• 2.2 颜色空间的变化
• 2.3 图像的预处理方式
• 2.3.1 图像的灰度化和二值化
• 2.3.2 图像的滤波
• 2.4 本章结论
• 第三章 基于聚类的车牌定位
• 3.1 常用的车牌定位方法
• 3.1.1 车牌的基础知识
• 3.1.2 常用的车牌定位方法
• 3.2 聚类的基本理论
• 3.2.1 聚类的基本理论
• 3.2.2 聚类的常用方法
• 3.3 基于增强K-均值的聚类算法的车牌定位
• 3.3.1 增强K-均值聚类算法
• 3.3.2 基于本文的聚类的车牌定位算法
• 3.3.3 车牌图像经过本文方法定位的结果
• 3.4 本章结论
• 第四章 车牌字符的分割方法
• 4.1 常用车牌车牌字符的分割方法
• 4.2 字符的分割算法
• 4.2.1 车牌倾斜的校正
• 4.2.2 利用车牌的灰度值投影进行字符分割
• 4.3 本章结论
• 第五章 车牌图像中的字符识别
• 5.1 常用车牌字符识别技术
• 5.2 车牌字符识别的数据库建立
• 5.2.1 字符水平灰度值变化规律表
• 5.2.2 车牌字符在单位格所占面积比
• 5.3 本文的提出的字符识别
• 5.4 本章结论
• 第六章 车辆排队长度检测
• 6.1 改进的Canny边缘检测
• 6.1.1 改进的Canny边缘检测法
• 6.1.2 能量图矩阵的计算
• 6.2 车辆排队长度的检测流程图
• 6.3 实验结果
• 6.4 本章结论
• 第七章 总结
• 参考文献
• 攻读学位期间取得的研究成果
• 致谢
• 个人简况及联系方式