基于DSP和新神经网络模型的车牌识别系统

论文摘要

车牌识别系统是智能交通系统的重要组成部分。论文设计了一种基于数字信号处理器（Digital Signal Processor,DSP）和新神经网络模型的车牌识别系统。硬件系统选用了SEED—VPM642模版。其上包含了TI公司推出的一款面向数字多媒体应用的型号为TMS320DM642的DSP;集成了完备的视频输入输出接口,视频解码器选用TVP5150PBS,视频编码器选用SAA7121H;带10/100M的以太网接口,用来支持物理层的网络器件与DSP连接。运用图像处理技术对车牌图像进行了前期处理,分为车牌图像预处理、车牌区域定位和倾斜较正、字符分隔和字符归一化几个步骤;提取了车牌字符的水平、垂直投影特征、粗网格特征和边缘形状特征,采用三种特征相结合,作为神经网络的输入向量,保证了识别的准确率;运用通用前馈神经网络（General Feed-ForwardNetwork,GFFN）模型作为字符识别的分类器,引用一种排序前向掩蔽（SequentialLearning Ahead Masking,SLAM）模型对神经网络进行训练和识别。

论文目录

• 摘要
• Abstract
• 第一章 前言
• 1.1 课题背景
• 1.2 车牌识别系统的国内外发展状况
• 1.3 论文研究内容
• 1.3.1 硬件平台
• 1.3.2 图像处理和车牌识别算法
• 1.3.3 软件设计
• 第二章 基于DSP的图像处理系统硬件平台
• 2.1 DSP概述
• 2.2 TMS320DM642芯片介绍
• 2.2.1 TMS320DM642的CPU结构
• 2.2.2 TMS320DM642的片上外设
• 2.2.3 TMS320DM642的存储器映射
• 2.3 车牌识别系统结构
• 2.3.1 SEED—VPM642系统功能介绍
• 2.3.2 视频接口
• 2.3.2.1 视频解码器TVP5150PBS
• 2.3.2.2 视频编码器SAA7121H
• 2.3.3 以太网接口
• 2.3.4 车牌识别系统的硬件结构
• 第三章 车牌图像的前期处理
• 3.1 图像预处理
• 3.1.1 彩色图像转换为灰度图像
• 3.1.2 图像的平滑
• 3.1.3 图像的灰度拉伸
• 3.2 车牌区域定位和倾斜较正
• 3.2.1 车牌基本情况的介绍
• 3.2.2 车牌区域定位
• 3.2.2.1 车牌图像的边缘检测
• 3.2.2.2 车牌区域粗定位
• 3.2.2.3 车牌区域精确定位
• 3.2.3 车牌图像的二值化
• 3.2.4 车牌区域的倾斜较正
• 3.2.4.1 图像的Hough变换
• 3.2.4.2 图像的旋转
• 3.3 字符分隔
• 3.4 字符归一化
• 第四章 字符的特征提取和识别算法研究
• 4.1 字符识别的基本方法
• 4.1.1 统计特征字符识别技术
• 4.1.2 结构字符识别技术
• 4.1.3 基于神经网络的识别技术
• 4.2 字符的特征提取
• 4.3 神经网络识别字符
• 4.3.1 神经网络的基本知识
• 4.3.1.1 神经网络的发展和应用
• 4.3.1.2 神经元模型
• 4.3.1.3 神经网络的拓扑结构
• 4.3.2 通用前馈神经网络模型
• 4.3.2.1 分层前馈神经网络模型介绍
• 4.3.2.2 不分层通用前馈神经网络模型的拓扑结构
• 4.3.2.3 一种排序学习前向掩蔽模型
• 4.3.3 通用前馈神经网络模型用于字符训练和识别
• 4.3.3.1 运用SLAM模型训练神经网络
• 4.3.3.2 识别字符
• 第五章 车牌识别系统的软件实现
• 5.1 神经网络训练介绍
• 5.2 DSP软件设计
• 5.2.1 CCS集成开发环境
• 5.2.2 DSP系统软件实现
• 5.2.3 系统优化
• 5.2.4 软件编程中要注意的问题
• 第六章 总结
• 6.1 论文的主要工作
• 6.2 进一步工作展望
• 参考文献
• 攻读学位期间的研究成果
• 致谢