基于BP神经网络的车牌字符识别算法研究

论文摘要

车辆牌照识别LPR （License Plate Recognition）技术是智能交通系统ITS（Intelligent Transportation System）的核心技术之一,主要包括车牌定位、字符分割和字符识别三部分,其中字符识别是该系统的关键技术。神经网络模式识别是近年来兴起的模式识别领域的一个重要研究方向。它所具有的高度非线性和自学习、自组织能力使它具有独特的优势。本论文选择基于BP神经网络的模式识别技术作为识别的方法,选取基于灰度图像的K-L变换特征、基于二值化图像的K-L变换特征、HTD特征等几种不同的字符特征分别作为神经网络的输入,进行神经网络训练,实现车牌字符识别分别统计几种方法的识别准确率和识别时间,比较其优缺点；并提出修正识别结果的改进方法。在智能交通系统（ITS）中,人们对车牌识别系统的准确性不断提出新的要求,因此把神经网络理论应用到车牌识别中,具有很好的理论意义和实践价值。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的研究背景
• 1.2 国内外研究现状
• 1.3 本论文的主要工作
• 第二章 BP神经网络原理
• 2.1 神经网络结构模型
• 2.1.1 神经元模型
• 2.1.2 人工神经结构
• 2.2 BP神经网络
• 2.2.1 BP神经网络介绍
• 2.2.2 BP神经网络训练
• 2.2.3 BP网络参数选择
• 2.2.4 BP算法的缺点和改进
• 2.3 本章小结
• 第三章 基于K-L变换与BP神经网络的车牌字符识别
• 3.1 神经网络与字符识别
• 3.2 字符识别特征的提取
• 3.3 分类器和BP神经网络设计
• 3.3.1 分类器设计
• 3.3.2 BP神经网络设计
• 3.4 基于灰度图像的K-L变换特征提取方法
• 3.4.1 K-L变换
• 3.4.2 K-L变换矩阵的计算
• 3.4.3 灰度字符图像的特征计算
• 3.4.4 BP神经网络数据
• 3.5 基于二值化图像的改进K-L变换特征提取方法
• 3.5.1 改进的K-L变换
• 3.5.2 K-L变换矩阵的计算
• 3.5.3 二值化字符图像的特征计算
• 3.5.4 BP神经网络数据
• 3.6 本章小结
• 第四章 基于VTD、HTD与BP神经网络的车牌字符识别
• 4.1 基于VTD、HTD特征的识别算法
• 4.1.1 特征提取及特征向量生成
• 4.1.2 字符相似度的计算
• 4.1.3 目标字符的识别
• 4.2 基于VTD、HTD特征的BP神经网络
• 4.2.1 VTD、HTD特征提取
• 4.2.2 BP神经网络设计
• 4.3 本章小结
• 第五章 实验数据对比分析及改进
• 5.1 实验数据对比分析
• 5.1.1 MATLAB和C++ Builder编程实现
• 5.1.2 实验数据对比分析
• 5.2 改进方法—修正识别结果
• 5.3 本章小结
• 第六章 结束语
• 致谢
• 参考文献