一种基于梯度模板特征的车牌识别算法

论文摘要

随着社会经济的持续发展,我国机动车数量处于较高的增长速度。然而交通运输领域的基础设施建设还远远落后于车辆数量的快速增长,由此造成了一系列的社会问题,交通拥堵已成为大中城市的普遍现象。为了提高交通资源的利用率,提升交通运输效率,缓解交通堵塞,降低能源消耗,智能交通系统(Intelligent Transportation Systems,ITS)成为各国的热点研究问题,受到了广泛的重视,发展十分迅速。车辆牌照识别(license plate recognition,LPR)作为智能交通中的一个重要概念,是实现交通监控与管理自动化的主要技术之一。而其作为一种重要的信息获取手段,能为交通监控与管理系统提供重要的数据信息。车辆牌照的识别一般包括车牌定位,车牌字符识别与相关的图像处理三个主要部分。在车牌定位的研究中,提出了使用梯度模板特征进行车牌精确定位与模板分割的算法。该算法关注于车牌区域的总体结构特征,能够获得较高的定位精度。同时,分析了Cascade分类器级联算法在车牌定位工作中的应用,进而构成了具有较高定位精度与效率的车牌定位分类器。在车牌字符识别的研究中,使用了基于像素连通域生长的车牌倾斜校正算法对车牌图像进行校正。使用基于字符统计特征与几何特征的联合特征对车牌字符进行了识别。经实验表明,提出的车牌定位算法具有较高的精确性与可靠性,粗定位成功率为95.4%,精确定位成功率为92.3%,定位速度为每幅图300~500ms。而且对于对比度很低,车牌被污染等情况有较高的鲁棒性。在车牌识别实验中,字符识别算法的车牌整体识别率为93.59%,字符识别率为98.47%,均达到了比较理想的水平。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究状况
• 1.3 本文工作与组织结构
• 2 车牌识别相关研究
• 2.1 车牌识别模型
• 2.2 图像处理相关算法
• 2.3 本章小结
• 3 车牌识别算法设计
• 3.1 基于机器学习的车牌定位算法
• 3.2 车牌定位特征选取
• 3.3 车牌字符定位与分割算法
• 3.4 车牌字符特征选取
• 3.5 本章小结
• 4 实验设计与分析
• 4.1 实验环境
• 4.2 LIBSVM 的移植
• 4.3 实验及分析
• 4.4 本章小结
• 5 总结与展望
• 5.1 全文总结
• 5.2 展望
• 致谢
• 参考文献