基于AdaBoost和BP神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別方法研究.pdf

1、伴隨著城市交通不斷發(fā)展，汽車(chē)總量也在不斷增多，智能化的交通管理是未來(lái)智慧城市建設(shè)的主要方向之一，而車(chē)牌識(shí)別技術(shù)是智能交通管理的基石。該技術(shù)可以應(yīng)用到交通運(yùn)輸調(diào)度管理，車(chē)輛自動(dòng)化管理和監(jiān)控。這將在減少車(chē)輛管理人工成本，提高社會(huì)運(yùn)行效率方面產(chǎn)生積極的意義。
　　在各類車(chē)牌字符識(shí)別方法中，BP神經(jīng)網(wǎng)絡(luò)因具有很強(qiáng)的魯棒性、容錯(cuò)性和自適應(yīng)學(xué)習(xí)能力，同時(shí)提供了并行處理和并行分布信息的能力，因此廣泛地被用作車(chē)牌字符識(shí)別算法。但該算法也存在一定的

2、局限性。本文對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別方法進(jìn)行相關(guān)研究與改進(jìn)，主要工作及成果如下：
　?。?）本文采用層次化的處理方式實(shí)現(xiàn)車(chē)牌的逐級(jí)定位，通過(guò)不斷地縮小目標(biāo)來(lái)增加定位的準(zhǔn)確性。首先利用車(chē)牌紋理特征對(duì)車(chē)牌進(jìn)行檢測(cè)和粗定位。然后利用Hough變換對(duì)可能發(fā)生傾斜的車(chē)牌傾斜校正，粗定位的車(chē)牌往往具有比較完整的邊框，Hough變換比較容易檢測(cè)邊框的所在的直線。最后利用彩色圖像的HSV顏色模型分析了車(chē)牌底色，并提出了一種基于FloodF

3、ill算法的車(chē)牌精確定位，得到無(wú)邊框的車(chē)牌區(qū)域。
　　（2）通過(guò)對(duì)比分析多種圖像二值分割方法，結(jié)合車(chē)牌的顏色特征，提出了一種基于顏色相似聚類（Color Similarity Clustering）算法用于車(chē)牌圖像的二值分割。然后分析常用車(chē)牌字符分割算法并利用垂直投影方法對(duì)車(chē)牌字符進(jìn)行了分割。最后利用重心法對(duì)字符圖像進(jìn)行位置歸一化，同時(shí)利用雙線性插值對(duì)字符進(jìn)行尺寸的歸一化。
　　（3）介紹了常用字符特征提取方法，并分析了每種