智能車牌識(shí)別系統(tǒng)的實(shí)現(xiàn)與優(yōu)化.pdf

1、近年來(lái)，隨著社會(huì)經(jīng)濟(jì)的發(fā)展，車輛數(shù)目大幅增加，傳統(tǒng)的車輛管理方式已經(jīng)難以滿足需求。于是，智能交通系統(tǒng)開(kāi)始受到人們的關(guān)注，而車牌識(shí)別系統(tǒng)作為智能交通系統(tǒng)的核心之一，更是成為了研究的熱點(diǎn)。而傳統(tǒng)的車牌識(shí)別系統(tǒng)在背景復(fù)雜和拍攝角度偏斜等情況下識(shí)別效果不佳，基于此，本文按照車牌定位、車牌校正、車牌字符分割和車牌字符識(shí)別四部分實(shí)現(xiàn)了完整的車牌識(shí)別算法并對(duì)算法進(jìn)行了一定優(yōu)化，最后與硬件相結(jié)合實(shí)現(xiàn)了完整可用的車牌識(shí)別系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，本文的車牌識(shí)別

2、算法具有較優(yōu)的性能。
　　本文通過(guò)顏色定位、邊緣檢測(cè)和SVM篩選相結(jié)合的方法進(jìn)行車牌定位。傳統(tǒng)的車牌定位算法均具有各自的局限性，基于灰度圖像的定位方法在紋理、邊緣等特征豐富的環(huán)境下定位效果不佳，基于彩色圖像的定位方法在背景顏色復(fù)雜的環(huán)境下捉襟見(jiàn)肘。為了提高車牌定位算法的魯棒性，本文將多種車牌定位方法相結(jié)合，首先通過(guò)顏色定位和邊緣檢測(cè)粗定位出候選車牌區(qū)域，然后使用先傾斜校正后偏斜校正的方法進(jìn)行候選車牌校正，最后利用SVM分類器篩選出

3、正確的車牌。實(shí)驗(yàn)結(jié)果表明，本文的車牌定位方法能有效從圖像中定位出車牌，定位成功率達(dá)到99%。
　　實(shí)現(xiàn)了一種改進(jìn)的基于連通域標(biāo)記法的車牌字符分割方法。由于絕大多數(shù)車牌中的漢字由多個(gè)連通域所組成，所以，傳統(tǒng)連通域標(biāo)記法往往只能分割出字母和數(shù)字。本文對(duì)于非連通的中文字符進(jìn)行了二次定位，解決了連通域標(biāo)記法對(duì)漢字分割效果不佳的問(wèn)題。實(shí)驗(yàn)結(jié)果表明，本文的車牌字符分割方法能有效從車牌圖像中分割出字符，分割正確率達(dá)到99.5%。
　　本文

4、利用一種改進(jìn)的基于BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行車牌字符的識(shí)別。在傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)識(shí)別方法中，對(duì)所有車牌字符都進(jìn)行相同的特征提取，而漢字的結(jié)構(gòu)要比字母與數(shù)字復(fù)雜很多，這樣的特征提取往往導(dǎo)致漢字的識(shí)別率僅有90%左右。為了提高漢字識(shí)別的正確率，本文對(duì)漢字進(jìn)行了更詳細(xì)的特征提取，將中文字符圖像的直方圖特征和每個(gè)像素的值作為特征，然后訓(xùn)練出識(shí)別模型。使用所訓(xùn)練模型對(duì)總共600張中文字符圖像和2500張字母與數(shù)字圖像進(jìn)行了測(cè)試，其中，對(duì)于漢字的識(shí)別正