| 【中文题名】 | 小波和神经网络模式识别技术及其在车牌识别中的应用 |
| 【英文题名】 | Wavelet and Neural Net Pattern Recognition Technology and the Application to Recognition of Vehicle's License Plates |
| 【学科专业】 | 检测技术与自动化装置 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-7-18 |
| 【中关键词】 | 小波变换,神经网络,图像消噪,字符分割,特征提取,字符识别 |
| 【英关键词】 | wavelet transform,neural net,image de-noise,character segmentation,feature extraction,character recognition, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
小波变换具有“显微镜”特性和类人视觉特点，在图像处理及模式识别中有着越来越广泛的应用；神经网络模式识别表现出来较强的自学习、自适应能力以及容错性、鲁棒性等使得它成为模式识别领域一个重要的研究方向。
车牌识别是计算机视觉与模式识别技术在智能交通领域的重要应用，是实现交通管理智能化的核心技术。因此，将小波变换与神经网络有机结合并运用于车牌自动识别具有较大的理论意义和实践价值。
论文主要涉及了以下工作：
1)图像预处理。该阶段研究图像的消噪和倾斜度校正。通过分析图像的小波分解高频系数特性，提出了一种小波局部阈值消噪方法。并且应用简化改进的Hough变换，通过检测边界线段检测牌照倾斜角度，对车牌进行倾斜校正。
2)字符分割。提出了一种新的实用车牌字符分割方法。根据车牌的先验知识，利用小波变换自动变焦、多尺度分析的特点，对传统的垂直投影法及多线垂直投影法进行滤波，自适应搜索分割点，高效地进行了车牌字符分割。
3)特征提取。利用图像小波变换的方向性分解构造出针对易混淆字符的细小波网格特征提取方法。
4)字符识别。对多特征、多神经元... |
| 【论文题纲】 |
|
第一章 绪论 |
13-23 |
|
1.1 模式识别技术 |
13-15 |
|
1.1.1 典型的模式识别系统 |
13 |
|
1.1.2 技术现状及发展趋势 |
13-15 |
|
1.2 车牌识别及其技术现状 |
15-21 |
|
1.2.1 汽车牌照识别系统原理 |
15-16 |
|
1.2.2 车牌识别技术 |
16-17 |
|
1.2.3 车牌识别的特点及难点 |
17-19 |
|
1.2.4 车牌识别技术的发展趋势 |
19-20 |
|
1.2.5 车牌识别系统的应用前景 |
20-21 |
|
1.3 本文的内容安排 |
21-23 |
|
第二章 图像的预处理 |
23-32 |
|
2.1 小波消噪原理 |
23-25 |
|
2.1.1 多分辨分析 |
23-25 |
|
2.1.2 小波消噪原理 |
25 |
|
2.2 小波局部阈值消噪算法设计 |
25-29 |
|
2.2.1 噪声在小波变换下的特性 |
26 |
|
2.2.2 二维小波阈值噪声滤波器设计 |
26-29 |
|
2.3 实例分析 |
29-32 |
|
2.3.1 对加噪图像消噪 |
29-30 |
|
2.3.2 对实际含噪图像消噪 |
30-32 |
|
第三章 车牌字符分割 |
32-42 |
|
3.1 字符分割技术概述 |
32-33 |
|
3.2 基于霍夫变换的车牌倾斜校正 |
33-35 |
|
3.3 “变焦距”的二进小波 |
35-37 |
|
3.4 基于小波分析的字符分割算法的研究与设计 |
37-40 |
|
3.4.1 字符粗分割算法设计 |
37-40 |
|
3.4.2 字符细分割算法设计 |
40 |
|
3.5 实例分析 |
40-42 |
|
第四章 字符的特征提取 |
42-56 |
|
4.1 特征提取方法分析 |
42-44 |
|
4.1.1 结构特征提取方法 |
42-43 |
|
4.1.2 统计特征提取方法 |
43 |
|
4.1.3 结构方法和统计方法的比较分析 |
43-44 |
|
4.2 字符特征分析 |
44-46 |
|
4.3 图像的小波分解 |
46-49 |
|
4.4 小波网格特征提取方法研究 |
49-56 |
|
4.4.1 小波网格特征构造设计 |
49-51 |
|
4.4.2 小波粗网格特征向量的构造与提取 |
51-53 |
|
4.4.3 小波细网格特征向量的构造与提取 |
53-56 |
|
第五章 多级分类器设计 |
56-68 |
|
5.1 径向基函数神经网络 |
56-57 |
|
5.2 多分类器识别流程 |
57-59 |
|
5.3 多分类器设计 |
59-62 |
|
5.3.1 粗分类器设计 |
59-61 |
|
5.3.2 细分类器设计 |
61-62 |
|
5.4 实例分析 |
62-68 |
|
5.4.1 单层RBFNN识别结果 |
62-65 |
|
5.4.2 多分类器识别结果 |
65-66 |
|
5.4.3 单一网络与多分类器识别结果比较分析 |
66-68 |
|
第六章 应用实例 |
68-77 |
|
6.1 牌照定位与分割应用实例 |
68-69 |
|
6.2 牌照预处理应用实例 |
69-73 |
|
6.2.1 图像灰度化 |
69-70 |
|
6.2.2 小波阈值消噪 |
70-71 |
|
6.2.3 图像二值化 |
71-72 |
|
6.2.4 图像边缘检测 |
72 |
|
6.2.5 图像的倾斜校正 |
72-73 |
|
6.3 字符分割应用实例 |
73-74 |
|
6.4 特征提取应用实例 |
74-75 |
|
6.4.1 字符图像的规一化 |
74 |
|
6.4.2 字符小波网格特征提取 |
74-75 |
|
6.5 字符识别应用实例 |
75-77 |
|
第七章 结论 |
77-79 |
|
参考文献 |
79-83 |
|
附录一 |
83-86 |
|
附录二 |
86-90 |
|
| 【DOI】 | LunWen.ID:2.2008.386779 |
