| 【中文题名】 | 基于BP神经网络的车牌模糊识别的研究 |
| 【英文题名】 | Fuzzy Recognition of Vehicle's License Plate Based on BP Neural Networks |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-9-10 |
| 【中关键词】 | HSV彩色空间,车牌定位,特征提取,BP神经网络,, |
| 【英关键词】 | HSV color space,Plate Location,Feature extraction,BP Neural Networks, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
随着计算机和数字图像处理技术的发展，车牌自动识别系统已成为智能交通系统的重要组成部分。完整的车牌自动识别系统由图像采集、图像处理、模糊识别等模块组成，其中对一幅已知车辆图像进行预处理、车牌定位、车牌分割、字符识别、结果优化的过程简称车牌模糊识别。
车牌模糊识别系统的关键技术在于数字图像预处理技术、车牌定位技术和车牌字符模糊识别技术。本文应用计算机数字图像处理技术、车牌定位技术、车牌字符分割技术、车牌字符神经网络识别技术等来解决车牌模糊识别问题。确定车牌模糊识别的环节与流程，根据各环节要求实现的功能，筛选方法和算法，对关键环节和算法通过实验，进行比较分析，对有关算法进行改进和确定算法有关参数。
本文对车牌识别系统关键技术进行的研究包括：车牌数字图像处理技术、车牌定位技术、车牌字符分割技术、车牌识别特征提取、基于人工神经网络的识别算法与优化的研究等。数字图像处理技术的研究包括：灰度化、消噪、二值化、图像分割、倾斜校正、归一化。利用HSV颜色空间和彩色纹理分析相结合的车牌定位方法是充分利用车牌图像提供的彩色信息，构造出5级灰度图进行分析和定位车牌。在车牌字符分割中充分利用了车牌的先验知识，... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-9 |
|
第1章 绪论 |
9-15 |
|
1.1 车牌模糊识别的研究背景 |
9-10 |
|
1.2 车牌识别系统的关键技术 |
10-12 |
|
1.2.1 触发技术 |
10-11 |
|
1.2.2 图像采集 |
11 |
|
1.2.3 图像预处理与车牌定位 |
11 |
|
1.2.4 字符识别 |
11-12 |
|
1.2.5 数据接口和管理软件开发 |
12 |
|
1.3 车牌模糊识别的国内外研究现状 |
12-14 |
|
1.4 本文所做的主要工作 |
14-15 |
|
第2章 车牌模糊识别的数字图像处理技术 |
15-25 |
|
2.1 图像颜色模型 |
15-17 |
|
2.2 数字图像处理技术 |
17-20 |
|
2.2.1 图像的灰度化 |
17 |
|
2.2.2 图像的二值化 |
17-18 |
|
2.2.3 图像的反色 |
18 |
|
2.2.4 图像的滤波 |
18-19 |
|
2.2.5 图像的形态学运算 |
19-20 |
|
2.3 图像分割 |
20-25 |
|
2.3.1 图像边缘检测 |
20-21 |
|
2.4.2 图像分割的概念 |
21-22 |
|
2.4.3 灰度图像的分割 |
22-23 |
|
2.4.4 彩色图像的分割 |
23-25 |
|
第3章 车牌定位技术的研究 |
25-41 |
|
3.1 车牌的先验知识 |
25-26 |
|
3.2 车牌定位技术研究 |
26-31 |
|
3.2.1 基于边界的车牌定位技术 |
26-27 |
|
3.2.2 基于区域的车牌定位技术 |
27 |
|
3.2.3 基于神经网络的车牌定位技术 |
27-28 |
|
3.2.4 基于小波分析和变换的车牌定位技术 |
28 |
|
3.2.5 基于矢量量化的车牌定位方法 |
28-29 |
|
3.2.6 基于颜色空间的车牌定位技术 |
29 |
|
3.2.7 车牌定位技术的分析比较 |
29-31 |
|
3.3 基于HSV颜色空间与彩色纹理特征的车牌定位方法 |
31-39 |
|
3.3.1 确定车牌颜色在HSV空间中的阈值 |
31-32 |
|
3.3.2 车辆图像颜色过滤 |
32-35 |
|
3.3.3 车辆图像消噪 |
35-36 |
|
3.3.4 基于彩色纹理特征的车牌定位 |
36-39 |
|
3.3.5 算法的改进 |
39 |
|
3.4 实验结果及分析 |
39-41 |
|
第4章 车牌字符分割与归一化处理 |
41-50 |
|
4.1 车牌字符分割的预处理 |
41-46 |
|
4.1.1 车牌图像的二值化 |
41-44 |
|
4.1.2 去噪 |
44 |
|
4.1.3 倾斜校正 |
44-45 |
|
4.1.4 去边框处理 |
45-46 |
|
4.2 车牌字符分割 |
46-47 |
|
4.3 字符图像归一化处理 |
47-50 |
|
4.3.1 位置归一化 |
48 |
|
4.3.2 大小归一化 |
48-50 |
|
第5章 车牌字符识别特征提取与模糊识别 |
50-63 |
|
5.1 车牌字符识别特征的选取 |
50-52 |
|
5.1.1 待识别的车牌字符 |
50 |
|
5.1.2 采用的字符识别特征 |
50-52 |
|
5.2 人工神经网络 |
52-57 |
|
5.2.1 人工神经元 |
53-54 |
|
5.2.2 BP神经网络与BP学习算法 |
54-55 |
|
5.2.3 BP算法的缺点及其改进措施 |
55-56 |
|
5.2.4 BP网络的参数 |
56-57 |
|
5.3 用于车牌字符识别的BP神经网络 |
57-63 |
|
5.3.1 BP神经网络的个数 |
57-58 |
|
5.3.2 BP神经网络结构的确定 |
58-59 |
|
5.3.3 BP神经网络参数的确定 |
59-61 |
|
5.3.4 BP神经网络的训练 |
61-63 |
|
第6章 车牌模糊识别系统的总体设计与实现 |
63-68 |
|
6.1 车牌模糊识别系统的总体结构 |
63 |
|
6.2 车牌识别系统的实现 |
63-66 |
|
6.3 车牌识别系统的结果分析 |
66-68 |
|
第7章 总结与展望 |
68-70 |
|
(1)数字图像预处理技术 |
68 |
|
(2)车牌定位 |
68-69 |
|
(3)算法的学习能力 |
69-70 |
|
参考文献 |
70-73 |
|
致谢 |
73-74 |
|
攻读硕士学位期间发表论文情况 |
74 |
|
| 【DOI】 | LunWen.ID:2.2008.388884 |
