| 【中文题名】 | 基于小波和神经网络的车牌识别系统研究 |
| 【英文题名】 | Vehicle License Plate Recognition System Using Wavelet and Neural Networks |
| 【学科专业】 | 物理电子学 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-19 |
| 【中关键词】 | 数学形态学,小波分析,神经网络,颜色特征,Zernike矩, |
| 【英关键词】 | Mathematical morphology,Wavelet analysis,Neural networks,Color feature,Zernike moments, |
| 【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】 |
车牌自动识别(LPR)技术是是智能交通系统(ITS)中一项非常重要的技术。车牌识别系统主要包括三个部分：车牌定位、车牌字符分割和车牌字符识别。本文针对车牌识别系统的三个关键技术进行了研究并提出了相应的算法，论文研究工作具体体现在以下几个方面：
(1)从国内车牌的特点出发，提出了一种基于能量滤波和小波的车牌定位方法。根据车牌在水平方向能量高且集中的特点构造一个能量函数，能量滤波后获取车牌的大致位置，再由小波分析和形态学方法准确确定车牌位置。仿真结果表明该方法取得了满意的效果。
(2)针对车牌字符分割，提出了一种基于神经网络和颜色特征的车牌字符分割方法。该方法直接对车牌的彩色图像进行处理，在判别车牌类型的基础上，采用神经网络对车牌颜色进行识别，将彩色图像转化为二值图像，最后结合投影法和字符连通性特点对字符进行分割。与基于灰度图像的字符分割方法比较，该方法能更准确、清晰地分割字符。
(3)在进行车牌字符识别时，特征向量的选取与维数对识别结果产生很大的影响。本文提出了一种基于小波包和Zernike矩特征提取的车牌字符识别方法。对小波包系数和重构后所得图像的Zernike矩所组成的特征... |
| 【论文题纲】 |
|
中文摘要 |
3-5 |
|
ABSTRACT |
5-12 |
|
第1章 绪论 |
12-26 |
|
1.1 车牌识别技术的研究背景 |
12-14 |
|
1.2 车牌识别系统的组成 |
14-15 |
|
1.3 车牌识别技术的研究现状 |
15-23 |
|
1.3.1 车牌定位方法研究现状 |
15-19 |
|
1.3.2 车牌字符分割方法研究现状 |
19-21 |
|
1.3.3 车牌字符识别方法研究现状 |
21-23 |
|
1.4 本文主要工作及内容安排 |
23-26 |
|
第2章 车牌定位算法研究 |
26-42 |
|
2.1 引言 |
26 |
|
2.2 国内汽车牌照介绍 |
26-27 |
|
2.3 基于能量滤波和小波的车牌定位算法 |
27-28 |
|
2.4 算法的理论基础 |
28-35 |
|
2.4.1 小波分析 |
28-32 |
|
2.4.2 数学形态学 |
32-35 |
|
2.4.3 能量函数 |
35 |
|
2.5 算法的实现过程 |
35-39 |
|
2.5.1 图像预处理 |
35-36 |
|
2.5.2 利用车牌纹理特征进行粗定位 |
36-38 |
|
2.5.3 对粗定位的车牌图像进行小波分析 |
38-39 |
|
2.6 仿真结果及性能分析 |
39-40 |
|
2.7 本章小结 |
40-42 |
|
第3章 车牌字符分割算法研究 |
42-54 |
|
3.1 引言 |
42 |
|
3.2 基于神经网络和颜色特征的车牌字符分割算法 |
42-43 |
|
3.3 算法的理论基础 |
43-48 |
|
3.3.1 HSI颜色空间 |
43-44 |
|
3.3.2 人工神经网络 |
44-48 |
|
3.4 算法的实现过程 |
48-52 |
|
3.4.1 图像预处理 |
48 |
|
3.4.2 对车牌区域进行颜色识别 |
48-49 |
|
3.4.3 车牌颜色分类 |
49-50 |
|
3.4.4 基于车牌颜色特征的二值化方法 |
50 |
|
3.4.5 对车牌字符进行分割 |
50-52 |
|
3.5 仿真结果及性能分析 |
52-53 |
|
3.6 本章小结 |
53-54 |
|
第4章 车牌字符识别算法研究 |
54-76 |
|
4.1 引言 |
54 |
|
4.2 基于小波包和Zernike矩特征提取的车牌字符识别方法 |
54-63 |
|
4.2.1 车牌字符识别算法流程图 |
55 |
|
4.2.2 算法的理论基础 |
55-59 |
|
4.2.2.1 小波包分解 |
56-57 |
|
4.2.2.2 Zernike矩 |
57-59 |
|
4.2.3 算法的实现过程 |
59-62 |
|
4.2.3.1 字符图像预处理 |
59-60 |
|
4.2.3.2 待识别字符特征提取 |
60-62 |
|
4.2.4 仿真结果及性能分析 |
62-63 |
|
4.3 基于SVM混合网络的车牌字符识别方法 |
63-69 |
|
4.3.1 算法的理论基础 |
63-68 |
|
4.3.1.1 支持向量机基本理论 |
63-68 |
|
4.3.2 算法的实现过程 |
68 |
|
4.3.2.1 字符图像预处理 |
68 |
|
4.3.2.2 待识别字符特征提取 |
68 |
|
4.3.3 仿真结果及性能分析 |
68-69 |
|
4.4 一种基于GA和支持向量机的车牌字符识别方法 |
69-73 |
|
4.4.1 基于遗传算法的SVM模型选择 |
70-72 |
|
4.4.1.1 编码方式 |
70 |
|
4.4.1.2 初始种群 |
70-71 |
|
4.4.1.3 适应度函数 |
71 |
|
4.4.1.4 遗传操作算子 |
71-72 |
|
4.4.2 识别结果及分析 |
72-73 |
|
4.5 本章小结 |
73-76 |
|
第5章 总结与展望 |
76-80 |
|
参考文献 |
80-89 |
|
附录A 攻读学位期间发表的学术论文 |
89-90 |
|
附录B 部分实验图像 |
90-92 |
|
致谢 |
92-93 |
|
| 【DOI】 | LunWen.ID:2.2008.389085 |
