【摘要】：作為智能交通管理系統(tǒng)的主要支撐技術(shù)之一,車牌識別具有相當?shù)难芯亢蛻?yīng)用價值。不同于傳統(tǒng)的車牌識別系統(tǒng),本文將基于內(nèi)容的圖像查詢(Content Based Image Retrieval,CBIR)技術(shù)應(yīng)用于車牌識別系統(tǒng),旨在解決如何快速、準確地識別復(fù)雜環(huán)境下的單車牌和多車牌問題。本文的主要工作由以下三部分構(gòu)成：。 第一,針對如何提高復(fù)雜環(huán)境下車牌識別的準確率,本文深入研究了CBIR的相關(guān)技術(shù)。并著重研究了其中的特征提取這一重要環(huán)節(jié)。由于該環(huán)節(jié)是CBIR技術(shù)的技術(shù)基礎(chǔ),對圖像檢索的效率與準確率的影響最大。同時,車牌識別系統(tǒng)中,關(guān)鍵技術(shù)也是車牌的特征提取。因此,本文針對車牌識別系統(tǒng)中的車牌特征提取,在所有的圖像特征當中,選取對復(fù)雜環(huán)境具有較高的魯棒性的局部不變性特征SIFT,設(shè)計了一種基于SIFT特征的車牌定位方法,并改進車牌匹配的特征數(shù)據(jù)庫,用漢字與阿拉伯數(shù)字的組合模版擴充了原僅為純漢字模版的特征庫,消除一些偽漢字車牌并提高定位準確率。對采集的106張質(zhì)量較差的單車牌圖片進行定位,Matlab仿真實驗,定位準確率達到96.23%。 第二,針對多車牌識別問題,在SIFT特征基礎(chǔ)上提出一種基于K-means聚類的多車牌定位方法用于車牌區(qū)域的粗定位,后續(xù)SIFT的多車牌精確的定位。Matlab上的仿真實驗,對采集的221張多車牌圖像中672個有效車牌進行定位,定準率達到97.92%,符合預(yù)期效果。 第三,針對如何提高識別速度,首先在SIFT特征匹配的相似性度量中采用棋盤距離與街區(qū)距離的線性組合來代替?zhèn)鹘y(tǒng)的歐氏距離,降低了計算量,從而提高了匹配速度；其后在匹配策略中運用了基于K-D樹的改進算法BBF算法,進一步提高了匹配效率。最后在車牌局部特征提取的時,應(yīng)用多種局部不變的特征提取算子進行了魯棒性與速度等方面的綜合性能評估,依據(jù)重復(fù)性測量的方法,研判各個局部算子在車牌識別應(yīng)用中的性能優(yōu)劣。 最后,總結(jié)本文的創(chuàng)新點如下： (1)實現(xiàn)了CBIR技術(shù)與車牌識別技術(shù)的結(jié)合。本文用SIFT算法對車牌的局部特征進行查詢,實現(xiàn)了車牌的精準定位,將基于內(nèi)容的查詢優(yōu)勢應(yīng)用于車牌識別中,提高了車牌的定準率； (2)實現(xiàn)了多車牌檢索。本文用K-Means算法將匹配特征點對聚類,找出點密集區(qū)域的中心點,進而進行車牌候選區(qū)域粗定位,從而實現(xiàn)多車牌的檢索； (3)對多種局部算子進行性能評估。本文對多種至少具備尺度不變性和旋轉(zhuǎn)不變性的局部算子進行魯棒性與運行速度的綜合評估,并運用重復(fù)性測量的方法,通過實驗驗證它們在車牌檢索中的性能優(yōu)劣。
【圖文】：

圖2.6車牌圖像二值化圖2.6中k的值為0.48627。2.2.3圖像去噪圖像去噪是數(shù)字圖像處理技術(shù)中不可或缺的一個環(huán)節(jié)，因為在圖像傳輸以及數(shù)字化的過程中都會產(chǎn)生噪聲，而噪聲的存在可以導(dǎo)致圖像質(zhì)量的退化。光照和溫度都會給圖像帶來巨大的噪聲，而車牌圖像大多拍攝于實時路況，光照和溫度無處不在，大量噪聲的進入對車牌檢索帶來了極大影響。噪聲的種類很多包括銳利噪聲、高斯噪聲、指數(shù)噪聲、伽馬噪聲和均R肷齲�，它们是根据噪声地概率分布擂o值�。因刺K攵圓煌腦肷嘈停加釁淙ピ氳乃惴�，下面綑{薌鋼殖Ｓ玫娜ピ胨惴ā

本文編號：2549240