本文關(guān)鍵詞：基于機器學(xué)習(xí)的車牌識別系統(tǒng)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著我國經(jīng)濟的發(fā)展和科技的提升,汽車保有量越來越高,每天產(chǎn)生的車牌數(shù)據(jù)量非常龐大。在這樣的背景下,需要發(fā)展智能交通系統(tǒng)來輔助交通監(jiān)控和管理,車牌識別是智能交通的基礎(chǔ),本文設(shè)計并實現(xiàn)了車牌識別軟件系統(tǒng)。車牌定位是整個車牌識別的基礎(chǔ),往往車牌識別不準(zhǔn)確,很大的原因是車牌區(qū)域識別不出來導(dǎo)致的。因此本文在車牌檢測方面采用了顏色和邊緣特征相結(jié)合的方法進行車牌候選集提取,綜合了顏色和邊緣的優(yōu)點,既有效的控制了時間復(fù)雜度,同時還提升了識別性能。然后對車牌候選集采用Bag Of Words的思想進行車牌識別。即先對車牌區(qū)域提取SIFT特征,由于特征點數(shù)目各異,需要采用k-means算法對特征進行聚類形成視覺詞典,然后將SIFT特征映射視覺詞典形成得到特征直方圖,最后采用SVM對特征進行識別分類。車牌字符識別是車牌識別的最后處理步驟,為了提升識別特征的區(qū)分度,本文采用了投影直方圖特征和梯度方向直方圖特征相結(jié)合的特征進行車牌字符識別。梯度直方圖圖特征是受HOG特征的啟發(fā),在圖像的局部特征檢測和識別方面取得了非常好的效果。實驗結(jié)果表明本文采用的字符識別方法具有非常不錯的識別率,對1000張高速監(jiān)控車牌取得了91.2%的識別率。
【關(guān)鍵詞】：車牌區(qū)域識別 SIFT特征 神經(jīng)網(wǎng)絡(luò) 投影直方圖
【學(xué)位授予單位】：東華理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-11
• 第一章 緒論11-17
• 1.1 研究背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.3 本文的研究內(nèi)容及方法14-15
• 1.4 本文組織結(jié)構(gòu)15-17
• 第二章 車牌識別系統(tǒng)的總體設(shè)計17-21
• 2.1 車牌識別系統(tǒng)設(shè)計要求17
• 2.2 系統(tǒng)結(jié)構(gòu)方案17-18
• 2.3 本文車牌識別的創(chuàng)新點18-19
• 2.4 本章小結(jié)19-21
• 第三章 基于顏色和邊緣特征的車牌候選集提取21-43
• 3.1 基于顏色與邊緣特征相結(jié)合的車牌候選區(qū)域提取方法21-22
• 3.2 基于顏色的候選車牌區(qū)域提取方法22-35
• 3.2.1 RGB到HSV空間變換23-25
• 3.2.2 直方圖均衡化25-26
• 3.2.3 藍色和黃色分量檢測26-28
• 3.2.4 圖像閉操作28-29
• 3.2.5 圖像輪廓跟蹤29-30
• 3.2.6 車牌區(qū)域的確定30-32
• 3.2.7 車牌區(qū)域的傾斜較正32-33
• 3.2.8 基于顏色的車牌提取結(jié)果及問題33-35
• 3.3 基于邊緣特征的候選車牌區(qū)域提取方法35-40
• 3.3.1 圖像灰度化處理35-36
• 3.3.2 圖像平滑去噪36-37
• 3.3.3 SOBEL算子邊緣提取37-38
• 3.3.4 圖像二值化38-39
• 3.3.5 基于邊緣特征的車牌提取結(jié)果39-40
• 3.4 基于顏色和邊緣特征候選車牌區(qū)域提取實驗結(jié)果40-41
• 3.5 本章小結(jié)41-43
• 第四章 基于SVM的車牌識別43-61
• 4.1 車牌識別選用BOW模型的原因43-44
• 4.2 車牌區(qū)域的SIFT特征提取44-47
• 4.3 k-means算法對SIFT特征歸一化47-48
• 4.4 基于SVM對候選車牌進行識別48-60
• 4.5 本章小結(jié)60-61
• 第五章 基于神經(jīng)網(wǎng)絡(luò)的車牌字符識別61-75
• 5.1 神經(jīng)網(wǎng)絡(luò)概述61-64
• 5.1.1 神經(jīng)網(wǎng)絡(luò)基本概念61-63
• 5.1.2 神經(jīng)網(wǎng)絡(luò)在車牌字符識別的應(yīng)用63-64
• 5.2 車牌字符特征提取64-70
• 5.2.1 車牌圖像預(yù)處理64-67
• 5.2.2 投影直方圖特征提取67-68
• 5.2.3 梯度方向直方圖特征68-70
• 5.3 車牌字符識別的神經(jīng)網(wǎng)絡(luò)設(shè)計70
• 5.4 車牌字符識別神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試70-74
• 5.5 本章小結(jié)74-75
• 總結(jié)和展望75-77
• 6.1 總結(jié)75
• 6.2 展望75-77
• 致謝77-79
• 參考文獻79-82

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 楊正;;基于大數(shù)據(jù)架構(gòu)的智能交通解決方案[J];北京聯(lián)合大學(xué)學(xué)報;2014年04期

2 趙保亞;魏彩喬;;基于邊緣檢測的鋼卷尺圖像二值化方法[J];現(xiàn)代制造工程;2012年12期

3 郭q諂

本文編號：391253