本文關(guān)鍵詞：聚類與遺傳混合優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別研究

  更多相關(guān)文章： 車(chē)牌識(shí)別 邊緣檢測(cè) Hog特征 聚類 遺傳算法 RBF神經(jīng)網(wǎng)絡(luò)

【摘要】：車(chē)牌識(shí)別系統(tǒng)是智能交通系統(tǒng)的重要組成部分,目前該技術(shù)已廣泛應(yīng)用于停車(chē)場(chǎng)收費(fèi)管理、小區(qū)出入車(chē)輛管理、高速公路自動(dòng)收費(fèi)、路口車(chē)輛監(jiān)控等領(lǐng)域。車(chē)牌識(shí)別系統(tǒng)是一個(gè)涉及圖像處理、神經(jīng)網(wǎng)絡(luò)、模式識(shí)別等理論的綜合課題,該技術(shù)可以極大提高車(chē)輛管理水平和效率,并能夠節(jié)省大量的社會(huì)資源,因此有著巨大的學(xué)術(shù)價(jià)值與應(yīng)用前景。車(chē)牌識(shí)別系統(tǒng)由車(chē)牌定位、字符分割、字符識(shí)別三個(gè)模塊構(gòu)成。本文基于數(shù)字圖像處理與神經(jīng)網(wǎng)絡(luò)的相關(guān)理論,對(duì)車(chē)牌圖像預(yù)處理、車(chē)牌定位、字符分割、字符特征提取、RBF神經(jīng)網(wǎng)絡(luò)字符識(shí)別等環(huán)節(jié)進(jìn)行研究,并在MATLAB環(huán)境下進(jìn)行了仿真實(shí)驗(yàn)。在車(chē)牌定位環(huán)節(jié),首先對(duì)灰度圖像進(jìn)行灰度形態(tài)學(xué)處理來(lái)達(dá)到圖像增強(qiáng)的目的,然后運(yùn)用邊緣檢測(cè)與二值形態(tài)學(xué)組合的方法對(duì)車(chē)牌進(jìn)行定位,最后根據(jù)車(chē)牌具有一定的寬高比等特征實(shí)現(xiàn)偽車(chē)牌的去除。在字符分割環(huán)節(jié),首先運(yùn)用Radon變換對(duì)車(chē)牌進(jìn)行傾斜矯正;然后采用基于灰度跳變方法對(duì)牌照邊框進(jìn)行去除;最后,先用模板移動(dòng)匹配的方法找到二三字符的間隔區(qū)域以將車(chē)牌分為左右兩部分,然后用連通域與模板匹配相結(jié)合的方法分別對(duì)兩部分車(chē)牌進(jìn)行字符分割。在字符識(shí)別環(huán)節(jié),首先對(duì)分割出來(lái)的單個(gè)字符進(jìn)行大小歸一化處理,然后對(duì)灰度字符圖像提取Hog特征,最后運(yùn)用聚類與遺傳相結(jié)合的方法對(duì)RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行設(shè)計(jì),并用設(shè)計(jì)好的網(wǎng)絡(luò)實(shí)現(xiàn)牌照字符的識(shí)別。本文最后利用MATLAB軟件設(shè)計(jì)了一個(gè)車(chē)牌識(shí)別GUI界面,實(shí)驗(yàn)結(jié)果表明,本文設(shè)計(jì)的牌照識(shí)別算法具有較高的準(zhǔn)確性。
【關(guān)鍵詞】：車(chē)牌識(shí)別 邊緣檢測(cè) Hog特征 聚類 遺傳算法 RBF神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;TP18
【目錄】：

• 摘要5-6
• Abstract6-11
• 第1章 緒論11-16
• 1.1 課題研究背景及意義11-12
• 1.2 車(chē)牌識(shí)別系統(tǒng)研究現(xiàn)狀12-13
• 1.2.1 國(guó)內(nèi)車(chē)牌識(shí)別技術(shù)研究現(xiàn)狀12-13
• 1.2.2 國(guó)外車(chē)牌識(shí)別技術(shù)研究現(xiàn)狀13
• 1.3 車(chē)牌識(shí)別難點(diǎn)13-14
• 1.4 課題研究?jī)?nèi)容14
• 1.5 論文的結(jié)構(gòu)安排14-16
• 第2章 邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)結(jié)合的車(chē)牌定位研究16-29
• 2.1 車(chē)牌定位方法概述16-17
• 2.1.1 基于邊緣檢測(cè)的車(chē)牌定位方法16
• 2.1.2 基于幾何特征的車(chē)牌定位方法16-17
• 2.1.3 基于投影的車(chē)牌定位方法17
• 2.1.4 基于彩色空間轉(zhuǎn)換的車(chē)牌定位法17
• 2.2 圖像預(yù)處理17-21
• 2.2.1 彩色車(chē)牌圖像灰度化17-18
• 2.2.2 基于灰度形態(tài)學(xué)運(yùn)算的車(chē)牌圖像區(qū)域增強(qiáng)18-21
• 2.3 基于邊緣檢測(cè)與數(shù)學(xué)形態(tài)學(xué)相結(jié)合的車(chē)牌定位21-28
• 2.3.1 車(chē)牌邊緣檢測(cè)21-24
• 2.3.2 車(chē)牌邊緣圖像水平跳變點(diǎn)統(tǒng)計(jì)確定車(chē)牌候選區(qū)域24-25
• 2.3.3 數(shù)學(xué)形態(tài)學(xué)運(yùn)算處理車(chē)牌候選區(qū)域25-27
• 2.3.4 偽車(chē)牌區(qū)域的去除27-28
• 2.4 車(chē)牌定位實(shí)驗(yàn)結(jié)果與分析28
• 2.5 本章小結(jié)28-29
• 第3章 連通域與模板匹配相結(jié)合的字符分割算法設(shè)計(jì)29-42
• 3.1 標(biāo)準(zhǔn)車(chē)牌字符的排列特點(diǎn)簡(jiǎn)介29
• 3.2 常用的字符分割方法概述29-31
• 3.2.1 基于投影的字符分割方法30
• 3.2.2 基于模板匹配的字符分割方法30-31
• 3.2.3 基于連通域的字符分割方法31
• 3.3 基于radon變換的車(chē)牌傾斜矯正31-34
• 3.4 車(chē)牌邊緣的去除34-36
• 3.4.1 車(chē)牌二值化34
• 3.4.2 基于邊緣跳變點(diǎn)統(tǒng)計(jì)的車(chē)牌上下邊緣去除34-35
• 3.4.3 基于模板匹配的車(chē)牌左右邊緣去除35-36
• 3.5 基于連通域與模板匹配的字符分割36-40
• 3.5.1 基于模板匹配的二三字符間隔區(qū)域位置確定36-37
• 3.5.2 連通域與模板匹配結(jié)合的車(chē)牌右半?yún)^(qū)域字符分割37-39
• 3.5.3 連通域與模板匹配結(jié)合的車(chē)牌左半?yún)^(qū)域字符分割39-40
• 3.6 字符分割實(shí)驗(yàn)結(jié)果與分析40-41
• 3.7 本章小結(jié)41-42
• 第4章 混合優(yōu)化的RBF網(wǎng)絡(luò)車(chē)牌識(shí)別方法42-53
• 4.1 字符特征提取常用方法概述42
• 4.1.1 字符結(jié)構(gòu)特征提取法42
• 4.1.2 字符統(tǒng)計(jì)特征提取法42
• 4.2 字符識(shí)別常用方法概述42-43
• 4.2.1 基于模板匹配的字符識(shí)別方法43
• 4.2.2 神經(jīng)網(wǎng)絡(luò)字符識(shí)別法43
• 4.3 字符尺寸歸一化43-44
• 4.4 基于hog的字符特征提取44-45
• 4.5 聚類與遺傳混合優(yōu)化的車(chē)牌識(shí)別RBF網(wǎng)絡(luò)設(shè)計(jì)45-47
• 4.5.1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)原理45-46
• 4.5.2 RBF神經(jīng)網(wǎng)絡(luò)常用訓(xùn)練方法及不足46-47
• 4.6 最近鄰聚類與k-均值聚類相結(jié)合確定隱層中心值47-48
• 4.6.1 最近鄰聚類確定初始聚類中心47
• 4.6.2 k-均值聚類確定最終聚類中心47-48
• 4.7 遺傳算法確定隱層中心寬度48-49
• 4.8 字符識(shí)別實(shí)驗(yàn)結(jié)果與分析49-52
• 4.9 本章小結(jié)52-53
• 第5章 基于MATLAB環(huán)境的車(chē)牌識(shí)別GUI界面搭建53-60
• 5.1 MATLAB環(huán)境下GUI界面介紹53
• 5.2 啟動(dòng)GUIDE53-56
• 5.3 車(chē)牌識(shí)別GUI界面構(gòu)建56-58
• 5.4 本章小結(jié)58-60
• 結(jié)論60-61
• 參考文獻(xiàn)61-65
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果65-66
• 致謝66

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 張迪;;基于智能小區(qū)的物聯(lián)車(chē)牌識(shí)別應(yīng)用[J];數(shù)字技術(shù)與應(yīng)用;2013年09期

2 駱雪超,劉桂雄,馮云慶,申柏華;一種基于車(chē)牌特征信息的車(chē)牌識(shí)別方法[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年04期

3 許劍峰,黎紹發(fā);車(chē)牌識(shí)別中的顏色分析[J];計(jì)算機(jī)工程與應(yīng)用;2004年25期

4 李唯冠;;一種基于車(chē)燈定位的夜間車(chē)牌識(shí)別研究[J];微計(jì)算機(jī)信息;2011年01期

5 丁偉;;改進(jìn)神經(jīng)網(wǎng)絡(luò)算法在車(chē)牌識(shí)別中的應(yīng)用[J];計(jì)算機(jī)仿真;2011年08期

6 張劍;;車(chē)牌識(shí)別中字符識(shí)別的研究[J];信息技術(shù);2011年09期

7 王靜;王歡;劉潔;;惡劣天氣環(huán)境下車(chē)牌識(shí)別方法研究與仿真[J];計(jì)算機(jī)仿真;2011年10期

8 龔世標(biāo);;漢鄂高速車(chē)牌識(shí)別標(biāo)識(shí)站的建設(shè)[J];中國(guó)交通信息化;2013年07期

9 何鐵軍;張寧;黃衛(wèi);;車(chē)牌識(shí)別算法的研究與實(shí)現(xiàn)[J];公路交通科技;2006年08期

10 余宗健;;基于過(guò)線特征的車(chē)牌識(shí)別[J];計(jì)算機(jī)技術(shù)與發(fā)展;2010年05期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前3條

1 周漢青;;一種高速的車(chē)牌識(shí)別算法[A];第二十七屆中國(guó)（天津）2013IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2013年

2 史東娜;王樅;李衛(wèi);;車(chē)牌識(shí)別領(lǐng)域的中文術(shù)語(yǔ)自動(dòng)抽取[A];中國(guó)電子學(xué)會(huì)第十五屆信息論學(xué)術(shù)年會(huì)暨第一屆全國(guó)網(wǎng)絡(luò)編碼學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2008年

3 關(guān)東;汪永山;;基于車(chē)牌識(shí)別比對(duì)的自動(dòng)道閘控制系統(tǒng)[A];全國(guó)冶金自動(dòng)化信息網(wǎng)2012年年會(huì)論文集[C];2012年

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前2條

1 本報(bào)評(píng)論員 周飆;交通擁堵是個(gè)產(chǎn)權(quán)問(wèn)題[N];21世紀(jì)經(jīng)濟(jì)報(bào)道;2010年

2 樊哲高;沈陽(yáng)聚德：智能視覺(jué)“千里眼”[N];中國(guó)電子報(bào);2008年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 任俊;基于支撐矢量機(jī)的圖像分類、車(chē)牌識(shí)別及嵌入式應(yīng)用研究[D];浙江大學(xué);2005年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 郭真真;基于分階的BP和CNN車(chē)牌識(shí)別[D];昆明理工大學(xué);2015年

2 梁大寬;復(fù)雜背景下多車(chē)牌識(shí)別算法的研究與軟件系統(tǒng)實(shí)[D];太原理工大學(xué);2016年

3 尚兆功;基于視頻識(shí)別技術(shù)的智能車(chē)庫(kù)管理系統(tǒng)[D];山東建筑大學(xué);2016年

4 張冠華;一種基于神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別方法的實(shí)現(xiàn)[D];吉林大學(xué);2016年

5 竇志偉;基于車(chē)牌識(shí)別數(shù)據(jù)的交通流參數(shù)短時(shí)預(yù)測(cè)[D];西南交通大學(xué);2016年

6 張少鵬;基于STM32的車(chē)牌識(shí)別手持移動(dòng)終端的設(shè)計(jì)[D];西北師范大學(xué);2015年

7 謝嘉樂(lè);基于改進(jìn)的LM-BP神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別算法研究與應(yīng)用[D];廣東工業(yè)大學(xué);2016年

8 付棟;聚類與遺傳混合優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別研究[D];燕山大學(xué);2016年

9 呂田;智能停車(chē)場(chǎng)管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];西安工業(yè)大學(xué);2016年

10 劉逸男;基于車(chē)載視頻的車(chē)間距計(jì)算與車(chē)牌識(shí)別[D];北京工業(yè)大學(xué);2016年

，

本文編號(hào)：926563