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

  更多相關(guān)文章： 車牌識別 邊緣檢測 Hog特征 聚類 遺傳算法 RBF神經(jīng)網(wǎng)絡(luò)

【摘要】：車牌識別系統(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)用于停車場收費管理、小區(qū)出入車輛管理、高速公路自動收費、路口車輛監(jiān)控等領(lǐng)域。車牌識別系統(tǒng)是一個涉及圖像處理、神經(jīng)網(wǎng)絡(luò)、模式識別等理論的綜合課題,該技術(shù)可以極大提高車輛管理水平和效率,并能夠節(jié)省大量的社會資源,因此有著巨大的學(xué)術(shù)價值與應(yīng)用前景。車牌識別系統(tǒng)由車牌定位、字符分割、字符識別三個模塊構(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,對車牌圖像預(yù)處理、車牌定位、字符分割、字符特征提取、RBF神經(jīng)網(wǎng)絡(luò)字符識別等環(huán)節(jié)進行研究,并在MATLAB環(huán)境下進行了仿真實驗。在車牌定位環(huán)節(jié),首先對灰度圖像進行灰度形態(tài)學(xué)處理來達到圖像增強的目的,然后運用邊緣檢測與二值形態(tài)學(xué)組合的方法對車牌進行定位,最后根據(jù)車牌具有一定的寬高比等特征實現(xiàn)偽車牌的去除。在字符分割環(huán)節(jié),首先運用Radon變換對車牌進行傾斜矯正;然后采用基于灰度跳變方法對牌照邊框進行去除;最后,先用模板移動匹配的方法找到二三字符的間隔區(qū)域以將車牌分為左右兩部分,然后用連通域與模板匹配相結(jié)合的方法分別對兩部分車牌進行字符分割。在字符識別環(huán)節(jié),首先對分割出來的單個字符進行大小歸一化處理,然后對灰度字符圖像提取Hog特征,最后運用聚類與遺傳相結(jié)合的方法對RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進行設(shè)計,并用設(shè)計好的網(wǎng)絡(luò)實現(xiàn)牌照字符的識別。本文最后利用MATLAB軟件設(shè)計了一個車牌識別GUI界面,實驗結(jié)果表明,本文設(shè)計的牌照識別算法具有較高的準確性。
【關(guān)鍵詞】：車牌識別 邊緣檢測 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)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：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 車牌識別系統(tǒng)研究現(xiàn)狀12-13
• 1.2.1 國內(nèi)車牌識別技術(shù)研究現(xiàn)狀12-13
• 1.2.2 國外車牌識別技術(shù)研究現(xiàn)狀13
• 1.3 車牌識別難點13-14
• 1.4 課題研究內(nèi)容14
• 1.5 論文的結(jié)構(gòu)安排14-16
• 第2章 邊緣檢測和數(shù)學(xué)形態(tài)學(xué)結(jié)合的車牌定位研究16-29
• 2.1 車牌定位方法概述16-17
• 2.1.1 基于邊緣檢測的車牌定位方法16
• 2.1.2 基于幾何特征的車牌定位方法16-17
• 2.1.3 基于投影的車牌定位方法17
• 2.1.4 基于彩色空間轉(zhuǎn)換的車牌定位法17
• 2.2 圖像預(yù)處理17-21
• 2.2.1 彩色車牌圖像灰度化17-18
• 2.2.2 基于灰度形態(tài)學(xué)運算的車牌圖像區(qū)域增強18-21
• 2.3 基于邊緣檢測與數(shù)學(xué)形態(tài)學(xué)相結(jié)合的車牌定位21-28
• 2.3.1 車牌邊緣檢測21-24
• 2.3.2 車牌邊緣圖像水平跳變點統(tǒng)計確定車牌候選區(qū)域24-25
• 2.3.3 數(shù)學(xué)形態(tài)學(xué)運算處理車牌候選區(qū)域25-27
• 2.3.4 偽車牌區(qū)域的去除27-28
• 2.4 車牌定位實驗結(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29-42
• 3.1 標準車牌字符的排列特點簡介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變換的車牌傾斜矯正31-34
• 3.4 車牌邊緣的去除34-36
• 3.4.1 車牌二值化34
• 3.4.2 基于邊緣跳變點統(tǒng)計的車牌上下邊緣去除34-35
• 3.4.3 基于模板匹配的車牌左右邊緣去除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)合的車牌左半?yún)^(qū)域字符分割39-40
• 3.6 字符分割實驗結(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)車牌識別方法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)計特征提取法42
• 4.2 字符識別常用方法概述42-43
• 4.2.1 基于模板匹配的字符識別方法43
• 4.2.2 神經(jīng)網(wǎng)絡(luò)字符識別法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)化的車牌識別RBF網(wǎng)絡(luò)設(shè)計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 字符識別實驗結(jié)果與分析49-52
• 4.9 本章小結(jié)52-53
• 第5章 基于MATLAB環(huán)境的車牌識別GUI界面搭建53-60
• 5.1 MATLAB環(huán)境下GUI界面介紹53
• 5.2 啟動GUIDE53-56
• 5.3 車牌識別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61-65
• 攻讀碩士學(xué)位期間承擔的科研任務(wù)與主要成果65-66
• 致謝66

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張迪;;基于智能小區(qū)的物聯(lián)車牌識別應(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;一種基于車牌特征信息的車牌識別方法[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2003年04期

3 許劍峰,黎紹發(fā);車牌識別中的顏色分析[J];計算機工程與應(yīng)用;2004年25期

4 李唯冠;;一種基于車燈定位的夜間車牌識別研究[J];微計算機信息;2011年01期

5 丁偉;;改進神經(jīng)網(wǎng)絡(luò)算法在車牌識別中的應(yīng)用[J];計算機仿真;2011年08期

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

7 王靜;王歡;劉潔;;惡劣天氣環(huán)境下車牌識別方法研究與仿真[J];計算機仿真;2011年10期

8 龔世標;;漢鄂高速車牌識別標識站的建設(shè)[J];中國交通信息化;2013年07期

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

10 余宗健;;基于過線特征的車牌識別[J];計算機技術(shù)與發(fā)展;2010年05期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 周漢青;;一種高速的車牌識別算法[A];第二十七屆中國（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)會議論文集[C];2013年

2 史東娜;王樅;李衛(wèi);;車牌識別領(lǐng)域的中文術(shù)語自動抽取[A];中國電子學(xué)會第十五屆信息論學(xué)術(shù)年會暨第一屆全國網(wǎng)絡(luò)編碼學(xué)術(shù)年會論文集（下冊）[C];2008年

3 關(guān)東;汪永山;;基于車牌識別比對的自動道閘控制系統(tǒng)[A];全國冶金自動化信息網(wǎng)2012年年會論文集[C];2012年

中國重要報紙全文數(shù)據(jù)庫 前2條

1 本報評論員 周飆;交通擁堵是個產(chǎn)權(quán)問題[N];21世紀經(jīng)濟報道;2010年

2 樊哲高;沈陽聚德：智能視覺“千里眼”[N];中國電子報;2008年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

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

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

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

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

3 尚兆功;基于視頻識別技術(shù)的智能車庫管理系統(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)的車牌識別方法的實現(xiàn)[D];吉林大學(xué);2016年

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

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

7 謝嘉樂;基于改進的LM-BP神經(jīng)網(wǎng)絡(luò)的車牌識別算法研究與應(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)的車牌識別研究[D];燕山大學(xué);2016年

9 呂田;智能停車場管理系統(tǒng)的設(shè)計與實現(xiàn)[D];西安工業(yè)大學(xué);2016年

10 劉逸男;基于車載視頻的車間距計算與車牌識別[D];北京工業(yè)大學(xué);2016年

，

本文編號：926563