基于字符多特征提取的车牌识别算法研究2.ppt

目 录 第一章 绪论 第二章 车牌字符分割 第三章 车牌字符多特征提取 第四章 基于BP神经网络车牌字符识别 第五章 结论与展望 第一章 绪论 研 究 背 景与意义 用途： 交通监控 交通事故自动预报 路费缴纳 小区车辆管理等 交通监控 车流高峰时间段、平均车速、车辆密度 交通事故自动预报 发现超速、堵车、排队等 目的：缓解道路和减少交通事故 智能交通系统(ITS) 车牌识别系统图 车牌识别流程图 国内外研究现状 汉王公司 汉王眼 上海高德威 川大智胜 以色列 Hi一Tech公司 See/CarSystem系列 新加坡 Optasia公司 IMPS 德国 DIEHL公司 TELIDES 国外 国内 第二章 车牌字符分割 车牌灰度化 最大值法 目的 减少存储空间、提高执行速度 背景与目标亮度均很高 I=R=G=B 效果 平均值法 加权值法 人眼对颜色的敏感度 原因 GreenRedBlue 效果 效果 光照不同 灰度化的车牌图像 结论：车牌信息完整，更有利于二值化 直方图种类判别 灰度化后的车牌 白底黑字 黑底白字 反色处理 白底黑字直方图 黑底白字直方图 （反色处理） 灰度翻转 车牌字符分割 垂直投影 分割方法 样本数 运算时间/s(秒) 正确率(%) 传统垂直投影法 150 0.345 91.2 本文算法 150 0.546 98.7 车牌字符分割流程图 字符分割结果 第三章 车牌多特征提取 字符细化 字符特征选取 特征点 环数特征 环面积特征 直线特征 竖直左、中与右直线特征提取 水平上、中与下直线特征提取 1≤n≤4 水平上直线 8≤n≤12 水平中直线 16≤n≤20 水平下直线 环数特征提取 环面积特征提取 第四章 基于BP神经网络车牌字符识别 BP算法改进 BP训练结果 无附加动量 有附加动量 附加动量法 mc=0 权值的变化由梯度下降法产生 mc=1 新的权值则为后一项权值 自适应速率 环特征 包含字符 无 环 1、2、3、5、7、C、E、F、G、H、J、K、L、M、N、S、T、U、V、W、X、Y、Z 一个环 0、4、6、9、A、D、P、Q、R 两个环 8、B 表1 粗分类结果 无环字符特征有： 左上端点，右上端点，左下端点，右下端点，二叉点，三叉点，水平上直线特征，水平下直线特征，水平中直线特征，竖直左直线特征，竖直右直线特征，竖直中直线特征 2+2+2+2+2+2+1+1+1+1+1+1=18 一个无环字符特征有： 环，右上端点，左下端点，右下端点，竖直左直线特征，竖直右直线特征 两个无环字符特征有：环上，环下，竖直左直线特征 汉字字符：13点特征特征 环特征有3维： (x,y,S) 端点、叉点特征有2维： (x,y) 其它特征一维 BP神经网络识别流程 字符分类 样本数 识别数 误识数 识别率(%） 汉 字 100 98 2 98 数字与字母 600 594 6 99 对比项 改进前 改进后 训练时间(s) 0.714 0.665 表1 仿真结果 表2 网络改进前后对比 第五章 结论与展望 结论 1 样本单一 2 双行车牌字符不能分割 3 汉字特征值过少，不能在普通汉字上的应用 不足与展望 1 加权值灰度化、直方图种类判别 2 数字与字母的特征、改进的13点特征 3 四个子网络(98.9%) 谢谢请各位老师指导！