罗忠威–毕设答辩.pptVIP

湖南理工学院毕业设计答辩 基于MATLAB的车牌字符识别系统的研究 主要内容 车牌自动识别的研究意义与背景简介 近来年国内的机动车辆规模大幅度的增加：全国机动车量年均增长率在10%以上 计算机技术在各个领域的不断的广泛的应用使得交通管理手段正从人工管理逐步转变成自动或半自动方式 车牌自动识别技术还在公共安全、交通管理甚至有关军事部门等等都有着非常重要的应用价值 车牌字符识别简介 车牌识别系统主要包括以下四个步骤： 车牌定位技术 车牌定位技术综述 车牌定位子系统通常包括图像预处理、车牌搜索、车牌定位与分割三个部分 预处理又包括灰度化、图像增强、滤波等部分 车牌定位技术 图像预处理包括图像的灰度化、图像增强、滤波等 几何校正技术 由于受拍摄镜头角度、车辆的运动等因素的影响，车牌图像会有一定程度的倾斜，这对字符的分割造成影响和增加难度，因此须对倾斜的车牌图像进行校正。 一般牌照的上下边沿是两条明显的平行直线，因此，一般都采用Radon变换，检测出其中最长的直线，然后利用直线的倾斜角度对车牌进行几何校正。 几何校正技术 Matlab实现过程如下： 车牌字符分割 上下边界去除 ——水平投影法 字符高度与宽度计算——垂直投影法 字符分割与存储——归一化存储 车牌字符识别 BP神经网络方法 BP (Back propagation)网络是个前向反馈型网络，是基于误差反方向传播算法的多层前向神经网络。 BP网络的实现分为两个阶段，即学习阶段和识别阶段。 车牌字符识别 利用BP网络进行字符识别的流程图 车牌字符识别 BP网络的训练 神经网络初始参数的设定 1）神经网络层数 —— 一般取三层； 2）隐藏层神经元数目的确定 —— s=2N+1； 3）bp网络初始权值的选取 —— 一般选取-1～1 之间均匀分布的随机值 ； 选取合适的样本 车牌字符识别 车牌字符的识别 车牌字符的识别过程实际上是把归一化好了的车牌矩阵与训练好的参数矩阵相乘，然后通过一定的判决门限来决定输出，最终实现识别。 实验结果分析 总结与展望 总结： 本文主要介绍了图像预处理技术中的灰度化、图像增强、二值化、几何校正、图像分割等的理论和方法。接着着重介绍了BP神经网络的原理和算法以及具体设计过程。 展望： (1)单一的预处理和识别技术都无法达到理想的结果， 多种方法的有机结合才能使系统的有效识别能力提高； (2)在有效和实用的原则下，结合神经网络和人工智能 的新技术的应用是一个研究方向，它为减少人为不必要的损失，提高收费效率及实时记录有关交通流量信息提供了有效的保障，所以汽车牌照的识别己成为现代交通工程领域中研究的重点和热点问题之一，它将为智能交通管理系统在公路建设和管理中的普及打下基础。 * * 指导老师：吴健辉 学生：罗忠威 学号：14072300918 本课题研究背景与意义 1 车牌图像定位原理 2 车牌字符分割原理 3 车牌字符识别原理 4 总结与展望 5 人工管理 自动或半自动管理 车牌自动识别技术 公共安全 军事部门 交通管理 结果 图像捕捉 与获取 字符识别 字符分割 车牌定位 图像捕捉与获取 ：获得含有车牌的图像源 车牌定位 ：从图像中搜索出具有车牌特征的区域 字符分割 ：从车牌图像中分割出单个字符 字符识别 ：对分割出的单个字符进行识别 预处理 车牌搜索 车牌定位 与分割 结果 灰度化 滤波 增强 原图像 function I=Correct(ChePai) %利用Radon检测图像中的直线 Edge=edge(ChePai,canny); theta=1:180; R=radon(Edge,theta); [L,alpha]=find(R==max(max(R))); %所在列数即为倾斜角 Angle=90-alpha; I= imrotate(ChePai,Angle,bilinear,crop) %用双线性法对图像进行旋转 图2 单个神经元结构图 图1 神经网络结构示意图 输入样本 对网络进行BP算法学习 形成能识别字符的神经网络 输入英文字符图像 归一化化处理 仿真测试 识别成功 显示失败 显示识别字符 重新输入 重新输入 否 是 图4 识别流程图 图5 本程序识别结果 88.6% 87.25% 86.3% 样本数=15 样本数=10 样本数=5 正确识别率 系统识别准确率测试 本实验中，我们对自然环境下采集到的32副车牌图像进行识别测试，实际操作中，有2副车牌图像字符分割出错，剩余30副车牌图像中，共对30*6=180个字符进行识别。有上表可以看出，样本的正确识别率在87%左右，这是由于