[基于小波分析的车牌图像增强与字符识别研究-5.20.ppt

重庆大学自动化学院 姓 名：宋娜  指导教师：段其昌 专 业：模式识别与智能系统 基于小波分析的车牌图像增强与字符识别研究 论文结构 绪论 车牌图像预处理 车牌定位技术与倾斜校正 车牌字符分割与归一化 基于小波神经网络的车牌字符识别 结论与展望 绪论—研究背景及意义 交通运输的重要性 道路设施的局限性 智能交通的产生 车牌识别系统是智能交通的重要组成部分 绪论-国内外研究现状 国内： 北京汉王科技有限公司：“汉王眼” 川大智胜：公路收费车牌识别系统 国外： 以色列Hi-Tech公司：See/Car System 香港Asia Vision Technology公司：VECON 新加坡Optasia公司：VLPRS 绪论-本文主要研究内容 车牌图像预处理 车牌领域定位和倾斜校正 车牌字符分割及归一化处理 车牌字符识别 车牌图像预处理-灰度化 最大值法 平均值法 加权平均值法 车牌图像预处理-灰度化 车牌图像预处理-图像增强 灰度拉伸 灰度拉伸 车牌图像预处理-图像增强 直方图均衡化 直方图均衡化 直方图均衡化前 直方图均衡化后 车牌图像预处理-图像增强 图像滤波 线性滤波（均值滤波）：用邻域平均法对图像中的像素点求邻近像素点的平均值 以3×3模板为例，像素点（m，n）位于S的中心 中值滤波 3×3中值滤波模板,像素点（i，j）位于S的中心 中值滤波 中值滤波前 中值滤波后 车牌图像预处理-图像二值化 双峰法、大律法、可变阈值法、最优阈值法、迭代阈值法等 改进的迭代阈值法：将图像灰度级从第1级开始，每16个为一组， 共分成16组 ；计算16个灰度级组中每组平均灰度值 ，选择其中的中值作为初始阈值；按公式迭代，直到 ，或者两者相差很小。 微光车牌图像去噪 微光：是指月光、星光、大气辉光等微弱的可见光，多数情况下，是指在夜间微弱的可见光的总称。 微光图像的特点：低信噪比，低对比度，低空间分辨率 小波去噪原理：对小波系数进行阈值处理 去噪步骤：小波分解、阈值去噪、小波重构 小波分解：db4小波进行二层分解 阈值选择及处理： 车牌定位技术 基于灰度变化的车牌定位： 通过灰度变化的峰谷规律确定上下边界 通过垂直投影确定左右边界 基于颜色特征的车牌定位 将RGB颜色模型转化成HSI(色调Hue，色饱和度Saturation，亮度Intensity)模型，色调H表示纯色的属性，饱和度S描述一种纯色被白光稀释的程度，而亮度I表示图像的灰度值信息。 四种不同颜色类型的车牌图像的HSI分量 车牌定位技术 基于边缘检测和投影法的车牌粗定位 边缘检测：Sobel算子 水平投影、垂直投影 根据车牌长宽比例得到候选区域 基于颜色特征的车牌细定位 HSI模型的颜色组合匹配 以蓝底白字为例：蓝色像素与白色像素的面积比大于1 车牌倾斜校正 常用的校正方法：Hough变换法、重心法、线性变换法等。 斜率法：先求出车牌中各个字符的最高点或者最低点，然后用最小二乘法将所求的点拟合成一条直线，所得直线的倾角即为车牌的倾角。 车牌字符分割 车牌字符归一化 基于小波神经网络的车牌字符识别 小波神经网络的结构： 松散型 紧致型 基于小波神经网络的车牌字符识别 基于小波神经网络的车牌字符识别 学习算法：梯度下降 小波函数： 隐层节点数：25 输入节点数：5；用小波矩进行特征提取 输出节点数： 数字：10个，0-9，4位二进制数表示；如 3：0100 英文字母：25个，5位二进制表示；如 B：00010 汉字：约51个，6位二进制表示；如 渝：000100 学习过程 字符识别流程 结果比较 结果分析 小波神经网络对车牌字符进行识别与传统的BP神经网络相比具有更高的识别率，显示出了小波神经网络在字符识别中的优势。 尤其是在对汉字的识别中，小波神经网络比BP神经网络显示出明显的优势。但在整个识别中，对数字和字母的识别率较汉字高，这同汉字本身结构复杂有一定的关系。 在试验中发现，小波神经网络收敛速度快(收敛次数)，且不易陷入局部极小点，而BP神经网络收敛速度慢，容易陷入局部最优。这是由于小波神经网络的权系数与网络输出呈线性关系，且误差函数干预权值是一个凸函数，不存在局部极小点，收敛速度快。 但同时发现小波神经网络收敛时间长，这跟小波神经网络结构复杂，计算量大有关，且本文选取的Morlet函数本身不具备正交性，因此，网络结构可能存在冗余。 结论 通过灰度拉伸、直方图均衡化、中值滤波等对灰度图像进行处理，得到了较好的图像增