基于数字图像处理和机器学习的车牌识别(LPR)研究计算机软件与理论专业论文.docxVIP

基于数字图像处理和机器学习的车牌识别 (LPR)研究 重庆大学硕士学位论文 学生姓名：王 笛 指导教师：石 锐 副教授 专 业：计算机软件与理论 学科门类：工 学 重庆大学计算机学院 二 OO 八年四月 Study on License Plate Recognition Based on Digital Image Processing and Machine Learning A Thesis Submitted to Chongqing University in Partial Fulfillment of the Requirement for the Degree of Master of Engineering by Wang Di Supervisor: Associate Prof. Shi Rui Major: Computer Software and Theory College of Computer Science of Chongqing University, Chongqing, China April 2008 重庆大 重庆大学硕士学位论文 中文摘要 I I 摘 要 随着经济与社会的高速发展，各种类型汽车保有量迅速增长，而公路的容积 增长缓慢，管理手段相对滞后，使得我国的交通压力越来越大。特别是城市和交 通枢纽，如：高速公路收费站，检查点，堵点路段，停车场等。为了缓解矛盾， 智能交通系统(ITS)己成为当前交通管理发展的主要方向。而车牌识别技术又是 ITS 中的重要组成部分，它提供快速，精确的车牌信息，极大地减轻了人工识别的成 本，并且为智能交通其他应用提供了信息。 为了能够从复杂背景中提取车牌，分割车牌字符和识别字符。本课题对这些 车牌识别中关键技术进行了重点的研究。 为了提高车牌定位的速度和抗干扰能力，本文首先对 AdaBoost 技术进行了深 入的研究。由于分类效果的好坏是和级联分类器密切相关的，而级联分类器是建 立在强分类器的基础上的，因此强分类器的构建对整个级联分类器是有至关重要 的影响。结合车牌的特点，提出了一种基于跳变特征和跳变密度方差特征的 AdaBoost 算法，提高了检测率和降低了误识率。为了缓解弱分类器训练速度和错 误率之间的矛盾，本文提出了一种基于类积分图的快速弱分类器阈值查找算法。 基于强分类器的构建过程中对非车牌训练样本的需求，本文构造了一个基于训练 模型的非车牌自动生成算法，能够提高非车牌训练样本集合的多样性和较高生成 速度，达到有效训练强分类器的目的。得到的车牌定位系统能够很好地在复杂环 境下高效地提取车牌，在自备的各个测试集上达到较高的识别率，较低的误识率。 然后，利用 OTSU 获取最佳阈值实现车牌图像的二值化。采用 Radon 变换进 行了倾斜校正，去除边框后应用基于垂直投影的方法分割了车牌字符。获得了基 本没有倾斜的低噪声的车牌字符。 最后，通过分析字符与数字的结构特征，建立了一个基于粗分类的多级分类 策略。对归一化后的车牌字符，第一级采用了孔洞特征进行分类，在细分类上采 用了基于相对位置过线扫描等方法的再次分类。对于不易再细分的子类，采用经 遗传算法优化的 BP 神经网络进行分类。由于采用遗传算法优化的方法，在一定程 度上避免了 BP 神经网络过拟合训练数据的问题，在测试集合上该方法也达到了比 较好的效果。 本文研究证明：改进的 AdaBoost 算法可以很好地对车牌进行定位，并且有较 强的抗干扰能力。经遗传算法训练的 BP 神经网络，在一定程度上可以提高泛化能 力。 II II 关键词：数字图像处理，机器学习，AdaBoost 算法，遗传算法，神经网络 重庆大 重庆大学硕士学位论文 英文摘要 PAGE PAGE VI ABSTRACT With the rapid economic and social development, there come up a lot of problems in transportation. The number of various types of motor vehicles grows rapidly while the capacity of highway increases slowly and the management relatively lags behind which make transportation problems more serious than ever. Therefore, an advanced traffic administration and control system is urgently needed. Fortunately Intell