基于的车牌识别技术研究.pptxVIP

基于Python的车牌识别技术研究

-01一、引言02二、车辆牌照自动识别系统03(一)车牌字符特征提取04(二)数据集说明05三、模型概述06四、图像的定位

基于Python的车牌识别技术研究成员贡献黄梓越word第二、三、四章、ipynb文件李孟奇Word第一、五章，PDF、PPT

一、引言1

一、引言将序贯最小优化方法(SMO)移植入1-SVM作为训练算法，并针对车牌定位等实际一分类应用问题，提出了层次型偏二叉树1-SVM分类器结构，逐层排除非目标对象，提高了分类速度。在此基础上利用遗传算法的全局优化能力，解决核函数的参数选择问题，实现参数最优搜索在车牌图像的预处理以及字符分割部分，采用了Hough倾斜校正，基于区域连通法、投影法和先验知识的综合字符分割方法，克服了传统方法受车牌获取大小影响较大的缺点，可有效解决粘连和倾斜字符的分割问题，实现字符快速切分，并且使错误率降到最低扩展1-SVM到多分类模型，提出基于1-SVM的多球体分类器

一、引言在创造多球体分类器时，为了保证每一类单独给出的超球体对于数据集中所有的类是足够小的，考虑其他类数据对某一类分类的影响程度，采用隐式分解策略，提出了基于1SVM的两种数学形式的多球体分类器方法针对车牌识别系统，将基于1-SVM多球体理论分类器模型应用到字符识别模块，并通过样本库递增实验获得最优规模的训练集，为系统的实际应用提供设计依据

二、车辆牌照自动识别系统2

二、车辆牌照自动识别系统1车辆牌照自动识别系统LPR(LicensePlateRecognition)是计算机视觉与模式识别在智能交通领域中的综合应用.LPR是智能交通系统ITS(IntelligentTrafficSystem)中的关键技术之一2车牌识别系统包括车辆图像的获取、车牌的定位与字符分割、车牌字符识别3大部分3在车牌识别系统中,由于实际使用条件的影响，存在着许多影响识别率的因素,包括背景复杂程度、光照条件的变化、车牌污损以及由于拍摄角度或车辆运动等原因导致字符变形歪斜等4这些都对图像处理和识别算法提出了很高的要求5车牌字符识别问题中每个样本为一个字符图像,每个字符图像由许多像素组成,具有高维的特点

二、车辆牌照自动识别系统目前最常用的识别方法有基于模板匹配的方法和基于神经网络的方法两大类而后者则存在局部极小值和网络结构设计等问题前者多利用了字符的轮廓、网格、投影等统计特征，相似字符区分能力差,且因特征数据维数过大会导致识别速度慢本文采用支持向量机(SVM,supportvectormachine)的方法解决车牌字符识别问题，在解决有限样本、非线性及高维模式识别问题中表现出了许多特有的优越性能,且具有适应性强和效率高的特点

(一)车牌字符特征提取3

(一)车牌字符特征提取这里假设车牌图像已经经过了中值滤波、车牌区域定位和分割,以及对分割后得到的车牌图像进行二值化,字符分割、细化处理等预处理字符识别从根本上说是进行特征识别的过程,因此如何定义图像特征以及如何提取特征是识别的关键用于字符识别的分类特征应满足的要求包括:较强的分类能力,类内样本距离应尽量小,类间样本距离应尽量大,最好的情况是无重叠部分较高的稳定性和鲁棒性,对字符的平移、旋转及尺寸变换不敏感,由字符笔划断裂或粘连对其造成的影响应尽量小特征向量应便于提取,算法尽可能简单,在保证识别性能的前提下使特征向量维数尽量小，以减少运算和存储的复杂度,提高运算速度21.字符大小归一化

(一)车牌字符特征提取字符归一化的目的为了消除字符大小对识别造成的影响。根据字符水平和垂直两个方向字符像素的分布进行大小归一化。首先计算字符的质心G和G,最后按照比例将汉字字符归一化为大小为64×64的标准字符，数字和字母归一化为大小64×32的标准字符2.粗网格特征提取粗网格特征体现了文字整体形状的分布，对断裂字符的识别具有加强的鲁棒性。在本文中，将64×64点阵汉字字符分割成16×8份，取每份中字符像素对整个像素的比例，将所有16×8值排列成一列形成128维特征向量[4]。同理，对64×32的数字和字母字符分割成8×8份，形成64维特征向量

(二)数据集说明4

(二)数据集说明训练样本来自于github上的EasyPR的c++版本，包含一万三千多张数字及大写字母的图片以及三千多张中文字符图片。图片为已经处理好的二值化图像，已贴好标签(见每个子文件夹名)，像素均为20×20。数字和大写字母图片保存在train\chars2目录下，中文字符图片保存在train\charsChinese目录下测试样本来源于较为广泛，从各种网站搜集得到的各类车辆图片，保存在test目录下

三、模型概述5

三、模型概述1本模型主要由四部分构成：训练字符分类器、车牌定位