復(fù)雜場(chǎng)景車牌字符分割和識(shí)別算法研究.pdf

1、隨著經(jīng)濟(jì)的不斷發(fā)展和交通管理的復(fù)雜化,交通智能中的車牌識(shí)別系統(tǒng)(LPR)已經(jīng)成為熱門(mén)研究領(lǐng)域。車牌識(shí)別系統(tǒng)可以動(dòng)態(tài)抓取視頻圖像或者靜態(tài)圖像,將車牌號(hào)碼自動(dòng)識(shí)別出來(lái),并且可以應(yīng)用到停車點(diǎn)、收費(fèi)站、非法車輛檢測(cè)等各種領(lǐng)域。隨著信息和人工智能技術(shù)的不斷發(fā)展,交通管理信息化和智能化必將是大勢(shì)所趨。LPR系統(tǒng)一般包括車牌定位、字符分割和字符識(shí)別三個(gè)模塊。其中字符分割最為關(guān)鍵,不僅受到前面車牌定位結(jié)果的影響,還直接影響后面識(shí)別的效果。在獲取圖片過(guò)程

2、中,復(fù)雜光照、拍攝距離不定、車牌多樣性等因素給車牌字符分割和字符識(shí)別模塊帶來(lái)了很大的困難和挑戰(zhàn),所以現(xiàn)在很多準(zhǔn)確率較高的算法都是在嚴(yán)格限定條件下提出的,但是由于局限性,很難移植到其他領(lǐng)域。
　　 本文詳細(xì)總結(jié)了圖像分割中經(jīng)常用到的對(duì)比度拉伸、空間濾波、邊緣檢測(cè),以及處理二值化圖像和灰度圖像的數(shù)學(xué)形態(tài)學(xué)操作等圖像處理技術(shù)。然后又詳細(xì)介紹了基于圖像內(nèi)容分類中的特征選擇和分類器選擇問(wèn)題,比如最優(yōu)特征提取中的主成分分析和線性判別分析,多

3、分類中的樸素貝葉斯、k近鄰算法和支持向量機(jī)。
　　 美國(guó)佛羅里達(dá)州車牌的字符布局不一、字符個(gè)數(shù)多變、背景復(fù)雜多樣等特點(diǎn)和光照陰影、陰天灰暗等外界環(huán)境因素,都給車牌識(shí)別系統(tǒng)的穩(wěn)定性和實(shí)時(shí)性提出了更高的要求。本文在增強(qiáng)魯棒性和滿足實(shí)時(shí)性的原則下,提出了可以處理復(fù)雜多變車牌的車牌字符分割算法,并綜合利用聚類分析和概率統(tǒng)計(jì)技術(shù)解決了分割中遇到的多個(gè)常見(jiàn)的技術(shù)難題。比如復(fù)雜背景下提出了基于字符分布的尋找車牌旋轉(zhuǎn)角度算法、基于垂直投影局部梯

4、度的偽字符區(qū)域去除算法、循環(huán)局部梯度分割算法、斷裂字符合并技術(shù)、偽字符去除技術(shù)等。為了獲得穩(wěn)定的高識(shí)別率和高效率分類器,本文利用了可以提取最優(yōu)特征的主成分分析和具有最大分類面的支持向量機(jī)來(lái)建立分類器。最后利用本文提出的分割算法對(duì)美國(guó)佛羅里達(dá)州采集到的視頻進(jìn)行了測(cè)驗(yàn),并與基于投影的分割算法、基于連通域的分割算法做了對(duì)比,正確率分別是89.3％、84.7%和82.5%。可以看出本文提出的算法不僅同時(shí)滿足了實(shí)時(shí)性和穩(wěn)定性要求,還獲得了很高的正