一種基于梯度模板特征的車牌識別算法.pdf

1、隨著社會經(jīng)濟的持續(xù)發(fā)展，我國機動車數(shù)量處于較高的增長速度。然而交通運輸領(lǐng)域的基礎(chǔ)設(shè)施建設(shè)還遠遠落后于車輛數(shù)量的快速增長，由此造成了一系列的社會問題，交通擁堵已成為大中城市的普遍現(xiàn)象。為了提高交通資源的利用率，提升交通運輸效率，緩解交通堵塞，降低能源消耗，智能交通系統(tǒng)（Intelligent Transportation Systems，ITS）成為各國的熱點研究問題，受到了廣泛的重視，發(fā)展十分迅速。車輛牌照識別（license plat

2、e recognition，LPR）作為智能交通中的一個重要概念，是實現(xiàn)交通監(jiān)控與管理自動化的主要技術(shù)之一。而其作為一種重要的信息獲取手段，能為交通監(jiān)控與管理系統(tǒng)提供重要的數(shù)據(jù)信息。
　　 車輛牌照的識別一般包括車牌定位，車牌字符識別與相關(guān)的圖像處理三個主要部分。在車牌定位的研究中，提出了使用梯度模板特征進行車牌精確定位與模板分割的算法。該算法關(guān)注于車牌區(qū)域的總體結(jié)構(gòu)特征，能夠獲得較高的定位精度。同時，分析了Cascade分類器

3、級聯(lián)算法在車牌定位工作中的應(yīng)用，進而構(gòu)成了具有較高定位精度與效率的車牌定位分類器。在車牌字符識別的研究中，使用了基于像素連通域生長的車牌傾斜校正算法對車牌圖像進行校正。使用基于字符統(tǒng)計特征與幾何特征的聯(lián)合特征對車牌字符進行了識別。
　　 經(jīng)實驗表明，提出的車牌定位算法具有較高的精確性與可靠性，粗定位成功率為95.4％，精確定位成功率為92.3％，定位速度為每幅圖300~500ms。而且對于對比度很低，車牌被污染等情況有較高的魯棒