基于DDMCMC的車牌定位算法研究.pdf

1、汽車牌照自動識別系統(tǒng)(License Plate Recognition，LPR)是實現交通智能化管理的核心環(huán)節(jié)，同時也是以計算機視覺為基礎，并綜合了圖像處理、模式識別以及人工智能等多領域技術的重要研究課題。目前，在國內外已經有部分車輛牌照識別系統(tǒng)被成功地應用于高速公路和橋梁的自動收費、小區(qū)和重要部門車輛出入管理、智能停車場管理和城市道路違章檢測等方面。作為LPR的首要環(huán)節(jié)，車牌自動定位在整個系統(tǒng)中有著至關重要的作用。系統(tǒng)后續(xù)模塊的性能

2、，甚至整個LPR系統(tǒng)，在很大程度上都依賴于其定位結果的精準性。
　　一般車牌定位方法，使用車牌的單一特征，如車牌顏色特征、車牌字符特征、或車牌形狀特征等，單一特征不能形成對車牌的完整描述，因此在不同環(huán)境下難于穩(wěn)定地準確定位車牌，并且定位精度較低。本文吸取了不同算法的優(yōu)點，通過對車牌的固有特征的分析，針對交通路口不同環(huán)境下車牌精確定位問題，提出了本文的技術路線:通過基于圖像投影方法粗定位車牌，獲得車牌大概區(qū)域，然后通過基于DDMCM

3、C(Data Driven Markov Chain Monte Carlo)的車牌定位算法精確定位車牌。
　　本文算法有以下優(yōu)點:車牌定位使用先粗后精的方法，大大提高了算法的效率，與定位的準確率與精度;DDMCMC優(yōu)化算法是由MCMC(Markov ChainMonte Carlo)優(yōu)化算法改進而來，該算法以貝葉斯概率理論為框架，融合了車牌的顏色、形狀與字符三個特征，完整地描述了車牌，使定位結果更精確;提出了一種基于幾何特征的數

4、據驅動模型，完成了對MCMC優(yōu)化算法的改進，使Markov鏈的收斂速度大大提高，并且該數據模型具有一定的通用性，可直接用于圖像處理的其他領域，檢測矩形物體;在粗定位車牌時，特別設計了一種直線線性濾波器，用于減小車牌圖像中非車牌區(qū)域邊緣的干擾，突出車牌區(qū)域;考慮到算法實時性的要求，分別使用積分圖像，以及車牌顏色預測的方法對算法加速。
　　為驗證算法有效，共設計四組實驗，首先使用我國交通路口的車牌圖像數據庫，該數據庫包含天氣、光照、車

5、牌遮擋、車牌顏色等不同情況下的車牌圖像，最后在95％的覆蓋率下得到了97.4％的檢測查全率與93.85％的檢測正確率，實驗結果表明該算法適用于不同環(huán)境，并且可以同時保證較高的準確率與定位精度;通過與MCMC優(yōu)化算法對比，表明使用數據驅動模型改進的DDMCMC優(yōu)化算法更高效;其次使用公共車牌數據庫，與不同車牌定位算法對比，表明本文提出的定位算法在保證較高的定位精度的同時，可以得到更高的車牌檢測準確率;最后兩組實驗分別為交通標志檢測與門檢測