基于DDMCMC的車牌定位算法研究.pdf

1、汽車牌照自動(dòng)識(shí)別系統(tǒng)(License Plate Recognition，LPR)是實(shí)現(xiàn)交通智能化管理的核心環(huán)節(jié)，同時(shí)也是以計(jì)算機(jī)視覺(jué)為基礎(chǔ)，并綜合了圖像處理、模式識(shí)別以及人工智能等多領(lǐng)域技術(shù)的重要研究課題。目前，在國(guó)內(nèi)外已經(jīng)有部分車輛牌照識(shí)別系統(tǒng)被成功地應(yīng)用于高速公路和橋梁的自動(dòng)收費(fèi)、小區(qū)和重要部門車輛出入管理、智能停車場(chǎng)管理和城市道路違章檢測(cè)等方面。作為L(zhǎng)PR的首要環(huán)節(jié)，車牌自動(dòng)定位在整個(gè)系統(tǒng)中有著至關(guān)重要的作用。系統(tǒng)后續(xù)模塊的性能

2、，甚至整個(gè)LPR系統(tǒng)，在很大程度上都依賴于其定位結(jié)果的精準(zhǔn)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(duì)車牌的完整描述，因此在不同環(huán)境下難于穩(wěn)定地準(zhǔn)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(diǎn)，通過(guò)對(duì)車牌的固有特征的分析，針對(duì)交通路口不同環(huán)境下車牌精確定位問(wèn)題，提出了本文的技術(shù)路線:通過(guò)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(guò)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(diǎn):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(zhǔn)確率與精度;DDMCMC優(yōu)化算法是由MCMC(Markov ChainMonte Carlo)優(yōu)化算法改進(jìn)而來(lái)，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(gè)特征，完整地描述了車牌，使定位結(jié)果更精確;提出了一種基于幾何特征的數(shù)

4、據(jù)驅(qū)動(dòng)模型，完成了對(duì)MCMC優(yōu)化算法的改進(jìn)，使Markov鏈的收斂速度大大提高，并且該數(shù)據(jù)模型具有一定的通用性，可直接用于圖像處理的其他領(lǐng)域，檢測(cè)矩形物體;在粗定位車牌時(shí)，特別設(shè)計(jì)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(shí)時(shí)性的要求，分別使用積分圖像，以及車牌顏色預(yù)測(cè)的方法對(duì)算法加速。
　　為驗(yàn)證算法有效，共設(shè)計(jì)四組實(shí)驗(yàn)，首先使用我國(guó)交通路口的車牌圖像數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)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(cè)查全率與93.85％的檢測(cè)正確率，實(shí)驗(yàn)結(jié)果表明該算法適用于不同環(huán)境，并且可以同時(shí)保證較高的準(zhǔn)確率與定位精度;通過(guò)與MCMC優(yōu)化算法對(duì)比，表明使用數(shù)據(jù)驅(qū)動(dòng)模型改進(jìn)的DDMCMC優(yōu)化算法更高效;其次使用公共車牌數(shù)據(jù)庫(kù)，與不同車牌定位算法對(duì)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(shí)，可以得到更高的車牌檢測(cè)準(zhǔn)確率;最后兩組實(shí)驗(yàn)分別為交通標(biāo)志檢測(cè)與門檢測(cè)