基于小波和神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)研究.pdf

1、車牌自動(dòng)識(shí)別(LPR)技術(shù)是是智能交通系統(tǒng)(ITS)中一項(xiàng)非常重要的技術(shù)。車牌識(shí)別系統(tǒng)主要包括三個(gè)部分：車牌定位、車牌字符分割和車牌字符識(shí)別。本文針對(duì)車牌識(shí)別系統(tǒng)的三個(gè)關(guān)鍵技術(shù)進(jìn)行了研究并提出了相應(yīng)的算法，論文研究工作具體體現(xiàn)在以下幾個(gè)方面： (1) 從國(guó)內(nèi)車牌的特點(diǎn)出發(fā)，提出了一種基于能量濾波和小波的車牌定位方法。根據(jù)車牌在水平方向能量高且集中的特點(diǎn)構(gòu)造一個(gè)能量函數(shù)，能量濾波后獲取車牌的大致位置，再由小波分析和形態(tài)學(xué)方法準(zhǔn)確確

2、定車牌位置。仿真結(jié)果表明該方法取得了滿意的效果。 (2) 針對(duì)車牌字符分割，提出了一種基于神經(jīng)網(wǎng)絡(luò)和顏色特征的車牌字符分割方法。該方法直接對(duì)車牌的彩色圖像進(jìn)行處理，在判別車牌類型的基礎(chǔ)上，采用神經(jīng)網(wǎng)絡(luò)對(duì)車牌顏色進(jìn)行識(shí)別，將彩色圖像轉(zhuǎn)化為二值圖像，最后結(jié)合投影法和字符連通性特點(diǎn)對(duì)字符進(jìn)行分割。與基于灰度圖像的字符分割方法比較，該方法能更準(zhǔn)確、清晰地分割字符。 (3) 在進(jìn)行車牌字符識(shí)別時(shí)，特征向量的選取與維數(shù)對(duì)識(shí)別結(jié)果產(chǎn)生

3、很大的影響。本文提出了一種基于小波包和Zernike矩特征提取的車牌字符識(shí)別方法。對(duì)小波包系數(shù)和重構(gòu)后所得圖像的Zernike矩所組成的特征空間進(jìn)行降維處理后，將特征向量作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練和分類的參數(shù)對(duì)車牌中的數(shù)字進(jìn)行識(shí)別，實(shí)驗(yàn)結(jié)果表明選用本文特征向量識(shí)別效果良好。 (4) 根據(jù)國(guó)內(nèi)汽車車牌中字符排列的特點(diǎn)，提出了一種基于SVM混合網(wǎng)絡(luò)的車牌字符識(shí)別方法。首先構(gòu)造了漢字識(shí)別子網(wǎng)、英文字母識(shí)別子網(wǎng)、英文字母與數(shù)字識(shí)別子網(wǎng)以及數(shù)字識(shí)別

4、子網(wǎng)，并提取字符的小波包系數(shù)和．Zernike矩做為特征向量，然后在各個(gè)子網(wǎng)中采用SVM方法對(duì)車牌字符進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，采用本文方法的識(shí)別效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)及RBF神經(jīng)網(wǎng)絡(luò)識(shí)別方法。 (5) 以高斯核為其核函數(shù)的支持向量機(jī)識(shí)別性能對(duì)懲罰因子c和核函數(shù)參數(shù)σ的選取是敏感的。針對(duì)高斯核支持向量機(jī)在車牌字符識(shí)別問題中的應(yīng)用，提出了一種基于遺傳算法的參數(shù)選擇方法。利用遺傳算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，最后在各個(gè)子網(wǎng)中分別采用參