基于主成分分析和Fisher線性判決函數(shù)的車牌定位算法的研究.pdf

1、隨著信息技術(shù)和智能技術(shù)的發(fā)展，交通管理系統(tǒng)的信息化、智能化是大勢所趨。車牌識別系統(tǒng)(LPR)是智能交通系統(tǒng)(ITS)的核心組成部分，在現(xiàn)代交通收費(fèi)管理系統(tǒng)中占有舉足輕重的作用。近年來，使用計算機(jī)來對圖像進(jìn)行處理和分析，已經(jīng)獲得了飛速的發(fā)展。對車牌識別系統(tǒng)中關(guān)鍵技術(shù)的研究已經(jīng)成為科學(xué)界的一個熱點(diǎn)問題。本文對車牌識別系統(tǒng)中的圖像預(yù)處理、車牌定位等幾個模塊進(jìn)行了比較深入、全面的論述，并對主要部分的關(guān)鍵技術(shù)進(jìn)行了深入的研究。 本文的車牌

2、定位方法，在實(shí)驗(yàn)中所采用的圖像全部都是采集于各種真實(shí)的環(huán)境條件下，一般來說，采用的都是背景較為復(fù)雜，車牌有一定程度的傾斜，且車牌大小不固定的這類圖像。本文論述的車牌定位方法主要可分為以下幾個步驟： 本文在介紹了PCA和FLD的基本理論之后，提出了一種PCA和FLD的車牌定位算法。首先，用基于連通分量(Component Connect，CC)的方法粗定位一些可能是車牌的區(qū)域。然后，用基于紋理分析的方法對這些候選車牌區(qū)域進(jìn)行紋理分

3、析。在多尺度Gabor濾波后的子圖中提取72個紋理特征。接下來，用PCA方法對得到的特征向量進(jìn)行降維，以便于更好的分類。用FLD方法把降維后的特征向量轉(zhuǎn)換到低維空間。選取恰當(dāng)?shù)拈撝颠M(jìn)行分類，從而得到真正的車牌區(qū)域。經(jīng)過測試，本文提出的算法在檢測圖像和視頻幀中的車牌時都具有良好的準(zhǔn)確性和魯棒性，檢測率達(dá)95.3％。 實(shí)驗(yàn)結(jié)果表明，本文所采用的方法能達(dá)到較好的定位效果，具有一定的魯棒性和實(shí)時性。從中可以看出：多種特征提取方法和定位技