由于我國(guó)汽車數(shù)量的大幅增長(zhǎng),交通問(wèn)題日益突出,為了緩解交通壓力,提高車輛的管理效率,智能交通系統(tǒng)應(yīng)運(yùn)而生,而車牌識(shí)別系統(tǒng)是智能交通系統(tǒng)的重要組成部分,所以對(duì)車牌識(shí)別技術(shù)的研究具有重要意義。雖然我國(guó)車牌識(shí)別技術(shù)在長(zhǎng)時(shí)間的研究和努力下,取得了不錯(cuò)的研究成果,能夠準(zhǔn)確地識(shí)別出多數(shù)場(chǎng)景下的車牌,但在復(fù)雜環(huán)境下得到的車牌圖像往往具有多種干擾因素,如光照條件惡劣、車牌傾斜、車牌污損等,利用現(xiàn)有車牌識(shí)別技術(shù)對(duì)復(fù)雜環(huán)境下的車牌圖像進(jìn)行定位與識(shí)別,取得的效果并不理想。針對(duì)這些問(wèn)題,本文在現(xiàn)有車牌識(shí)別技術(shù)的基礎(chǔ)上做出相應(yīng)改進(jìn),使車牌識(shí)別算法更適應(yīng)復(fù)雜環(huán)境,主要工作有以下幾點(diǎn)。首先,為了避免圖像增強(qiáng)時(shí)紋理信息容易丟失的問(wèn)題,本文采用在頻域中的同態(tài)濾波算法對(duì)車牌圖像進(jìn)行增強(qiáng),針對(duì)以往同態(tài)濾波的濾波器參數(shù)多,計(jì)算復(fù)雜的問(wèn)題,對(duì)傳統(tǒng)的巴特沃斯濾波器進(jìn)行改進(jìn),將未知參數(shù)由五個(gè)降低成兩個(gè),實(shí)驗(yàn)表明,在不影響圖像增強(qiáng)的同時(shí),大大降低了算法復(fù)雜度,節(jié)省了計(jì)算時(shí)間。在車牌定位時(shí)結(jié)合光照補(bǔ)償,對(duì)車牌HSV顏色模型進(jìn)行三通道分離,保持色調(diào)分量不變,對(duì)飽和度分量進(jìn)行拉伸,利用改進(jìn)的同態(tài)濾波對(duì)亮度分量進(jìn)行光照補(bǔ)償,再結(jié)合車牌的顏色... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

車牌識(shí)別系統(tǒng)流程圖

在自然場(chǎng)景中，天氣條件和環(huán)境變化等因素對(duì)采集的車輛牌照?qǐng)D像質(zhì)量有的影響，在一定程度上降低了車牌定位的準(zhǔn)確率。為此，本文先將車牌圖像頻域增強(qiáng)，以突出車牌的細(xì)節(jié)特征，使得目標(biāo)區(qū)域能夠更好的被定位分割出]。1 圖像增強(qiáng)算法概述在數(shù)字圖像處理領(lǐng)域，有許多圖像增強(qiáng)算法，雖然這些增強(qiáng)算法都可以對(duì)起到增強(qiáng)的作用，但是不同的算法對(duì)同一圖像增強(qiáng)的效果卻大不相同。目前有一種通用的圖像增強(qiáng)算法可以實(shí)現(xiàn)任意圖像的增強(qiáng)，因此，對(duì)不同類型的需要試用大量增強(qiáng)算法進(jìn)行對(duì)比實(shí)驗(yàn)，選擇最合適的算法對(duì)其進(jìn)行處理，以圖像細(xì)節(jié)、質(zhì)量、特定信息的增強(qiáng)。圖像增強(qiáng)算法分為兩種類型：一種是空間域增強(qiáng)，另一種是頻域增強(qiáng)[27]。類算法是以不同的方式完成相同的工作，即圖像增強(qiáng)，只不過(guò)空間域算法是像素組成的空間中直接對(duì)像素進(jìn)行調(diào)整達(dá)到圖像增強(qiáng)，而頻域算法是將圖像間域轉(zhuǎn)換到頻域中進(jìn)行處理。圖像增強(qiáng)的不同算法如圖 2.1。

圖 2.4 非線性變換Fig 2.4 Nonlinear transformation處理度直方圖是反映圖像灰度的統(tǒng)計(jì)特性，它表示一幅直方圖是圖像處理中的基本信息[27]。從一幅圖像的解這幅圖像的信息特征，仔細(xì)分析可以發(fā)現(xiàn)，在明于灰度值較大的地方，同理，在暗圖像中，其直方方；對(duì)比度較高的圖像其直方圖分布相對(duì)均衡，對(duì)相對(duì)較窄�；谥狈綀D的增強(qiáng)算法常會(huì)用到直方圖均方圖均衡化的圖片對(duì)比，由圖可以發(fā)現(xiàn)，將分布較均衡化后，變成了分布均衡的高對(duì)比度圖像。

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別[J]. 董峻妃,鄭伯川,楊澤靜.  計(jì)算機(jī)應(yīng)用. 2017(07)
[2]多尺度積角點(diǎn)檢測(cè)和視覺(jué)顏色特征的魯棒車牌定位算法[J]. 陳莊,楊峰,馮欣,崔少國(guó),李博.  重慶大學(xué)學(xué)報(bào). 2016(02)
[3]基于多尺度分塊卷積神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別算法[J]. 張文達(dá),許悅雷,倪嘉成,馬時(shí)平,史鶴歡.  計(jì)算機(jī)應(yīng)用. 2016(04)
[4]基于光照補(bǔ)償和顏色統(tǒng)計(jì)的汽車牌照定位方法[J]. 胡之惠,孟銀闊.  計(jì)算機(jī)工程與設(shè)計(jì). 2013(10)
[5]基于OpenCV的車牌定位方法[J]. 譚同德,王三剛.  計(jì)算機(jī)工程與設(shè)計(jì). 2013(08)
[6]基于HSV色彩空間與數(shù)學(xué)形態(tài)學(xué)的車牌定位研究[J]. 常巧紅,高滿屯.  圖學(xué)學(xué)報(bào). 2013(04)
[7]改進(jìn)的模板匹配方法在車牌識(shí)別中的應(yīng)用[J]. 陳瑋,曹志廣,李劍平.  計(jì)算機(jī)工程與設(shè)計(jì). 2013(05)
[8]基于HSV的夜間車牌識(shí)別算法[J]. 王洪亞.  智能計(jì)算機(jī)與應(yīng)用. 2013(02)
[9]低秩矩陣恢復(fù)算法綜述[J]. 史加榮,鄭秀云,魏宗田,楊威.  計(jì)算機(jī)應(yīng)用研究. 2013(06)
[10]一種基于紋理分析和投影法的車牌定位方法[J]. 劉軍,向軍,劉銀生.  公路工程. 2011(04)

碩士論文
[1]基于深度學(xué)習(xí)的車牌識(shí)別關(guān)鍵技術(shù)研究[D]. 李朝兵.電子科技大學(xué) 2018
[2]車牌字符識(shí)別技術(shù)的研究和實(shí)現(xiàn)[D]. 賴錕.合肥工業(yè)大學(xué) 2018
[3]基于深度學(xué)習(xí)的車牌識(shí)別算法研究[D]. 王恒.浙江工業(yè)大學(xué) 2017
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法研究[D]. 段萌.鄭州大學(xué) 2017
[5]復(fù)雜場(chǎng)景下的交通標(biāo)志識(shí)別技術(shù)研究[D]. 王昔鵬.合肥工業(yè)大學(xué) 2017
[6]復(fù)雜場(chǎng)景下的中國(guó)車牌識(shí)別研究[D]. 賀賽娜.哈爾濱工業(yè)大學(xué) 2017
[7]復(fù)雜背景下基于OpenCV的車牌識(shí)別系統(tǒng)研究[D]. 曾泉.廣東工業(yè)大學(xué) 2016
[8]基于同態(tài)濾波的圖像增強(qiáng)算法研究[D]. 程新.西安郵電大學(xué) 2016
[9]車牌圖像的可視性增強(qiáng)與傾斜校正研究[D]. 許超.合肥工業(yè)大學(xué) 2016
[10]復(fù)雜環(huán)境下的車牌識(shí)別系統(tǒng)關(guān)鍵技術(shù)研究[D]. 劉金陽(yáng).合肥工業(yè)大學(xué) 2016



本文編號(hào)：3383148