【摘要】：作為智能交通管理系統(tǒng)的主要支撐技術(shù)之一,車牌識(shí)別具有相當(dāng)?shù)难芯亢蛻?yīng)用價(jià)值。不同于傳統(tǒng)的車牌識(shí)別系統(tǒng),本文將基于內(nèi)容的圖像查詢(Content Based Image Retrieval,CBIR)技術(shù)應(yīng)用于車牌識(shí)別系統(tǒng),旨在解決如何快速、準(zhǔn)確地識(shí)別復(fù)雜環(huán)境下的單車牌和多車牌問題。本文的主要工作由以下三部分構(gòu)成：。 第一,針對(duì)如何提高復(fù)雜環(huán)境下車牌識(shí)別的準(zhǔn)確率,本文深入研究了CBIR的相關(guān)技術(shù)。并著重研究了其中的特征提取這一重要環(huán)節(jié)。由于該環(huán)節(jié)是CBIR技術(shù)的技術(shù)基礎(chǔ),對(duì)圖像檢索的效率與準(zhǔn)確率的影響最大。同時(shí),車牌識(shí)別系統(tǒng)中,關(guān)鍵技術(shù)也是車牌的特征提取。因此,本文針對(duì)車牌識(shí)別系統(tǒng)中的車牌特征提取,在所有的圖像特征當(dāng)中,選取對(duì)復(fù)雜環(huán)境具有較高的魯棒性的局部不變性特征SIFT,設(shè)計(jì)了一種基于SIFT特征的車牌定位方法,并改進(jìn)車牌匹配的特征數(shù)據(jù)庫(kù),用漢字與阿拉伯?dāng)?shù)字的組合模版擴(kuò)充了原僅為純漢字模版的特征庫(kù),消除一些偽漢字車牌并提高定位準(zhǔn)確率。對(duì)采集的106張質(zhì)量較差的單車牌圖片進(jìn)行定位,Matlab仿真實(shí)驗(yàn),定位準(zhǔn)確率達(dá)到96.23%。 第二,針對(duì)多車牌識(shí)別問題,在SIFT特征基礎(chǔ)上提出一種基于K-means聚類的多車牌定位方法用于車牌區(qū)域的粗定位,后續(xù)SIFT的多車牌精確的定位。Matlab上的仿真實(shí)驗(yàn),對(duì)采集的221張多車牌圖像中672個(gè)有效車牌進(jìn)行定位,定準(zhǔn)率達(dá)到97.92%,符合預(yù)期效果。 第三,針對(duì)如何提高識(shí)別速度,首先在SIFT特征匹配的相似性度量中采用棋盤距離與街區(qū)距離的線性組合來代替?zhèn)鹘y(tǒng)的歐氏距離,降低了計(jì)算量,從而提高了匹配速度；其后在匹配策略中運(yùn)用了基于K-D樹的改進(jìn)算法BBF算法,進(jìn)一步提高了匹配效率。最后在車牌局部特征提取的時(shí),應(yīng)用多種局部不變的特征提取算子進(jìn)行了魯棒性與速度等方面的綜合性能評(píng)估,依據(jù)重復(fù)性測(cè)量的方法,研判各個(gè)局部算子在車牌識(shí)別應(yīng)用中的性能優(yōu)劣。 最后,總結(jié)本文的創(chuàng)新點(diǎn)如下： (1)實(shí)現(xiàn)了CBIR技術(shù)與車牌識(shí)別技術(shù)的結(jié)合。本文用SIFT算法對(duì)車牌的局部特征進(jìn)行查詢,實(shí)現(xiàn)了車牌的精準(zhǔn)定位,將基于內(nèi)容的查詢優(yōu)勢(shì)應(yīng)用于車牌識(shí)別中,提高了車牌的定準(zhǔn)率； (2)實(shí)現(xiàn)了多車牌檢索。本文用K-Means算法將匹配特征點(diǎn)對(duì)聚類,找出點(diǎn)密集區(qū)域的中心點(diǎn),進(jìn)而進(jìn)行車牌候選區(qū)域粗定位,從而實(shí)現(xiàn)多車牌的檢索； (3)對(duì)多種局部算子進(jìn)行性能評(píng)估。本文對(duì)多種至少具備尺度不變性和旋轉(zhuǎn)不變性的局部算子進(jìn)行魯棒性與運(yùn)行速度的綜合評(píng)估,并運(yùn)用重復(fù)性測(cè)量的方法,通過實(shí)驗(yàn)驗(yàn)證它們?cè)谲嚺茩z索中的性能優(yōu)劣。
【圖文】：

圖2.6車牌圖像二值化圖2.6中k的值為0.48627。2.2.3圖像去噪圖像去噪是數(shù)字圖像處理技術(shù)中不可或缺的一個(gè)環(huán)節(jié)，因?yàn)樵趫D像傳輸以及數(shù)字化的過程中都會(huì)產(chǎn)生噪聲，而噪聲的存在可以導(dǎo)致圖像質(zhì)量的退化。光照和溫度都會(huì)給圖像帶來巨大的噪聲，而車牌圖像大多拍攝于實(shí)時(shí)路況，光照和溫度無處不在，大量噪聲的進(jìn)入對(duì)車牌檢索帶來了極大影響。噪聲的種類很多包括銳利噪聲、高斯噪聲、指數(shù)噪聲、伽馬噪聲和均R肷齲�，它们是根据噪声地概率分布擂o值摹Ｒ虼蘇攵圓煌腦肷嘈�，都俞呬去詺枘算法，下面綑{薌鋼殖Ｓ玫娜ピ胨惴ā

本文編號(hào)：2549240