本文關(guān)鍵詞：基于機(jī)器學(xué)習(xí)的車(chē)牌識(shí)別系統(tǒng)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著我國(guó)經(jīng)濟(jì)的發(fā)展和科技的提升,汽車(chē)保有量越來(lái)越高,每天產(chǎn)生的車(chē)牌數(shù)據(jù)量非常龐大。在這樣的背景下,需要發(fā)展智能交通系統(tǒng)來(lái)輔助交通監(jiān)控和管理,車(chē)牌識(shí)別是智能交通的基礎(chǔ),本文設(shè)計(jì)并實(shí)現(xiàn)了車(chē)牌識(shí)別軟件系統(tǒng)。車(chē)牌定位是整個(gè)車(chē)牌識(shí)別的基礎(chǔ),往往車(chē)牌識(shí)別不準(zhǔn)確,很大的原因是車(chē)牌區(qū)域識(shí)別不出來(lái)導(dǎo)致的。因此本文在車(chē)牌檢測(cè)方面采用了顏色和邊緣特征相結(jié)合的方法進(jìn)行車(chē)牌候選集提取,綜合了顏色和邊緣的優(yōu)點(diǎn),既有效的控制了時(shí)間復(fù)雜度,同時(shí)還提升了識(shí)別性能。然后對(duì)車(chē)牌候選集采用Bag Of Words的思想進(jìn)行車(chē)牌識(shí)別。即先對(duì)車(chē)牌區(qū)域提取SIFT特征,由于特征點(diǎn)數(shù)目各異,需要采用k-means算法對(duì)特征進(jìn)行聚類(lèi)形成視覺(jué)詞典,然后將SIFT特征映射視覺(jué)詞典形成得到特征直方圖,最后采用SVM對(duì)特征進(jìn)行識(shí)別分類(lèi)。車(chē)牌字符識(shí)別是車(chē)牌識(shí)別的最后處理步驟,為了提升識(shí)別特征的區(qū)分度,本文采用了投影直方圖特征和梯度方向直方圖特征相結(jié)合的特征進(jìn)行車(chē)牌字符識(shí)別。梯度直方圖圖特征是受HOG特征的啟發(fā),在圖像的局部特征檢測(cè)和識(shí)別方面取得了非常好的效果。實(shí)驗(yàn)結(jié)果表明本文采用的字符識(shí)別方法具有非常不錯(cuò)的識(shí)別率,對(duì)1000張高速監(jiān)控車(chē)牌取得了91.2%的識(shí)別率。
【關(guān)鍵詞】：車(chē)牌區(qū)域識(shí)別 SIFT特征 神經(jīng)網(wǎng)絡(luò) 投影直方圖
【學(xué)位授予單位】：東華理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-11
• 第一章 緒論11-17
• 1.1 研究背景及意義11-12
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀12-14
• 1.3 本文的研究?jī)?nèi)容及方法14-15
• 1.4 本文組織結(jié)構(gòu)15-17
• 第二章 車(chē)牌識(shí)別系統(tǒng)的總體設(shè)計(jì)17-21
• 2.1 車(chē)牌識(shí)別系統(tǒng)設(shè)計(jì)要求17
• 2.2 系統(tǒng)結(jié)構(gòu)方案17-18
• 2.3 本文車(chē)牌識(shí)別的創(chuàng)新點(diǎn)18-19
• 2.4 本章小結(jié)19-21
• 第三章 基于顏色和邊緣特征的車(chē)牌候選集提取21-43
• 3.1 基于顏色與邊緣特征相結(jié)合的車(chē)牌候選區(qū)域提取方法21-22
• 3.2 基于顏色的候選車(chē)牌區(qū)域提取方法22-35
• 3.2.1 RGB到HSV空間變換23-25
• 3.2.2 直方圖均衡化25-26
• 3.2.3 藍(lán)色和黃色分量檢測(cè)26-28
• 3.2.4 圖像閉操作28-29
• 3.2.5 圖像輪廓跟蹤29-30
• 3.2.6 車(chē)牌區(qū)域的確定30-32
• 3.2.7 車(chē)牌區(qū)域的傾斜較正32-33
• 3.2.8 基于顏色的車(chē)牌提取結(jié)果及問(wèn)題33-35
• 3.3 基于邊緣特征的候選車(chē)牌區(qū)域提取方法35-40
• 3.3.1 圖像灰度化處理35-36
• 3.3.2 圖像平滑去噪36-37
• 3.3.3 SOBEL算子邊緣提取37-38
• 3.3.4 圖像二值化38-39
• 3.3.5 基于邊緣特征的車(chē)牌提取結(jié)果39-40
• 3.4 基于顏色和邊緣特征候選車(chē)牌區(qū)域提取實(shí)驗(yàn)結(jié)果40-41
• 3.5 本章小結(jié)41-43
• 第四章 基于SVM的車(chē)牌識(shí)別43-61
• 4.1 車(chē)牌識(shí)別選用BOW模型的原因43-44
• 4.2 車(chē)牌區(qū)域的SIFT特征提取44-47
• 4.3 k-means算法對(duì)SIFT特征歸一化47-48
• 4.4 基于SVM對(duì)候選車(chē)牌進(jìn)行識(shí)別48-60
• 4.5 本章小結(jié)60-61
• 第五章 基于神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別61-75
• 5.1 神經(jīng)網(wǎng)絡(luò)概述61-64
• 5.1.1 神經(jīng)網(wǎng)絡(luò)基本概念61-63
• 5.1.2 神經(jīng)網(wǎng)絡(luò)在車(chē)牌字符識(shí)別的應(yīng)用63-64
• 5.2 車(chē)牌字符特征提取64-70
• 5.2.1 車(chē)牌圖像預(yù)處理64-67
• 5.2.2 投影直方圖特征提取67-68
• 5.2.3 梯度方向直方圖特征68-70
• 5.3 車(chē)牌字符識(shí)別的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)70
• 5.4 車(chē)牌字符識(shí)別神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測(cè)試70-74
• 5.5 本章小結(jié)74-75
• 總結(jié)和展望75-77
• 6.1 總結(jié)75
• 6.2 展望75-77
• 致謝77-79
• 參考文獻(xiàn)79-82

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前7條

1 楊正;;基于大數(shù)據(jù)架構(gòu)的智能交通解決方案[J];北京聯(lián)合大學(xué)學(xué)報(bào);2014年04期

2 趙保亞;魏彩喬;;基于邊緣檢測(cè)的鋼卷尺圖像二值化方法[J];現(xiàn)代制造工程;2012年12期

3 郭q諂

本文編號(hào)：391253