（物理电子学专业论文）基于小波和神经网络的车牌识别系统研究.pdf

中文摘要 车牌自动识别( l p r ) 技术是是智能交通系统( i t s ) 中一项非常重 要的技术。车牌识别系统主要包括三个部分：车牌定位、车牌字符分 割和车牌字符识别。本文针对车牌识别系统的三个关键技术进行了研 究并提出了相应的算法，论文研究工作具体体现在以下几个方面： ( 1 ) 从国内车牌的特点出发，提出了一种基于能量滤波和小波的 车牌定位方法。根据车牌在水平方向能量高且集中的特点构造一个能 量函数，能量滤波后获取车牌的大致位置，再由小波分析和形态学方 法准确确定车牌位置。仿真结果表明该方法取得了满意的效果。 ( 2 ) 针对车牌字符分割，提出了一种基于神经网络和颜色特征的 车牌字符分割方法。该方法直接对车牌的彩色图像进行处理，在判别 车牌类型的基础上，采用神经网络对车牌颜色进行识别，将彩色图像 转化为二值图像，最后结合投影法和字符连通性特点对字符进行分 割。r 与基于灰度图像的字符分割方法比较，该方法能更准确、清晰地 分割字符。 ( 3 ) 在进行车牌字符识别时，特征向量的选取与维数对识别结果 产生很大的影响。本文提出了一种基于小波包和z e r n i k e 矩特征提取的 车牌字符识别方法。对小波包系数和重构后所得图像的z e r n i 勋矩所组 成的特征空间进行降维处理后，将特征向量作为神经网络训练和分类 的参数对车牌中的数字进行识别，实验结果表明选用本文特征向量识 别效果良好。 ( 4 ) 根据国内汽车车牌中字符排列的特点，提出了一种基于s v m 混合网络的车牌字符识别方法。首先构造了汉字识别子网、英文字母 识别子网、英文字母与数字识别子网以及数字识别子网，并提取字符 的小波包系数和z e r n i k e 矩做为特征向量，然后在各个子网中采用s v m 方法对车牌字符进行识别。实验结果表明，采用本文方法的识别效果 优于肿神经网络及r b f 神经网络识别方法。 ( 5 ) 以高斯核为其核函数的支持向量机识别性能对惩罚因子c 和核函数参数盯的选取是敏感的。针对高斯核支持向量机在车牌字 符识别问题中的应用，提出了一种基于遗传算法的参数选择方法。 利用遗传算法对支持向量机的参数进行优化，最后在各个子网中分 别采用参数优化后的支持向量机对车牌字符进行识别，取得了令人 满意的识别率。 关键词：数学形态学，小波分析，神经网络，颜色特征，z e r n i k e 矩 a b s t r a c t v e h i c l el i c e n s ep l a t er e c o g n i t i o nt e c h n o l o g yi sv e r y i m p o r t a n ti ni n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m s t h e r ea r e t h r e ep r i m a r yp a r t si nv e h i c l el i c e n s ep l a t er e c o g n i t i o ns y s t e m ： l i c e n s ep l a t el o c a t i o n ，l i c e n s ep l a t ec h a r a c t e r ss e g m e n t a t i o n a n dl i c e n s ep l a t ec h a r a c t e r sr e c o g n i t i o n t h et h r e ep i v o t a l t e c h n o l o g i e sa r es t u d i e da n dc o r r e s p o n d i n gs e t t l em e t h o d sa r e p r e s e n t e di nt h i sp a p e r t h er e s e a r c hw o r ki sd e v e l o p e di nt h e f o l l o w i n ga s p e c t s ( 1 ) ak i n do fl o c a t i o nm e t h o do fv e h i c l eli c e n s ep l a t eb a s e d o ne n e r g yf i l t e ra n dw a v e l e ti sp r e s e n t e di nt h i sp a p e r t h e e n e r g yf u n c t i o ni sc o n s t r u c t e da c c o r d i n gt o t h eh i g ha n d c o n c e n t r a t e de n e r g yi nt h eh o r i z o n t a ld i r e c t i o n t h ev e h i c l e l i c e n s ep l a t ei m a g ei sr o u g h l yl o c a t e db ye n e r g yf i l t e r ，a n d t h el i c e n s ep l a t ei sa c c u r a t e l yl o c a t e db yw a v e l e ta n a l y s i sa n d as e r i e so fm o r p h o l o g i c a lo p e r a t i o n s t h ee x p e r i m e n t a lr e s u l t s d e m o n s t r a t et h ee f f i c i e n c yo ft h ep r o p o s e da p p r o a c h ( 2 ) ak i n do fs e g m e n t a t i o nm e t h o do fv e h i c l el i c e n s ep l a t e c h a r a c t e r sb a s e do nn e u r a ln e t w o r k sa n dc o l o rf e a t u r e i s p r e s e n t e d t h ev e h i c l el i c e n s ep l a t ei m a g e sa r eb i n a r i z e du s i n g b pn e u r a ln e t w o r ka f t e rt h ek i n d so ft h ev e h i c l e1i c e n s ep l a t e s m h a v eb e e nj u d g e d ，t h ev e h i c l el i c e n s ep l a t ec h a r a c t e r sa r e a c c u r a t e l ys e g m e n t e db yu s i n gt h ep r o j e c ti o nm e t h o da n dt h e c h a r a c t e r s c o n n e x i t y t h ee x p e r i m e n t a lr e s u l t sd e m o n s t r a t e t h ee f f i c i e n c yo ft h ep r o p o s e da p p r o a c h ( 3 ) t h ek i n da n dt h ed i m e n s i o no ft h ef e a t u r ev e c t o r sh a v e i m p o r t a n ti n f e c t i o no nv e h i c l el i c e n s ep l a t er e c o g n i t i o n a k i n do fc h a r a c t e rr e c o g n i t i o nm e t h o do ft h ev e h i c l el i c e n s e p l a t eb a s e do n t h ew a v e l e tp a c k e ta n dz e r n i k em o m e n t si s p r e s e n t e di nt h i sp a p e r t h ew a v e l e tp a c k e tc o e f f i c i e n t sa n d t h ez e r n i k em o m e n t sm a k eu pt h ef e a t u r e s p a c e ，w h i c h i s p r o c e s s e db yr e d u c i n gt h ed i m e n s i o n t h ed i g i t so ft h ev e h i c l e l i c e n s e p l a t e a r er e c o g n i z e d b yb pn e u r a ln e t w o r k t h e e x p e r i m e n t a lr e s u l t sd e m o n s t r a t et h ee f f i c i e n c yo ft h e p r o p o s e da p p r o a c h ( 4 ) ak i n do fc h a r a c t e rr e c o g n i t i o nm e t h o do ft h ev e h i c l e l i c e n s ep l a t eb a s e do ns u p p o r tv e c t o rm a c h i n e si sp r e s e n t e di n t h i s p a p e r f i r s t l y ， ac h i n e s ec h a r a c t e r r e c o g n i t i o n s u b n e t w o r k ，ae n g l i s hc h a r a c t e rr e c o g n i t i o ns u b n e t w o r k ，a c h i n e s ec h a r a c t e ra n d e n g l i s hc h a r a c t e rr e c o g n i t i o n s u b - n e t w o r ka n dad i g i t a lc h a r a c t e rr e c o g n i t i o ns u b n e t w o r k a r ec o n s t r u c t e df o rc h i n e s ev e h i c l e1 i c e n s ep l a t ec h a r a c t e r s p r o p e r t i e s t h e n ，t h ec h a r a c t e r sa r er e c o g n i z e db ys v mi ne v e r y s u b - n e t w o r k t h ee x p e r i m e n t a lr e s u l t s ：v e h i c l el i c e n s ep l a t e c h a r a c t e rr e c o g n i t i o nu s i n gs v mi sb e t t e rt h a nt h eb pn e u r a l n e t w o r b 宅a l l d 孙pn e u r a ln e t w o r k s ( 5 ) t h ep e r f o r m a n c eo fs v mw i t hg a u s sk e r n e li si n f l u e n c e d g r e a t l yb yt h ep e n a l t yp a r a m e t e rca n dt h es c a l ep a r a m e t e r0 ak i n do fm e t h o dt os e l e c tt h e s ep a r a m e t e r su s i n gg e n e t i c a l g o r i t h m s ( g a ) i sp r o p o s e db a s e do nt h es t u d yo fv e h i c l e l i c e n s ep l a t ec h a r a c t e r sr e c o g n i t i o n t h ec h a r a c t e r so ft h e v e h i c l eli c e n s ep l a t ea r er e c o g n i z e db ys w i t ho p t i m i z e d p a r a m e t e r si nv a r i o u ss u b n e t w o r k s 。t h ee x p e r i m e n t a lr e s u l t s d e m o n s t r a t et h ee f f i c i e n c yo ft h ep r o p o s e da p p r o a c h k e y w o r d s ：m a t h e m a t i c a lm o r p h o l o g y ，w a v e l e ta n a l y s i s ，n e u r a l n e t w o r k s ，c o l o rf e a t u r e ，z e r n i k em o m e n t s v 湖南师范大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下， 独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本 论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文 的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本 人完全意识到本声明的法律结果由本人承担。 学位论文作者签名：乎翻双j 巩研年月l 2 ，日 湖南师范大学学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定， 同意学校保留并向国家有关部门或机构送交论文的复印件和电子版， 允许论文被查闯和借阅。本人授权湖南师范大学可以将本学位论文的 全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫 描等复制手段保存和汇编本学位论文。 本学位论文属于 l 、保密口，在年解密后适用本授权书。 2 、不保密回。 ( 请在以上相应方框内打“”) 作者签名：乎柑剐 日期：矽7 年z 月胪日 导师签名：澈。l 穹法日期：砷年月2 日 基于小波和神经网络的车牌识别系统研究 第1 章绪论 1 1 车牌识别技术的研究背景 交通作为人们生活中不可或缺的一部分，在服务人类活动和社会发 展中起着重要的作用随着世界城市化的进程和汽车的普及，交通需求 急剧增长，不论是在发达国家还是在发展中国家，交通拥挤、道路阻塞、 交通事故频发等负面效应日趋严重，正威胁着人们的生活和社会的进 步，逐步成为经济和社会发展中的全球性共同关注的问题。 智能交通系统( i m e l l i g e 耐t r a n s p o r t a t i o ns y s t e m s ) 简称1 7 s ，是将先进的 计算机处理技术、信息技术、数据通信传输技术、自动控制技术、人工 智能及电子技术等有效地综合运用于交通运输管理体系，通过对交通 信息的实时采集、传输和处理，借助各种科技手段和设备对各种交通情 况进行协调和处理，建立一种在大范围内、全方位发挥作用的实时、准 确、高效的交通运输管理体系，使交通设施得以充分利用并能够提高交 通效率和安全。最终使交通运输服务和管理智能化，实现交通运输的集 约式发展。2 0 世纪6 0 年代末，美国就开始了智能运输系统方面的研究， 之后，欧洲，日本等也相继开展了此项技术的研究。我国1 t s 的开发研究 始于2 0 世纪8 0 年代后期，现已列入。九五”、“十五”科技发展计划和 2 0 1 0 年长期规划。 车牌识别技术( l i c e n s ep l a t er e c o g n i t i o n ) 简称l pr ，作为交通管理 自动化的重要手段和车辆检测系统的一个重要环节，在交通监控中占有 硕士学位论文 很重要的地位，车牌识别技术可以应用于以下一些领域： ( 1 ) 智能园区车辆管理。园区的业主入住时将自己的汽车进行登记， 将其车牌信息记录在计算机数据库中，应用车牌识别技术对进出车辆自 动识别，并根据数据库中的车牌数据判断是否是园区内的车辆，对园区 内的车辆放行并自动记录其出入园时间，而对园区外车辆则要求其登记 后方可进入。 ( 2 ) 高速公路超速自动化监管系统。以车牌识别技术为核心技术， 辅助其他高科技手段，建立高速公路超速无人值守的自动监测、自动布 控系统是解决高速公路上因超速造成交通事故的有效手段。 ( 3 ) 港口和机场、停车场及停车场管理。在停车场出、入口处设有 车牌自动识别系统对进出停车场的车辆自动识别，并根据数据库中的车 牌数据判断是否是已登记的车辆并自动记录其出入停车场时间，以便出 现车辆被盗等情况时查询。 ( 4 ) 公路和桥梁自动收费系统。在公路、桥梁收费入、出口分别完 成车牌号码识别和车牌认证工作，实现不停车收费：还可以根据识别出 的车牌号码从数据库中检索该车的相关资料，可以协助警察确认肇事车 辆。 ( 5 ) 城市监控系统，可用于城市交通车辆管理，在城市道路的主要 路口，应用车牌识别技术对违章车辆的号牌进行自动识别，可实现对欠 费、违章等问题车辆的稽查报警，可以为公安、监察机关对犯罪嫌疑人 所驾驶的车辆自动监控、跟踪提供高科技手段。此外，应用车牌识别还 可预测旅行时间并完成电子警察系统的交通管理。 基于小波和神经网络的车牌识别系统研究 智能交通系统( i t s ) 在我国尚属起步阶段，车牌识别技术在i t s 系统 中占有重要位置。随着计算机性能的提高和计算机视觉理论及技术的发 展，车牌识别技术将日趋成熟，它的推广普及，必将对交通信息化管理、 保障社会稳定等方面产生重大而深远的影响。 1 2 车牌识别系统的组成 车牌自动识别( l p r ) 技术是计算机视觉、图像处理技术与模式识别 技术的融合，是智能交通系统( r r s ) 中一项非常重要的技术。车牌识别系 统能从一幅图像中自动提取车牌图像，自动分割字符，进而对字符进行 识别，使得车辆的电脑化监控和管理成为现实。 对于车牌识别系统，有三个评价指标，即识别率、识别速度和后台 管理系统。当然，前提是系统要能够稳定可靠的运行。 车牌识别系统一般可顺序地分为车辆图像获取、车牌定位、车牌字 符分割和车牌字符识别等4 大部分。其组成如图1 - 1 所示： 像 豳1 - 1 车牌识别系统组成 其中车辆图像的采集方式决定了车牌识别的技术路线。目前国际 t s 通行的两条主流技术路线是自然光和红外光图像采集识别。 硕士学位论文 自然光路线是指白天利用自然光线，夜间采用辅助照明光源，用彩 色摄像机采集车辆彩色图像，用彩色图像处理方法识别车牌；红外光路 线是指利用车牌反光和红外光的光学特性，用红外摄像机采集车辆灰度 图像，然后用灰度图像处理方法识别车牌。本文实验所使用的车牌图像 是通过自然光路线采集得到的。 车牌识别系统主要工作流程是：当车辆通过关卡，经过车体位置传 感器的敏感区域时，传感器发送一个触发信号给图像采集控制部分。由 摄像机对车辆进行实时抓拍，对所采集的汽车图像进行预处理后送入电 脑，由车牌字符识别算法从输入图像中提取车牌照，然后对车牌照进行 字符分割，最后对分割出的车牌字符进行识别。 1 3 车牌识别技术的研究现状 目前，汽车牌照自动识别技术已成为模式识别和计算机视觉领域中 的热点课题，受到国内外学者的广泛关注，汽车牌照识别系统主要包括 三个部分：车牌定位、车牌字符分割、车牌字符识别。针对以上三个问 题，国内外已经提出了许多解决的方法。下面将分别对以上三个问题的 发展现状进行介绍。 1 。3 1 车牌定位方法研究现状 车牌的快速、准确定位是车牌识别系统中的核心问题，直接关系到 整个识别系统的成败。然而在现实中图像背景复杂，车辆种类繁多，颜色 变化多端，以及不同天气变化所导致的不同光照条件给车牌定位带来了 很大的困难，因此，车牌定位也是车牌识别系统中的难点问题。到目前 为止，对车牌定位已提出了多种方法，并在特定的条件下取得了较好的 基于小波和神经网络的车牌识别系统研究 效果。 总体而言，目前已提出的车牌定位方法主要是沿着两条技术路线进 行一种是基于灰度车牌图像的定位方法，另外一种是基于彩色车牌图 像的定位方法。这两种方法各有优势，基于灰度车牌图像的定位方法具 有更好的实时性；采用基于彩色车牌图像的定位方法，由于考虑了车牌 的颜色特征，因此比基于灰度车牌图像的定位方法能获得更好的定位效 果，但该方向也存在一些缺陷，定位速度较灰度车牌定位实时性差， 车牌图像颜色的正确识别是准确实现定位的前提。 ( 1 基于灰度车牌图像的定位方法概述 曹刚等提出了一种基于自适应能量滤波的快速车牌定位方法“1 ， 根据车牌在水平方向上能量高且集中的特点，先通过自适应的高通能量 滤波快速地粗分割出车牌的候选区域，再根据车牌较细致的纹理特征对 候选区域进行校验和修正，最终得到车牌的精确位置。戴青云等提出了 一种基于小波与形态学的车牌图像分割方法嘲，通过小波多尺度分解提 取出纹理清晰，具有不同空间分辨率、不同方向的边缘子图像。然后用 数学形态学方法对小波分解后的细节图像进行一系列的形态学处理，进 一步消除无用信息和噪声，以找准车牌位置。谭志标等提出了一种基于 纹理的快速车辆牌照分割方法嘲，利用对车牌特殊的纹理结构分析来实 现车牌定位左奇等提出了一种基于数学形态学的实时车牌图像分割 方法，在二维形态滤波过程中，自适应地调整阈值大小，以适应光照强 度及干扰强度的变化，同时把基于全像素点数学形态学处理的点运算转 化成仅有几十条直线的线运算，以使运算速度和抗干扰能力较其他传统 硕士学位论文 分析方法有显著提高。运用该方法实现了有噪声及复杂背景的车牌图像 定位。魏武等提出了一种基于垂直字符边界特征的车牌定位方法嘲， 通过车牌区字符垂直边界聚类，以获得字符的垂直边界点的类型。依据 垂直边界点的类型，来检测可行车牌区线段，完成车牌定位。熊军等提 出了基于字符纹理特征的快速定位算法饰1 ，结合有效的图像预处理增强 方法，通过对车牌一维字符特征搜索，从而完成定位过程。范勇等提 出了汽车牌照快速定位算法，利用汽车牌照尺寸、字间距、字数和字 体统一的纹理特征，采用了基于边缘检测和投影法相结合的牌照定位算 法和基于二值化和投影法相结合的牌照定位算法实现了车牌定位。冯国 进等提出了基于自适应投影方法的快速车牌定位方法”1 ，采用一种基于 自适应峰区检测与投影的快速车牌定位方法得到候选车牌区，然后根据 车牌区的特征筛选出车牌区。f e n gy a n g 等提出了基于直方图和数学形态 学的车牌定位方法嘲，通过粗定位和精确定位这两个过程来实现车牌的 提取。h o n g l i c m gb a i 等提出了基于边缘统计和形态学的车牌定位方法 “町，该方法主要通过垂直边缘检测、边缘统计分析、车牌区域的反复定 位和利用形态学进行车牌提取四个阶段来获取车牌图像。h o n g k ex u 等 提出了一种车牌先验知识的定位方法“”，对车牌图像进行灰度处理与滤 波后，通过分析车牌的纹理与像索信息对车牌图像进行粗定位，最后由 投影法得到车牌的精确定位。h o n g l f i m gb a i 等提出了一种复杂背景下 快速提取车牌图像的方法“4 ，采用边缘检测、数学形态学等多种处理方 式，从复杂的背景中获取车牌图像。 ( 2 ) 基于彩色车牌图像的车牌定位概述 6 基于小波和神经网络的车牌识别系统研究 樊孝宏等提出了一种基于纹理和颜色综合特征的车牌定位方法“盯， 根据车牌纹理及其几何形状的特点，提出了一种基于区域生成的车牌图 像定位薪方法。另外还提出了一种新的色彩分割方案，根据车牌的颜色 特征在车牌区域内进行色彩分割，进一步地精确定位车牌区域。王卫 等提出了基于颜色特征的车牌快速定位“”，首先根据原始图像得到一组 特定的色彩距离图谱，通过自适应熵阈值的选取快速分割出车牌的候选 区域，然后再根据车牌的纹理特征对候选区域进行筛选以得到车牌的精 确位置郭捷等提出了基于颜色和纹理分析的车牌定位方法“对，首先在 h s f 颜色空间进行距离和相似度计算，然后对输入图像进行颜色分割， 只有满足车牌颜色特性的区域，才进入下一步的处理。最后再利用纹理 及结构特征对分割出的颜色区域进行分析和进一步判断，并确定车牌区 域。李文举等提出了基于边缘颜色对的车牌定位新方法“，该方法抓住 了车牌背景与字符具有固定颜色搭配的重要特点，首先进行彩色边缘检 测，然后以每一边缘点为中心，垂直于边缘方向取一线形窗口，在窗口 内检测边缘点两侧像素的颜色是否分别匹配车牌的底色与字符颜色，若 是，则保留为候选车牌边缘点，然后进行形态滤波，剔除不符合车牌结 构特征的区域，最后对候选车牌区域进行纹理特征的分析以确定真实车 牌区域。任仙怡等提出了彩色汽车牌照定位方法“”，首先利用颜色信息 对输入图像进行彩色粗分割，得到了颜色为车牌照的一些区域，然后将 分割结果中的伪目标区域分为两类，分别进行处理，最终利用投影法得 到准确的车牌位置。s h p a r k 等提出了采用神经网络进行车牌定位o ”， 通过分析车牌区域的颜色特征和纹理特征，采用神经网络做为滤波器， 硕士学位论文 剔除伪车牌区域，从而提取车牌部分y a o q u a ny a n g 等提出了一种基于 颜色特征的车牌定位方法“，该方法充分利用了车牌字符和车牌底色的 颜色搭配的这一特点，并结合车牌的结构和纹理信息，取得了较高的定 位率。j i a n f e n gx u 等提出了一种基于颜色信息和边缘检测的车牌定位 方法啪1 ，首先运用s o b e l 算子对车牌图像进行边缘检测，然后采用神经网 络对选取的区域进行颜色识别，结合车牌的颜色特征来提取车牌。 虽然，上述各种车牌定位方法都具有一定的实用性和参考价值，但 大部分算法是针对特定的情况所提出的，因此具有一定的针对性和局限 性，还不能有效的解决背景复杂、车牌多、干扰多等实际场合应用问题。 车牌定位做为车牌识别系统的关键部分，直接关系到整个系统的识别效 能，因此寻求一个更具有适应性、实时性、鲁棒性的定位算法，还需要 做进一步探索与研究。 1 3 2 车牌字符分割方法研究现状 由于目前大多数字符识别算法是针对单独字符迸行识别，因此在准 、确地定位车牌后，需对车牌字符进行分割。针对车牌字符分割，目前已 提出了大量的分割算法。陈寅鹏等提出了一个基于模板匹配的字符分割 算法口”，该方法充分利用了车牌字符等宽、排列规则的特点，有效地解 决了车牌磨损、光照不均等条件下字符分割难的问题。陈艳等提出了 灰度图像中字符切分方法1 ，先将灰度图像的灰度值进行分级处理，然 后根据分级连通域的概念把整个图像构造成树状结构，然后确定主层次 级别，根据一定的规则在部分节点上进行合并、分割等进一步处理，最 后得到最优的切分结果。陈黎等提出了基于聚类分析的车牌字符分割 基于小波和神经网络的车牌识别系统研究 方法汹1 ，按照属于同一个字符的像素构成一个连通域的原则，并结合牌 照字符的固定高度、间距的固定比例关系等先验知识，实现了汽车牌照 在复杂背景条件下的字符切分问题。y u n g a n gz h a n g 等提出了利用 h o u g h 变换和先验知识的车牌字符分割算法，针对车牌字符分割中存 在噪声干扰、边框影响、铆钉和问隔符影响、车牌旋转、光照不均等问 题，采用了一种先分段，再利用h o u g h 变换拟合直线的水平分割方法和基 于先验知识约束的垂直分割方法，以实现车牌字符分割。刘奕等提出 了一种利用颜色信息的车牌字符分割方法，充分利用车牌的颜色信息， 根据车牌底色对不同分量进行加强，直接对彩色车牌进行字符分割。李 文举等提出了一种质量退化的车牌字符分割方法嗌1 ，首先对待处理车牌 进行预处理，然后对字符外轮廓垂直距离采用尺度自适应三次b 样条小 波变换进行字符的粗分割，最后应用基于目标占有率模板匹配的字符识 别反馈进行字符的精分割。s 。o n g w h a nl e e 等提出了一种基于灰度图像 的字符分割方法吲，与大部分字符分割方法不同，该方法根据字符特有 的物理特性，对灰度字符图像直接迸行分割。 实际上，有很多因素会影响车牌字符分割的准确性。首先，脱色、 泥点、反光等原因使车牌图像质量变差，存在严重噪声；此外，图像二 值化过程导致的部分信息丢失，造成待分割的车牌字符的字迹模糊，相 邻字符粘连，乃至残缺不全，这些因素都会容易引起分割错误。目前， 所提出的车牌字符分割方法，在特定的条件下取得了较好的分割效果， 但还不够完善。因此，如何充分利用车牌的先验知识，将有助于提出一 个更好的字符分割算法，进而提高整个识别系统的识别性能。 硕士学位论文 1 3 3 车牌字符识别方法研究现状 车牌字符识别做为识别系统的最后一个关键性环节，其识别性能的 好坏将直接对整个系统产生影响。车牌字符识别属于o c r 范畴，因此， 一些针对o c r 所提出的识别算法，对车牌字符识别具有一定的借鉴意 义。从目前所提出的车牌字符识别算法来看，主要是采用两种方法进行 识别，一种是采用模板匹配进行识别，而另外一种是采用人工神经网络 进行识别。 y o p i n gh u a n g 等提出了模板匹配的车牌字符识别方法汹1 ，该方法 对分割后的车牌字符进行模板匹配，从而得到车牌号。马俊莉等提出了 一种基于改进模板匹配的车牌字符识别方法，该方法在传统的模板匹 配方法的基础上，通过对字符特征区域的扩大和加强注意设计了一种改 进的模板，以达到更有效的匹配结果。王敏等提出了一种模板匹配和神 经网络的车牌字符识别方法，该方法集成了模板匹配识别车牌字符和 神经网络识别车牌字符的优势，有效地提高车牌字符的识别率、识别速 度和识别系统的容错能力。邢博等提出了一种新的车牌数字及字母字 符识别方法恤1 ，该方法定义了前景匹配度、背景匹配度和整体失配度3 种匹配测度进行模板匹配，匹配成功则直接获得识别结果，否则，对相 似字符情形应用特征区域模板匹配法，对其他情形应用空心模板匹配法 进行字符识别。童剑军等提出了车牌字符的一种精判别识别方法嘲，提 出了一种“子区域权值模板”车牌字符精判别方法，将车牌字符进行归 一化处理后，分为若干个子区域，针对不同的相似字赋予不同的子区域 权值模板，再进行进一步的相似字精判别，以提高系统的整体识别率。 基于小波和神经网络的车牌识别系统研究 在已提出的车牌字符识别算法中，除采用模板匹配识别字符外，更 多的采用神经网络进行字符识别，黄戈祥等提出了基于a r t 2 神经网络 的车牌字符识别1 该方法结合忍r n i k e 矩和a r t 2 神经网络的优点，对 车牌字符进行了识别金连文等提出了基于g a b o r 方向特征及神经网络 的车牌灰度字符图像识别，提出了一种利用网格技术和g a b o r 变换直 接从灰度图像进行特征提取的方法，并设计了一种集成型神经网络模型 ，+ “ 对车牌字符进行识别。黄卫等提出了基于小波包特征提取的车牌字符 识别嘲，采用了基于二维小波包的车牌字符特征提取方法，将获得的最 优小波包基作为车牌字符的特征。运用神经网络进行车牌字符分类。 m i c h a e ly , a u s t 等提出了采用了基予神经网络的车牌字符识别方法b 町，该 方法利用神经网络实现了车牌的定位与字符识别。 d e m e t r i o s m i c h a l o p o u l o s 等提出了基于b p 神经网络的车牌字符识别算法 b ”，利用b p 网络较强的模式分类能力对车牌字符进行了识别。 除了采用模板匹配和神经网络识别车牌字符外，还提出了其他的一 些字符识别方法。任俊等提出了基于支撑向量机和小波的字符识别嘲， 通过对字符图像水平和垂直两个方向的投影曲线分别进行小波分解，得 到投影曲线的近似表示。在近似曲线中提取字符的特征参数，用这些特 征参数构成特征矢量作为支撑向量机训练和分类的基本参数，再将特征 矢量输入支撑矢量机网络训练，最后通过树型分类识别模型识别字符。 陈友仁等提出了基于隐马尔可夫模型的车牌自动识别技术油1 ，用二维隐 马尔可夫模型方法来识别车牌中的汉字，用伪二维隐马尔可夫模型方法 来识别车牌中的英文字符及阿拉伯数字。 硕士学位论文 模板匹配是从字符的整体出发，通过计算模板和待测图像的相关性 进行识别，该方法识别速度快，但当车牌字符存在严重变形和旋转时， 将对识别结果产生严重的影响。神经网络由于其较强的曲线拟合及模式 分类能力，在字符识别中得到了广泛的应用。神经网络输入的判别特征 的选取和特征空间维数的大小对神经网络分类的准确性和识别速度产 生很大的影响。 1 4 本文主要工作及内容安排 车牌识别系统按顺序可分为车辆图像获取、车牌定位、车牌字符分 割和车牌字符识别四大部分，本文分别对车牌定位、车牌字符分割和车 牌字符识别方法进行了深入的研究，基于图像处理的相关理论，将模式 识别技术与神经网络技术、小波分析结合起来，分别提出了基于能量滤 波和小波的车牌定位方法，基于神经网络和颜色特征的车牌字符分割方 法，基于小波包和z e r n i k e 矩特征提取的车牌字符识别方法、基于s v m 混 合网络的车牌字符识别方法以及一种基于倒和支持向量机的车牌字符 识别方法。在m a t l a b7 0 软件平台上，本文对所提出的算法进行了实验 仿真，并通过与其他已提出的相关算法进行比较，验证了本文所提出算 法的优越性。 论文的具体内容安排如下： 第l 章首先介绍了车牌识别系统的的研究背景与组成，然后在研读 大量的中外文献的基础上，对车牌识别技术的研究现状从车牌定位、车 牌字符分割和车牌字符识别这三个方面进行了系统的阐述，最后介绍了 本论文所研究的内容及安排。 基于小波和神经网络的车牌识别系统研究 第2 章首先介绍了国内车牌的几何特点和纹理特征，然后对已提出 的车牌定位算法进行了研究，提出了一种基于能量滤波和小波的车牌定 位算法，并通过实验仿真指出了该算法的优缺点 第3 章针对国内汽车车牌特有的颜色特征与字符结构特点，提出了 一种基于神经网络和颜色特征的车牌字符分割方法。通过实验仿真，对 该方法所提出的利用神经网络实现车牌图像的二值化的方法和传统的 自适应二值化方法进行了比较，论证了该方法的有效性。 第4 章在介绍了已有的车牌字符识别算法以后，提出了一种基于小 波包和z e r n i k e 矩特征提取的车牌字符识别算法、基于s v m 混合网络的车 牌字符识别方法以及一种基于g x 和支持向量机的车牌字符识别方法， 通过与已提出的车牌字符识别算法进行比较，论证了本文所提出算法取 得了更好的识别效果 第5 章总结本论文的主要工作，并对车牌识别系统的发展趋势和应 用前景做出了展望。 基于小波和神经网络的车牌识别系统研究 第2 章车牌定位算法研究 2 1 引言 车牌定位就是指将车牌区域从复杂的汽车图像背景中分割出来，是 实现交通管理智能化的关键技术之一。其中车牌的快速、准确定位是车 牌识别系统中的核心问题，直接关系到识别的成败。针对国内车牌特殊 的几何特征和纹理特点，本章提出了一种基于能量滤波和小波的车牌定 位方法，通过对车牌进行粗定位和精确定位这两个过程来实现车牌的准 确定位。 2 2 国内汽车牌照介绍 我国机动车使用的牌照主要是根据公安部一九九二年颁布的中华 人民共和国机动车号牌标准( 6 6 9 2 ) 制作的。此外部队、武警等部 门的汽车牌照也有自己的标准。目前，中国大陆地区主要有四种类型牌 照，分别是中、小型民用汽车所用的蓝底白字牌照、大型民用汽车所用 的黄底黑字牌照、军警用白底黑字或红字牌照以及国外驻华机构用黑底 白字牌照。归纳起来我国汽车牌照图像主要有如下特点： ( 1 ) 机动车前牌照安装在车辆前端的中间或偏右，后牌照安装在车 辆后端的中间或偏左，车牌要求固定封装，横向水平安装，纵向基本垂 直于地面安装并不得倒置，不允许任何变形和遮盖。 ( 2 ) 标准车牌格式是：x ，x 2 x 3 ) ( i x 5 ) 【6 x 7 ，其中x ，是各省、直辖市和自治 区的简称，x 2 是英文字母，】【3 是英文字母或阿拉伯数字，x 。x 5 ) ( 6 ) 【，是阿拉 硕士学位论文 伯数字。 ( 3 ) 车辆牌照区域中底色与字符颜色对比大，且在字符与底色交界 处有较大的灰度值跳变。 ( 4 ) 牌照内有多个字符( 一般为7 个) ，基本成水平排列，形成一个矩 形区域，牌照的长宽比约为3 ：l 。 ( 5 ) 将车牌图像二值化后，字符灰度值和背景灰度值区别很大，对 二值化汽车图像进行横向扫描时，车牌区域的像素值跳变明显，并从牌 照的边界处开始呈现有规律的“谷，峰，谷”分布。而在其它区域，像 素值不跳变或跳变不密集分布。 2 3 基于能量滤波和小波的车牌定位算法 由于车辆种类繁多、颜色变化多端，以及天气及背景的差异给车牌 定位带来了很大的困难。现有的一些定位方法在特定条件下取得了较好 的效果，但尚有种种不足。基于彩色图像色彩信息的定位，当车牌 区域颜色与附近颜色非常相似的情况下定位错误增加且较难满足实时 性要求；用神经网络的方法定位“”同样较难满足实时性要求且难以解 决背景复杂的图像分割问题；用边缘检测的方法定位m 受限于图像边缘 的连续性。因此本章提出了一种基于能量滤波和小波分析相结合的车牌 定位算法。 该定位算法流程图如图争l 所示： 基于小波和神经网络的车牌识别系统研究 图2 - 1 车牌定位算法流程圈 2 4 算法的理论基础 2 4 1 小波分析 近年来，一种称为小波的数学理论和方法在科学界引起了广泛的关 注。从工程角度来讲，小波变换源于f o u r i e r 变换，是f o y e r 变换的新发 展，它继承了短时f o y e r 变换的局部化思想，同时又克服了它的不足之 处，是一种较理想的对信号进行局部化分析的工具。经过十几年的发展， 它已在信号处理与分析、地震信号与处理、语音信号识别、图像处理与 硕士学位论文 分析、尤其是图像编码等领域取得了突破性进展。 小波分析方法是一种窗口大小固定但其形状可改变，时间窗和频率 窗都可以改变的时频局部化分析方法。通过尺度从粗到细的不断变化。 小波变换可以逐步聚焦到分析对象的任何细节，把任何细微的变化充分 展示出来。图像小波变换是用一个低通滤波器j i ，和高通滤波器g 分别 对图像f ( k ，) 的每一行作滤波，并作隔点抽样，然后再用它们分别对图像 的每一列作滤波并作隔点抽样，最后得到图像的第1 层分解，其结果是 产生1 个近似图像l ( m ， ) 和3 个细节图像厶( 辨，糟) 其中，= l ，2 ，3 m 1 。 ( 1 ) 小波变换的基本概念 小波基是一个由单一的函数经伸缩，平移而产生的一簇函数，其 定义为： 哪蚓舻吲 ( 2 - 1 ) 其中，口表示伸缩因子，b 表示平移因子，y ( f ) 称为母小波。矿( ，) 经过平 移及伸缩变换后得到沙i 到，即可以产生不同的频率成分。 ial 小波变换的基本思想是将原始信号经过伸缩、平移等运算分解为一 系列具有不同空间分辨率、不同频率特性和方向特性的子带信号，这些 子带信号具有良好的时频特性，通过利用这些特性可以实现对信号的时 域、频域的局部分析。 ( 2 ) m a a t 算法蜘 设形 是一给定的多分辨分析，9 ( f ) 和j i c ，( f ) 是尺度函数和小波母函 数。 f ( t ) e( 为一确定整数) ，贝l j f ( t ) 在尺度_ ，上可以近似的表示为： 基手小波和神经网络的车牌识别系统研究 m f ( t ) - 兰a j f ( t ) = q 椰。( f ) + b 舢甲，嘶( f ) 由 钆，纺舢) = m ， 3 以后，所增加的细 节信息与所花的时间不成比例嘞1 考虑到车牌图像质量因素，本文采用 d b l 小波函数对图像进行一级分解。分解后得到的水平细节和垂直细节 图像如图2 - 6c a ) 和图2 _ 6 ( c ) 所示 分别对水平细节图像和垂直细节图像进行二值化处理后，利用形态 学进行膨胀、闭运算、腐蚀等一系列处理，得到水平细节和垂直细节的 二值化图如图2 - 6 ( b ) 和图2 - 6 ( d ) 所示图2 - 6 ( e ) 和图2 - 6 ( f ) 2 7 硕士学位论文 分别为水平和垂直方向投影图，通过水平投影图可以得到车牌边缘的纵 坐标。同样通过垂直投影图可以得到车牌边缘的横坐标。结合车牌尺寸 长宽比固定的先验知识，判断所得结果的正确性，最后得到车牌图像的 准确定位如图2 - 6 ( h ) 所示 ( a ) 小波分析后的水平细节图像( b ) 水平细节图馕二值化 ( c ) 小波分析后的垂直细节图像( d ) 垂直细节图像二值化 鲁蠢行 ( e ) 水平方向投影曲线 厂 蠢的列 ( f ) 垂直方向投影曲线 ( g ) 水平方向上精确定位( h ) 垂直方向上精确定位 图2 - 6 车牌精确定位过程 2 6 仿真结果及性能分析 本章对在交通路口、停车场等不同地方和不同天气、不同时间实拍 的2 6 0 张图像进行了分析。实验所使用微机配置为：c p u a m d 2 5 0 0 + ，内 存2 5 6 m ，分割算法采用m a t l a b 7 0 编程实现。实验结果表明，该方法定 位速度快且定位准确，每张车牌平均定位时间为3 6 2 s ，定位准确率达 基于小波和神经网络的车牌识别系统研究 9 6 2 。导致不能正确定位的主要原因有：( 1 ) 车牌位置下部有