（控制理论与控制工程专业论文）基于小波神经网络的车牌识别技术研究.pdf

l n a 巧i n gu n i v e r s i t yo f a e r o n a u t i c sa n d a s t r o n a u t i c s t h eg r a d u a t es c h o o l c o l l e g eo f a u t o m a t i o ne n g i n e e r i n g ：i i l l l l l l l l l 1 1 1 1 1 1 1 1 1 1 u 1 1 1 1 1 1 1 1 iy 18 0 5 r e s e a r c ho fl i c e n s ep l a t er e c o g n i t i o n t e c h n o l o g yb a s e d o nw a v e l e tn e u r a l n e t w o r k a t h e s i si n c o n t r o ls c i e n c e e n g i n e e r i n g b y x u ev a j u n a d v i s e db y a s s o c i a t ep r o f d i n gy o n g s u b m i t t e di np a r t i a lf u l f i l l m e n t o ft h er e q u i r e m e n t s f o r t h ed e g r e eo f m a s t e ro fe n g i n e e r i n g m a r c h ，2 0 1 0 承诺书 本人声明所呈交的硕士学位论文是本人在导师指导下进 行的研究工作及取得的研究成果。除了文中特别加以标注和致 谢的地方外，论文中不包含其他人已经发表或撰写过的研究成 果，也不包含为获得南京航空航天大学或其他教育机构的学位 或证书而使用过的材料。 本人授权南京航空航天大学可以将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、汇编学位论文。 ( 保密的学位论文在解密后适用本承诺书) 作者签名：j 邋 e t 期：2 翌也：至：! z d 1 络的车牌识别方法，设计并实现了车牌识别系统。 首先，针对车牌定位问题，利用提升方案对车辆图像进行小波分解，得到高频分量子图， 同时保留低频分量子图边缘，最终合成一幅能突出车牌区域的边缘图像，在此基础上根据车牌 自身的特征采用水平扫描法和垂直投影法定位车牌。由于基于提升小波的边缘检测算法可以减 少车身弱边缘，突出车牌区域，从而可以比较准确地定位出车牌。 其次，利用基于投影的字符分割法实现车牌字符的准确分割，然后根据组合矩对数字图像 具有平移、旋转、比例不变性的特点，有效地提取了字符的特征信息。 接着，针对传统小波神经网络基于均方差函数的梯度学习算法收敛速度慢和易于产生局部 极值点的缺点，利用熵函数准则在改善网络的收敛速度优于均方差函数准则的特点，提出了基 于相对熵准则的小波神经网络作为分类器的字符识别方法，采用相对熵函数作为小波神经网络 的代价函数，把基于组合矩特征提取方法得到的字符特征向量作为网络的输入进行识别。实验 结果表明，该方法可以使网络具有良好的逼近效果，同时加快了收敛速度，提高了识别率。 然后，针对复杂背景下的车牌定位问题，提出了一种基于改进的提升小波边缘检测算法和 形态学相结合的快速定位方法。该方法利用提升方案的剖分和预测算法得到图像的边缘，通过 对边缘图像进行形态学处理得到候选区域，最终根据可信度评价确定出车牌位置。仿真结果表 明，该方法实时性好，定位准确率高。 最后设计实现了一个车牌识别的原型系统，实验结果验证了所提方法的有效性，取得了较 好的效果。 关键词：相对熵，提升小波，车牌定位，小波神经网络，字符识别，形态学 基于小波神经网络的车牌识别技术研究 a b s t r a c t i t s ( i 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 ) w i l lb ea l li m p o r t a n tw a y o fi m p r o v i n gt h em a n a g e m e n t o ft r a n s p o r t a t i o ns y s t e m l p r ( l i c e n s ep l a t er e c o g n i t i o n ) t e c h n o l o g yi sac r u c i a lp a r to fi n t e l l i g e n t t r a n s p o r t a t i o n ，a n dt h ea p p l i c a t i o no fl p rt e c h n o l o g yi sb e c o m i n gm o r ee x t e n s i v ea n dw i l lc e r t a i n l y p l a yam o r ei m p o r t a n tr o l ei ni n t e l l i g e n tt r a f f i cm o n i t o r i n ga n dt r a f f i cm a n a g e m e n ts y s t e m t h e r e f o r e ， s t u d y i n ga n dd e v e l o p i n gl p rh a v ev e r ys i g n i f i c a n tp r a c t i c a la p p l i c a t i o nv a l u eo fi m p r o v i n gt h e m a n a g e m e n ta n da c c e l e r a t i n gt h em o d e r n i z a t i o no ft r a f f i cm a n a g e m e n t t h i sp a p e rm a i n l ys t u d i e st h e l i c e n s ep l a t er e c o g n i t i o nm e t h o db a s e do nl i f t i n gw a v e l e ta n dw a v e l e tn e u r a ln e t w o r k ，a n dal i c e n s e p l a t er e c o g n i t i o ns y s t e mh a sb e e nd e s i g n e da n di m p l e m e n t e d f i r s to fa l l ，i nt h es t a g eo fl i c e n s ep l a t el o c a t i o n ，t h ea v a i l a b l ei m a g ee d g ei se x t r a c t e db yl i f t i n g w a v e l e te d g ed e t e c t o r , w h i c hn o to n l yr e d u c e st h ew e a ke d g eo ft h ei m a g eb u ta l s op r o t r u d e st h e l i c e n s ep l a t er e g i o n a n dt h el i c e n s ep l a t er e g i o ni sd e t e c t e db yh o r i z o n t a ls c a na n dv e r t i c a lp r o j e c t i o n a c c o r d i n gt oi t so w n c h a r a c t e r i s t i c s s e c o n d l bt h ec h a r a c t e rs e g m e n t a t i o nb a s eo np r o j e c t i o ni su s e dt os e g m e n tt h el i c e n s ep l a t e c h a r a c t e rp r e c i s e l y c o n s i d e r i n gt h ea d v a n t a g eo fc o m b i n e di n v a r i a n tm o m e n tw i t hr o t a t i o n i n v a r i a n c e ，t r a n s l a t i o ni n v a r i a n c ea n ds c a l ei n v a r i a n c ef o rd i g i t a li m a g e ，t h ec h a r a c t e rf e a t u r ei s e x t r a c t e dw i t ht h ef e a t u r ee x t r a c t i o nb a s e do nc o m b i n e dm o m e n ti n v a r i a n t s t h i r d l y , ac l a s s i f i c a t i o nm e t h o db a s e do nw a v e l e tn e u r a ln e t w o r k 、7 l ，i t l lr e l a t i v ee n t r o p yi sp u t f o r w a r di nt h i sp a p e r t r a d i t i o n a lw a v e l e tn e u r a ln e t w o r kh a ss l o wc o n v e r g e n c es p e e da n di se a s yt o f a l li n t ol o c a ll e a s ts p o t t os o l v et h ep r o b l e m s ，t h er e l a t i v ee n t r o p yi su s e da st h ec o s tf u n c t i o no f w a v e l e tn e t w o r ki n s t e a do fm e a ns q u a r ed e v i a t i o n e x p e r i m e n ts h o w st h a tt h i sa l g o r i t h mc a ni m p r o v e a p p r o x i m a t i o na c c u r a c yo f n e t w o r k ，s p e e du pc o n v e r g e n c ea n di n c r e a s er e c o g n i z i n gr a t e t h el o c a t i n gt e c h n o l o g yo fv e h i c l el i c e n s ep l a t eu n d e rc o m p l e xs c e n e si sa l s od i s c u s s e di nt h i s p a p e r b a s e do nl i f t i n gw a v e l e ta n dm o r p h o l o g y , av e h i c l el i c e n s ep l a t el o c a t i o na l g o r i t h mu n d e r c o m p l e xs c e n e si sp r e s e n t e d c o m p u t e rs i m u l a t i o ns h o w s t h a tt h ep r o p o s e da p p r o a c hi sv e r ye f f e c t i v e a n df a s tf o rl o c a t i n gv e h i c l ep l a t e a tl a s t ，ap r o t o t y p es y s t e mo fv 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 mi sd e s i g n e da n d i m p l e m e n t e d ，w h i c hp r o v e st h ea f f e c t i v i t yo fa l g o r i t h m sd i s c u s s e da b o v eb ye x p e r i m e n t s k e y w o r d s ：r e l a t i v ee n t r o p y , l i f t i n gw a v e l e t ，l i c e n s ep l a t el o c a t i o n ，w a v e l e tn e u r a ln e t w o r k ，c h a r a c t e r r e c o g n i t i o n ，m o r p h o l o g y i l ，1 南京航空航天大学硕士学位论文 目录 第一章绪论l 1 1 课题研究的背景与意义1 1 2 车牌识别技术国内外的研究现状2 1 2 1 发展概述一2 1 2 2 车牌定位的研究现状4 1 2 3 字符识别的研究现状。5 1 2 4 国内车牌识别的特殊性。5 1 3 复杂背景下的车牌识别技术6 1 4 主要研究内容6 第二章提升小波和小波神经网络概述。8 2 1 提升小波理论8 2 1 1 小波分析基础8 2 1 2 基于提升方案的小波变换1 0 2 1 3 提升小波的特点1 l 2 2 小波神经网络算法1 2 2 2 1 小波神经网络的结构1 2 2 2 2 小波函数的选择1 5 2 2 3 小波神经网络的初始值选择1 5 2 2 4 小波神经网络的学习1 6 2 3 本章小结1 8 第三章基于提升小波的车牌定位与字符分割方法研究1 9 3 1 图像预处理1 9 3 1 1 图像灰度化1 9 3 1 2 图像增强2 0 3 1 3 基于提升小波的边缘检测2 2 3 1 3 1 基于提升小波的边缘检测算法2 2 3 。1 3 2 实验结果及分析2 3 3 1 4 二值化2 3 3 2 车牌定位2 5 i l l 基于小波神经网络的车牌识别技术研究 3 2 1 水平定位2 5 3 2 2 垂直定位2 6 3 3 车牌字符分割2 7 3 3 1 车牌图像二值化2 7 3 3 2 去除边框2 8 3 3 3 字符分割2 9 3 4 本章小结3 0 第四章基于优化小波神经网络的车牌字符识别3 l 4 1 车牌字符识别。3 l 4 1 1 车牌字符识别方法简介3 1 4 1 2 字符分类识别框图3 l 4 2 字符归一化3 2 4 3 字符特征提取3 3 4 3 1 车牌字符特征提取方法。3 3 4 3 2 基于组合矩的字符特征提取3 4 4 3 3 实验结果及分析3 6 4 4 基于相对熵函数准则的小波神经网络设计3 6 4 4 1 相对熵及其性质3 7 4 4 2 基于相对熵函数准则的小波神经网络算法3 8 4 4 3 仿真实例分析4 0 4 5 基于优化小波神经网络的字符分类器的设计4 3 4 5 1 数字字母分类器的设计4 3 4 5 2 汉字分类器的设计4 4 4 5 3 实验结果及分析4 4 4 6 本章小结4 5 第五章复杂背景下车牌定位方法的研究4 6 5 1 复杂背景下的车牌定位方法概述4 6 5 2 图像预处理。4 6 5 2 1 灰度处理。4 6 5 2 2 边缘检测4 7 5 3 车牌定位4 8 5 3 1 形态学处理4 8 5 3 1 1 数学形态学概述4 8 i v 5 4 仿真实验5 3 5 5 本章小结5 5 第六章车牌识别系统的设计与实现5 6 6 1 系统的体系结构设计5 6 6 1 1 系统框图5 6 6 1 2 系统设计5 7 6 1 2 1 系统开发环境5 7 6 1 2 2 各功能模块设计。5 7 6 1 2 3 系统软件界面设计6 3 6 2 系统运行结果与分析6 6 6 3 本章小结6 7 第七章总结与展望6 8 参考文献7 0 致谢。7 4 在学期间的研究成果及发表的学术论文。7 5 v 基于小波神经网络的车牌识别技术研究 图表清单 图1 1 车牌识别系统原理框图。4 图2 1 提升分解结构示意图1 1 图2 2 提升重构结构示意图l l 图2 3 松散型小波神经网络结构图1 3 图2 4 紧致型小波神经网络结构图1 3 图2 5 基于多分辨分析的小波神经网络结构图1 4 图2 6 小波神经网络结构图1 4 图2 7 小波神经网络算法流程图一1 7 图3 1 车辆图像预处理流程1 9 图3 2 车辆图像灰度化2 0 图3 3 原图像及其各灰度级直方图2 1 图3 4 均衡法处理后的图像及其各灰度级直方图2 1 图3 5 边缘检测后的车辆图像2 3 图3 6 二值化2 4 图3 7 车牌的水平区域2 6 图3 8 水平区域的垂直投影图2 6 图3 9 最终定位的车牌图2 7 图3 1 0 车牌图像二值化。2 8 图3 1 1 去除上边框流程图2 8 图3 1 2 去除边框2 9 图3 1 3 某车牌字符的投影图。2 9 图3 1 4 字符分割3 0 图4 1 字符识别分类设计结构图3 2 图4 2 字符归一化3 3 图4 3 小波神经网络结构图3 9 图4 4 实例1 仿真结果4 2 图4 5 实例2 仿真结果4 3 图4 6 分类器误差曲线4 5 图5 1 基于复杂背景的车牌定位流程图。4 6 南京航空航天大学硕士学位论文 图5 2 车辆图像灰度化 图5 3 边缘检测 图5 4 膨胀运算示意图 图5 5 腐蚀运算示意图 图5 6 边缘图像二值化一 图5 7 形态学处理5 1 图5 8 合并邻近区域5 1 图5 9 确定车牌5 3 图5 1 0 不同环境下的车牌定位结果。5 4 图6 1 车牌识别软件平台框图5 6 图6 2 车牌识别系统开发环境5 7 图6 3d h c g 3 0 0 采集卡5 8 图6 4 车辆图像采集程序流程图5 9 图6 5 车辆图像预处理流程图5 9 图6 6 车牌定位流程图6 1 图6 7 字符识别流程图6 l 图6 8 软件平台功能结构框图。6 3 图6 1 0 系统平台主框架界面6 4 图6 1 1 系统软件菜单界面一6 4 图6 1 2 系统运行界面。6 6 图6 1 3 车牌识别结果6 7 图6 1 4 实时处理结果6 7 表1 1 常用的车牌识别技术3 表2 1m o r l e t 母小波时域中心和半径1 6 表4 1 四种特征得取法的比较3 4 表4 2 各种不变矩的性能比较3 5 表4 3 两种特征提取方法下字符“浙”的不变矩数据3 6 表4 4 车牌数字字母二进制编码表4 4 表4 5 车牌汉字二进制编码表4 4 表4 6 小波神经网络对车牌字符的识别结果4 5 表5 1 车牌定位实验结果统计数据5 3 表6 1 识别结果统计6 6 v l i 基于小波神经网络的车牌识别技术研究 1 基本符号与名称 注释表 r r s l p r g p s 砌r s p c a m r a b p s d k a p i m f c c c d i n t e l l i g e n tt r a n s p o r ts y s t e m s l i c e n s ep l a t er e c o g n i t i o n g l o b a lp o s i t i o ns y s t e m 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 ns y s t e m p r i n c i p a lc o m p o n e n ta n a l y s i s m u l t i - r e s o l u t i o na n a l y s i s b a c k p r o p a g a t i o n s o t b , v a r ed e v e l o p m e n tk i t a p p l i c a t i o np r o g r a m m i n gi n t e r f a c e m i c r o s o f tf o u n d a t i o nc ：l a s s e s c h a r g ec o u p l e d d e v i c e 智能交通系统 车牌识别 全球定位系统 车牌识别系统 主成分分析 多分辨分析 反向传播 软件开发包 应用程序编程接口 微软基础类 电荷耦合元件 i i 南京航空航天大学硕士学位论文 第一章绪论 1 1 课题研究的背景与意义 随着二十一世纪经济全球化和信息时代的到来，计算机技术、通信技术和计算机网络技术 迅猛发展，自动化的信息处理能力和水平不断提高，并在人们社会活动和生活的各个领域得到 广泛应用，高速度、高效率的生活节奏，使汽车普及成为必然趋势。然而伴随而来的是社会对 交通运输的需求持续增长，城市发展面临着交通拥堵、交通事故频发、交通环境恶化以及能源 短缺等严重问题。传统的通过不断地修建和扩建道路的解决方法远远满足不了交通增长的需求。 上个世纪8 0 年代，虽然发达国家已建成了四通八达的现代化道路网，却仍然无法解决日益严重 的交通问题。为了利用高新技术来改造现有道路运输系统及其管理体系，从而大幅度地提高路 网的通行能力和服务质量，智能交通系统i t s ( i n t e l l i g e n t t r a n s p o r ts y s t e m s ) 【l 】的概念应运而生。 i t s 是上个世纪9 0 年代兴起的新一代交通运输系统，它以交通工程技术和汽车技术为基础，融合 了智能控制技术、计算机视觉和图像处理技术、模式识别技术、通信技术、传感器技术的最新 成果，进行交通运输管理，使人、车、路密切配合，和谐统一，从而建立起一种在大范围内、 全方位发挥作用的实时、准确、高效的交通综合管理系统，以提高交通运输系统的安全性，降 低能源消耗，减少环境污染，进而从整体上提高了交通经济性【2 。3 】。而车牌识另l j l p r ( l i c e n s ep l a t e r e c o g n i t i o n ) 技术作为智能交通系统的重要组成部分，其应用已经越来越广泛，在现代交通监 控及管理系统中发挥着越来越大的作用。 到了上个世纪末，伴随着我国经济的快速腾飞，机动车辆规模不断扩大。与此同时，公路 上违章违规的车辆也屡见不鲜，由此造成的交通事故、环境污染也日益严重。如何通过对道路 交通流信息进行实时检测，了解道路交通的运行情况，根据交通流的动态变化，迅速做出交通 诱导控制，减轻道路拥挤程度，减少车辆行车延误，降低发生交通事故的概率，保证道路交通 的安全性和高效性，已经日益成为迫切需要解决的问题。鉴于此，城市交通管理现代化水平的 提高势在必行，迫切需要采用高科技手段来实时监控和检测路上行驶的车辆，以加强交通管理 水平。针对这种情况，管理部门已经着手进行诸如交通信号自适应控制系统、智能交通监控系 统、g p s 车辆管理及导航系统、停车场自动收费系统、汽车牌照自动识别及车辆检测等智能化 交通管理系统的研制。由于汽车牌照是机动车辆管理的主要标志符号之一，因此车牌识别l p r 的研究就显得愈加重要。 车牌识别l r p 是智能交通系统i t s 中一个重要组成部分，是实现i t s 的前提。它在交通监 视和控制中占有重要的地位，有着多种应用，例如自动收费系统、不停车缴费、失窃车辆的查 寻、停车场车辆管理、特殊部门车辆的出入控制等等。同时，车牌识别的方法还可应用到其它 基于小波神经网络的车牌识别技术研究 检测和识别领域。所以车牌识别问题已经成为现代交通工程领域研究的重点和热点问题之一。 车牌识别系统主要安装于公路收费站、停车场、十字路口等交通关卡处，这些地方交通流 量很大，人工干预处理较为困难，使用车牌自动识别系统不仅大大提高了交通流量，同时也节 省了大量监管人力。研究车牌识别系统主要有以下几方面意义： ( 1 ) 交通监控 利用车牌识别系统的摄像设备，可以直接监视相应路段的交通状况，获得车辆密度、队长、 排队规模等交通信息，防范和观察监测交通事故。它还可以同雷达测速器或其他的检测器配合 使用，以检测超速的车辆。当发现车辆超速时，摄像机获取该车的图像，并得到该车的牌照号 码，然后发给该车超速的警告信号。若系统与动态称重仪结合，则可实时记录超重车辆的信息。 ( 2 ) 交通流量控制指标参数的测量 为达到交通流量控制的目标，一些交通流量指标的测量相当重要。通过车牌自动识别系统 测量和统计很多交通流量指标参数，如总的服务流量、总的行程时间、总的流入量和流出量、 车型、车流组成、车流量、车流高峰时间段、平均车速、车辆密度等，从而为交通诱导系统提 供必要的交通流量信息。 ( 3 ) 高速公路收费管理 高速公路逃费现象一直是高速公路管理急待解决的问题，尽管现在流行的入口发卡的收费 管理办法可以减少一些逃费现象，但仍有一部分在路中换卡逃费的现象发生。利用车牌识别技 术可完全杜绝逃费，并可与车辆管理部门合作实现追逃工作。 ( 4 ) 公路布控管理系统 由于能自动识别车牌号码，因而极易发现被盗车辆，以及定位出车辆在道路上的行驶位置。 这对防范、发现和追踪涉及车辆的犯罪，保护重要车辆( 例如运钞车) 的安全有重大作用，从而 对城市治安及交通安全起到重要的保障作用。 针对智能交通系统的发展趋势，本文的研究对于提高城市管理水平，加快交通管理，环境 保护现代化步伐具有重要的实际应用价值。 1 2 车牌识别技术国内外的研究现状 1 2 1 发展概述 对于车牌识别技术，国外早在上世纪8 0 年代后期就已经开始了研究。随着科技的不断进步， 国外已经有不少产品投入市场，新加坡o p t a s i a 公司的v l p r s 系列和以色列h i 1 e c h 公司的 s e e c a rs y s t e m 系列都是比较成熟的产品 4 1 。其中v l p r s 产品主要适合新加坡的车牌，h i - t e c h 公司的s e e c a rs y s t e m 有多种变形产品来适应某一个国家的车牌。另外日本、加拿大、德国、 意大利、英国等各个发达国家都有适合本国车牌的识别系统。 2 _一 南京航空航天大学硕士学位论文 国内到了9 0 年代也开始了车牌识别的研究。目前除了研究机构外，众多企业也投入资源 进行开发，投入市场的产品有汉王科技的智能交通产品汉王眼、川大智胜软件的z t 2 0 0 0 车牌 自动识别系统、深圳普得利软件的p l a t e d s p 车牌识别系统等。另外部分高校也做了类似的研 究，比如西安交通大学的图像处理和识别研究室、清华大学的人工智能国家重点实验室等。 发达国家的l p r 系统在实际交通系统中已成功应用，而车牌识别技术在我国直到近年才得 到一定的应用。 车牌识别技术就其识别基础来看，主要可分为间接法和直接法两种：间接法是基于i c 卡或 基于条形码等的识别；直接法是基于图像的汽车车牌识别，是一种无源型车牌智能识别方法。 表1 1 给出了目前几种主要应用技术，包括i c 卡识别技术、条形码识别技术【5 1 、图像处理 技术【q 。 表1 1 常用的车牌识别技术 本文主要研究基于图像的车牌识别方法。 典型的基于图像的车牌识别系统由车辆检测、图像采集、车牌识别等环节构成。图1 1 是 车牌识别系统原理框图，其中车牌定位、字符识别是车牌识别的关键技术。 3 基于小波神经网络的车牌识别技术研究 r 一一一一一。一。- 一一4 。- 一。一一一。一一一1 ： 车牌识别 ： 图 图 车 字 字 像 牌 符 符 。 像 预 识 采 一 处 预 定 分 触 集 车 理 处 位牌 割 字 别 发辆 埋 铽 删 1 j 嚼锋 信 图 后 图图 号像 图像像 像 1 2 2 车牌定位的研究现状 图1 1 车牌识别系统原理框图 识 别 结 果 车牌定位的研究，国外起步早，目前比较好的定位方法有t a n o n g s a ks i r t h i n a p h o n g 和k o s i n c h a m m o n t h a i 4 1 - 提 的基于b p 神经网络的车牌定位方法；m h t e rb r u g g e t t l 等人提出的利用 d t c n n 和模糊逻辑相结合的方法；1 l z u n i n o 和s r o v e t t a s l 提出的基于矢量量化的牌照定位方 法等。上述方法，尽管在一定的条件下能够定位出车牌，但是利用摄像机拍摄的汽车图像，在 很大程度上存在许多客观的干扰，如天气、背景、车牌磨损、图像倾斜等因素，因此定位不是 很理想。自从上个世纪9 0 年代以来，我国也开始对车牌定位进行深入的研究，并取得了一定的 成效。比较好的定位算法有基于字符纹理特础9 1 的方法，基于水平灰度变化特征1 川的方法，基 于神经网络的方法，基于彩色分割1 刁的方法等。 基于字符纹理特征的方法是根据车牌纹理的角点特性，用大阈值突出显示车牌区域的角 点，利用滑动窗粗选车牌区域，然后用小阈值实现精确定位。该方法比较简单，可以快速定位， 但对边缘较多的情况难以适应。 基于水平灰度变化特征的方法是根据车牌区域相对于非车牌区域灰度变化比较频繁这一 特征，对车牌图像进行二值化差分，然后利用水平扫描法进行水平定位，利用投影法进行垂直 定位。该方法计算量少，实时性好，但难以区分广告、车灯等干扰信息。 基于神经网络的方法是将图像转换为灰度图像，然后把全部灰度值作为输入向量，通过神 经网络输出值判定车牌区域。这种方法在特定环境下定位准确率比较高，但其计算量较大。 基于彩色分割的方法是利用车牌颜色这一重要信息来实现车牌分割的。该方法可以消除阴 影影响，能够准确定位车牌，但由于背影颜色往往比较多，存在定位时间太长的问题 这些车牌定位方法都具有一定的实用性和参考价值，然而都存在其局限性，只有综合各种 方法的优势，才能不断完善车牌定位方法。 4 南京航空航天大学硕士学位论文 1 2 3 字符识别的研究现状 字符识别是车牌识别系统的一个重要组成部分，也是本文研究的重点。文献 1 3 1 4 给出了 车牌字符识别的一些常用方法。目前用于车牌字符识别中的算法主要有基于模板匹配的方法 【1 5 】、基于特征匹配的方法【1 6 1 以及基于人工神经网络的方法【1 7 1 。 基于模板匹配的字符识别的基本过程是：首先将待识别字符进行二值化，并对其尺寸大小 归一化为字符数据库中模板的大小，然后与所有的模板进行匹配，最后选最佳匹配作为结果。该方 法实现简单，当字符较规整时对字符图像的缺损和污迹干扰适应力强且识别率相当高，但对字 符的旋转、缩放、变形容忍度低。 基于特征匹配的字符识别过程是：首先提取字符的相关特征，然后利用这些特征进行字符 匹配，选择最接近匹配结果。基于特征匹配的算法效率比模板匹配算法更好，但特征的提取比 较因难。 近年来，人工神经网络以其抗噪声、容错、自适应、自学习能力强，融合预处理和识别于一 体。识别速度快等特点受到人们重视，在字符识别技术中得到了广泛应用。用人工神经网络进行 字符识别主要有两种方法：一种方法是先对待识别字符进行特征提取，然后用所获得的特征来训 练神经网络分类器。这种网络的识别效果与字符特征的提取有关，而字符特征的提取比较困难； 另一种方法则充分利用神经网络的特点，不进行特征提取，直接把待处理图像输入网络，由网络自 动实现特征提取直至识别，这种网络信息处理量很大，但是随着和计算机硬件性能价格比的提高， 其性能将会进一步得到改善。 由于人工神经网络技术抛开了传统的计算结构和相应的算法，采用了生物神经网络的模型， 因此它能较好地实现人类存储知识及处理信息的机能，使系统可以模拟人类思维，对需要处理 和解决的问题进行记忆、联想、推理，从而较好地解决了车牌识别中所提出的因字符残缺不完 整而无法识别的问题。另外人工神经网络技术应用于车牌识别领域与传统方法相比，还可以避 免繁重的数据分析和数学建模工作，可以将信息存储与处理并行起来，大大提高了运行速度， 因此受到人们的广泛关注。 1 2 4 国内车牌识别的特殊性 目前我国车牌识别技术面临的主要问题有： ( 1 ) 我国汽车牌照的规范悬挂位置不唯一，这给车牌检测和定位带来了难度； ( 2 ) 国外许多国家汽车牌照的底色和字符颜色通常只有对比度较强的两种颜色( 例如韩国， 其车牌底色为红色，车牌上的字符为白色) ，而我国汽车牌照仅底色就有蓝、黄、黑、白等多种 颜色，字符颜色也有黑、红、白等若干种颜色。还有其他国家的汽车牌照格式( 如汽车牌照的 尺寸大小，牌照上字符的排列等) 通常只有一种，而我国则根据不同车辆、车型、用途，规定 5 基于小波神经网络的车牌识别技术研究 了多种牌照格式( 例如分为军车、警车、普通车等) 。从而导致简单的分割算法就难以进行正确 字符分割，需要复杂的字符分割算法； ( 3 ) 我国标准汽车牌照是由汉字、英文字母和阿拉伯数字组成，汉字的识别与字母和数字 的识别有很大的不同，从而增加了字