姜滔[1]2002年在《基于模式识别的图像处理及其在车牌识别中的应用》文中指出基于模式识别的图像处理是图像识别领域重要的研究和发展方向之一。基于图像的车辆牌照自动识别是计算机视觉与模式识别技术在智能交通领域的重要应用，是实现交通管理智能化的重要环节。 本文的研究内容是基于模式识别的图像处理方法研究及其在车牌识别系统中的应用。文中以模式识别为基本理论平台，以图像处理技术为基本手段，结合新兴领域的理论工具(小波分析，神经网络等)，分别对图像分割，图像特征提取，图像分类识别叁个问题作了系统研究，并提出了有效的解决方法。 本文对基于模式识别的图像处理过程分叁个主要阶段进行研究： 1)图像分割阶段：提出基于知识的多层多特征变换域(特征空间)的判别分割方法。并应用于车牌分割问题，提出基于小波与神经元模式识别的车牌图像分割方法； 2)特征提取阶段：将结构特征提取方法和统计特征提取方法的紧密有机结合，提出一种基于小波和矩的车牌图像字符特征向量提取方法； 3)分类识别阶段：对智能识别技术进行研究，提出智能识别机的模型结构，对识别机的基本层次结构和设计方法进行初探；并针对多特征方法进行一定的研究； 本文提出的基于模式识别的图像处理方法对其他领域的图像处理具有一定的参考价值。
蔡俊伟[2]2007年在《车牌识别方法及其在智能车辆安检系统中的应用研究》文中研究指明车牌识别是一项涉及到数字图像处理、计算机视觉、模式识别、人工智能等多门学科的技术,它在智能交通系统中占有很重要的地位,在智能车辆安检系统中也有其用武之地。车牌识别一般可以分为图像预处理、车牌定位、字符分割和字符识别四个主要组成部分。针对目前车牌识别技术存在的一些问题,本文着重研究了车牌识别的各项关键技术,在分析了近年来一些典型的车牌识别算法的基础上,最终确定一系列有效的算法对车牌进行识别。首先分析了车牌识别的研究现状和发展趋势,并介绍了用到的数字图像处理相关知识。在车牌定位技术上提出了一种基于Canny边缘检测算子和水平扫描线相结合的新方法,取得了很好的定位效果。在分析了常用的几种分割方法后采用回扫法对车牌字符进行分割,能有效分割出字符区域。最后将数字图像处理中的虚光蒙版技术应用到字符识别中,增强了图像的有效信息,并利用改进的匹配模板提高了字符识别率,取得了很好的识别效果。最后本文研究了车牌识别技术在智能车辆安检系统中的应用,并给出了系统结构和关键技术。本文研究的内容经过实验证明确实有效,对车牌识别方法及其在智能车辆安检系统中的应用提供了切实可行的解决方案,具有很好的理论与实际意义。
薛志文[3]2016年在《基于模式识别的图像处理及其在车牌识别中的应用》文中指出随着电子计算机的不断发展进步,利用电脑系统对车牌进行电子识别与分析已经成为一个日益受关注的发展领域.基于模式识别的图像处理应用于车牌识别中,不仅有利于提升车牌识别的准确率,还会提升相关人员的工作效率.因此,从车牌识别与模式识别技术现状、基于模式识别理论的图像分割研究和应用、模式识别方法在图像字符特征提取中的研究和应用、模式识别方法在图像字符识别中的研究和应用四大方面进行深入研究,具有很强的实践意义和理论意义.
冯知凡[4]2011年在《基于图像处理及BP神经网络的车牌识别技术的研究》文中提出车牌识别系统(License Plate Recognition, LPR)在智能交通系统中占有非常重要的地位。同时,在智能交通领域的应用中,有很多基于图像处理、模式识别及机器视觉技术的研究课题,而其中重点之一即是车牌的自动识别,其主要包括车牌定位、倾斜矫正、字符分割及字符识别等四个部分。目前,车牌定位算法有很多种,且大部分都基于一定的理论知识体系,主要为:图像彩色信息、纹理分析、边缘检测、数学形态学、遗传学及神经网络,等等。车牌倾斜矫正主要有以下几种方法:基于几何与纹理分析的方法、基于Hough直线检测的方法及基于边缘检测的方法等。车牌字符分割主要有以下几种方法:基于纹理和投影特征的方法、基于SVM(Support Vector Machine,支持向量机)的聚类方法、基于区域生长的分割算法及基于先验知识的马尔可夫模型分割算法等。车牌字符识别主要有以下几种方法:模式匹配法、特征分类法及基于神经网络的分类方法等。充分考虑到汽车牌照在实际拍摄中往往存在着噪声污染、畸变扭曲、字符断裂、光照不均、车牌尺寸颜色多样化等不良因素,并在参考前人研究并综合考虑各种算法的优缺点的基础上,本论文提出了一套改进型车牌识别算法。在车牌定位部分,利用车牌纹理特征、投影特征及形状特征(长宽比)等有效信息,并应用Sobel y方向边缘检测、一阶水平差分、曲线平滑、波峰波谷检测法及波峰区域合并法,快速准确地实现车牌定位。在倾斜矫正部分,利用车牌字符的纹理分布特征,避免了车牌边缘被污染或不存在的影响及Hough直线检测复杂运算。在字符分割部分,在充分利用车牌字符的纹理特征、面积分布特征及形状特征(长宽比)等先验知识的前提下,结合投影特征和连通域特征来实现字符分割。在字符识别部分,采用了基于BP(Back Propagation,反向传播)神经网络的字符识别方法。同时,整个算法处理过程还应用到灰度变换、Otsu(Otsu,最大类间方差法)自适应阈值二值化、图像滤波、边缘检测等。本文首先介绍了车牌识别技术的研究背景及研究现状,并阐述了本文的主要研究内容、创新点及论文组织结构。其次介绍了一些本文应用到的相关知识及系统理论,包括数字图像处理的基础知识及其在相关方面的应用,数学形态学的基础知识及其在图像处理中的应用,BP神经网络理论基础及其在模式识别方面的应用。然后从车牌定位、车牌字符分割及车牌字符识别叁个部分对本论文车牌识别算法进行了详细分析与介绍。最后从系统级上介绍了车牌识别技术的实现,对本论文算法进行仿真,并对结果进行分析、总结。实验证明,本论文中所述的改进型的车牌识别算法准确、有效、可靠。
张翔[5]2014年在《复杂交通场景的图像增强及其在车牌识别中的应用》文中研究指明图像处理技术随着科学技术的日异月新快速发展起来并逐渐得到人们越来越多的重视。与此同时,社会经济的繁荣促使交通工具呈现出缤纷多姿的态势,给人们出行提供了方便的同时,也导致我国绝大多数地方交通场景的复杂性。面对错综复杂的交通场景,加之较多的车流量及来回穿梭的车辆和行人交织在一起,非常混乱,在很大程度上导致车牌识别的困难,也给人们的出行及交通部门的工作带来了很大的障碍。近年来,网络技术呈现快速发展的态势,车牌识别技术凸显出其尤为重要的地位,其重要性不言而喻。车牌识别技术不仅涉及到常用的计算机技术以及前面所述的图像处理技术,同时也涵盖了模式识别以及新兴的人工智能和神经网络等一系列的先进技术。目前,车牌识别技术在国家倡导的智能交通领域占有很重要的地位,不仅如此,在当今的ETC以及智能化的车辆安检领域也具有很重要的意义。通常而言,车牌识别技术包括对于图像的预处理以及车牌的定位还有车牌上字符和号码的分割、对于车牌的定位等部分,车牌识别效率与车辆的运动以及自然环境的状况密切相关。因此,研究复杂交通环境背景下的图像增强技术并进一步将其应用到车牌识别中具有很重要的意义。本文主要通过对图像增强相关理论知识的阐述,以此为基础,对图像增强算法进行深入探讨,并结合实际,针对图像增强在复杂交通场景中车牌识别技术的相关应用进行详细分析,经过具体的实验证明解决目前复杂交通场景中图像增强技术及相关算法,以此来提升对复杂交通场景中车牌的识别。本文在具体研究的过程中,还集中关注了当下车牌识别中的一些核心技术和算法,经过分析、整合最后确定了有效的算法进行对车牌的识别。针对目前市场上车牌识别效率低下,准确率较低等现象,本文将通过相应的算法均加以改进。针对图像处理前期的一些问题,如:图像中存在噪声以及车辆运动造成的模糊的去除还有图像噪声产生的原因,图像增强等技术进行了详细的阐述。进而引进了常用的图像中增强算法,为后期图像辨别和增强效果的提高打下基础。基于上述几种图像增强算法,最后提出了一种改进的图像模糊参数估计算法,这是一种基于radon变换的算法。先借助对于参数估计后得到的结果进行维纳滤波,接着进行图像的复原。在整体结构的安排上,首先对于复杂交通场景的图像增强技术以及一些车牌识别中会用到的关键技术进行阐述。并介绍了在图像增强技术和车牌识别技术中会用到的关键技术,对图像的分割算法以及文字匹配等进行了研究和实验仿真等,最后,将复杂交通场景中的图像增强技术具体应用在车牌识别过程之中,具体包括图像增强算法在车牌识别中的应用、模糊尺度估计、基于模糊参数的图像去模糊及仿真实验,经过实际的实验证明本研究能够很好地解决目前车牌识别中存在的一部分问题,本方案对于实际的应用具有很强的参考价值。
张庆[6]2017年在《车牌识别算法及其在QT平台上的实现》文中认为由于机动车数量的急剧增长,普通的交通管理方式无法满足对现有车辆的管理和流量调控的需求。智能交通系统概念的提出是为了建立更加智能化、快捷化和自动化的交通系统,以缓解交通的拥堵的问题。而智能交通的核心的技术之一就是车牌识别技术,车牌识别技术的研究对于建立智能交通系统提供了坚定的技术基础。车牌区域的定位和车牌字符的识别作为车牌识别系统的两个核心部分,决定着整个系统的性能。本文通过对车牌识别系统的文献的大量阅读和研究后,通过综合的学习和比较,设计并实现了基于图像能量和神经网络的车牌识别系统,并采用Qt平台完成了系统简易界面的设计。通过对常用车牌区域定位算法的研究和总结,实现了基于图像能量的车牌定位算法,并在试验中进行了验证。该算法首先构造预处理后的灰度车牌图像的能量图像,然后初步定位出能量图像中能量最大的叁个候选区域,最终筛选和验证初步定位出的候选区域,完成车牌区域的准确定位并得到车牌区域。通过对常用的车牌字符识别算法的深入研究和对比后,采用二级BP神经网络的方法作为车牌识别系统的字符识别方法。该算法改进了字符特征的提取方法,并采取了二级的BP神经网络:第一级包括字符网络和数字字母网络,第二级是相似字符网络。大量实验证明,通过构造相似字符网络可以很大程度的提高字符识别率。本系统基于Qt开发平台设计车牌识别系统的GUI界面,具有一定的可操作性及对不同的硬件平台的跨平台特性。实验结果表明,本车牌识别软件系统可以识别不同角度,不同距离和不同光照环境条件下拍摄到的车牌图像。由于引入Qt,方便软件分别在Win+PC机或Linux+ARM系统上运行,具较强的应用前景。
葛晓玢[7]2014年在《神经网络算法研究及其在车牌识别中的应用》文中研究指明经济发展迅速、汽车数量迅猛增加是我国现在的特点之一，我国加大了许多基础设施的发展，其中作为基础设施之一的公路交通开始被重视。交通管理发展的主要要点是在大力发展电子信息技术的基础上力求管理以及交通等方面的高效率，使得智能交管系统朝着更加稳定的方向发展。为了增强交通管理的现代化和智能化，车牌自动识别技术是其关键。拥有广泛应用前景的车牌自动识别技术较传统的车辆管理方法，不仅在管理效率和水平上优势明显，而且还节约人力和物力。使得车辆管理朝着越来越科学化和规范化的方向发展，保障了交通安全。在模式认知的广阔领域中，研究方向有所转变，神经网络开始为其核心。在与其它较为古老的方法比较当中，神经网络系统有着非常明显的优点：并行性较高、不是线性的、较高的冗余，非线性度很高、自己学习的能力、自己组织的能力等等。随着人们对智能交管系统中车牌识别精准度要求的不断提高，将神经网络理论用在车牌识别中是很有意义和价值的。本文首先研究了车牌识别已经有的相关技术，并对国内、国外在这个方面的研究状况也做了分析。然后提出在车牌照字符识别的过程中以把BP神经网络与图形处理结合在一起的方式，应用BP对车牌图像进行大量相关的一系列处理，如图像的灰度化处理、将车牌图像进行二值化、切分车牌字符图像、车牌字符图像的归一化处理、将车牌图像字符的特征给提取出来。灰度化、二值化、字符切分、归一化是以更好的体现出字符信息、有利于特征值提取为目的。本文在对BP神经网络的算法进行了若干优化和改变的基础上，对BP网络进行训练时提出了辅以动量的梯度下降法，取得了良好效果：不仅振荡趋势得以减小，在速度的收敛方面也得到了改善，最终顺利完成车牌字符识别。98.48%识别率的实验结果表明，将神经网络技术应用于图形图像处理中的方法，具有较好效果，是可行的。
姚宇良[8]2004年在《汽车牌照识别系统及其在智能卡口中的应用》文中研究说明随着我国国民经济的飞速发展，高速公路日渐增多，对道路的安全控制要求也日渐提高，智能卡口系统已成为现代交通工程领域的重点发展方向之一；汽车牌照识别系统作为智能卡口系统的核心，起着举足轻重的作用。而汽车牌照识别技术尚处于不成熟阶段，还有待进一步的研究，以接受实际应用的考验。本文就是研究汽车牌照识别系统及其在智能卡口中的应用，先结合工程实践讨论了智能卡口系统的系统结构、工作原理、硬件组成等内容。 鉴于以往方法的优缺点，本文提出的车牌定位的方法是在预处理的基础上，对图像进行水平差分边缘检测后，利用数学形态学和水平、垂直投影相结合的方法来实现。 车牌提取出来以后进行多步识别前的预处理，然后是对分割好的字符进行识别，本文使用的是采用改进措施的BP神经网络。本文最后还讨论了日渐增多的双排文字牌照的识别思路。经过一系列的实验表明，本文设计的流程能实现较好的识别率。
周燕[9]2008年在《实时车牌识别研究及其在智能交通系统中的应用》文中认为智能运输系统是21世纪现代化交通运输体系的重要发展方向,它是一种信息化、智能化、社会化的新型现代交通系统。随着社会经济的不断发展和人们生活水平的日益提高,整个社会对交通运输的需求不断增大,智能交通系统的应用势在必行。实时车牌识别作为智能交通系统中的一个分支,在大型停车场的管理系统、公共安全、交通管理及有关部门有着特别重要的实际运用价值,正日益受到人们的重视。本文运用图像处理技术、模式识别技术、车牌定位技术、字符分割技术、神经网络识别技术等来解决车辆牌照识别问题;分为图像预处理、车牌区域定位与几何校正、字符分割与归一化及字符识别四个模块对实时车牌识别进行分析研究。论文首先研究图像的预处理,将采集到的含有车牌的图像进行灰度化、灰度拉伸、直方图均衡化、中值滤波和图像二值化处理,并改进了一种二值化效果较好的基于灰度直方图的全局最佳平均阈值法;然后对我国车牌特征和常见的车牌定位技术进行深入研究,改进了一种基于车牌区域灰度分布与几何特征的实时车牌定位方法;通过对车牌发生几何形变的原因及类型的分析研究,采用了基于斜率的车牌倾斜校正方法;基于常见的字符分割方法和车牌本身的结构特点及先验知识的分析研究,改进一种基于投影法与车牌先验知识相结合的分割方法;采用邻近插值法,虽然精确度相对较低但可以满足系统的要求且实现方便,将字符归一化为32×16的点阵,为字符的识别做好准备。最后对粒子群优化算法和神经网络的相关原理作了简要介绍和分析研究,在此基础上提出了PSO-BP神经网络并将其用于实时车牌字符识别。
刘大宇[10]2003年在《汉字识别方法研究及其在车牌识别系统中的应用》文中指出汉字识别是模式识别中一个重要的研究方向，它在办公自动化、高速信息处理、机器视觉等多方面具有重要的理论意义和实用价值。在智能交通系统中，应用汉字识别技术，对汽车牌照进行自动识别，可以实现对车辆的监控和智能管理，具有广阔的市场前景。 本文首先介绍了针对车牌字符图像的预处理方法，包括规格化和二值化算法，根据实验效果对各种方法进行了比较，选取了适用性较强的双线性插值法和最大方差比分割法，应用到汉字识别的预处理过程中。 作者对车牌汉字识别的特征提取方法进行了研究，首先比较了多种基于统计模式识别的特征提取匹配算法，包括外围面积特征，网格特征和用于区分相似汉字的微结构投影特征。为了实现对模糊汉字灰度图的识别，提出了基于二值图形变动分析的模糊模板匹配算法及其改进方案。经初步测试，该方法取得了良好的识别效果。本章还对贝叶斯分类器，子空间模式识别和人工神经网络在字符识别中的应用进行了总结，可作为进一步研究的基础。 在车牌字符识别中引入了误识模型和多分类器集成技术。在实验分析的基础上，确定了影响系统识别性能的两个主要参数：首选距离及其与二选的距离差，并将其作为多分类器集成的判决依据。在实际系统中，我们使用了基于串行方式的两级识别器融合，车牌识别正确率达到了用户的要求，系统运行状况良好。 文章最后介绍了汉字识别的最新进展，并对其研究方向做了展望。
参考文献：
[1]. 基于模式识别的图像处理及其在车牌识别中的应用[D]. 姜滔. 合肥工业大学. 2002
[2]. 车牌识别方法及其在智能车辆安检系统中的应用研究[D]. 蔡俊伟. 湖南大学. 2007
[3]. 基于模式识别的图像处理及其在车牌识别中的应用[J]. 薛志文. 吕梁学院学报. 2016
[4]. 基于图像处理及BP神经网络的车牌识别技术的研究[D]. 冯知凡. 武汉科技大学. 2011
[5]. 复杂交通场景的图像增强及其在车牌识别中的应用[D]. 张翔. 西安电子科技大学. 2014
[6]. 车牌识别算法及其在QT平台上的实现[D]. 张庆. 北方工业大学. 2017
[7]. 神经网络算法研究及其在车牌识别中的应用[D]. 葛晓玢. 淮北师范大学. 2014
[8]. 汽车牌照识别系统及其在智能卡口中的应用[D]. 姚宇良. 南京理工大学. 2004
[9]. 实时车牌识别研究及其在智能交通系统中的应用[D]. 周燕. 重庆大学. 2008
[10]. 汉字识别方法研究及其在车牌识别系统中的应用[D]. 刘大宇. 四川大学. 2003
标签：计算机软件及计算机应用论文; 图像处理论文; 模式识别论文; 图像增强论文; 车牌识别系统论文; 神经网络算法论文; 图像分割论文; 图像融合论文;