本文主要研究了车牌自动识别系统的设计与实现技术,并针对现实车牌成像环境的特点,综合运用了图像分析与处理技术以及人工神经网络技术,提出了自己的整套解决方法。 论文主要涉及以下工作: 1.在引言部分,介绍了国内外车牌定位和车牌字符识别技术的研究现状及常用方法,并对有关方法进行了比较,提出了改进型粗网格特征提取与BP神经网络学习算法相结合的车牌识别方法。 2.关于车牌图像区域定位算法,介绍了可能用到的传统图像处理技术,如灰度转换、灰度拉伸、灰度均衡修正、边缘检测等,并综合运用Prewitt和Canny算子进行二值边缘探测,采用相邻象素灰度值相减和中值滤波来消弱背景噪声干扰;接着,根据白色跳变点分布图用矩形匹配法实现粗定位,求得车牌的大致位置:再根据条件搜索上下边缘,根据长宽比信息搜索左右边缘,扩展后进行车牌的准确定位裁剪。 3.针对车牌图片的预处理,介绍了车牌图像阈值求解及二值化技术;接着,采用Radon变换进行倾斜校正,克服了传统Hough变换受中间点干扰大、计算速度慢的缺点;提出了四条规则法去除车牌上下边框干扰;通过反旋转操作去除毛刺现象,并提出简单算法切割出车牌最小范围;最后引入数学形态学的腐蚀或膨胀操作实现车牌字符粗细均匀化。 4.关于字符分割算法,首先介绍了采用带标记矫正算法的连通图去噪技术,减少了图像扫描次数,也使车牌字符变得清晰:接着提出了高效实用的“朱氏综合车牌字符分割算法”,可有效解决粘连或倾斜字符的分割问题,使得切分错误率降到最低。 5.选取字符的粗网格特征作为字符的识别特征,将改进后的归一化字符原始特征直接输入到BP神经网络分类器中进行车牌字符识别,对易混淆和相似字符设计神经网络细分类器,进一步提取突出相似字符差别的局部细微差异特征;针对汉字笔划粘连、字符偏移等现象,在标准样本的基础上,为结构复杂、笔划紧密的省份汉字适当增加典型笔划粘连样本和典型偏移样本到汉字网络的训练样本中:实验结果表明,基于BP网络的神经网络分类器尤其是粗分类器与细分类器的结合,可以明显提高字符网络的稳健性能,提升整体车牌识别系统的抗干扰能力、容错能力及正确识别率。 6.本文还探讨了BP网络结构的设计方法,并给出了输入层神经元个数、输出层神经元个数,特别是隐层层数及隐层神经元数目,以及激活函数的选择与各网络参数的设置和训练与学习过程;在总结前人经验的基础上,提出了在串行训练过程中通过观察误差能量均值的变化和网络输出神经元实际值与目标值的差异来综合判断网络收敛程度,进而调整学习率参数和动量因子,合理控制停止训练的时机:最后,设计了针对车牌字符位数特点的四个神经网络(汉字网络、字母网络、字母数字网络和数字网络)来实现字符分类,提高了系统效率和识别率。 7.在理论研究的基础上,并结合参加的科研项目,本文采用Matlab 6.5和Visual C++6.0开发平台对车牌识别的相应算法进行了系统建模求解和编程实现。