logo资料库

车牌识别类外文翻译.docx

发布时间：2022-06-09 发布人：admin 分类：说明书 资料大小：0.24M 资料格式：docx 举报 版权申诉
第1页 / 共12页
第2页 / 共12页
第3页 / 共12页
第4页 / 共12页
第5页 / 共12页
第6页 / 共12页
第7页 / 共12页
第8页 / 共12页
资料共12页，剩余部分请下载后查看
    毕业设计（论文） 外文翻译 题 目 基于特征结构融合的昆虫 识别算法研究 专 业 数字媒体技术 班 级 媒体 122 学 生 吴鑫 指导教师 蔺广逢
    一种基于特征选择的识别小波变换与人 工神经网络的混合车牌识别技术 摘要： 车辆数可以被用来控制和监督交通安全管理。车辆牌照识别系统被广泛应用 于交通管理方面。诸如用来识别违反了交通规则的车辆或者找寻被盗车辆。车 辆牌照检测及识别技术是绝大多数交通应用的重要手段。如搜索被盗车辆，道 路交通监测，机场闸门监控，速度监测和自动停车场门禁控制等应用中的关键 技术。其功能是从捕获的车辆牌照照片上获取出车辆牌照信息。车牌信息识别 技术遇到的问题来自特征选取阶段，当前的车牌识别方法只专注于局部，全局 和神经网络的特点检测提取以及处理。特征优化的方法提高了牌照识别的检测 率。在本文中，提出了一种新的方法即基于小波变换函数的车牌识别方法。实 验结果表明，所提出的这一项新方法与目前的相关方法相比较，特征优化比较 方法的应用能够更好地解决问题。在这里，通过使用多层次 RBF 车牌神经优化 识别技术来改进车牌识别技术。 关键字：特征选择，RBF 神经网络，车辆车牌检测，小波变换 1.介绍： 车牌识别（LPR）是一种将图像技术用于识别车辆车牌的技术。这项技术应 用在交通安全和交通设施中得到普及。其目的在于能够建立一个系统用来记录 所通过路面的车辆信息。目前，车牌识别广泛应用于交通管理中，以识别违反 交通法规车辆或 FMD 被盗车辆。车牌检测与识别本质是大多数的流量相关的应 用程序，如搜索被盗车辆，道路交通监控，机场闸门监控，速度监测和自动停 车场访问控制中的关键技术均是此类应用。 为了解决诸如车牌遗留原始车牌标志这个问题（尽管实际上这样做能够被 认为是处于欺诈的一种有意替换（与被盗车牌间）），车牌识别系统（LPRS） 在英国警察科学发展科率先推出。它类似于自动车牌识别（ANPR）。然而，在 过去的数十年中，随着数码相机的升级换代及计算能力的提高，它取得了广泛 的应用。这个车牌自动识别系统的目的是打击非法贩毒对新城城市区域稳定的 影响特别是其与近来一些不稳定因素的结合。它只是一个单一的从捕获照片中 提取出车牌数字信息的技术。本质上是由图像采集卡或摄像机组成，来获取图
    像口蹄疫的位置图中的数字，并取出字符字符识别工具将像素转换为易读字符， 也可以用在高度敏感的像军事区或地区以上的政府首脑办公室。对被盗车辆的 检测可以在高速公路上一个利用安装在 ANPR 系统的方式来进行。 车牌识别系统工作分为三个步骤，第一步是检测和捕捉车辆图像，其次是 对图像中数字车牌的检测与提取，最后一步是使用图像分割技术，在存储了所 有数字字符的数据库的帮助下，获得字符特征并进行识别（OCR）。 车牌识别系统（LPRS）通常由四部分组成，其中每一个过程包含子过程。 ·车牌图像定位是一个整体且不可分割的系统，因为它所采集的信息板包 括车牌数字信息。由于图像中包含大信息量的数据，因此整个概念只依赖于车 牌的边缘。从多个复杂背景中提取出有效信息是主要难题。不同提取车牌信息 的过程应用于不同信息板块。这个提取提供了其输出的分割部分。 ·字符车牌分割过程也称字符分离。从图片中提取车牌图像之后，在车牌中 查找单个字符并识别出它。在车牌特征分割中，车辆信息板图像首先被转为二 值图，然后特征被单独分割开来组成特征识别所必不可少的单独部分。车牌字 符分割技术对在整张信息板中提取出个体特征是十分方便的。车牌分割，是指 对字符隔离，提取出感兴趣的区域并尝试提取出单独特征。 ·对车牌中的字符识别是车牌识别系统的最后一步。这一过程是其识别过程 的主要部分，此步骤决定了系统的精度和识别率。这一识别过程涉及到识别车 牌的数字信息特征和字符特征。在车牌字符识别之前，车辆牌照特征是需要被 归一化的。归一化是为了提高字符特征信息准确度，确保其四个相邻区域不包 含任何增加的白空格（像素），在这一阶段中，车牌字符图像的车牌字符的图 像被识别。它实际上是车牌字符识别的过程。对车牌字符识别可以发现通过神 经网络，模板匹配，Hough 变换，径向基函数等技术进行。 ·我们已经发表出各种关于车牌识别的研究方法，但是由于印度车牌的多样 性（没有牌照的任何特定的标准格式）导致没有太多关于印度车牌识别研究的 论文发表。近年来印度政府为解决交通问题和控制犯罪，方便各类机构在印度 车牌识别系统领域的工作而制定了车牌数字与字符的统一标准。 2.文献综述： 文献综述分为两个部分。在第一部分中我们描述了基于 RBF 神经网络的车 牌检测，在第二部分中我们将描述一些使用模板匹配进行车牌检测的技术细节。 A .对使用 RBFNN 车牌检测技术的回顾
    在这项技术中作者提出了一种使用文本线建设和多级网络的新方法用于车 牌识别。车牌的位置将根据文本线施工结果和车牌字符排列的特点所决定的。 然后利用局部最优自适应二值化进行更精确的车牌定位，车牌定位后，使用了 字符分割和提取统计特征是垂直投影和先验知识信息的方法。多级分类，采用 RBF 神经网络进行识别与特征向量作为输入，识别结果可靠，能够满足智能交 通系统对精度的要求。利用径向基神经网络的多级分类提高了字符识别的准确 性，但是依然无法正确识别某些识别率低于其他字符的字符，如 2，0，7 等。 这项工作中，作者将 RBFNN 神经网络技术用于车牌车牌检测与识别，还使 用不同的图像预处理技术，如边缘检测、图像处理扩张，过滤，灌装和图像质 量平滑技术。预处理首先采用 Sobel 边缘检测和形态学方法把灰度图像转换成 黑白图像。采用“洪水填充”算法填补空白。所有这些步骤完成后，用低压检 测处理预处理后的图像。由于它使用的最大和最小阈值的对象分别称为“盘” 和“无盘”类，用于低压检测物体的那些被归类为“板”的是最后用于训练 RBF 神经网络的。RBFNN 神经网络特征提取技术在特征提取过程中被用来进行原 始特征提取，并送入神经网络进行字符分类，字符分割正确率高达 99%。这一 过程如果使用其他图像特征识别技术可能会导致错误的车牌检测识别 。 作者所提出的车牌识别系统的新技术是应用 Sobel 边缘检测算子，垂直和 水平投影和数学形态学（mm）进行低压区域操作。在基于核心区域二值化的基 础上，结合背景色、连通分量分析、特征尺寸判断等方法对图像进行分割。同 时 RBFNN 还应用于字符识别过程，这里使用单一的隐藏层，根据输入提供了最 大的输出。应用字符分割的连通分量分析消除组件中高度不匹配的字符板，并 提供分段字符，在此基础上进行高精度字符识别。若该板的纹理不明确或者车 牌区域是投影运算的阈值，会导致系统识别精度有所偏差。 作者尝试了多种车牌识别方法用于不同种类车牌识别。字符分割处理图像 和 LVQ 神经网络被用于整个识别过程。混合方法识别效果更好，它使用字符分 割处理和神经网络 LVQ 增加特征识别率。如果字符的值是大于或等于 1/2，首 先进行图像字符分割，然后字符将被正确识别。如果不到 1 / 2，则字符是无 效的。最后进行神经网络识别并提取出正确的信息。字符分割处理 100%进行特 征提取，删除所有不需要的区域。这个系统中的主要问题是，如果相关系数值 是大于或等于 1/2,它对字符信息处理完全正确但字符本身有可能是错误的。正 确字符是由神经网络获得的，但它接受特征识别的相关性不来自由神经网络。 B.使用模板匹配的车牌检测技术 作者参与了为印度车辆部门所研发的应用图像处理和机器视觉的车牌 自动识别系统的研发工作。它包含一些确保过程归一化，能够进行高精度的字 符分割和识别的算法。这些算法确保了系统在图像倾斜及其他特殊情况下的不 变性。倾斜校正过程采用 Gamma 校正方法，之后将图像转换为灰度调整。水平 和垂直投影是用来进行分割特征信息的，去除掉如点和划痕这样的无意义元素 信息以增强分割率。字符识别是应用 OCR 识别方法，找出最相近的匹配，该模
    式的相关值是相关度最大的特定字符，被标记为相关字符。该系统根据所识别 出的信息提供车辆所属地和车辆类型。该系统有一些不足在于如果号码牌包含 额外的设计或号码牌的字体经常改变，这将是一个新问题。无标准规范的印度 车辆车牌正是这个系统所将面临的困境，一些车辆糟糕到甚至是人眼都无法识 别它的车牌号码。在这种情况下，系统显然无法获得预期的效果。 作者在基于神经网络的车牌识别方法研究中进行了创新，应用神经网络 芯片来进行数字信息的识别，该芯片由两个均衡化后的图像处理算法视频图像 处理模块和网络分类算法的神经网络模块组成，包括图像传感器，cognimem 芯 片、接口电路和上位机监控模块。视频从图像传感器发送到芯片的 cognimem 视 频模块，由用户提供的感兴趣区域自动生成特征向量，在电脑上显示识别结果 表明识别的以下特性：高速性：cmik 系统的识别时间为 101μs, 整个现有技术只 需要毫秒处理。高稳定性：系统执行的 cmik 稳定性比软件更好，因为大多数的 电路被集成在 FPGA 的底层，底层硬件完成大量识别工作。相反，软件系统完全 依赖于个人电脑，所以电脑的任何延迟都可能使它失去一些信息板，降低识别 率。 这项技术中，作者采用了一种新方法进行图像分割。车牌识别系统作为 一种应用新的自适应图像分割技术（滑动窗 SCW）和连接组件特征识别神经网 络的分析网络。该算法进行了不同场景下的测试，特别是自然场景不同背景和 环境的灰度车辆图像照明测试。根据需要，从车辆角度观察并根据车辆距离变 化来调整相机所对应信息板。字符识别过程是通过 PNN（概率神经网络）进行。 SCW 用于描述图像中的局部不平顺的信息统计，它为图像的像素创建了 2 个窗 口，如果双窗的统计测量阈值由用户设置，则窗口的中心像素是被视为感兴趣 区域。如果同心窗口的比例接近物体的比例定义，则能够给出最佳结果。一种 新颖的自适应分割技术被用于寻找该区域的滑动同心窗口兴趣和分割的连接成 分分析。OCR 系统是一二层概率神经网络（PNN）的拓扑结构，其性能有利于整 个车牌识别技术的改进。建议的算法序列的缺点是 24 小时内遇到的不同灯光的 变化对图像有蔽效应并由于物理板的外观对转发到 OCR 的程序有影响。 作者将车牌识别系统描述为由四个部分，信息板定位，预处理，字符分割和 归一化光学字符识别（OCR）。在把数学形态学算子的 RGB 图像转换成灰度图像 和二值图像前，先应用 Otsu 法将灰度图像转换为二进制图像，然后形态算子在 图像上检测到信息板位置，再利用直方图的车牌预处理均衡技术进行处理。涂 抹和形态算法用于字符和分段结果归一化后送入 OCR 识别的部分。应用不同的 方法是为了提高识别率。一些易混淆字符给出错误的结果降低识别率，如 2 和 Z。 作者提出了一种具有一定实时性和鲁棒性的基于形态与模板匹配方法的车牌 检测与识别系统。在不同环境下进行数字图像分割处理是该系统的主要应用阶 段。首先对图像进行预处理，在应用形态学算子之后是进行图像信息板的定位。 形态算子的基础上的形状。利用形态学方法在形态算子的基础上进行字符分割。 它删除所有小的连接元素，然后应用扩张算子分离各自特征同时扫描完分区进
    行字符分割。字符识别过程应用模板匹配处理技术。这种图像相关处理方法在 车牌识别中得到了更好的应用。在图片质量不好的情况下无法进行特征识别， 但它正确发现信息板位置的概率高达 97.3%。 作者提出了一种新智能且简单的算法用于车牌识别。LPR 分为不同的部分： 信息板区提取，字符分割识别。识别过程是在模板匹配的帮助下进行的。首先 将信息板转换为二值图像，然后应用算法进行车牌区域识别。在此之后，应用 形态学算子得到信息位置，然后应用形态功能进行分割。扩张运算符用于单独 字符的操作。在识别之前，图像信息特征统一被归一化。归一化是为了为细化 字符到不包含空格的块并确保字符与匹配模板的大小相等。将互相关法用于字 符识别。实验结果表明车牌的检测精度得到了一定提高。信息板信息提取精度 97.6%，分割率为 96%，字符识别率为 98.8%。但一些字符之间的相似性仍会降 低识别率。 3.提出方案： 在这项研究工作中，我们提出了一种基于小波变换的混合式车牌识别技术和 RBF 神经网络。小波变换用于分解图像在不同的层，而 RBF 神经网络用于识别 车牌。 所提出方案分为两个步骤： ·预处理数字信息板 ·对车牌字符进行识别。 我们工作的基本工作模型如下所示：
    输入图像： 在这一节的数字信息板图像加载输入。图像的类型是任何标准 格式。 高斯滤波器：应用低通滤波器去除输入图像中噪声。 小波变换： 基于频率的变换函数，用来进行不同层中图像的分解。 低频： 该变换过程中仅是对高频和低频进行保留。 图像二值化：在这个过程中，图像数据被转换成二进制格式。 向量生成： 一个单一的神经网络输入过程。 输入： 输入向量是输入神经网络的神经元。 学习率： 基于概率的训练参数模板。
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料