论文部分内容阅读
复杂环境下的车牌检测与识别方法一直是车牌检测与识别的重点与难点。自然环境的复杂性如光照变化、天气变化等,监控场景的复杂性如拍摄背景、拍摄距离、拍摄角度、设备像素等,以及车牌本身的复杂性如车牌污损、车牌遮挡等,以上因素严重影响了车牌字符检测与识别算法的准确性与可靠性。针对复杂环境下的车牌定位与检测算法、车牌字符分割算法以及车牌字符识别算法分别进行相应的研究,以提高算法对复杂环境的鲁棒性,具有重要的理论意义和现实意义。本文在现有车牌识别方法的基础上,综合考虑环境的复杂性,对车牌定位与检测、车牌字符分割以及车牌字符识别三个部分分别进行相关的算法研究,具体的研究内容如下:车牌定位与检测部分,提出了一种基于边缘特征和层次聚类的车牌粗定位算法以及一种基于HOG特征和SVM的候选车牌检测算法。首先,对图像进行边缘检测并提取边缘特征,使用层次聚类对边缘进行组合,对聚类结果进行特征筛选,留下候选车牌区域,完成车牌的粗定位。然后,提取候选车牌区域的方向梯度直方图(HOG)特征,训练得到一个支持向量机(SVM)分类器,排除非车牌区域,完成候选车牌的检测。车牌字符分割部分,提出了一种基于连通域分析和角度直方图的水平矫正方法以及一种基于字符长度特征和垂直投影的字符分割算法。首先,对车牌图像进行二值化和形态学处理,并分析其区域的连通性,通过构造区域间的角度直方图得到近似的倾斜角,完成车牌图像的水平矫正。然后,以垂直投影的方法进行字符分割,使用字符长度特征优化分割结果,断开粘接字符以及组合不连通的汉字。车牌字符识别部分,提出了一种基于多分类SVM和加权二次投票的字符识别算法。根据车牌字符在特定位置上的分布特征,针对汉字识别、字母识别、字母数字识别以及特殊车牌字符识别设计了四种SVM组合分类器。在调用SVM组合分类器进行字符识别时,本文设计了一种加权的二次投票方法,利用初次投票结果对各分类器进行加权后重新统计投票数。实验表明加权的二次投票方法能够有效避免分类重叠的问题,相比传统简单累加的投票方法具有更高的识别准确率。