论文部分内容阅读
神经网络模式识别是近几年来兴起的模式识别领域的一个重要研究方向。与传统的模式识别相比,神经网络模式识别方法表现出来较强的自组织学习能力、容错性、鲁棒性以及非线性处理等优点,使得它在各个领域得到了广泛的应用。而车辆牌照的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,是实现交通管理的重要环节。随着自动化水平的不断提高,在智能交通管理和监控系统中人们对车牌识别系统的准确性不断出新的要求,因此把两者进行有机的结合具有一定的理论意义和实践价值。 本文选择神经网络模式识别技术作为识别的方法,以车牌字符作为识别对象,进一步研究在干扰情况下的车牌识别问题,以提高车牌识别系统的整体识别能力。论文涉及了以下工作: 1、对文本图像二值化进行了研究,提出了一种基于SOFM(自组织特征映射网)网络的灰度图像二值化方法和彩色图像二值化方法。 2、选取了粗网格特征和方向线素特征作为字符的识别特征,并对粗网格特征进行了改进,同时对SOFM训练算法进行了优化。采用这种优化的算法,对分别使用上面两种特征作为输入的SOFM单一分类器进行数字、字母和省份汉字的识别研究。 3、对多特征输入、多神经网络集成的字符识别方法进行了研究,将Bp网络分类器与SOFM网络分类器相结合构造了一种综合集成的多网络分类器。 4、在理论研究的基础上,本文采用Visual C++6.0编程语言对相应的算法进行了实现,构造了一个车牌识别系统软件平台。 本文研究表明:采用多特征输入的综合集成网络分类器与单一分类器相比,可以有效地提高系统的抗干扰性和识别率,同时本文的综合集成识别方法对一般带有噪声干扰的车牌字符识别系统的设计有一定的参考、借鉴价值。