论文部分内容阅读
车牌自动识别系统利用计算机对车辆图像进行处理分析并识别出车牌号码信息,作为交通运输管理中必不可少的一个环节而具有特别广泛的应用场景,对智能和信息化的交通管理起到非常重要的作用。目前对于车牌自动识别技术的研究已经取得了较好的成果,现有系统正确识别率可以达到90%以上。但是在某些特殊情况下,比如图像采集设备和车辆之间的相对高速运动导致不能抓取到车辆的清晰图像,致使车辆图像中运动模糊现象的产生,此种现象对车牌识别带来严重的负面影响以致于正确识别率降低。本文重点是对具有运动模糊现象的车牌识别方法进行研究并做出适当改进,主要组成部分有运动模糊图像的复原、复原图像预处理和车牌定位、车牌图像二值化、字符分割和字符识别等步骤。本课题第一步工作是对运动模糊车辆图像进行复原,运动模糊图像可以看作是原始清晰图像和一个退化函数卷积的结果,所以对其进行复原时首要工作就是预估退化函数。只有准确估计出退化函数的参数(模糊角度和模糊长度)才能建立比较精确的退化函数,然后选择合适的复原方法对模糊图像进行复原处理。估计模糊角度时首先对运动模糊图像进行傅里叶变换得出频谱图,然后对频谱图像利用Hough变换检测模糊方向的直线,从而确定出模糊方向角度。对模糊长度估计时采用的方式是将运动模糊图像按照运动模糊角度旋转至水平方向,然后对旋转后的模糊图像求微分自相关函数来计算模糊长度,这样就得出了退化函数的两个必要参数,最后根据得出的退化函数利用维纳滤波法将运动模糊图像进行复原。其次是对车辆复原图像进行车牌的定位,在进行定位之前需要先对模糊复原图像进行预处理,包括图像的对比度增强和平滑滤波等操作,其目的是提高运动模糊复原图像的质量以增加定位的准确性。在车牌定位时首先根据车牌区域边缘信息较丰富的特点对图像利用Sobel算子边缘检测,然后经过一系列的膨胀运算、腐蚀运算和开闭运算等数学形态学处理准确定位出车牌的位置。在模糊复原图像上对已经确定位置的车牌进行分割提取,得到单独的车牌图像后对其进行Otsu阈值算法二值化并去除多余边框和小圆点等无用信息。下面是对车牌的二值化图像进行字符分割和归一化,其中字符分割采取垂直投影加上字符宽度阈值限制的方法准确分割出互相独立的单个字符并归一化保存以待识别。最后是对归一化保存的字符进行识别,本课题采用模板匹配法和BP神经网络法两种识别方式进行识别并对结果比较分析。模板匹配法采用改进的特征值提取方式依次对标准模板字符图像和待识别字符图像进行比对,匹配程度最高的即为对应识别结果;BP神经网络识别法需先对构建好的网络进行大量样本训练,直至神经网络训练成熟达到应用要求,两种识别方式的结果对比表明BP神经网络识别法相比于模板匹配法识别能力更强,正确识别率更高。论文最后用采集到的样本图像对本次课题提出的方法逐一进行试验验证并得出每一步的处理结果,然后对其进行分析和总结,提出本次研究所存在的不足和对未来研究的展望。