论文部分内容阅读
自然场景下的车牌识别系统是智能交通系统的重要组成部分。本论文对车牌识别系统中的车牌检测模块、字符分割模块、字符识别模块分别进行了研究，对自然场景下的车牌识别算法的细节做了精细的优化。 首先，论文实现了一种基于基于边缘特征和颜色特征的车牌检测算法。该算法分为两部分，第一部分是提取车牌候选区域，第二部分是训练一个SVM车牌判别器，用其对车牌候选区域进行判别; 接着，论文实现了一种简单高效的车牌字符分割算法，并实现了一种基于连通域特征的车牌汉字识别算法; 之后，论文分析了2D-LDA算法，把它用于对车牌数字和字母的识别，测试了最近邻以及K最近邻分类器的识别率; 最后，论文研究了基于深度学习的车牌汉字识别算法。基于LeNet-5模型设计深度卷积神经网络(DCNN)，通过一系列特定算法训练得到最优网络参数，并测试了该网络在车牌汉字实验数据集上的性能。 上述的所有算法均在PC上进行了实现，其性能在实验数据集上进行了测试，相当于在PC上实现了一个完整的车牌识别系统。论文深入研究分析了各个模块的细节问题，并做了实验，根据实验结果证明了算法的有效性。