论文部分内容阅读
随着烟草物流信息化、智能化的不断发展,在烟叶仓储中心建立智能化车牌识别系统(License Plate Recognition System,LPRS)也成为烟草物流信息化的重大需求。现有车牌识别系统仅满足单行车牌的自动识别,很难适用于仓储中心经常出入的双行车牌。因此,研究准确快速的对双行车牌识别算法对于满足行业实际应用具有重要意义。 目前车牌字符识别常用的方法有基于模板匹配的方法和基于神经网络的方法两大类。但是由于模板匹配方法仅利用字符的轮廓、投影、网格等统计特征去识别,导致相似的字符之间区分能力较差以及因表示字符特征的数据维数过大而造成识别速度慢等问题。而人工神经网络具有很强的自适应学习能力,较强的容错性和鲁棒性,可识别带有噪声或变形的输入信号,还具备执行非线性任务和去除噪声的能力,被很好的用于分类和预测问题,尤其是对误差反向传播(Error Back Propagation,BP)神经网络在车牌识别技术上的研究更是热点。 结合仓储中心建立车牌识别系统的实际需求,对车牌定位方法和基于误差反向传播神经网络的车牌字符识别算法进行研究与应用。首先,在原有车牌定位方法基础上提出了车牌HSV颜色空间分量与边缘检测相结合,同时加入了车牌长宽比例为先验条件的改进算法,实验证明该算法可以适用于不同的背景和光照条件。此外,从网络结构设计、学习算法设计等方面优化了神经网络学习算法,提高了识别的速度和精度。最后,通过在烟草行业实际项目中的应用,验证了算法性能,结果表明,该算法精准度高,实时性好,达到了预期的设计目标,满足实际应用需要。