论文部分内容阅读
车牌牌照识别(VLPR)是一个专门的计算机视觉系统,是智能交通系统的一个重要部分,广泛应用于高速公路收费和停车场管理等领域。其中,字符的识别是整个车牌牌照识别系统中非常关键的部分,直接影响了整个车牌识别系统的识别准确率和效率。在自然条件下,采集到的车牌图像质量差,识别难度大。因而,有必要研究一种能够有效地识别车牌中低质量的字符且具有鲁棒性的字符识别方法。本文通过对低质量的车牌字符进行研究,结合现有的识别方法,将单分类器进行有效结合,设计了一种多级分类器的结构。主要进行的研究有：由于直接得到的车牌字符存在很多干扰信息,直接进行识别不能得到较好的识别效果。本文先对字符进行去噪等预处理,以改善字符数据,抑制不必要的干扰。对于字母和数字,由于存在结构相似的形近字符,采用两级分类的结构。在第一级分类时(称为粗分类),将形近字符归为一类,得到非形近字符的识别结果,并将形近字符送入第二级分类器(称为细分类)。粗分类需要能够有高效的识别率和较快的速度,本文选取KPCA进行特征提取和基于相似性分析的快速SVM进行分类,并对其参数进行调整配置,达到较好的粗分类效果。细分类时,由于形近字符往往是在某一部分区域存在不同,因而提出了显著特征区域的思想,并在此显著区域进行特征提取。此时的特征需要能够丰富的表述形近字符的不同,而形状上下文正好符合此要求。因而,本文将显著特征区域和形状上下文的特征提取方法结合在一起,得到形近字符的识别结果。针对车牌中的汉字,分析了车牌汉字的特点和常用的汉字特征提取方法,发现广泛应用于目标检测的HOG特征在识别领域也能达到较好的效果。因此,本文借助Microsoft VisualStudio2010软件平台与EmguCV (OpenCV)图形库,提取字符的HOG特征,并采用SVM进行分类。通过实验,数字和字母达到97.1%的识别率,易混淆字符的识别率也有很大提高,而汉字达到91.74%的识别率。这说明本文提出的方法能够有效地对由于污损、变形等因素导致的低质量的车牌字符进行识别。