论文部分内容阅读
车牌是交通场景图像中十分重要的目标类,是交通领域智能视频分析的核心对象之一。良好图像质量的车牌检测与识别,已经有了较为成熟的实用算法;但针对各种复杂背景或松视角约束等成像条件下的车牌图像,如何提高并维持车牌检测与识别的性能指标仍然是个值得继续研究的问题。基于在线学习的目标检测与识别,是计算机视觉领域的重要研究方向之一。如何使车牌检测与识别算法在工作的过程中进行在线学习,逐步提升算法的性能指标,并适应成像环境的变化,也是个值得深入研究的课题。本文引入有监督或半监督的在线学习机制,使得车牌检测识别系统在使用过程中性能指标保持在较高的水平。本文还引入了一种近年来比较流行的基于可变部件模型的目标检测方法,分析其在线学习的思路,并尝试把可变部件模型应用到车牌检测,取得了较好的效果。本文的主要工作包括:
1.归纳总结了目前主流的车牌检测与识别系统的流程架构及关键算法。车牌检测与识别系统的主要流程包括:车牌检测定位、字符分割、字符特征提取与识别。本文研究各个步骤的关键算法,分析主流算法的优势和不足,阐述了本文所研发的离线学习型的车牌检测与识别系统中所采用的主要算法思想。
2.研究了在线学习的基础理论和核心思想,提出基于有用户参与的车牌检测与识别在线学习系统的流程架构。用户以适当的方式,介入到车牌检测与识别系统中,把对检测识别结果的监督意见反馈到车牌检测与识别流程的各个环节中,通过在线学习训练,提高整个车牌检测识别系统的性能指标。
3.研究了可变部件模型在目标检测领域的发展现状,探索可变部件模型在车牌检测方面的应用价值。本文尝试将可变部件模型应用到车牌检测系统中,正样本为弱标记的车牌图片样本中用矩形边界框标记的车牌图像,选取那些不包含车牌的图片作为负样本。实验结果表明,准备好弱标记的正样本和任意负样本,就可以在线训练出一个具备良好检测能力的车牌模型。