遗传算法在车牌定位中的应用
基于深度学习的车牌定位与字符识别
第１３卷㊀第３期Ｖｏｌ．１３Ｎｏ．３㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年３月㊀Ｍａｒ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０３－００８８－０５中图分类号：ＴＰ３９１文献标志码：Ａ基于深度学习的车牌定位与字符识别ＩＮＳＡＮＫＥＯＶＩＬＡＹＮＩＴＬＡＶＡＮＨ（宁娜文）１，卢㊀梅１，陈㊀旋１，张㊀利１，赵庆超２（１贵州大学大数据与信息工程学院，贵阳５５００２５；２贵州省威宁县中等职业学校，贵州毕节５５１７００）摘㊀要：智慧交通需要通过深度学习来提高车牌定位与字符识别的能力，通过大数据支持能有效地监控城市交通，给市民生活带来更多的安全感㊂在长期的经济发展过程中，人工智能在提高社会运行效率上有积极的作用，是推动智能城市发展的重要手段㊂本文通过深度学习的方式研究了车牌定位与字符识别㊂首先，通过色彩分割㊁小波变换㊁遗传算法㊁灰度图像纹理特征分析四种方法对车牌定位进行研究㊂然后，利用图像字符矫正预处理㊁图像字符分割提取㊁字符归一化预处理三个部分对车牌字符处理方法进行阐述㊂通过深度学习领域的算法能切实提高交通领域的发展效率，保障市民出行安全㊂通过车牌定位与字符识别能有效地读取交通领域的车辆信息，这样的方式能更好地对提升城市交通运行效率提供助力㊂关键词：深度学习；车牌定位；字符识别ＬｉｃｅｎｓｅｐｌａｔｅｌｏｃａｔｉｏｎａｎｄｃｈａｒａｃｔｅｒｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇＩＮＳＡＮＫＥＯＶＩＬＡＹＮＩＴＬＡＶＡＮＨ１，ＬＵＭｅｉ１，ＣＨＥＮＸｕａｎ１，ＺＨＡＮＧＬｉ１，ＺＨＡＯＱｉｎｇｃｈａｏ２（１ＣｏｌｌｅｇｅｏｆＢｉｇＤａｔａａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｇｕｉｙａｎｇ５５００２５，Ｃｈｉｎａ；２ＧｕｉｚｈｏｕＷｅｉｎｉｎｇＳｅｃｏｎｄａｒｙＶｏｃａｔｉｏｎａｌＳｃｈｏｏｌ，ＢｉｊｉｅＧｕｉｚｈｏｕ５５１７００，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＩｎｔｅｌｌｉｇｅｎｔｔｒａｎｓｐｏｒｔａｔｉｏｎｎｅｅｄｓｔｏｉｍｐｒｏｖｅｔｈｅａｂｉｌｉｔｙｏｆｌｉｃｅｎｓｅｐｌａｔｅｌｏｃａｔｉｏｎａｎｄｃｈａｒａｃｔｅｒｒｅｃｏｇｎｉｔｉｏｎｔｈｒｏｕｇｈｄｅｅｐｌｅａｒｎｉｎｇ．Ｉｔｃａｎｅｆｆｅｃｔｉｖｅｌｙｍｏｎｉｔｏｒｕｒｂａｎｔｒａｆｆｉｃｔｈｒｏｕｇｈｂｉｇｄａｔａｓｕｐｐｏｒｔａｎｄｂｒｉｎｇｍｏｒｅｓｅｎｓｅｏｆｓｅｃｕｒｉｔｙｔｏｃｉｔｉｚｅｎｓ＇ｌｉｖｅｓ．Ｉｎｔｈｅｐｒｏｃｅｓｓｏｆｌｏｎｇ－ｔｅｒｍｅｃｏｎｏｍｉｃｄｅｖｅｌｏｐｍｅｎｔ，ａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅｐｌａｙｓａｐｏｓｉｔｉｖｅｒｏｌｅｉｎｉｍｐｒｏｖｉｎｇｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｓｏｃｉａｌｏｐｅｒａｔｉｏｎ，ａｎｄｐｒｏｖｉｄｅｓｉｍｐｏｒｔａｎｔｗａｙｓｆｏｒｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｓｍａｒｔｃｉｔｉｅｓｔｈｒｏｕｇｈａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ．Ｔｈｉｓｐａｐｅｒｓｔｕｄｉｅｓｌｉｃｅｎｓｅｐｌａｔｅｌｏｃａｔｉｏｎａｎｄｃｈａｒａｃｔｅｒｒｅｃｏｇｎｉｔｉｏｎｔｈｒｏｕｇｈｄｅｅｐｌｅａｒｎｉｎｇ．Ｆｉｒｓｔｌｙ，ｔｈｅｌｉｃｅｎｓｅｐｌａｔｅｌｏｃａｔｉｏｎｉｓｓｔｕｄｉｅｄｂｙｃｏｌｏｒｓｅｇｍｅｎｔａｔｉｏｎ，ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｇｒａｙ－ｓｃａｌｅｉｍａｇｅｔｅｘｔｕｒｅｆｅａｔｕｒｅａｎａｌｙｓｉｓ．Ｔｈｅｎ，ｔｈｅｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄｓｏｆｌｉｃｅｎｓｅｐｌａｔｅｃｈａｒａｃｔｅｒｓａｒｅｄｅｓｃｒｉｂｅｄｉｎｔｈｒｅｅｐａｒｔｓ：ｉｍａｇｅｃｈａｒａｃｔｅｒｃｏｒｒｅｃｔｉｏｎｐｒｅｐｒｏｃｅｓｓｉｎｇ，ｉｍａｇｅｃｈａｒａｃｔｅｒｓｅｇｍｅｎｔａｔｉｏｎａｎｄｅｘｔｒａｃｔｉｏｎ，ａｎｄｃｈａｒａｃｔｅｒｎｏｒｍａｌｉｚａｔｉｏｎｐｒｅｐｒｏｃｅｓｓｉｎｇ．Ａｌｇｏｒｉｔｈｍｓｉｎｔｈｅｆｉｅｌｄｏｆｄｅｅｐｌｅａｒｎｉｎｇｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅｄｅｖｅｌｏｐｍｅｎｔｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｔｒａｎｓｐｏｒｔａｔｉｏｎｆｉｅｌｄａｎｄｉｍｐｒｏｖｅｔｈｅｓａｆｅｔｙｏｆｃｉｔｉｚｅｎｓ＇ｔｒａｖｅｌ．Ｔｈｒｏｕｇｈｔｈｅｌｉｃｅｎｓｅｐｌａｔｅｌｏｃａｔｉｏｎａｎｄｃｈａｒａｃｔｅｒｒｅｃｏｇｎｉｔｉｏｎ，ｔｈｅｖｅｈｉｃｌｅｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｆｉｅｌｄｏｆｔｒａｆｆｉｃｃｏｕｌｄｂｅｅｆｆｅｃｔｉｖｅｌｙｒｅａｄ，ｗｈｉｃｈｃａｎｂｅｔｔｅｒｐｒｏｖｉｄｅｔｈｅｓｕｐｐｏｒｔｆｏｒｉｍｐｒｏｖｉｎｇｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｕｒｂａｎｔｒａｆｆｉｃｏｐｅｒａｔｉｏｎ．ʌＫｅｙｗｏｒｄｓɔｄｅｅｐｌｅａｒｎｉｎｇ；ｌｉｃｅｎｓｅｐｌａｔｅｌｏｃａｔｉｏｎ；ｃｈａｒａｃｔｅｒｒｅｃｏｇｎｉｔｉｏｎ作者简介：宁娜文（１９９２－），女，硕士研究生，主要研究方向：深度学习㊁计算机视觉；卢㊀梅（１９９５－），女，硕士研究生，主要研究方向：深度学习；陈㊀旋（１９９７－），女，硕士研究生，主要研究方向：深度学习㊁医学图像处理；张㊀利（１９８７－），男，博士，教授，主要研究方向：人工智能㊁大数据技术与应用；赵庆超（１９９１－），男，高级讲师，主要研究方向：数据处理㊂通讯作者：张㊀利㊀㊀Ｅｍａｉｌ：ｌｉｚｈａｎｇ．ｓｃｉｅｎｃｅ＠ｇｍａｉｌ．ｃｏｍ收稿日期：２０２２－０４－２９０㊀引㊀言随着社会的飞速发展和人民生活水平的提高，私家车家庭化的普及率已经较高㊂与此同时，社会各行业都在不断提升工作效率，高速公路上出现了不同种类的车辆，目前在交通法规中要求可在高速路上行驶的车辆种类主要有货车㊁家庭汽车㊁客运车等［１］㊂但当某台车辆在高速公路上出现违规操作时，却可能导致不可预知的严重后果，比如车辆刮擦㊁车辆碰撞㊁交通堵塞㊁追尾㊁连环追尾，甚至是生命健康危险㊂因此，道路交通安全㊁尤其是高速公路交通安全对各种车辆行驶就变得越来越重要［２－３］㊂２０１８年中国交通中心研究的报告中显示，在中国，交通事故主要可归因于交通违规㊁车速太快㊁醉酒㊁疲劳驾驶及意外事故等，但到目前为止各类因素所造成的交通事故正在逐年减少，而这一结果的直接技术性原因则得益于人工智能图像识别和智能数据处理技术的应用［４］㊂武云飞（２０２０）［５］在研究中提到完整的车牌识别系统（Ｌｉｃｅｎｓｅｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍ，ＬＰＲＳ）一般由车牌摄像系统㊁车牌检测㊁图像采集㊁车牌定位与字符分割提取㊁车牌信息识别和数据库比对管理㊂渠秋会等学者（２０２０）［６］在研究中提到国内在识别技术方面起步较晚，当前在进行图像获取时主要是采用红外照明摄像模式，并据此来达到较高的识别效果㊂不过这样一来相应成本投入就会较高，因而存在一定的应用局限性㊂在进行车辆识别时，研究涉及到的问题有两个方面，分别是：车牌定位和车牌字符识别㊂相应地，也可以将此种系统划分为两个子系统㊂Ｓａｎｊａｎａ（２０２０）［７］在研究中提到为了解决相关车牌本身以及与拍照和背景的问题，可通过有针对性的定位方法来进行解决，并在车牌准确定位方面取得了较好的效果㊂然而为了适应现代交通业迅速发展的形势需要，道路管理对车牌定位的准确率要求也在不断提高，因而就很有必要对车牌定位展开进一步的研究［８］㊂在进行了车牌定位研究后，就需要识别出车牌上的字符信息，这些字符信息中包括着字母㊁数字㊁汉字，其中识别难度最大的就是汉字㊂因而亟待研发找到有关汉字字符的高效识别方法㊂目前，在这方面的研究已取得了一些进展，不过大都没有达到预期的效果，且和现代化交通系统的相关需求间还存在一定的差距㊂因而致力于字符识别的深入研究是目前学界的重点讨论课题㊂依据车牌特征来选择不同的车牌定位方法㊂现如今，较为常用的车牌定位方法包括了：边缘检测技术［９］㊁通过颜色语义分割技术［１０］㊁小波变换技术［１１］㊁遗传优化方法［１２］㊁数字形状方法［１３］以及基于二值图形纹理特征分析的方法［１４］等㊂本次研究主要是基于智能化深度学习算法来研发道路车辆车牌识别技术㊂目前，车牌识别技术已经解决了车辆闯红灯和超速问题，在此基础上，探讨研究基于智能化深度学习算法的道路车辆车牌识别技术对中国道路交通安全便利发展显然有着重要意义㊂１㊀数据集本文采用ＣＣＰＤ数据集［１５］抽样５００张的方式获取训练数据集㊂其中，４００张作为训练集，搜集随机拍摄１００张图片作为测试集㊂ＣＣＰＤ数据集是采自合肥街道上，每张图片仅包含一张车牌㊂数据集中的图片采集时间为早上７：３０到晚上１０：３０，并选择在不同天气㊁位置㊁角度拍摄得到的，共包含２５万张图片㊂部分详情见表１㊂表１㊀ＣＣＰＤ数据集说明Ｔａｂ．１㊀ＤｅｓｃｒｉｐｔｉｏｎｏｆＣＣＰＤｄａｔａｓｅｔｓ类别描述图片数量／万ＣＣＰＤ－Ｂａｓｅ通用车牌图片２０ＣＣＰＤ－ＦＮ车牌离摄像头很远２ＣＣＰＤ－ＤＢ车牌亮度较暗㊁亮或者不均匀２ＣＣＰＤ－Ｒｏｔａｔｅ车牌水平倾斜２０ʎ ５０ʎ，垂直倾斜－１０ʎ １０ʎ１ＣＣＰＤ－Ｗｅａｔｈｅｒ车牌在雨雾天气中拍到１ＣＣＰＤ－Ｂｌｕｒ摄像头抖动导致模糊的车牌图像０．５ＣＣＰＤ－ＮＰ没有安装车牌的新车图片０．５１．１㊀数据预处理通常情况下，车牌的数字㊁英文及中文之间往往存在着一定的变化规律㊂例如，一般的车牌由以下字符构成：开头的字符是省份的缩写，接着是大写英文，后面的５个字符则由字母或者数字构成，目前常见的车牌都是遵照以上标准来进行定制的㊂７个汽车字符的总长度为４０．９ｃｍ，且字符的宽度㊁字符之间的距离以及汽车车牌的小圆点都有具体的宽度规定㊂基于此，在进行车牌的中文㊁英文及数字字符分割时，通常采用的就是垂直投影法和连通域法㊂对此拟做阐释分述如下㊂（１）垂直投影法㊂在进行中文㊁英文及数字分割时，该方法利用了３种字符竖直方向上的投影必然正确的原理进行计算㊂在计算过程中，应注意不能超过各个字符的最大限制［１６］㊂当遇到第一个局部最小值之后，将找到点设置为最右边的字符边界㊂类似地，可以获得最左边的字符边界㊂根据两边的字符边界，就能够准确地推断出整个车牌的实际宽度㊂由于大多汽车车牌都是由７个字符组成，且７个字符通常能够占到８个字符宽，因此根据前期知识就能有效地进行字符分割，防止出现分割过度现象，从而达到最佳的分割效果㊂９８第３期宁娜文，等：基于深度学习的车牌定位与字符识别（２）连通域法㊂作为连通域算法，即利用字符或者字符当中的一部分组成连通域，并可将这些连通域进行有效的分割［１７］㊂考虑到７个字符中，一般只有第一个字符为汉字，因此可将其作为理想状态的 全 连通字符进行计算㊂但在实际应用中，由于大多车牌处理时会产生较大的噪声，甚至部分车牌连肉眼都较难分辨，利用该算法往往难以取得预期的效果㊂为此，很多学者就对连通域算法相继研发出了不同的改进方法，确保车牌中的各个字符都能得到有效识别㊂例如，灰度图上的优化，这是因为车牌是由多种彩色元素组成的，通过图像的二值化操作能得到更好的对象目标㊂或者利用车牌自己的先验条件来合并或者分割字符的连通处，此外针对车牌中字符连接的情况还可以用单独的阀值来做分割㊂通过上述方法则能够达到更好的多次分割效果［１８］㊂车牌图像中常会包含多个字符信息，在对字符进行识别时，就要依据不同的字符特点来做出分割，为字符识别打下基础［１９］㊂处理过程具体如下：（１）对图像进行逐行扫描，确定字符高度范围㊂（２）在此区域进行横向扫描，确定字符宽度区间㊂（３）纵向扫描，确定各字符的精确高度区间㊂１．２㊀字符归一化预处理视频中截取的图片ｆ（ｉ，ｊ），宽ｗ㊁高ｈ，同比例操作后图像ｇ（ｘ，ｙ），宽Ｗ㊁高Ｈ㊂图像中，点（ｘ，ｙ）对应截取图像中点（ｉ，ｊ），具有相同的值㊂对此可用如下公式进行描述：ｆ（ｉ，ｊ）＝ｇ（ｘ，ｙ）（１）此时，可得：ｉｗ＝ｘＷ；ｊｈ＝ｙＨ（２）ｉ＝ｘＷｗ；ｊ＝ｙＨｈ（３）㊀㊀相对而言，语义分割得到的字符大小各有不同，故而对于每个字符可以进行统一规范化处理㊂研究中，本文通过对每个字符构造１６ˑ３２点矩阵标准模板，将分割后的字符图线性缩放为１６ˑ３２点矩阵㊂大小归一化后的字符识别的准确度也会更高㊂２㊀本文模型框架国内的车牌是由各省份简称以及英文和数字组成的，因此，本次研究中车牌识别本质上就是对字符串的识别㊂论文中采用ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）神经网络［２０］作为模型的主干网络㊂ＢＰ神经网络是一种具有连续传递函数的多层前馈反向传播的网络，是一种结构简单㊁且获得了广泛使用的非线性不确定性数学模型㊂模型采用了多模板（ＭｕｌｔｉｐｌｅＴｅｍｐｌａｔｅ，ＭＴ）与ＢＰ神经网络结合方法原理：将预处理后的车牌图像字符输入到算法模型中，随后由模板匹配方法进行识别，将简单㊁易识别的字符快速识别输出，将较难识别的字符输入到ＢＰ神经网络中快速㊁精准地识别得到结果㊂文中给出的算法模型结构如图１所示㊂输出B P模板输入图１㊀ＴＭ－ＢＰ神经网络算法模型Ｆｉｇ．１㊀ＴＭ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍｍｏｄｅｌ２．１㊀多模板匹配多模板匹配算法流程框图如图２所示㊂由图２可知，模板匹配法的实现过程为：通过指定的模板和原图中的某一块区域做比对，在初始时对二者的左上角点像素进行比较，若完全重合，此后将对其余的位置进行同样比对，待全部位置都比对结束后，差别最小的就是所需物体㊂分析可知，这种处理过程中需要进行大量的对比，因而工作量很大㊂㊀㊀如果已经取得字符的这１３个特征，就只要比对这些特征，而这些特征模板的匹配情况则可以通过匹配值来做出比较描述㊂研究中涉及的数学计算公式为：Ｄ（ｉ）＝ð１３ｉ＝１Ａ（ｋ）Ｉ（ｋ）－Ｔ（ｋ）（４）其中，Ａ（ｋ）表示第ｋ个特征的权值；Ｉ（ｋ）为待匹配字符的第ｋ个特征；Ｔ（ｋ）表示对应的模板库中相关模板的第ｋ个特征㊂当Ｄ（ｉ）越小时，匹配度越高㊂２．２㊀多层ＢＰ神经网络模板匹配方法输出的结果有两种情况，即：一个０９智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀匹配度最低的一个结果；还可能会得到多个结果，即匹配度相差较小的多个结果㊂在第一种情况中，将预处理后的车牌图像输入到ＢＰ神经网络模型中，输出匹配度最高的情况，再与多模板方法进行对比，输出结果，否则再次迭代㊂在第二种情形下，要在第一种情况处理基础上，再叠加一步运算，即将模板匹配法输出的结果输入到ＢＰ神经网络中，输出匹配度最高的结果㊂本次设计仅考虑第一种情况㊂待识别字符与模板字符相减，值越小相似度越大，找到最小的一个即为匹配的最好后5个字符与模板中的字母与数字模板进行匹配识别完成，输出确定性结果未确定项，输出后输入至神经网络模型第1个字符与模板中的字母模板进行匹配第1个字符与模板中的汉字模板进行匹配读取分割出来的数字建立自动识别的代码库图２㊀多模板匹配算法流程框图Ｆｉｇ．２㊀Ｆｌｏｗｄｉａｇｒａｍｏｆｍｕｌｔｉ－ｔｅｍｐｌａｔｅｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍ３㊀实验测试结果分析通过随机在街道拍取来构建数据集，数据集中包括正面清晰数据㊁侧面模糊数据以及夜晚光照太暗或太亮的数据作为本文实验的测试集㊂实验数据样本如图３所示㊂（ａ）训练样本（ｂ）测试样本图３㊀实验数据示例图Ｆｉｇ．３㊀Ｓａｍｐｌｅｇｒａｐｈｏｆｅｘｐｅｒｉｍｅｎｔａｌｄａｔａ㊀㊀图４为随机获得的白天图像数据测试结果㊂图４（ａ）为 贵Ｆ．ＤＬ８７３ 的正面清晰照和侧面复杂环境模糊照，从识别结果来看，正面清晰照的结果符合预期，能够快速且正确地识别结果，达到了１００％的匹配率㊂图４（ｂ）为侧面照，再处理时由于光线及图像预处理出现了部分问题，所以导致最后的结果出现偏差，结果匹配率为７５．４％，但仍然具有一定的参考价值㊂（a ）正面识别（b ）侧面识别图４㊀随机获得的图像数据测试结果Ｆｉｇ．４㊀Ｔｅｓｔｒｅｓｕｌｔｓｏｆｒａｎｄｏｍｌｙｏｂｔａｉｎｅｄｉｍａｇｅｄａｔａ㊀㊀图５为 贵Ｆ．６０Ａ５１ 在实验中随机获得的夜晚图像数据测试结果，在较暗或较亮的情况下，模型的性能受到一定的影响㊂夜间采集的该图像有部分被光线模糊，在预处理时未能获得清晰效果，导致前２个字符模糊在一起，最终识别匹配率为８５．７１４％㊂图５㊀夜晚图像数据测试结果Ｆｉｇ．５㊀Ｔｅｓｔｒｅｓｕｌｔｓｏｆｎｉｇｈｔｉｍａｇｅｄａｔａ㊀㊀从文中的识别结果来看，本次研究的ＴＭ－ＢＰ神经网络在图像识别匹配上能够快速精准地匹配结果，但在特殊环境下获得的图像，在预处理环节中存在较大的局限性㊂因此本系统在投入使用时，采用１９第３期宁娜文，等：基于深度学习的车牌定位与字符识别高清晰度的图像采集设备，并与本文识别算法相结合，可以精准地实现车牌识别㊂４ 结束语本文通过卷积神经网络的方法研究了车牌定位与车牌数字识别㊂首先，通过色彩分割㊁小波变换㊁遗传算法㊁数字图像等分析方法对车牌定位进行研究㊂然后，利用图像字符纠正预处理㊁图像字符分割提取㊁字符归一化预处理三个部分对车牌字符处理方法进行更深入的探讨与剖析㊂通过深度学习技术来推动交通领域的车牌定位与字符识别，可以更好管控道路车辆安全行驶，从而大大提升了人民的安全出行保障㊂参考文献［１］ＭＥＭＢＥＲＫＫ，ＦＵＪＩＫＡＷＡＹ，ＦＵＪＩＭＯＴＯＫ．Ｄｅｖｅｌｏｐｍｅｎｔａｎｄａｐｐｌｉｃａｔｉｏｎｏｆｖｅｈｉｃｌｅ－ｌｉｃｅｎｓｅｎｕｍｂｅｒｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｕｓｉｎｇｒｅａｌ－ｔｉｍｅｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ［Ｊ］．Ｓｙｓｔｅｍｓ＆ＣｏｍｐｕｔｅｒｓｉｎＪａｐａｎ，２０１１，２２（１）：４９－５８．［２］ＳＩＲＩＴＨＩＮＡＰＨＯＮＧＴ．ＥｘｔｒａｃｔｉｎｇｏｆｃａｒｌｉｃｅｎｓｅｐｌａｔｅｕｓｉｎｇｍｏｔｏｒｖｅｈｉｃｌｅＲｅｇｕｌａｔｉｏｎａｎｄｃｈａｒａｃｔｅｒＰａｔｔｅｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＥｌｅｃｔｒｏｎｉｃＣｏｍｐｕｔｅｒｓ，１９９８，１７：５５９－５６３．［３］ＰＡＲＫＳＨ，ＫＩＭＫＩ，ＪＵＮＧＫ，ｅｔａｌ．Ｌｏｃａｔｉｎｇｃａｒｌｉｃｅｎｓｅｐｌａｔｅｕｓｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＥｌｅｃｔｒｏｎｉｃｓＬｅｔｔｅｒｓ，２００７，３５（ｌ７）：１４７５－１４７７．［４］吴阳，刘振华，周晓锋，等．基于纹理特征和ＳＶＭ分类器的铝铸件类型识别［Ｊ］．计算机系统应用，２０１８，２７（０８）：２８１－２８５．［５］武云飞．车牌识别系统中的字符分割和识别算法研究［Ｊ］．安阳师范学院学报，２０２０（０５）：３２－３５．［６］渠秋会，孟庆鹏．车牌识别系统的设计［Ｊ］．电子世界，２０２０（１９）：１３２－１３３．［７］ＳＡＮＪＡＮＡＳ，ＳＨＲＩＹＡＶＲ，ＶＡＩＳＨＮＡＶＩＧ，ｅｔａｌ．Ａｒｅｖｉｅｗｏｎｖａｒｉｏｕｓｍｅｔｈｏｄｏｌｏｇｉｅｓｕｓｅｄｆｏｒｖｅｈｉｃｌｅｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｈｅｌｍｅｔｄｅｔｅｃｔｉｏｎａｎｄｎｕｍｂｅｒｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＥｖｏｌｕｔｉｏｎａｒｙＩｎｔｅｌｌｉｇｅｎｃｅ，２０２０：１－９．［８］何山，何林．基于视频车辆检测器的货车占道监测［Ｊ］．中国交通信息化，２０１３（０８）：８４－８５．［９］ＤＯＮＧＺｈｅｎｇｈａｏ，ＦＥＮＧＸｉｎ．ＲｅｓｅａｒｃｈｏｎｌｉｃｅｎｓｅｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｕｌｔｉｍｅｄｉａ，２０１４，９（２）：２５３－２６０．［１０］ＳＡＪＥＤＲ，ＥＳＭＡＴＲ，ＨＯＳＳＥＩＮＮ．Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｌｅａｒｎｉｎｇｉｎａｄｅｅｐｎｅｔｗｏｒｋｆｏｒｌｉｃｅｎｓｅｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＭｕｌｔｉｍｅｄｉａＴｏｏｌｓＡｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０２０，７９（１９／２０）：１３２６７－１３２８９．［１１］ＳＩＬＶＡＮＯＧ，ＲＩＢＥＩＲＯＶ，ＧＲＥＡＴＩＶ，ｅｔａｌ．Ｓｙｎｔｈｅｔｉｃｉｍａｇｅｇｅｎｅｒａｔｉｏｎｆｏｒｔｒａｉｎｉｎｇｄｅｅｐｌｅａｒｎｉｎｇ－ｂａｓｅｄａｕｔｏｍａｔｅｄｌｉｃｅｎｓｅｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｓｏｎｔｈｅＢｒａｚｉｌｉａｎＭｅｒｃｏｓｕｒｓｔａｎｄａｒｄ［Ｊ］．ＤｅｓｉｇｎＡｕｔｏｍａｔｉｏｎＦｏｒＥｍｂｅｄｄｅｄＳｙｓｔｅｍｓ，２０２１，２５（２）：１１３－１３３．［１２］ＨＥＮＤＲＹＣ，ＲＵＮＧＣ．Ａｕｔｏｍａｔｉｃｌｉｃｅｎｓｅｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎｖｉａｓｌｉｄｉｎｇ－ｗｉｎｄｏｗＤａｒｋｎｅｔ－Ｙｏｌｏｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＩｍａｇｅａｎｄＶｉｓｉｏｎＣｏｍｐｕｔｉｎｇ，２０１９，８７（７）：４７－５６．［１３］ＯＭＡＲＮ，ＳＥＮＧＵＲＡ，ＡＬ－ＡＬＩＳＧＳ．Ｃａｓｃａｄｅｄｄｅｅｐｌｅａｒｎｉｎｇ－ｂａｓｅｄｅｆｆｉｃｉｅｎｔａｐｐｒｏａｃｈｆｏｒｌｉｃｅｎｓｅｐｌａｔｅｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓＷｉｔｈＡｐｐｌｉｃａｔｉｏｎ，２０２０，１４９（７）：１１３２８０．１－１１３２８０．１０．［１４］ＺＡＮＧＤｉ，ＣＨＡＩＺｈｅｎｌｉａｎｇ，ＺＨＡＮＧＪｕｎｑｉ，ｅｔａｌ．Ｖｅｈｉｃｌｅｌｉｃｅｎｓｅｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｖｉｓｕａｌａｔｔｅｎｔｉｏｎｍｏｄｅｌａｎｄｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｏｎｉｃＩｍａｇｉｎｇ，２０１５，２４（３）：３３００１．［１５］ＧｉｔＨｕｂ－ｄｅｔｅｃｔＲｅｃｏｇ／ＣＣＰＤ：［ＥＣＣＶ２０１８］ＣＣＰＤ：ａｄｉｖｅｒｓｅａｎｄｗｅｌｌ－ａｎｎｏｔａｔｅｄｄａｔａｓｅｔｆｏｒｌｉｃｅｎｓｅｐｌａｔｅｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ［ＥＢ／ＯＬ］．［２０１８］．ｈｔｔｐｓ：／／ｇｉｔｈｕｂ．ｃｏｍ／ｄｅｔｅｃｔＲｅｃｏｇ／ＣＣＰＤ．［１６］ＹＡＮＧＹｕｎ，ＬＩＤｏｎｇｈａｉ，ＤＵＡＮＺｏｎｇｔａｏ．Ｃｈｉｎｅｓｅｖｅｈｉｃｌｅｌｉｃｅｎｓｅｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｋｅｒｎｅｌ－ｂａｓｅｄｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅｗｉｔｈｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｆｅａｔｕｒｅｓ［Ｊ］．ＩｅｔＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔＳｙｓｔｅｍｓ，２０１８，１２（３）：２１３－２１９．［１７］ＳＡＱＵＩＢＮＨ，ＫＡＵＳＨＴＵＢＨＫ，ＳＩＤＤＨＡＮＴＫ，ｅｔａｌ．Ｒｅａｌｔｉｍｅｌｉｃｅｎｓｅｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎｆｒｏｍｖｉｄｅｏｓｔｒｅａｍｓｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＩｎｆｏｒｍａｔｉｏｎＲｅｔｒｉｅｖａｌＲｅｓｅａｒｃｈ，２０１９，９（１）：６５－８７．［１８］ＫＥＳＳＥＮＴＩＮＩＹ，ＢＥＳＢＥＳＭＤ，ＡＭＭＡＲＳ，ｅｔａｌ．Ａｔｗｏ－ｓｔａｇｅｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｍｕｌｔｉ－ｎｏｒｍｌｉｃｅｎｓｅｐｌａｔｅｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓＷｉｔｈＡｐｐｌｉｃａｔｉｏｎ，２０１９，１３６（１２）：１５９－１７０．［１９］ＣＡＳＴＲＯ－ＺＵＮＴＩＲＤ，ＹÈＰＥＺＪ，ＳＥＯＫ－ＢＵＭＫ．Ｌｉｃｅｎｓｅｐｌａｔｅｓｅｇｍｅｎｔａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇａｎｄｏｐｅｎｖｉｎｏ［Ｊ］．ＩｅｔＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔＳｙｓｔｅｍｓ，２０２０，１４（２）：１１９－１２６．［２０］ＬＩＪｉｎｇ，ＣＨＥＮＧＪｉｈａｎｇ，ＳＨＩＪｉｎｇｙｕａｎ，ｅｔａｌ．Ｂｒｉｅｆｉｎｔｒｏｄｕｃｔｉｏｎｏｆｂａｃｋｐｒｏｐａｇａｔｉｏｎ（ＢＰ）ｎｅｕｒａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍａｎｄｉｔｓｉｍｐｒｏｖｅｍｅｎｔ［Ｃ］／／ＡｄｖａｎｃｅｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ．Ｂｅｒｌｉｎ／Ｈｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ，２０１２：５５３－５５８．（上接第８７页）［８］钟艳如，刘华役，孙希延，等．基于２ＤＣｈｅｂｙｓｈｅｖ－Ｓｉｎｅ映射的图像加密算法［Ｊ］．浙江大学学报（理学版），２０１９，４６（０２）：１３１－１４１，１６０．［９］党小宇，刘兆彤，李宝龙，等．物理层网络编码中连续相位调制信号的非相干多符号检测［Ｊ］．电子与信息学报，２０１６，３８（０４）：８７７－８８４．［１０］尹春勇，李荧．基于ＢＣＵ－Ｔｒｅｅ与字典的高效用挖掘快速脱敏算法［Ｊ］．计算机应用，２０２３，４３（０２）：４１３－４２２．［１１］吴潇飞，岑娟，王振伟，等．面向低精度环境的安全高速批图像加密［Ｊ］．中国图象图形学报，２０２２，２７（１１）：３１７２－３１８４．［１２］袁非牛，章琳，史劲亭．自编码神经网络理论及应用综述［Ｊ］．计算机学报，２０１９，４２（０１）：２０３－２３０．２９智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀。
[开题报告]车牌识别系统中定位算法的研究
![[开题报告]车牌识别系统中定位算法的研究](https://img.taocdn.com/s3/m/a75db7b3c77da26925c5b0a2.png)
毕业论文（设计）开题报告（含文献综述、外文翻译）题目车牌识别系统中定位算法的研究姓名黄泽学号3060433088专业班级06自动化1班指导教师崔家林分院信息科学与工程分院开题日期2010年 3 月25日第1章文献综述1.1 国内外现状汽车牌照识别技术(License Plate Recognition, LPR)是智能交通系统(ITS)的重要组成部分，多应用在电子计费领域。
LPR 系统是一个以特定目标为对象的专用计算机视觉系统，该系统能从一幅图像中自动提取车牌图像，自动分割字符，运用模式识别、人工智能技术，实时准确地自动识别出车牌的数字、字母及汉字字符，使得车辆的电脑化监控和管理成为现实。
常用的LPR 识别技术有IC卡识别技术、条形码识别技术和图像处理识别技术。
基于图像处理技术的LPR 系统无需在车上额外安装条形码或者IC卡，因而不必改造现有的车辆系统，相对其他两种识别技术来说适用面广，更容易普及[1]。
车牌识别技术作为交通管理自动化的重要手段和车辆检测系统的一个重要环节,该技术能经过图像抓拍、车牌定位、图像处理、字符分割、字符识别等一系列算法运算,识别出视野范围内的车辆牌照号码,它运用数字图像处理、模式识别、人工智能技术,对采集到的汽车图像进行处理的方法,能够实时准确地自动识别出车牌的数字、字母及汉字字符,并以计算机可直接运行的数据形式给出识别结果,使得车辆的电脑化监控和管理成为现实。
其在交通监视和控制中占有很重要的地位。
车牌识别技术的研究最早出现在20 世纪80 年代,这个阶段的研究没有形成完整的系统体系,而是就某一具体的问题进行研究,通常采用简单的图像处理方法来解决。
识别过程是使用工业电视摄像机( Industrial TV Camera) 拍下汽车的正前方图像,然后交给计算机进行简单处理,并且最终仍需要人工干预[2]。
从20 世纪90 年代初，国外的研究人员就已经开始了对车牌识别的相关研究，其中具有代表性的工作有：R.Mullot等开发的一种可以同时用于集装箱和普通车辆的车牌识别系统，该系统主要是利用文字的纹理在车辆图像中的共性进行定位与识别。
复杂背景下的车牌定位方法
复杂背景下的车牌定位方法
郑征;韩素敏;刘俊利;黄平华
【期刊名称】《河南理工大学学报（自然科学版）》
【年(卷),期】2004(023)002
【摘要】首先用同态增晰方法,对包含车牌字符区域图像增强,压缩其他区域图像,然后用遗传算法搜索众多可能区域,并最终确定字符区域.实验证明该方法对复杂背景下的车牌图像定位具有简单、快速、抗噪声能力强的特点.
【总页数】3页(P105-107)
【作者】郑征;韩素敏;刘俊利;黄平华
【作者单位】焦作工学院,河南,焦作,454000;焦作工学院,河南,焦作,454000;焦作工学院,河南,焦作,454000;焦作工学院,河南,焦作,454000
【正文语种】中文
【中图分类】TD391.41
【相关文献】
1.复杂背景图像下的快速车牌定位新方法 [J], 管庶安
2.复杂背景下基于颜色的车牌定位方法研究 [J], 陈海霞;崔茜
3.复杂背景下快速车牌定位方法研究 [J], 鹿晓亮;陈继荣
4.复杂背景下的混合特征车牌定位方法 [J], 陈伟
5.一种新的复杂背景下快速车牌定位方法 [J], 张振强;杜树新
因版权原因，仅展示原文概要，查看原文内容请购买。
车牌定位方法探讨
电源管理：Full featured －Sipports Run ，Idle and Sle－ep modes复位：设置复位开关电池：3．7V 锂离子电池物理尺寸：主板尺寸为65x53x5．5mm 电源适配器：5V 直流外部连接器：Possible integration 、CF 卡、Sensor 、Blue－tooth 、SIM Card 、其他3．2存储器系统存储器的物理实质是一组或多组具备数据输入输出和数据存储功能的集成电路，用于充当设备缓存或保存固定的程序及数据。
3．3电源电源部分的关键问题是低功耗的设计问题，低功耗的措施一般有：降低电压、降低时钟频率、选择低功耗器件等等。
本系统电源的提供有电池供电和市电供电两种。
电池供电功耗低、供电稳定、扛干扰能力好，但峰值性能不好。
市电供电要有相应的AC－DC 的适配器，并在系统上配置相应的线性稳压器进行DC－DC 转换。
3．4服务程序的设计智能手机系统中的服务程序主要有GUI Server 和GSM ／GPRS Server ，都是上层应用赖以实现的基础。
为使系统能够很好地支持浏览器及MMS 等界面复杂的应用，具有良好的可扩展性，系统中的GUI Server 设计采用了客户机／服务器模式。
服务进程与应用进程之间采用Linux 提供的消息队列进行通信。
服务进程保存系统GUI 环境的描述信息，为应用进程提供注册及一些计算任务，如计算当前剪切域内容等。
此外，还负责显示桌面。
4结束语随着智能手机的销量上升，设计者应将目光投向内置的可编程图形、增长的处理功能及通信选项，以替换或增强最具挑战性和最昂贵的嵌入系统部件之一：用户界面。
经过正确的设置，在便携智能手机上点击几下，就能连接到并管理任何嵌入设备。
智能手机作为嵌入设备的控制器，还可以有多种应用，如工业控制器、门禁控制产品、医疗仪器、安保系统、环境控制，甚至家居自动化设备，因此智能手机的开发应用有着广阔的发展前景。
车牌识别算法的研究与实现
车牌识别算法的研究与实现随着智能交通系统的不断推广和应用，车牌识别技术也越来越受到人们的关注和重视。
车牌识别技术是智能交通系统中的一个重要组成部分，主要是通过计算机视觉技术实现对车辆的自动识别和追踪。
本文将详细探讨车牌识别算法的研究与实现。
一、车牌识别技术的发展概述车牌识别技术源于计算机视觉技术的发展，起初，车牌识别技术采用的是传统的模板匹配方法，但其效果受到环境光线、车牌形状变形、噪声等因素的影响较大，难以实现高精度的识别。
后来，随着计算机视觉技术的不断进步和智能交通系统的快速发展，新的车牌识别算法也随之涌现。
目前，车牌识别技术主要基于深度学习算法和图像处理技术，通过多种算法的组合来实现车牌的高精度识别。
二、车牌识别算法的基本原理和分类车牌识别算法主要采用图像处理技术和深度学习算法，通过识别和分割车牌区域，提取车牌特征信息，以达到高精度识别车牌的目的。
根据车牌识别算法的特征和原理，车牌识别算法可以分为以下几类：1、传统算法传统算法主要采用模板匹配、边缘检测、形态学运算等基础图像处理技术来进行车牌识别。
其主要优点是运算速度快，但可靠性和准确度比较低，随着科技的不断发展已经逐渐被淘汰。
2、基于特征识别的算法基于特征识别的算法通过提取车牌特征信息来进行车牌识别。
这类算法的关键是确定适当的特征区域和特征评价函数。
常见的特征区域包括车牌字符区域、车牌颜色区域，特征评价函数主要包括神经网络、支持向量机、k近邻等。
这种方法需要对车牌的颜色、形状、字体、拼音字母进行识别和分析，模式识别与图像处理技术相结合，提高了识别的准确度。
3、基于深度学习的算法基于深度学习的算法通过卷积神经网络（CNN）、循环神经网络（RNN）等深度学习模型来实现车牌识别。
深度学习算法通过多层次的处理和特征提取来减少噪声干扰，提高结果的准确率。
三、车牌识别算法的实现车牌识别算法的实现可分为以下几个步骤：1、图像采集采用计算机视觉技术的前提是收集到车牌区域的图像信息。
一种基于Adaboost的车牌定位算法_盛曦
收稿日期 : 2006 -07-10 作者简介 : 盛曦( 1981 ) , 男 , 2004 级硕士研究生 , 主要研究方向为图像处理和模式识别 . E - mail : f irescapple @ 163 . com
536
四川大学学报( 自然科学版)
第 44 卷
准确地完成车牌定位 . 如果没有高 效率的搜索方 法 , 就需要耗费很多计算时间和存储空间 . 所以车 牌定位技术一直以来是一个难点 , 是车牌识别系统 的一个关键技术环节 . 目前车牌定位已有许多方法 , 如 : 基于线模板 的二值化图像中的 角检测算法[ 1] ; 利用遗传算法 定位 车 牌 ; 利 用 BP 神经 网 络 提 取 车 牌 的 方 [ 3] 法 . 由于汽车牌 照的拍摄过程受 很多主客观因 素的干扰 , 使汽车牌照呈现出多样化 . 例如有不同 的背景颜色 、 不同的倾斜度 、 不同的光照条件等 , 这 些都给车牌的自动定位增加了难度 . 国内车牌的颜 色较多 , 有白底黑字 、黑底白字 、 蓝底白字 、黄底黑 字等多种类别 . 车牌有单层的 、 有双层的 , 所有这些 都给统一处理造成了更大的困难 . 我们收集到的汽车牌照是由摄像头在各路口 拍摄下来的各类彩色汽车牌照 . 由于拍摄时选择了 不同的时间和角度 , 汽车牌照具有不同的光照条件 和不同的倾斜度 , 这些都给研究增加了难度 .
图 6 车牌模板训练流程 Fig . 6 T he training flow of car pla te template
4 车牌的定位和校验处理
4. 1 车牌校验 实验过程中 , 我们发现预处理后定位出的结果 中一些不是车牌的区域被判断为车牌 . 出现这种错 误的原因与算法的原理有关 : 我们使用的 Adaboost 算法是基于灰度特性的 , 使用矩形特征值 ( 即相同 形状大小的图像块内像素灰度和之差) 作为分类的 依据 , 这就造成某些符合条件的特定图像块可能被 误判为车牌 , 如图 7 所示 .
车牌定位与车牌字符识别算法的研究与实现
车牌定位与车牌字符识别算法的研究与实现一、本文概述随着智能交通系统的快速发展，车牌识别技术作为其中的核心组成部分，已经得到了广泛的应用。
车牌定位与车牌字符识别作为车牌识别技术的两大关键环节，对于实现自动化、智能化的交通管理具有重要意义。
本文旨在探讨和研究车牌定位与车牌字符识别的相关算法，并通过实验验证其有效性和可行性。
本文首先对车牌定位算法进行研究，分析了基于颜色、纹理和边缘检测等特征的车牌定位方法，并对比了各自的优缺点。
随后，本文提出了一种基于深度学习的车牌定位算法，通过训练卷积神经网络模型实现对车牌区域的准确定位。
在车牌字符识别方面，本文介绍了传统的模板匹配、支持向量机（SVM）和深度学习等识别方法，并对各种方法的性能进行了比较。
在此基础上，本文提出了一种基于卷积神经网络的字符识别算法，通过训练模型实现对车牌字符的准确识别。
本文通过实验验证了所提出的车牌定位与车牌字符识别算法的有效性和可行性。
实验结果表明，本文提出的算法在车牌定位和字符识别方面均具有较高的准确率和鲁棒性，为车牌识别技术的实际应用提供了有力支持。
本文的研究不仅对车牌识别技术的发展具有重要意义，也为智能交通系统的进一步推广和应用提供了有益参考。
二、车牌定位算法的研究与实现车牌定位是车牌字符识别的前提和基础，其主要任务是在输入的图像中准确地找出车牌的位置。
车牌定位算法的研究与实现涉及图像处理、模式识别等多个领域的知识。
车牌定位算法的研究主要集中在两个方面：一是车牌区域的粗定位，即从输入的图像中大致找出可能包含车牌的区域；二是车牌区域的精定位，即在粗定位的基础上，通过更精细的处理，准确地确定车牌的位置。
在车牌粗定位阶段，常用的方法包括颜色分割、边缘检测、纹理分析等。
颜色分割主要利用车牌特有的颜色信息，如中国的车牌一般为蓝底白字，通过颜色空间的转换和阈值分割，可以大致找出可能包含车牌的区域。
边缘检测则主要利用车牌边缘的灰度变化信息，通过算子如Canny、Sobel等检测边缘，从而定位车牌。
一种复杂背景下的车牌快速定位算法
2010年1月第17卷增刊控制工程Contr ol Engineering of China Jan.2010Vol.17,S 0文章编号:167127848(2010)S 020038203 收稿日期:2009210206; 收修定稿日期:2009212208 基金项目:江苏省自然基金资助项目(BK2007195) 作者简介:薛亚军(19822),男,陕西渭南人,研究生,主要研究方向为模试识别与智能交通等;姜 斌(19662),男,教授,博士生导师。
一种复杂背景下的车牌快速定位算法薛亚军,丁 勇,姜 斌(南京航空航天大学自动化学院,江苏南京 210016)摘 要:针对复杂环境下的车牌定位问题,提出一种基于提升小波与形态学相结合的快速定位方法。
该方法首先对车辆图像进行预处理,包括图像灰度化,利用新的提升小波算法进行边缘检测以及二值化,然后对图像进行腐蚀、膨胀等一系列形态学处理,得到一些规则的连通区域,其次删除小连通区域,合并邻近区域,得到车牌的候选区域,最后采用可信度评价来度量候选区和车牌区的相似度确定车牌位置,最终实现车牌的快速定位。
计算机仿真结果表明,对于背景复杂的车辆图像,该方法运行速度快,车牌定位准确率高。
关 键 词:车牌定位;提升小波;形态学;可信度评价中图分类号:TP 27 文献标识码:AFast Locating A lg orith m of Vehicle License Plate Under Co mplex ScenesXU E Ya 2jun,D I N G Yong,J I AN G B in(I nstitute of Aut omati on Engineering,Nanjing University of Aer onautics &A str onautics,Nanjing 210016,China )Abstract:Based on lifting wavelet and mor phol ogy,a vehicle p late l ocati on algorithm under comp lex scenes is p resented .Firstly,p rep r ocessing is used on the vehicle i m age .A ne w lifting wavelet algorith m is used for extracti on of edge and binary transf or mati on is used .Then a series of mor phol ogical operati ons are used t o l ook for candidate regi ons that p r obably contain characters in range of sizes .Finally,the vehicle license p late can be f ound according t o credibility evaluati on .Computer si m ulati ons show that the p r oposed ap 2p r oach is very effective and fast f or l ocating vehicle p late under comp lex scenes .Key words:license p late l ocati on;lifting wavelet;mor phol ogy;credibility evaluati on1 引 言一般情况下,车牌自动识别技术实现主要分为两大关键技术:一是车牌定位;二是字符识别。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
：一叠…一堡…皇… 堕
ＵＪ｛ＡＮ ＣＯＭＰＵＴ
遗传算法在车牌定位中的应用
曾毅
（郑州科技学院河南郑州４５００６４）
【摘要】在对遗传算法应用和车牌定位识别系统中车牌定位、字符分割和字符识别相关技术的研究基础上，借助郑
州圣兰电子科技公司的电子警察监控平台，提出了一套适用国内车牌特点的车牌定位识别系统。
【关键字】遗传算法车牌定位ＯｐｅｎＣＶ
０．车牌识别系统研究的背景及意义 车牌定位系统不仅为人们的出行提供了保障，同时也减少 了交通管理部门工作量，也对社会的安定起到了一定的作用。 在日常交通管理中不仅可以进行现场识别，而且通过网络和远 程传输还可以进行中心集中控制调度管理。在应用过程中，车 牌定位识别系统能极大的降低现场报警、事后取证等工作受时 间和现场环境的影响。同时，在降低车辆肇事率、打击交通犯 罪、防范恐怖袭击、提高物流效率等方面，车牌定位识别系统亦 可发挥其作用。因此，车牌定位识别系统应用已成为衡量交一 个交通系统管理智能化程度高低与否的重要技术标准之一。 １．车牌识别系统结构 １．１系统总体方案 项目设计的构思如下：在对图形处理之前，需要对图像的 信息进行收集和传送，这部分工作主要由出发设备和采集设备 来完成，所有与图形图像处理相关的工作需要在计算机中处 Ｌ ｌ墨 兰苎Ｉ ｘ 臣 ‘一一一． －一一－一－一一－．．．－－－ －一－一一Ｉ Ｉ．．．．．． ．。．．．．．．．．．．．一．一．一．． ． ． ．．一．．．一．．．． 图１车牌识别过程 １．２系统实施方案 １．２．１车牌图像的预处理 预处理主要是对采集到的车牌图像进行矫正处理，如：去 除噪音点、增强图像的亮度，二值化等，最后根据需要将彩色图 片转化灰度图、二值图，从而使图片的识别率提高。 １．２．２车牌定位 车牌定位时车牌是车牌识别系统中较为重要的一个环节， 在该环节中会从经过预处理的 图片中找出车牌的位置，将车牌从车辆图片中分离出来， 供下一阶段的字符提取使用。车牌定位的核心思想就是将车牌 所在区域的坐标（ｘ，ｙ）识别出来。本文将遗传算法和边缘检测 方法相结合对车牌的定位进行了一系列的处理。并按照传统思 路在车牌定位之后往往需要对定位到的车牌进行矫正。 １．２＿３车牌字符提取 字符的分割方法采用的是直接分割法，由于车牌字符问存 在有固定的边界、间隔，直接分割法正是基于这个特点而被提 出，因此直接分割法也被称为固定边界分割法。直接分割法算 法思路简单，程序也较容易实现，虽然该方法必须在车牌区域 ・８８・ 福建电脑Ｉ ２０１５年第７期 被精确定位后才能够准确分割出车牌区域中的字符，造成了直
接分割法的使用受到局限。
１．２．４车牌字符识别
使用较多的识别技术主要依赖于样本库的对比，需要将所
有可能会用来比对的字符形成集合保存，然后与提取出的字符
进行相似度比对，在此过程中会将字符图像提取特征元素进行
匹配计算；另一种是基于人工神经网络的字符识别技术，将提
取的字符特征信息用于训练神经网络分配器，使用待识别字符
输入到训练好的分配器得到其输出，找到输出向量中最大值元
素即为识别结果。
２．遗传算法与车牌定位
２．１算法流程及技术实现
车牌定位实质就是在采集到的整复图像中找寻车牌的位
置，将车牌区域特征值作为适应度函数的输入进行计算使得遗
传算法收敛输出结果为求解空间的最大最小值，继而找寻该区
域并将其分割得到车牌区域，而这正是遗传算法擅长解决的问
题，即全局最优化问题。
将遗传方法应用于车牌图像提取的主要步骤：
（１）特征值获取：输入需要处理的整幅车牌图像，计算其ｎ
个特征值。
（２）适应度计算：对于取出的ｎ个特征值进行适应度计算，
通常使用一些特征方差的运算作为适应度函数。
（３）对产生的适应度结果进行下一步的选择操作，淘汰掉
不适合的一些特征值。
（４）对保留的特征向量进行相应的交叉和变异方法选择，
使其产生新的特征值
（５）重插入：重新生成新的特征值集合。
（６）循环２—５，直到认为找到结果。
２．２适应性函数构造
在车牌定位识别系统中通常用车牌区域的特征值来做为
遗传算法的适应度函数。南航的徐壮飞选择了波峰方差、波谷
方差、波峰间距方差三类特征。确定特征向量：
【ｃｒｐ ，Ｏ－ｔ２，阳 （２．１）
再构造变换矩阵Ｗ，变换公式Ｕ＝ＷＴ
结合车牌长度估计范围ｅｓｔｉｍａｔ（ｅｘ，ｙ）确定适应度函数ｆ（ｘ，
Ｙ，Ｐｅｒ）
／ ．ｙ＇ ，）：ｌ ｅ ｓｔｉｍ ａｔ ｅ（ｘ ，ｙ
．
） ｅｌＵ
＋
Ｉ Ｐｅｒ ＞。 （２
．
２）
ｔｉｍａｔｅ（ｘ， ‘ ｃｚ－ｓ
：…遁…一堡…叟一…照
ＵＪｌＡＮ Ｃ０Ｍ Ｕ Ｉ－疆辩
３．车牌识别系统的实现
３．１基于遗传算法思想的车牌定位
（１）基本思路
首先将整幅车牌图像分别进行ＨＳＶ转换和灰度化转换，
然后在灰度图中进行边缘检测，找出所有可能包含车牌的矩形
区域上下边界的坐标，接着根据这些坐标将所有矩形区域拼接
成一个长矩形。最后在灰度长矩形图像中采用遗传算法思想， 进行车牌左右边界的定位，从而找出车牌区域。 （２）算法流程 图像Ｉ－Ｉ ｓ Ｖ转换 图像灰度化转换 边缘检测找出车牌候选区域 上下边界坐标 拼接车牌候选区域 图３－１基于遗传算法定位的预处理流程图 产生初始种群ＰａｒｅｎｔＳｅｌ 根据适应度函数，汁算出各个个 体的活廊摩 ＣｈｉｌｄｒｅｎＳｅｌ收敛 结束 图３－２基于遗传算法定位流程图 （３）算法说明 编码策略及初始种群的产生：通常使用二进制编码，将个体 表示为０，１二进制串，便于后面遗传操作。本项目的待处理图像 大小为６００ｘ８００，则由ｎ个候选车牌组成的长矩形总长为８００ｘ ｎ；则车牌所在位置可能解范围是０－８００ｎ，若编码长度为ｋ则有 ２ｋ—ｌ＜＝８００ｎ＜２ｋ，本项目中１３为２，因此编码长度ｋ为１１位。 初始种群的产生：随机产生一定数目的二进制串集作为初 始种群。一个二进制串即一个个体的染色体的基因码。串的个 数即为种群的规模（个体的个数）。 适应度的计算：采用的适应度函数为（３．２）、（３．３）。 其中：ｘ和ｖ分别是输入的可能为车牌存在区域的左右坐 标值，ｐｅｒ为区域密度，当区域密度小于０．６时则在适应度函数 上添加一个常量，使得非车牌区域的适应度大于车牌区域的适
应度。
选择操作：采用轮盘选择法进行选择操作；
交叉操作：交叉的概率设置为０．７；
变异操作：变异概率Ｐｍ设置为０．７／编码长度。
结束条件：特征矢量距离差＜０．０００１或者遗传的代数到达
２０代时认为遗传结束。
３．２字符提取
３．２．１基本思路
字符提取的是实现主要针对蓝、黄底色车牌字符提取连通
区域是与字符几何尺寸直接相关的特性，只要能从车牌中找出
两个独立的字符区域，则每个字符位置均可确定。大部分车牌
均可找出两个或两个以上独立的字符区域，而对于倾斜和粘连
的车牌，可通过倾斜校正和分离上下、左右边框的方法使字符
独立，然后再用连通区域标记方法实现字符提取。
字符提取致也要经过以下４步：第一步：对采集到的车牌
图像进行预处理（通常指的是灰度化和二值化），使图像可识别
率增高；第二步：对预处理后的图像采用适当的方式进行车牌
定位；第三步：对定位出的车牌区域进行操作处理分离车牌中
的字符；第四步：将分离的字符与字符库进行匹配识别。
３．２．２遗传算法字符提取
遗传算法实现字符的提取流程跟车牌定位环节的思路一
致，先从种群（所有可能解的子集）开始进行选择，选择的依据
依然是合适的适应性函数来判断，根据适应性对种群进行选
择，在选择的基础上按照一定的方式进行交叉、变异。算法说明
如下：
编码：若把提取到的车牌划分为ｉｎ类，因为每幅灰度图的
灰度级别都是从Ｏ一２５５，因此每个编码的长度为８ｍ位即可表
示解的信息；
选择：根据适应度的高低，选择适应度较大的种子，淘汰适
应度小的种子；
交叉：产生随机数进行单点交叉；
变异：变异概率取０．００５；
结束条件：遗传２０代，或者结果相对稳定结束。
３．３字符识别
３．３．１提取特征和识别
车牌的每个文字其左、右、下轮廓的综合特征都不相同，因
此可以利用外轮廓特征进行文字识别。
（１）基本思路
每个车牌字符外轮廓信息是唯一的，提取出字符的外轮廓
信息作为待识别字符的特征向量，再将提取出的特征向量与模
板向量进行匹配。
（２）算法流程
（３）算法说明
２０１５年第７期Ｉ福建电脑 ・８９・