论文总字数：23456字

摘 要

由于道路车辆的急剧增加，造成道路监管压力加大，所以智能化交通系统需要应用的场合更加繁多。其中，车牌定位，作为整个识别过程第一步，也是智能交通关键步骤。它的定位效果直接影响最终的识别结果。现在，针对车牌定位的算法也已经有较高准确率，但在恶劣天气、道路背景杂乱、光照不足、拍摄视角不佳、部分遮挡等情况下，这些算法的鲁棒性不佳，定位效果差强人意。

这篇文章对现有车牌定位算法深入学习和研究，并运用机器学习的思想设计了一种能够在复杂环境下，具备良好准确率的定位算法：根据车牌颜色特性获得可能是车牌候选区域集，接下来提取纯车牌照图像特征训练决策树，用来筛除候选区域集合，获取到真正车牌位置。这种算法利用决策树的学习思想，能够在训练过程增加对复杂环境下定位的鲁棒性，更加适应多变的环境。本文研究的算法通过使用Opencv库进行效果模拟，并选择在不同复杂背景下的车牌图像100幅（包括蓝底白字和黄底黑字两种车牌），最终能够达到80%的准确率。

关键词：车牌定位、HSV颜色空间、垂直边缘特征、决策树

ABSTRACT

Due to the rapid increase of vehicles on road, it gives pressure to the road regulation, so intelligent transportation system is applied to more scenes. Among them, License plate location, the first step of License plate recognition, is the key step of intelligent transportation system. The effect of location have a great influence on the result of recognition directly. Now, the license plate location algorithms have reached high rate of location, but the robustness is not good and the performance is also barely satisfactory, especially in the case such as: bad weather, road background clutter, the lack of light, improper perspective, partial shade, etc.

In this paper, we proposed license plate location algorithm which has a good accuracy in complex environment based on the further study and research on existing license plate location algorithm and combine the concept of machine learning: firstly, the algorithm gets the collection of license plate candidate area by using the color character of license plate, then train the decision tree by characteristics which are extracted from pure license plate images, finally get the location by using decision tree to choose the true location from the collection. This algorithm that makes good use of leaning ability of decision tree can improve the robustness in complex environment during the training process and is more suitable for changeable environment. Finally, our algorithm is simulated by using the Opencv library and selects 100 license plate images which are two types: white words on blue background and black words on yellow background under different complex background, eventually can be able to achieve 80% accuracy.

Keywords: license plate location、HSV color space、vertical edge character、decision tree

目 录

摘 要 I

ABSTRACT II

第一章 引言 1

1.1 项目背景 1

1.2 国内外车牌定位技术发展概况 1

1.3本文主要研究工作 2

1.4本文的组织结构 3

第二章 本文算法相关技术综述 4

2.1 决策树 4

2.1.1 特征选择 4

2.1.2 决策树生成 5

2.1.3 决策树剪枝 6

2.2 HSV颜色空间 6

2.3 边缘特征 7

第三章 车牌图像预处理工作 11

3.1 灰度化 11

3.2 滤波去噪 11

3.3 图像增强 12

3.4 二值化 14

第四章 车牌定位算法的研究 16

4.1 获得车牌候选区域 16

4.1.1 车牌颜色阈值的确定 17

4.1.2 车牌候选区域集的提取 17

4.2 构建决策树模型 19

4.2.1 车牌特征属性的选择 19

4.2.2 决策树生成 21

4.3 测试决策树模型 23

4.4 定位结果及分析 23

第五章 总结与展望 25

5.1算法总结 25

5.2算法展望 25

参考文献 26

致 谢 27

第一章 引言

1.1 项目背景

随着国民经济水平的提高，人们的出行方式、物品运输方式发生了很大的改变，急剧增加的车辆遍布在道路上。这无疑为人们的生活带来便利，但同时也增加了交通监管的压力。单靠人工管制已经不能满足车辆管理的需求，所以，人们结合计算机技术、图像处理等相关知识，建立了车牌识别系统。其根据捕捉道路上运动的车牌图像，从混乱场合中追寻和识别车牌照，进而获得车牌号的内容。目前，车牌识别也已经应用在高速公路、公路卡口、停车场、小区进出口等场景，也已经取得很好的识别率，一般能达到85%－95%的识别率。但其应用场景受限，往往需要固定的拍摄角度、位置、环境才能获得高识别率。近些年来，很多研究人员一直致力于在复杂环境下车牌识别的算法，希望能够其影响下依然达到较高识别率。这里的复杂环境指光照不足、物体遮挡、车牌倾斜、道路背景杂乱等。

车牌识别的过程共有3步：车牌定位、字符分割、字符识别。其中，车牌定位作为第一步，是基础。在复杂环境中，定位到车牌位置成为关键。一旦我们检测到车牌区域，后续操作便可集中在车牌区域，极大程度降低了复杂环境对字符分割、识别的干扰。所以，在复杂背景时提高车牌定位准确率为接下来的两部分工作带来便利，能增加整体识别效果。

1.2 国内外车牌定位技术发展概况

有关国外的发展，R.Mollut等人[2]设想了3种作用于车牌和集装箱号码的定位方法，其主要是利用车牌字符纹理特征。Arya P. Unnikrishnan等[3]结合遗传算法和车牌的颜色特征，提出两种新的交叉算子，有效地提高了定位的速度。Tindall [4]针对英国车牌照特点根据车牌照反射光这个现象设计了一个车牌识别模型，能够较为准地捕获位置并识别到五种样子的英国车牌照。Arulmozhi K 等[5]提出了一种基于质心的霍夫变换倾斜检测方法;Christos Nikolaos E. Anagnostopoulos 等[6]提出了基于滑窗和连通域分析的车牌定位方法; Young Sung Soh研究了一种具有实时性的车牌识别系统，其中涉及到的车牌定位率达到99.2%之高。J.A.G. Nijhuis[7]等人使用神经和模糊技术提高了CLPR系统的可靠性，可以达到98.51%的识别率。新加坡公司Optasia公司自己研发的IMPS(Integrated MultiPass System State of the Art Vehicle License Plate Recognition System)，引入多通道方法在车牌识别模型中应用的高性能鲁棒系统。其可在多样天气条件下，不论于白天或于晚上，自主获得车牌照边界并准确判断车牌照字符，使用继承多通道方式、神经网络判断器等。

剩余内容已隐藏，请支付后下载全文，论文总字数：23456字