智能交通系統(tǒng)中車牌識(shí)別的關(guān)鍵技術(shù)研究.pdf

1、車牌識(shí)別技術(shù)(LPR，License Plate Recognition)是計(jì)算機(jī)視覺(jué)，模式識(shí)別和數(shù)據(jù)挖掘技術(shù)在智能交通領(lǐng)域的重要研究課題之一，它在交通管理中占有重要的地位，應(yīng)用于電子警察，卡口等治安關(guān)鍵部分。
　　智能交通中的車牌識(shí)別關(guān)鍵技術(shù)包括車牌定位、車牌字符分割和車牌字符識(shí)別三個(gè)部分。本文的主要研究工作如下:
　　(1)提出了一種基于Lab顏色模型的顯著性車牌定位方法。對(duì)圖像預(yù)處理，利用查找表將RGB圖像轉(zhuǎn)換為L(zhǎng)ab

2、圖像，利用b分量得到藍(lán)黃車牌區(qū)域，L分量得到黑白車牌區(qū)域。利用車牌的顏色顯著性和紋理顯著性，采用相對(duì)閾值的方法，克服光照不均和有霧環(huán)境下的車牌定位。結(jié)合車牌的形狀特點(diǎn)，定位出車牌區(qū)域。
　　(2)實(shí)現(xiàn)了字符分割與HOG特征提取。字符分割主要以車牌后五個(gè)連續(xù)字符具有相同高度和等間隔的特征進(jìn)行分割。針對(duì)車牌字符區(qū)域存在豐富的邊緣特征，選用了HOG方法，對(duì)圖像中局部的小單元格操作，可以保證圖像的光照不變性和幾何的不變性。HOG方法能很好

3、的描述圖像的邊緣信息，適用于車牌字符的目標(biāo)檢測(cè)和特征提取。
　　(3)提出了樣本的二次篩選方法。采用動(dòng)態(tài)聚類方法中經(jīng)典的K均值聚類方法，對(duì)初始的樣本進(jìn)行第一次篩選，篩選的結(jié)果作為候選樣本?？紤]到經(jīng)過(guò)第一次篩選，可能存在一個(gè)類中個(gè)別簇的全部樣本都偏離了標(biāo)準(zhǔn)樣本的情況，需要對(duì)候選樣本進(jìn)行第二次篩選，得到最終的經(jīng)典樣本。
　　(4)給出了快速KNN算法的字符識(shí)別方法。根據(jù)同一類字符的特征向量空間分布比較集中，不同類字符之間的字符特