江苏省网站建设_网站建设公司_需求分析_seo优化

目录
第1章 绪论 3
1.1 课题背景及研究目的和意义 3
1.2 车牌识别技术的发展概况 5
1.3 车牌识别的基本流程 7
1.3.1 车牌定位 8
1.3.2 字符分割 9
1.3.3 字符识别 10
1.4 本文主要研究内容 11
第2章 建立图片集 13
2.1 引言 13
2.2 获取原始图片集 14
2.3 建立车牌区域候选人图片集 15
2.4 建立字符判断图片集 16
2.5 建立数字和字母识别图片集 18
2.6 建立中文字符识别图片集 18
2.7 本章小结 23
第3章 提取车牌区域候选人 23
3.1 引言 23
3.2 图像处理方法的简要介绍 25
3.2.1 数字图像处理的基本知识 25
3.2.2 灰度变换 26
3.2.3 滤波操作 27
3.2.4 边缘检测 28
3.2.5 阈值操作 28
3.2.6 形态学操作 29
A ⊖ B = {𝑧|(𝐵)𝑧 ⊆ 𝐴} (3-3) 29
3.3 特征提取 30
3.3.1 自然光照下的特征提取 30
3.3.2 补光条件下的特征提取 33
3.3.3 四种特征提取方法的效果对比 35
3.4 提取感兴趣区域 36
3.4.1 轮廓提取和矩形合并 36
3.4.2 旋转变换 38
3.4.3 水平方向剪切校正 38
3.5 本章小结 40
第4章 字符分析 40
4.1 引言 40
4.2 基于 SVM 的字符判断 42
4.2.1 图片分类的简单介绍 42
4.2.2 支持向量机 43
4.2.3 获取特征向量 45
4.2.4 字符判断模型的训练与测试 47
4.3 区域提取与校正 47
4.3.1 基于 MSER 的字符提取 47
4.3.2 字符提取结果分析 50
4.3.3 获取字符候选人 51
4.4 文本检测 55
4.4.1 文本检测的完整流程 55
4.4.1 字符搜索 57
4.5 本章小结 60
第5章 字符识别 61
5.1 引言 61
5.2 字母和数字的识别 61
5.2.1 PHOG 特征 61
5.2.2 BP 神经网络 63
5.2.3 分类器的训练与测试 68
5.3 汉字识别 69
5.3.1 基于 BP 神经网络的汉字识别 69
5.3.2 卷积神经网络 71
5.3.3 基于卷积神经网络的汉字识别 72
5.4 本章小结 73
第6章 程序综合 74
6.1 程序编写平台搭建 74
在本次研究中我通过编写脚本文件或者批处理文件，直接在 Windows 下调用 75
6.2 程序框架结构 75
参考文献 81
1.3.3.2基于分类器的字符识别
对于一张需要识别的字符图片，并非所有像素点都具有相同的重要性，个别像素点值的改变不会影响图片代表的字符值，为了降低这些像素点值的改变对识别效果的影响，提出了基于特征提取和分类器的字符识别方法。基于分类器的字符识

别方法一方面可以降低待处理的数据维数，在特征能够区分字符间差别的情况下， 可以显著提高字符识别的鲁棒性，但是字符特征的选择和计算以及分类器的训练难度较高，比较耗费时间。
特征向量的产生方法有很多，比如二值图像水平和垂直方向上的投影、字符的拓扑特征、字符的纹理特征等，有些特征具有尺度不变性，旋转不变性或者对字符位置不敏感，这样的特征一般计算量较大，但可以省去一部分图片预处理的步骤， 比如旋转矫正，减少总的处理时间。
可用于字符识别的分类器种类繁多，基本包含了所有机器学习中提出的方法， 像支持向量机，自适应提升算法，人工神经网络和隐马尔可夫模型等都有大量研究中得到有效应用。近年来，深度学习的方法也被很好地移植到车牌识别中，与传统的分类器不同，以卷积神经网络为代表的新兴分类器可以直接将图片作为输入，通过训练特征提取层，自动提取数据特征，省去了人为定义特征的过程。
1.4 本文主要研究内容

本文主要阐述了一种更加“通用”的中文车牌识别方法及其程序实现，该方法针对于识别多种背景，视角，大小，光照条件和来源的车牌图片，它的基本流程如图 1-2 所示，输入需要识别的图片，通过分析边缘或者颜色特征，得到车牌区域候选人，通过对车牌区域候选人进行字符分析，判断它的字符数是否为七，是则将字符分析的结果输入字符识别中，输出车牌号，否则认为它不是车牌。
本次毕业设计的关键点在于实现一种“通用”的中文车牌识别方法，本文的“通用”指的是基于多种背景，视角，大小，光照条件和来源。虽然中文车牌种类繁多， 但由于图片数量的限制以及个人精力有限，本文只研究了生活中最为常见的小型汽车车牌，也就是蓝底白字白框线的尺寸为 440mm×140mm 的车牌，本文的“通用”不涉及各种类型的中文车牌识别。
由于本文中车牌候选区域的获取依然是基于传统数字图像处理方法，所以 该方法除了只能用于“蓝牌”的识别这一不足外，还存在以下四点限制。
（1）输入图片最大边长为 1600 个像素点，整个车牌区域占整张图片中的像素点数目不得超过 1/8。
（2）车牌区域在原图片中肉眼可以清晰分辨，没有严重的模糊现象，车牌中的所有字符没有缺损和遮挡。
（3）车牌区域像素点数在 1000 到 10 万之间，车牌的倾斜角度不超过±45°， “蓝牌”的标准尺寸为 440mm×140mm，为了限制过度的缩放操作使车牌区域形变严重，图中车牌的长宽比需在 1.3 到 6.0 之间。

（4）图片没有较大的水印和人为的涂画，天气状况均为晴天。