论文部分内容阅读
车牌识别系统(LPR)在智能交通领域具有重要的地位，并广泛应用于电子收费、车辆监控、停车场管理等领域。但现有的车牌识别方法应用场景比较单一，难以适用于多场景的多车牌识别，同时识别率容易受到强光、雾霾、弱光照等环境的影响，因此，多场景下的多车牌识别算法具有很高的研究价值。 本文主要对多场景下的多车牌识别技术进行研究，研究内容主要包括三部分：车牌定位、字符分割以及字符识别。首先在车牌定位中提出基于级联分类器的多车牌定位算法，共包含三级分类器。第一级分类器，根据车牌本身的颜色和纹理特征确定一个或多个车辆区域并完成分割；第二级分类器，计算车辆区域显著因子图，同时以车牌的结构特点为基础设计了7种扩展的Haar-like特征，并利用训练好的AdaBoost分类器获得候选车牌；第三级分类器，使用连通域分析以及边缘密度分析对车牌候选区域进行联合校验，从而去除 AdaBoost分类器误定位的非车牌区域并获得车牌区域的精确位置。其次在字符分割中，对定位出的所有车牌，利用基于连通域分析的方法并结合字符的结构特征对字符连通域进行筛选，最终获得七个独立的字符。最后在字符识别阶段，本文提出了基于改进的模板匹配的字符识别算法，首先建立两类字符模板库：标准字符模板库以及模糊字符模板库，计算车牌模糊度，对于清晰车牌与模糊车牌按照不同的原则进行模板匹配，然后对相似字符进行二次识别，最后得到字符识别的结果。 本文对不同场景、不同光照的道路交通图像进行定位实验，其中包括1000副车牌，平均查全率为95.40%，查准率为98.66%。同时随机选取100副车牌进行字符分割与识别实验，准确率达到96.71%。实验结果表明本文提出的算法能够在普通光照、强光照、弱光照以及特殊天气环境下的多种场景完成多车牌识别，并且相比传统经典方法有较高的准确率以及更好的适用性和鲁棒性。