英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
车牌识别算法的研究和实现基于分层分类
摘要
本文提出了一种改进的基于分层分类的车牌识别方法。首先,特征提取与降维的方法找到最优小波包的基础上提出了小波包分解和K-L过程中变换。识别算法是应用基于特征提取和层次分类。最后,使用支持向量机的原则和程序,Harris角点检测算法和数字字符分类详细透露。仿真结果表明,提出的识别算法表现良好识别更高的速度和效率。
关键词
小波包变换；K-L变换；SVM；识别；牌照
1、序言
车牌识别（LPR）系统是现代社会的智能交通系统的重要组成部分。变得越来越受欢迎,LPR是图像处理、计算机视觉和模式识别领域的热点问题。车牌识别的步骤包括图像采集、图像数字处理、车牌定位和提取、字符分割和字符识别。字符识别算法是一个重要组成部分。
到目前为止,LPR已经有许多方法,如模板匹配、特征匹配、人工神经网络、支持向量机(SVM)等。在很多技术中,支持向量机最受青睐。支持向量机需要剖宫产术的泛化和简单的结构。支持向量机也有优秀的效果在解决小样本问题,非线性、高维空间[1]。然而,由于决策速度和分类低精度的局限性,传统的支持向量机方法具有更大的效率。此外,功能尺寸越多,更难完成识别。因此,学者们在速度和精度优化改进连续识别性能。然而,这些方法的基础上,更加复杂的数学模型和结构导致增加复杂性。文献[2]和[3]使用隐马尔科夫识别,但是这个概率模型需要大量的先验知识。文献[4]提出了一种基于先验知识的SVM决策树与一个特定的角色经常被使用。系统是相对有限,识别效率不满意当分类太多在一对一的情况下。
基于上述考虑,本文提出了一种改进的基于分层分类的车牌识别算法。通过小波包分解和支持向量机的合理采用,al-gorithm理性分析和分配层的识别决定。试验结果表明,基于分层分类需要提高算法速度和精度高的优点,并按照表效率高和鲁棒性。
2、特征抽取
小波分解四个空间中的特征结构分布特征，主要反映了汉字、数字和字母的结构特征，可以作为车牌字符识别的依据。图1（a），只有低频率信号的高频部分将在传统的正交小波分解。当所有的小波系数作为特征，分解具有大量的尺寸和低的灵活性。图1（二）表明小波包分解能在信号的高频部分的小波空间中进行连续分解，从而获得在时频域中的丰富信息。首先，为了克服小波变换的不足，本文采用小波包分解，在时频域中具有更好的特征提取特征。然后在小波包分解的过程中找到最佳的小波包基，以降低特征向量的维数。最后，最优基系数将减少的尺寸通过K-L变换。特征提取。
(a)
(b)
2.1 小波包变换原理
从多角度分析，小波变换分解空间L2（R）为所有的子空间的直和Wj（Jisin;Z）根据不同的比例因子，给定小波函数psi;(t),和正交尺度函数ϕ（t）有以下的递推关系。
Hk和Gk是滤波器系数，phi;(t)被定义基于正交尺度的小波包功能。方程（1）表明，小波分解是一种特殊的小波包分解结构。
2.2 寻找最优小波包基
在一定的标准的基础上，从小波包基的集合中选择最佳的小波包基。将小波包分解系数的最优解作为辨识特征。本质方面是如何找到最佳的小波包基。
根据文献[ 5 ]，遵循的基本准则。2类均值向量wi和wj是mi和mj在Sw的类内散布。
Jf被定义为标准值，[Tmin,Tmax]是Jf（i，j）的范围，小波包的基础字符分解成N级，Ulk(1=1,hellip;,N;K=1,hellip;,2N)为水平上在L层的第k个节点，结合参数与条件，特征提取算法根据以下[ 6 ]。
- 车牌字符图像的归一化处理为32*6。
- 通过小波包分解分解的字符图像在水平，找到每一个节点。
- 寻找最优小波包基Z。
- 重复步骤3，直到检查了每一个节点。然后，得到最佳的小波包的基础上，可以得到与它们的系数被识别的字符。
2.3 利用K-L变换得到的特征向量
最优小波包基系数的维数较大，这是提高识别率和速度的缺点。它是减少特征向量的维数不可缺少的，通过减少冗余信息优化识别效果。K-L变换是主成分分析法。目的是去除数据之间的相关性，以及基于均方误差[ 7 ]标准的最小失真从原来重空间的m-di二维空间（R gt; gt; M）改造项目的数据。
假设X={x1,x2,hellip;,xm}是一个样本（其中xiisin;RN），M为训练山姆普莱斯总数，n是每个样本的维数。在方程（3）的训练样本的总散射矩阵的基础上，有以下矩阵：
以theta;信号存在的一样大，而M尽可能小。这种情况可以最大程度地保持图像信息的最小维数的特征向量。根据仿真和实验，对theta;M的变化得到图2。当M的值约为30，在低维空间中的特征向量的特征可以反映在原来的情况高维融合空间。因此，本文选取了30。[8]
其实，特征提取是一个过程，通过小波包分解提取的最优小波包的基础上，通过小波包分解的三个层次的识别字符。在提取，不仅增加高频分量的信息来提高识别率，而且K-L变换降维提高识别率，从而优化识别的影响。
3、基于层次分类的识别算法
图3显示了基于分层分类识别算法HIE主要包括特征提取与识别。在特征提取过程中，将预处理后的特征分解为小波包分解，并找到最佳的小波包基。然后对最优小波包基的小波系数减小尺寸的K-L变换。所以有信息的特征向量。对于字符识别分类器的设计，支持向量机可以作为第一个识别。接下来，混乱的象形特点进行二次分类利用Harris角点检测算法。最后，所有的数字和字母都是根据车牌字符的排列特点进行分类的。基于分层分类改进的PLR算法可以有效的提高测量精度和识别速度，其效果是令人困惑的角色令人印象深刻。
3.1 基于支持向量机的初始识别
支持向量机作为统计理论中最年轻的成员，利用最小结构风险的原则，在小样本、非线性、高维空间的问题上表现出了独特的优点，并具有巨大的良好的应用前景。对于线性问题，核函数是双矢量的点积。作为支持向量机的非线性问题，定义了非线性映射将项目输入向量从低维空间到高。然后一个最优超平面是在高维空间中构造。不仅最优超平面分离的两种类型正确，而且类型之间的间隔达到最大。作为支持向量机的重要概念，最大限度的时间间隔是控制的泛化能力[ 10 ]。其实，最优超平面的结构问题是解决一个二次优化问题的一个特定的约束。最优决策函数给出了方程（4）[ 11 ]。
SGN（bull;）是一个符号函数，L为训练样本数，并且aige;0被定义为拉格朗日乘子和K（bull;，bull;）是一个内核函数。
3.1.1.选择一个内核函数
通常，内核函数定义为x和xrsquo;是低维向量空间，一种称为径向基核函数的形式在局部性强，类似于人眼视觉特性的12。考虑到这个因素，径向基函数的形式（其他的名字是径向基函数或高斯核函数）作为训练。RBF可以证明：
3.1.2.训练和识别向量使用LIBSVM
LIBSVM是一个集成的软件开发的教授林智仁来自台湾。LIBSVM是用于诸如模式识别、回归分析等各个领域，与概率分布的估计[ 13 ]。该应用主要包括支持向量机、支持向量机、支持向量机等接口函数。训练和识别基于LIBSVM的包括以下步骤[ 14 ]。
1）训练样本的字符被提取并转换为所需格式。为了便于计算和预防的一个特征是太大或太小，支持向量机规模的功能规模的数据到适当的范围，一般来说，[0,1]或[1,1]。
2）径向基函数作为核函数。
3）采用交叉验证方法对试验样本进行反复训练，找到最佳参数。所谓的交叉验证是将数据划分为。当一组参与培训，另一组接受K-1测试获得K参数（C和xi;）。与其他研究结果相比，一组具有最佳效果的参数被选为最佳参数。
4）使用的最佳参数和RBF对训练集得到的SVM模型。
5）做车牌字符识别，采取广告的上述模型。
3.2.识别易混淆的字符使用Harris角点检测
由于类似的大纲和干扰的实质性原因，混淆的字符如{2, Z},{0, D, Q, C, U}, {8, B, R}, {5, 8, S}, {4, A}和{C, G}，将影响最终结果的识别精度。因此，进一步确定类似的字符是一个关键的过程，影响识别结果。由于尺度不变性和旋转且可抑制光和噪声影响，Harris角点检测算法来进一步识别相似的特征的一个很好的选择。
Harris角点检测算子的基础上提出了对莫拉维克哈里斯.史蒂芬利用一阶偏导数描述的灰度变化，Harris角点检测算法具有自相关函数相关的矩阵M。
I（x，y）是由灰度表示亮度值， part;是图像我X方向（x，y）的梯度，而part;在y方向的梯度。两个特征值矩阵M是一阶曲率相关可用于判断图像中的不同区域。如果都是大的，这一点作为一个角落；如果其中一个特征值是大的，另一个是小的，这一点是位于边缘；如果都是小的，它是在一个平坦的区域[ 15 ]确定。矩阵的基础上，角响应函数（的）被定义为：
其中K为0.04，最优参数[ 16 ]，DET是M的行列式，小的边缘和拐角点大，微量是M的痕迹，大的拐角点。因此，局部最大的慢性肾功能衰竭是一角点。
仿真结果表明，在相似字识别的Harris角点检测具有良好的效果。例如，可以在图4中看到近似轮廓的0。数和Harris角点明确区分彼此之间的位置。对含易混淆的字符发现Harris角点检测可以用来坚决相似字效果很好板实验，并有效地提高了识别率。
3.3.数字分类算法
该盘包含汉字、数字和字母。特征样本可以分为中国网络，网络数字，字母和数字网络的网络。根据2007版《中华人民共和国机动车许可证》，在七的最后五个字符被称为序列号，其中有三种编码规则
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[146275]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
