论文部分内容阅读
随着我国经济迅速发展,道路、停车场等基础交通设施不断完善,对智能交通管理与控制提出了更高的要求。车牌自动识别系统(Vehicle Licen se Plate Recognition System, LPRS)利用计算机对视频交通图像进行处理、分析和识别,从中提取出车牌信息,方便交通调度、收费和统计等管理,是智能交通管理的热门核心课题之一。目前国内外许多学者专门研究车牌定位和车牌字符识别等关键技术,并取得一定成果,但仍存在许多值得继续研究和改进的地方。比方说,传统算法算法局限性很强,当环境发生复杂变化时,这些算法就显得无能为力。David G. Lowe在前辈工作的基础上,于2004年提出了完善的SIFT特征提取算法[1-2]。大量实践印证,面对物体旋转、有背景遮挡、尺度缩放、外界噪声等复杂情形时,SIFT算法处理效果都很好,但在描述特征点时,使用的维数偏高,造成数据计算量非常大,且提取的特征点较多,造成特征匹配时间过长,降低了匹配效率。针对以上不足,本文采用PCA-SIFT算法[3]对原始算法中的特征点描述符进行降维,提出了一种基于PCA-SIFT算法的车牌识别方案,从而快速而又准确地进行车牌识别。车牌识别主要由图像预处理、车牌定位、字符分割、字符识别[4]几部分构成。首先,对车牌图片进行预处理,以便提高车牌定位的准确性与快速性。具体步骤为：图像增强、二值化去噪、锐化,归一化等,实验过程中,对传统算法的参数进行修改,结果表明,修改参数后的PCA-SIFT算法提高了车牌识别正确率。车牌定位部分：首先用PCA-SIFT算法提取标准定位车牌的特征向量并保存,然后用PCA-SIFT算法提取待识别车牌的特征向量并保存,之后将标准定位车牌的特征向量和待识别车牌的特征向量进行匹配,最后根据得到的特征点匹配结果进行车牌分割。车牌字符识别部分：首先用PCA-SIFT算法提取标准模板中字符的特征向量,然后用PCA-SIFT算法提取己经定位出的车牌的特征向量,然后将向量进行匹配来得到识别结果。本文采用MATLAB7.1对文中提到的算法进行仿真,实验表明,与传统算法相比,本文提出的算法具有运行速度快,识别率高的优点。