论文部分内容阅读
车牌识别是智能交通系统的一个重要研究课题,它是通过对车牌图像的采集、分析、提取、分割、识别的过程,是交通卡口、高速监测等场合必不可少的关键技术。由于车牌识别技术融合了图像处理、模式识别、计算机视觉等学科,因此对车牌识别技术的研究具有较强的理论意义和实践价值。本文详细的阐述了车牌识别研究现状,并对其技术环节和所用的相关基础知识进行罗列。首先,本文引入机器学习基本概念,重点介绍集成学习中AdaBoost算法及其相关改进算法；其次,本文对车牌识别中车牌定位、字符分割、字符识别等环节已有算法作了分析,并解释了本文所采用车牌图片预处理方法的理由。最后,在研究已有车牌字符识别算法优缺点的基础上,根据集成学习理论,结合加权模板匹配和AdaBoost算法,提出了本文的车牌识别模型。本文车牌识别模型采用已有预处理的方法对车牌样本进行系列处理,在此基础上用AB-TM算法进行车牌字符识别测试。为详细介绍AB-TM算法,本文首先介绍车牌识别中复杂度较低的模板匹配算法和经典的AdaBoost算法的训练思想,并给出相关数学描述；由于经典AdaBoost算法存在某些问题和缺陷,如haar特征单一和容易陷入退化现象,因此提出了一种基于加权模板匹配的快速提升的字符识别算法AB-TM。经改进后的AB-TM算法是一种基于加权模板匹配和AdaBoost算法相结合的方法,首先由正反样本生成的正反加权模板对构成每一级弱分类器,并根据弱分类错误率不断调整样本权重分布来构造新的弱分类器,直至获得一个满意的强分类器为止。经过理论分析和实验结果表明,本文所提出的AB-TM算法是切实可行的,实现了预期的研究目标。AB-TM算法具有较强的实用性和相关优势,并且可以针对不同需求将AB-TM算法应用到更多的分类识别领域。本文最后在基于DM642芯片的硬件平台环境上进行了算法的部分移植和优化,该硬件平台主要包括图像采集模块、存储器扩展模块、以太网接口模块。经过实践环境检测,AB-TM算法也表现出了较强的稳定性,能够满足实际需求。