基于车牌识别的车辆视频跟踪技术研究

《基于车牌识别的车辆视频跟踪技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士论文基于车牌识别的车辆视频跟踪技术研究摘要智能交通系统是目前世界交通运输领域的前沿研究课题，其关键技术之一是车辆跟踪。作为车辆身份的标志，车牌具有唯一性。本文将车牌识别技术应用到车辆跟踪中，研究了基于车牌识别的车辆视频跟踪技术，在一定的拍摄环境下，通过跟踪车牌实现了车辆的跟踪。该技术在高速公路收费系统、道路监控系统和车流统计、视频测速、汽车自动驾驶、交通管制等领域均具有广阔的应用前景。本文首先研究了静态车牌图像汽车牌照的定位过程，通过对现有的车牌定位算法进行改进，采用了基于边缘检测的投影法，并结合

2、车牌的先验知识进行了汽车牌照的定位。其次，在字符分割部分，针对传统的垂直分割法受车牌边框、间隔符及图像噪声的影响较大的不足，本文采用了一种改进的垂直分割方法，较好地解决了上述问题，并对分割后的字符进行归一化，以方便后续的识别工作。然后，针对前馈神经网络BP算法存在收敛速度慢且易陷于局部极小点等缺陷，本文提出了将扩展卡尔曼滤波神经网络学习算法应用到车牌字符识别中的方法，仿真结果表明了该方法的有效性。在训练字符神经网络过程中，运用封闭环的思想将英文字母和数字分为两部分分别进行训练，将归一化后的车牌字符送入

3、到训练好的神经网络中即可进行正确识别。最后，将上述静态图像基础上研究的车牌识别技术应用到动态视频图像中，利用卡尔曼滤波理论对车牌运动位置进行预测，并以预测点为中心的邻域作为搜索窗口，利用上述算法进行车牌的精确定位及识别，从而实现了复杂动态背景下运动车辆的车牌跟踪。关键词：车牌识别，车辆跟踪，卡尔曼滤波，神经网络Abstract硕士论文IntelligentTransportationSystemisaleading-edgeresearchofthetransportationintheworld．O

4、neofitskeytechnologiesisvehicletracking．Asasignofvehicle’Sidentity,licenseplateisunique．Inthispaper,licenseplaterecognitiontechnologyisappliedtovehicletracking．AndthevideotrackingofvehiclesbasedOillicenseplaterecognitionisstudied．Filmingincertaincircums

5、tances，vehicletrackingisachievedbytrackinglicenseplateofthevehicle．Thevideotrackingtechnologyofvehiclesbasedonlicenseplaterecognitionhaswideapplicationprospectinhighwaytoilcollectionsystem_，roadtrafficmonitoringsystemsandstatistics，videospeedmeasuring，c

6、arautomaticdriving，trafficcontrolandotherfields．Firstly,thispaperstudiestheprocessoflicenseplatelocationofstaticcal"images．Throughimprovingthealgorithmsoftheexistinglicenseplatelocation,sciagraphybasedonedgedetectioncombinedwithaprioriknowledgeofthelice

7、nseplateisusedtolocatethelicenseplate．Secondly,consideringthedisadvantagesoftraditionalverticalsegrnentionmethods，allimprovedverticalsegmentionmethodisusedtosegmentthecharacteroflicenseplateinthispaper．Thismethodcallreducetheeffectofthelicenseplateframe

8、，spacemarkandnoisesintheimageswhilesegmentingthecharacters．Inordertofacilitatethesubsequentrecognition,thecharacterswerenormalizedaftersegmention．BecausetheBPalgorithmfortrainingmultilayeredfeedforwardneuralnetworkalwayssuffersfr