学位论文 > 优秀研究生学位论文题录展示

模糊车牌的统计识别

作　者: 孙倩
导　师: 刘应安
学　校: 南京林业大学
专　业: 计算机应用技术
关键词: 字符识别加权分块二维线性鉴别分析递增EM算法 GMM聚类递增FCM算法
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 52次
引　用: 0次
阅　读: 论文下载

内容摘要

车牌识别是现代智能交通系统中的重要组成部分，而汽车牌照自动识别系统包含3大主要部分,即车牌定位、字符分割、字符识别。本文应用二维线性鉴别分析（2DLDA）、加权分块二维线性鉴别分析、递增EM算法、二维模糊C均值聚类（2DFCM）、递增的2DFCM等算法研究车牌识别的问题，主要是研究其中的字符识别。具体内容如下：一、分析了二维线性鉴别分析算法（2DLDA）和最大散度差鉴别准则，以及与标准LDA算法相比的优点。2DLDA算法直接利用图像的二维矩阵进行运算，只需较少的特征向量组成特征空间，就可以使图像在特征空间中具有较好的可分离性，且避免了小样本的问题。二、确定组成混合模型的成分个数是建立高斯混合模型的首要任务，为了能够根据不同的输入模型自动确定相应的成分个数，论文引入了递增的思想，不断应用EM算法建立高斯混合模型。实验表明算法可以自适应地确定成分个数并对图像进行粗聚类。三、标准FCM算法中选取不同的初始聚类中心，会得到不同的聚类结果，影响到聚类的稳定性和准确率。针对这个问题，本文提出了改进的递增2DFCM算法，实验表明此算法可以自适应的选取聚类的类别数，且得到较稳定的聚类效果。四、分块二维线性鉴别分析算法不能突显出容易区分相似字符的区域，所以本文结合Relief算法的思想，提出了改进的加权分块二维线性鉴别分析算法。该算法将图像按需要分为不同子块，考虑相似图像中每个子图像块对分类识别效果的不同影响，采用Relief算法赋予不同子块相应的权值。实验表明此算法可以有效地提高识别的抗干扰能力。五、采用3种算法对同一个字符图像集进行实验，实验表明改进后的算法与标准算法相比具有一定优势。最后通过实验分析了字符识别率与字符缺损率之间的关系，以及字符被误识的原因。

全文目录

致谢  3-4
摘要  4-5
Abstract  5-8
第一章绪论  8-13
  1.1 研究的目的及其意义  8
  1.2 我国车牌的现状  8-9
  1.3 国内外研究现状  9-11
    1.3.1 车牌识别研究现状  9-10
    1.3.2 字符识别研究现状  10-11
  1.4 本文的主要工作及创新点  11-13
第二章二维线性鉴别分析  13-19
  2.1 线性鉴别分析  13-14
  2.2 二维线性鉴别分析  14-15
  2.3 最大散度差鉴别准则  15
  2.4 车牌字符的 2DLDA 实验  15-18
  2.5 本章小结  18-19
第三章高斯混合模型  19-29
  3.1 高斯模型概述  19
  3.2 高斯混合模型（GMM）  19-20
  3.3 GMM 聚类  20
  3.4 递增 EM 算法建立 GMM  20-25
    3.4.1 EM 算法  20-22
    3.4.2 递增 EM 算法建立 GMM  22-24
    3.4.3 仿真实验  24-25
  3.5 车牌字符的 GMM 聚类实验  25-28
  3.6 本章小结  28-29
第四章二维模糊 C 均值聚类  29-37
  4.1 K-means 聚类  29-30
  4.2 模糊 C 均值聚类  30-32
  4.3 改进的模糊 C 均值聚类  32-35
    4.3.1 递增的模糊 C 均值聚类  32-33
    4.3.2 仿真实验  33-35
  4.4 车牌字符的递增 FCM 算法实验  35-36
  4.5 本章小结  36-37
第五章加权分块二维线性鉴别分析  37-49
  5.1 分块二维线性鉴别分析  37-39
  5.2 加权分块二维线性鉴别分析  39-44
    5.2.1 Relief 算法  39-40
    5.2.2 分块子图像权值的计算  40-42
    5.2.3 加权分块二维线性鉴别分析  42-44
  5.3 加权分块车牌字符识别实验  44-48
  5.4 本章小结  48-49
第六章模糊车牌识别  49-59
  6.1 图像预处理  49-52
  6.2 字符识别  52-54
  6.3 车牌字符图像识别实验  54-58
  6.4 本章小结  58-59
第七章总结与展望  59-61
  7.1 本文总结  59
  7.2 展望  59-61
参考文献  61-63

模糊车牌的统计识别

内容摘要

全文目录

相似论文