【Android论文栏目提醒】:网学会员为需要Android论文的朋友们搜集整理了基于android平台的车牌字符识别系统研究与实现 - 毕业设计相关资料,希望对各位网友有所帮助!
分类号 学号 M200973250学校代码 1 0 4 8 7 密级 硕士学位
论文 基于
Android 平台的 车牌字符识别系统研究与实现 学位申请人:张 舟 学 科 专 业:系统分析与集成 指 导 教 师:曾致远 教授 答 辩 日 期:2012.02A Thesis Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Engineering Character Recognition System ofLicense Plate Based on
Android Platform Candidate : Zhang Zhou Major : System Analysis and Integration Supervisor : Prof. Zeng Zhiyuan Huazhong University of Science and Technology Wuhan Hubei 430074 P.R. China February 2012 独创性声明 本人声明所呈交的学位
论文是我个人在导师指导下进行的研究工作及取得的研究成果。
尽我所知,除文中已经标明引用的内容外,本
论文不包含任何其他个人或集体已经发表或撰写过的研究成果。
对本文的研究做出贡献的个人和集体,均已在文中以明确方式标明。
本人完全意识到本声明的法律结果由本人承担。
学位
论文作者签名: 日期: 年 月 日 学位
论文版权使用授权书 本学位
论文作者完全了解学校有关保留、使用学位
论文的规定,即:学校有权保留并向国家有关部门或机构送交
论文的复印件和电子版,允许
论文被查阅和借阅。
本人授权华中科技大学可以将本学位
论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位
论文。
保密□, 在 年解密后适用本授权书。
本
论文属于 不保密□。
(请在以上方框内打“√”) 学位
论文作者签名: 指导教师签名: 日期: 年 月 日 日期: 年 月 日 华 中 科 技 大 学 硕 士 学 位 论 文 摘要 车牌识别作为智能交通中一个的重要组成部分,逐渐成为越来越多的科研机构和企业单位的研究热点。
然而,车牌图像场景复杂,图像干扰较多,而现阶段大多数的研究成果应用场景较为单一,识别的效果和性能还有待改善。
并且,传统的识别系统都基于固定的桌面平台,图像采集不灵活,而移动平台上的车牌识别研究刚刚起步。
因此,基于移动平台的车牌识别还有很多问题需要进一步的研究探讨。
本文对车牌字符图像的识别进行了深入研究,提出了一种适宜于移动平台的车牌字符识别方法,该方法提取字符图像的特征参数作为输入,并使用 RBF 神经网络作为识别分类器。
在图像特征提取方面,采用了容错性较强的网格特征和投影特征结合的特征参数。
在字符识别方面,采用了局部特性较好的 RBF 神经网络,RBF 网络不会陷入局部极小值,容错性高,网络的训练则使用正交最小二乘方法(OLS),该方法可使网络具有较小的规模和较快的收敛速度。
另外,本文在
Android 平台上对以上研究内容进行了实现开发了一套可供实际使用的车牌字符识别系统。
该系统建立 4 个 RBF 神经网络,并通过移动终端的摄像头采集车牌图像,从图像中提取出特征参数输入到神经网络中进行分类识别。
经过测试,系统能运行在安装
Android 操作系统的多个移动终端上,系统的响应速度满足使用要求。
最后,本文对所研究内容的不足和下一步发展的方向给出了自己的意见。
关键词:车牌字符识别
Android 字符特征提取 RBF 神经网络 正交最小二乘法(OLS) I 华 中 科 技 大 学 硕 士 学 位 论 文 ABSTRACT With the developing of Chinas urbanization the management of urban road trafficreceives more and more attention and intelligent transportation systems ITS havealready been carried out in many cities. As an important part of ITS License PlateRecognition LPR has also become the research focus of research institutions andbusiness units. However the license plate image are all in complex scene with muchimage noise and most of the research nowadays performs well only in one singlescenarios the effect and performance still needs to be improved and a lot of issues needfurther study in this area. Character image recognition in LPR is researched in this paper and a plate characterrecognition method with high fault tolerance and generalization was proposed. Thismethod take use of the local convergence RBF neural network as a classifier constructfour networks according to the character type and the category contained in each typeand extract several statistical characteristics as the input of the neural network. In imagefeature extraction the grid and the projection were combined as the characteristicparameter in character recognition use the RBF network which has a good localproperty and does not fall into the local minimum besides orthogonal least squaresOLS was adopted in training the network in order to make the network a smaller sizeand higher performance. In addition the research result was implemented in
Android platform and apreliminary License Plate Recognition system was developed. The system can capturelicense plate images through the camera extract the image characteristics and send theminto the neural network at last get recognition results. This system can run on numbers ofmobile terminals with
Android operating system. In the end a personal view on the lack of research and the further developmentdirection was put forward in the thesis.Keywords: LPR
Android character feature extraction RBF neural network Orthogonal Least Squares OLS II 华 中 科 技 大 学 硕 士 学 位 论 文 目 录摘要 ................................................................................................................... IABSTRACT ..................................................................................................... II1 绪论1.1 课题研究的背景与意义 ........................................................................ 11.2 车牌字符识别技术的发展现状 ............................................................ 21.3 车牌识别系统在移动终端上的现状 .................................................... 31.4 课题研究内容和结构安排 .................................................................... 42 基于网格和投影特征的特征提取2.1 特征提取的一般方法 ............................................................................ 62.2 基于网格和投影特征的特征提取 ...................................................... 103 基于 RBF 神经网络的车牌字符识别3.1 车牌字符识别的基本方法 .................................................................. 133.2 RBF 神经网络 ....................................................................................... 173.3 字符识别网络训练 .............................................................................. 233.4 识别结果分析....................................................................................... 324 基于
Android 平台的字符识别系统实现4.1
Android 移动平台 ................................................................................. 364.2 开发环境介绍....................................................................................... 424.3 车牌定位识别系统综述 ...................................................................... 444.4 字符识别系统....................................................................................... 464.5 系统展示与结果分析 .......................................................................... 50 III 华 中 科 技 大 学 硕 士 学 位 论 文5 总结与展望5.1 总结 ....................................................................................................... 545.2 展望 ....................................................................................................... 55致谢 .............................................................................................................. 57参考文献...................................................................................................... 58 IV 华 中 科 技 大 学 硕 士 学 位 论 文 1 绪论1.1 课题研究的背景与意义 2000 年以来,武汉市机动车保有量年均增长率达到了 17,其中私家车的年均增长率超过了 20,截止到 2011 年 12 月,全市机动车保有量已经达到 120 万辆,并且还在以每年 10 万辆的速度增长。
机动车的迅猛增长导致武汉的交通压力日趋增大,过江交通逐渐成为公路交通发展的瓶颈1。
为了解决快速增长的交通流量与有限的道路基础设施之间的矛盾,以及现代交通所面临的管理、安全、环境等诸多问题,以高新技术解决道路交通问题的思想逐渐被提出。
从上个世纪 90 年代初期,美国、欧洲、日本、澳大利亚等国家,开始高度重视智能交通系统(Intelligent Transport System简称 ITS)的研究2。
武汉市不停车收费系统是国内第一个在城市范围内采用不停车收费方式的重大项目,该项目于 2011 年 7 月 1 日正式实施运营。
项目中,在路侧安装信号收发装置(RSURoad Side Unit,简称 RSU),在车辆上安装电子标签(On Board Unit,简称 OBU),车辆通过收费门架时,RSU 与 OBU 会自动建立专用短程通讯链路(DedicatedShort-Range Communication,DSRC)进行通信,完成电子交易,并通过后台设立的缴费账户完成自动扣费。
整个收费过程车辆无须停车,也无须人工干预,车辆用户只需按要求对 ETC 账户进行充值即可。
为了防止无 OBU 或者 OBU 异常的车辆逃避缴费,ETC 项目另设有稽查系统。
ETC稽查系统通过专用设备读取车辆 OBU 或者识别车辆牌照,来监测用户的车辆使用情况,对非法和异常的用户采取相应的处理措施。
在 ETC 移动稽查中,稽查人员通过摄像机和车牌识别设备对停靠路边的车辆进行稽查。
移动式稽查可灵活方便地在管理部门想设点稽查的路段进行稽查活动,大大弥补了固定稽查覆盖范围的不足。
传统的固定终端无法携带,使用智能移动终端设备,移动稽查人员在道路上执勤时,可以方便的完成稽查功能。
本研究课题由武汉市不停车收费系统(Electronic Toll Collection system 1 华 中 科 技 大 学 硕 士 学 位 论 文简称 ETC)延伸而来。
在 ETC 的稽查系统中,移动稽查设备通过对车牌进行抓拍,将获得的图像经车牌定位系统后,得到分割的车牌字符图像,然后由本系统进行识别,最后输出识别结果,交由稽查系统进行处理。
1.2 车牌字符识别技术的发展现状 车牌识别研究的主要领域包括车牌的定位,车牌图像的分割及车牌字符图像的识别。
车牌定位是对道路交通抓拍图像作一些图像分析与处理,通过车牌区域特有的纹理、密度、频谱、形状等图像特征,将车牌区域与背景区域分辨开来,从而从复杂背景中提取出车牌区域的图像。
车牌分割是将车牌定位得到的图像再次进行分割,并去除掉额外的车牌框架等背景信息,得到只包含多张单个待识别字符的图像,为了便于识别,通常输出二值图像。
车牌识别通过从待识别图像中提取一定的参数作为输入特征,利用某种车牌分类方法进行模式识别,最后输出得到的结果。
对于车牌识别,从上世纪 90 年代,国外科研机构便开始投入研究,国内则主要从 2000 年前后开始。
目前这一领域已经提出了多种有效的方法,车牌识别的理论已趋成熟,这几年也有识别率很高的产品投入市场。
现在关注较多的方法主要为基于模板匹配的方法和基于神经网络的方法。
基于模板匹配的方法通过为不同的待识别字符建立相应的模板,用这些模板与识别字符进行匹配,综合分析相似度等因素,最后决定将识别字符归为某一模板类,从而得到结果。
阎建国等3对车牌字符多次分割得到区域笔划的方向特征及精细的结构特征,并从字体库中选取标准字体提取特征作为模板,建立标准字体库,在匹配过程中也进行两重匹配,得到了较好的识别结果。
针对传统模板只选取质量好的样本作为模板而导致的抗干扰能力差,马俊莉等4提出了一种对字符特征区域扩大并加强的处理方法,对原有模板进行改进,从而提高了模板的鲁棒性,减少了误识。
魏武等5提出了一种基于四灰度加权相似函数的模板匹配方法,该方法可以有效解决低质量车牌图像的阈值不稳定,对环境场景变化敏感的缺点,保证了车牌识别的稳定性和精度,且运算量不大,具有较快的识别速度。
2 华 中 科 技 大 学 硕 士 学 位 论 文 车牌识别领域目前研究较为普遍的是 bp 神经网络,它的分类能力强,并具有较强的容错能力,但也存在收敛速度慢,存在局部极值及振荡现象,且不易区分相近字符(如 0 和 D,5 和 S 等)的不足67。
曹迪铭等8将车牌字符分为汉字、字母、数字、字母数字 4 种网络,以字符图像的灰度特征和纹理特征一起作为输入,构造了一个包含 2 个隐层的三层神经网络,达到了较高的识别率。
王年等9采用一种阴影掩膜技术来提取特征,压缩了神经网络的输入,简化了网络结构,加快了收敛速度。
王春等10根据采用特征提取与直接将图像网格作为输入进行比较,发现使用关键特征训练网络能有效提高神经网络的识别效果。
另外,使用支持向量机、遗传算法等新方法的识别算法也受到不少关注。
高珊等11将针对二分类问题的 SVM 算法通过逐一鉴别法扩展到多分类,使用径向基函数作为核函数并选取适当的参数,取得了很高的识别率,并且结果显示 SVM 在检验测试样本时,识别率高于 BP 神经网络。
Sang Kyoon Kim 等人提出了将遗传算法应用 12到车牌识别领域中来,也得到了不错的效果 。
传统的识别算法都是基于某一种识别方法,而实际应用场景的不同,得到的字符图像往往具有不同特点,多种车牌识别方法也都有自己的特点,因此,不少学者提出将多种识别方法综合起来,从而达到更好的识别效果。
王敏等13集成了模板匹配和神经网络两种方法,充分发挥了神经网络的高识别能力和模板匹配的快速。
1.3 车牌识别系统在移动终端上的现状 随着智能手机的普及,桌面电脑设备已不再是人们唯一的信息处理平台,越来越多的应用都开始从桌面平台转向移动终端。
相对于个人电脑设备,移动终端具有先天的便携性,用户可以随时实地的完成上网娱乐、查阅资料、收发信息等功能,而不需要坐在桌前。
并且,随着移动平台应用程序的不断发展,在将来桌面平台的多数应用都可以转移到移动平台,移动平台是个人计算机和互联网发展的新方向。
但是,由于移动智能设备的出现时间还很短,现阶段移动平台的应用程序种类并不多,特别是重量级的核心应用,还有待进一步发展。
对于车牌识别,在移动平 3 华 中 科 技 大 学 硕 士 学 位 论 文台上几乎处于空白,国内外对移动平台上的车牌识别研究都处于起步阶段,相关成果寥寥无几。
因此,这是一个很有研究价值的领域。
1.4 课题研究内容和结构安排 车牌字符识别是字符识别的一个分支,相对于印刷字符图像,车牌图像的质量往往较差,受道路光照和天气影响非常大,因此,识别的准确率往往不高。
这些因素对识别的效果和容错性都提出了较高的要求。
本文主要研究了基于 RBF 神经网络的车牌识别方法,并在
Android 平台上设计了一套可供实际使用的字符识别系统。
该系统接收已分割好的车牌字符图像,通过从字符图像中提取特征参数,设计并训练 RBF 神经网络,并将待识别字符输入到训练好的 RBF 神经网络中,通过网络的计算后输出识别结果。
研究的重点在于字符识别的算法和实现上,即适合于车牌字符的特征参数的研究与选择,以及神经网络的训练与实现。
第一章为绪论,介绍了本课题提出的背景,车牌识别技术在国内外的研究现状以及移动平台上车牌识别的发展现状。
介绍了车牌识别领域中,几种主要的识别方法和它们的不同点,以及几个研究的新方向。
第二章介绍了车牌字符识别中字符图像特征提取的相关知识,介绍了几种基本的字符图像特征,并综合比较各个特征在车牌识别中的效果,选取了网格和投影特征作为特征变量,详细叙述了本研究中特征的提取过程。
第三章介绍了车牌字符识别的方法。
首先介绍了字符识别的几个主要方法,并结合本研究的应用场景,选择了基于 RBF 神经网络的车牌识别方法。
接着,对 RBF神经网络的相关理论和学习算法做了简要介绍。
最后,使用正交最小二乘方法训练了 RBF 神经网络,详细介绍了训练的过程以及得到的结果,并结合几种不同的神经网络对识别效果进行了对比分析。
第四章首先介绍了
Android 系统的一些基本理论和知识,比较了
Android 平台与其他平台的一些不同之处。
接着对开发的车牌字符识别系统进行了简要的介绍, 4 华 中 科 技 大 学 硕 士 学 位 论 文展示了系统的整体架构,以及识别过程中各个子模块的结构和功能,详细介绍了字符识别模块的实现。
最后,给出了系统的测试结果和效果展示。
第五章为总结,概括了本文所完成的一些工作,指出了研究中存在的不足,并结合个人观点给出了需要进一步完善的地方。
5 华 中 科 技 大 学 硕 士 学 位 论 文 2 基于网格和投影特征的特征提取2.1 特征提取的一般方法 特征提取是从字符图像中提取某些特征信息,作为识别分类器的输入参数,因而特征的选取至关重要,特征的好坏直接决定了识别的效果和性能。
特征提取实质是从字符图像中选择一组能最好表达字符结构信息的参数,这些参数可以将目标分为多个类别,为了达到较高的识别能力,类与类之间的距离应该尽量大,而同一类中的距离应该尽量小14。
并且这些参数应具有较高的稳定性和容错性,能较好地抵御干扰。
同时,字符特征的选取又不能过于复杂,否则会导致识别过程的运算量过于庞大,系统效率降低。
因此,保留较多的字符特点信息和较简洁的数据量是特征提取的关键。
但是实际应用中,所选特征往往无法满足所有这些要求。
字符图像特征的种类非常多,不同类型的字符图像,不同的识别方法,对特征参数的选择差异都很大。
常见的特征有以下几种:(1) 网格特征 像素值是字符图像最基本的信息值,但是将所有像素值单个地作为识别分类的参数,数据量会过于庞大,实用性较低。
网格特征就是一种基于字符图像某一区域像素的统计值参数。
网格特征将字符图像进行垂直和水平的切分,得到 M×N 的网格,然后求出每个网格中各像素的灰度值之和或均值,对于二值图则是求出白色像.