本科毕业设计开题报告（2014 届）论文题目 车牌识别算法研究 作者姓名 指导教师 学科(专业)软件工程1003 所在学院 计算机科学与技术学院 提交日期 2014 年 3 月 5 日
车牌识别算法研究 一、选题的背景与意义 1.1 研究开发的目的 随着汽车数量逐年增加，在我们面前的是大城市的交通压力。怎么更好的进行交通管理，已经成为摆在我们面前的主要问题。为了解决这个问题，研究机构，高等院校，已经形成了自己的交通监控，管理系统，这些系统通常包括车牌检测模块。通过这些设备对车辆的信息的收集、提取到的交通数据，用于监测，管理和指挥交通。车牌自动识别是车辆检测系统中的重要模块，是交通监测和控制的核心，是实现交通管理自动化的一个充分必要条件。传统的识别技术（ECT，IC 卡，条形码等）价格昂贵，设备复杂，操作繁琐，运动车牌自动识别技术不仅可以节省辅助的设备，还可以降低产品成本，提高车牌识别的速度。识别的正确率和识别速度主要取决于识别算法的好坏。所以，本课题的研究目标对基于灰度跳变和投影特征的方法进行改进，主要侧重于解决在不同光照环境下采集到的图像的车牌定位，同时对字符投影间隔距离进行合适的调整可以排除具有同字符投影特征类似的伪车牌区域的干扰，显著地提高车牌定位应用的实用性和准确性。
1.2 国内外研究发展现状 在 20 世纪 70 年代，外国就有车牌自动检测的系统，车牌自动化识别的技术自 1988 年以来就被用来检查被盗车辆，它已被广泛研究进行了，主要是通过分析车牌图像，提取相关信息获取相应的汽车车牌号码。今天，该应用程序已经达到很高的水平。
我们的车牌自动化识别的研究比外国要起步晚，到八十年代末才有相应的研究出现。由于车牌规格是不同的，不同的，不同的模型有不同的规格，尺寸和颜色，彩板太多，车牌号码不统一，难以车牌识别。我国做得比较出色的产品是“汉王眼”，由中科院自动化研究所汉王公司研究开发。也有一些文章的车牌自动识别，但主要是因为条件是不一样的，在有限的范围。从实用效果来开，国内目前还是不存在符合国情的能准确识别各地车牌的产品。
浙江工业大学本科毕业设计开题报告 一般来说，一个完整的车牌识别的系统主要由三个部分组成：首先是进行车牌在图像内区域的精确定位(确定区域在原始图像中的坐标)，输入的是一副包含车牌图像信息的图像，输出的是截取的车牌牌照子图像。然后是车牌字符分割牌照的车牌图像，它将输出截取到的车牌每个字符分割，输入图像的子截留，输出的是字符图像分割。最后是对车牌各个字符图像的识别，自动化识别出车牌中的各个字符，输入的是划分好的各个字符图像，得到的是各个图像对应的字符，然后将其组合为车牌。接下来给大家介绍国内外，车牌定位，分割和识别方法。
车牌的精确定位：是利用车牌区域的基本特征，将车牌区域的图像从原始图像中提取出来的一个过程。按照图像类型的不同，大致可以分为以下几两类：1、通过灰度图像提取车牌区域。2、通过彩色图像提取车牌区域。更具体的还可以分为以下几种方法：
1、基于角点的定位提取方法 先计算角点的信息，再通过窗口法进行区域的定位。虽然这种方法速度慢，但位置比较准确，可在图像中多个车牌定位。
2、基于水平投影和垂直投影的方法 这是一种相对比较传统的检测方法，先进行基于边缘的检测，对图像进行垂直和水平投影变换，先检测出 X 方向上的车牌分布区域，然后检测出 Y 方向上的车牌分布区域，组合成对应的车牌区域。这种方法的优点是检测速度比较快，但是它只能检测出单个车牌，而且对于很复杂的背景，就不太容易检测出车牌信息来，比较适合简单背景下的车牌检测，比如高速公路进出通道。
3、基于窗口移动的方法(包括神经网络，Boost 等方法)先定义一个矩形方块，然后在图像上滑动这个方块去检测可能包含车牌信息的区域，这种方法检测的速度非常慢，不过它定位相当精确，就是对车牌区域的大小有要求，需要针对不同场景对于矩形方块进行相应的调整，比较复杂。
4、基于纹理分析的方法 这种方法得先将原来的图像转换为灰度图像（二值化图像），然后对齐
浙江工业大学本科毕业设计开题报告 水平方向上的跳变信息进行检测，并记录这些信息，然后确认车牌可能出现的区域，最后利用以上区域产生供候选的车牌区域。这种方法是重投影法发展而来的，我国的车牌检测系统主要使用的就是这种方法，其优点是检测速度开，可以定位出多个车牌区域，但也有缺点，就是定位不是很准确，定位的车牌区域还可能包含一些除了车牌以外的信息，不能很好的过滤掉复杂的背景图像。
5、基于数学形态学的方法 这种方法在黑色像素上面使用数学形态学，并通过利用图像减法对图像进行处理分析，以获得车牌图像信息。这种方法在国外比较热门，国外使用这种算法来进行车牌检测的比较多，这种方法虽然速度慢，但是定位准确，可以很好的排出背景图像的干扰。但对于车牌大小有一定的限制。
字符分割：是指在切割出的字符图像中的一个字符的行或列。字符分割一般有以下几种方法：
1、直线分割法 直线分割法又可以划分成以下两种方法：
①：水平投影的方法被定义为在水平方向上的字符投影，图像分割，具有速度快的优点，计算量很轻，可以用来分割不同的车牌。其缺点是很容易受到外界因素的干扰，只能处理水平的车牌，只要车牌图像有一点倾斜，就不能划分，而且只能用来划分准确的车牌区域图像。
②：静态模板法使用标准的静态车牌模板分离字符，但在对于模板板的尺寸有严格的要求，而且车牌定位出来的车牌区域必须符合标准规格。
2、区域连通法 通过标记连通区域的连接成分的分离特性来分割车牌字符。具有准确的优点，但不能处理的车牌架，且速度慢。
本文将对基于灰度跳变和投影特征的方法进行改进，主要侧重于解决在不同光照环境下采集到的图像的车牌定位，同时对字符投影间隔距离进行合适的调整可以排除具有同字符投影特征类似的伪车牌区域的干扰，显著地提高车牌定位应用的实用性和准确性。
浙江工业大学本科毕业设计开题报告 二、研究开发的基本内容、目标，拟解决的主要问题或技术关键 2.1 研究目标 在对比各种车牌识别算法的基本上，在研究国外内类似算法的设计实现上，提出自己的设计与实现。在当前国内智慧交通发展形势下，车牌精确识别将大大提高交通运行效率，在这种情况下，车牌识别质量当然也是非常重要的一个因素，关于如何提高车牌识别质量，国内外专家学者做了相应的研究。特别在不同光照环境下采集到的图像的车牌定位，国外已经在这方面走在了前头。本课题的研究目标对基于灰度跳变和投影特征的方法进行改进，主要侧重于解决在不同光照环境下采集到的图像的车牌定位，同时对字符投影间隔距离进行合适的调整可以排除具有同字符投影特征类似的伪车牌区域的干扰，显著地提高车牌定位应用的实用性和准确性。
2.2 研究的基本内容 汽车车牌是全球唯一的汽车身份识别标识，尽管不同国家的车牌存在各种不同的样式，但是汽车车牌仍是全球范围内对汽车身份进行精确识别的最好标识。
评价车牌识别系统的技术指标 一个车牌识别系统从技术评估，有三个指标，即识别率，识别速度和后台管理系统。不过，系统能不能稳定又可靠的运行才是最重要的。
一、识别率 评价一个车牌识别系统的好坏，最重要的一个指标即是识别率。国际交通技术对于识别率的影响进行了讨论并做出要求，一天 24 小时所有品牌的识别率为 85%-95%。
因此，如何测试一个车牌自动测试系统的识别率？我们需要安装系统的实际应用环境，连续运行 24 小时，最低采集车牌信息超过 1000 辆，并且对其进行识别，然后还需将车牌照片和识别后的结果对应储存下来。最后通过人工识别存储下来的车牌照片得到正确的人工识别车牌结果。这样就能统计出以下车牌识别率了：
浙江工业大学本科毕业设计开题报告 人工读取的车牌照总数总数 全牌正确识别的车牌照率、可识别全牌正确识别 3实际通过的车辆总数数 人工正确读取车牌照总率、可识别车牌照的百分 2实际通过的车辆总数全牌正确识别总数率、自然交通流量的识别 1 二、识别速度 一个车牌识别系统能否满足实际使用要求，就得看它的另一个指标，即识别速度。如果一个系统识别率很高，超过百分之九十，但这需要几秒到几分钟，得到识别结果，所以，在现实中，这一制度无法发挥任何作用。
国际上提出的车牌识别速度标准是：在 1 秒内识别出车牌，识别速度越快越好。
三、后台管理体系 后台管理体系的好坏直接决定了这个车牌识别系统是否好用。而且，我们都是到车牌的识别率不可能达到 100%，因为车牌可能被遮挡，或者有无损，还可能因为岁月的清洗，导师车牌模糊，而且天气的好坏也会影响车牌的识别率，比如大雪大雾天。后台管理系统功能应包括：
1、可靠的数据库，用于储存车牌照片与识别结果信息； 2、能自动对比查询数据库中已有车牌信息，对于模糊的车牌照片，可以对比数据库采用模糊查询得到最佳的识别结果； 3、一个好的车牌识别系统的网络操作，包括稳定的数据实时通讯，远程维护，系统配置，故障远程诊断，网络防护墙等； 来自实际应用的选择 即使是一个能够达到实际应用标准的系统，由于它使用的算法不同，硬件配置，系统架构的不同，能否真正发挥其最好的作用，也要结合实际场景的应用需求设计的。
2.3 需要解决的技术难点 灰度跳变和投影特征的方法进行改进。
如何使用 OpenCV。
排除具有同字符投影特征类似的伪车牌区域的干扰。
三、研究开发的方法、技术路线和步骤
浙江工业大学本科毕业设计开题报告(1)系统平台：Microsoft Windows 7(2)系统构架：三层架构(3)编程语言：VC++(4)所用架构：MFC架构(5)系统的开发工具：Visual Studio 2010(6)数据库软件：
Microsoft SQL Server 2008 四、研究工作总体安排与时间进度 任务序号 起 止 时 间 阶 段 任 务 要 点 1 2013.11.30-2014.1.20 了解课题相关内容，查找中、英文资料 2 2014.1.21-2014.3.11 查阅文献资料，完成文献综述、开题报告和外文翻译 3 2014.3.12-2014.3.20 学习C++，OpenGL 等开发相关技术 5 2014.3.21-2014.3.31 分析需求，确定开发工具 6 2014.4.1-2014.4.5 进行系统的概要设计 7 2014.4.6-2014.4.15 进行系统的详细设计 8 2014.4.16-2014.4.20 系统框架及开发环境搭建 9 2014.4.21-2014.5.21 进行项目的开发 10 2014.5.22-2014.5.25 完成系统测试 11 2014.5.26-2014.6.5 整理资料、完成毕业论文 13 2014.6.5-2014.6.10 上交毕业论文、准备毕业答辩
参考文献 [1] G.Adorni, F.Bergenti, and S.Cagnoni, “Vehicle license plate recognition by means of cellular automata,” in Proc.IEEE Int.Conf.Intelligent Vehicles, 1998, pp.689–693.[2] M.H.T.Brugge, J.H.Stevens, J.A.G.Nijhuis, and L.Spaanenburg, “License plate recognition using DTCNNs,” in Proc.5th IEEE Int.Workshop on Cellular Neural Networks and Their Applications, 1998, pp.212–217.[3] K.R.Castleman, Digital Image Processing.Englewood Cliffs, NJ: Prentice-Hall, 1996, pp.550–554.[4] S.W.Chen, G.C.Stockman, and K.E.Chang, “SO dynamic deformation for building of 3-D models,” IEEE Trans.Neural Networks, vol.7, pp.374–387, June 1996.[5] J.R.Cowell, “Syntactic pattern recognizer for vehicle identification numbers,” Image and Vision Comput., vol.13, no.1, pp.13–19, 1995.[6] Y.Cui and Q.Huang, “Character extraction of license plates from video,” in Proc.IEEE Conf.Computer Vision and Pattern Recognition, 1997, pp.502–507.[7] P.Davies, N.Emmott, and N.Ayland, “License plate recognition technology for toll violation enforcement,” Inst.Elect.Eng.Colloquium Image Analysis for Transport Applications, pp.7/1–7/5, 1990.[8] S.Draghici, “A neural network based artificial vision system for license plate recognition,” Int.J.Neural Systems, vol.8, pp.113–126, 1997.[9] D.M.Emiris and D.E.Koulouriotis, “Automated optic recognition of alphanumeric content in car license plates in a semi-structured environment,” in Proc.Int.Conf.Image Processing, vol.3, 2001, pp.50–53.[10] D.S.Gao and J.Zhou, “Car license plates detection from complex scene,” in Proc.5th Int.Conf.Signal Processing, vol.2, 2000, pp.[11] J.A.G.Nijhuis, M.H.ter Brugge, K.A.Helmholt, J.P.W.Pluim，浙江工业大学本科毕业设计开题报告 L.Spaanenburg, R.S.Venema, and M.A.Westenberg, “Car license plate recognition with neural networks and fuzzy logic,” in Proc.IEEE Int.Conf.Neural Netw., 1995, vol.5, pp.2232–2236.[12] S.-L.Chang, L.-S.Chen, Y.-C.Chung, and S.-W.Chen, “Automatic license plate recognition,” IEEE Trans.Intell.Transp.Syst., vol.5, no.1, pp.42–53, Mar.2004.[13] F.Kahraman, B.Kurt, and M.Gökmen, “License plate character segmentation based on the gabor transform and vector quantization,” in Lecture Notes on Computer Science, vol.2869, A.Yazici and C.Sener, Eds.New York: Springer-Verlag, 2003, pp.381–388.[14] G.Adorni, S.Cagnoni, M.Gori, and M.Mordonini, “Access control system with neuro-fuzzy supervision,” in Proc.Conf.Intell.Transp.Syst., 2001, pp.472–477.[15] S.Yoshimori, Y.Mitsukura, M.Fukumi, and N.Akamatsu, “License plate detection using hereditary threshold determine method,” in Lecture Notes in Artificial Intelligence, vol.2773, V.Palade, R.J.Howlett, and L.C.Jain, Eds.New York: Springer-Verlag, 2003, pp.585–593.[16] Y.Cui and Q.Huang, “Extracting characters of license plates from video sequences,” Mach.Vis.Appl., vol.10, no.5/6, pp.308–320, Apr.1998.[17] T.D.Duan, T.L.Hong Du, T.V.Phuoc, and N.V.Hoang, “Building an automatic vehicle license plate recognition system,” in Proc.Int.Conf.Comput.Sci.RIVF, 2005, pp.59–63.[18] L.Dlagnekovin License Plate Detection Using AdaBoost.La Jolla: Comput.Sci.Eng.Dept., Univ.California San Diego, Mar.2004.[Online].Available: http://www.xiexiebang.complex background,” in Proc.Int.Conf.AINA, 2005, vol.2, pp.389–392.[20] D.-S.Kim and S.-I.Chien, “Automatic car license plate extraction using
浙江工业大学本科毕业设计开题报告 modified generalized symmetry transform and image warping,” in Proc.ISIE, 2001, pp.2022–2027.
