基于PCA-SIFT算法的車牌識別技術研究.pdf

1、隨著我國經濟迅速發(fā)展，道路、停車場等基礎交通設施不斷完善，對智能交通管理與控制提出了更高的要求。車牌自動識別系統(tǒng)(Vehicle License Plate Recognition System，LPRS)利用計算機對視頻交通圖像進行處理、分析和識別，從中提取出車牌信息，方便交通調度、收費和統(tǒng)計等管理，是智能交通管理的熱門核心課題之一。目前國內外許多學者專門研究車牌定位和車牌字符識別等關鍵技術，并取得一定成果，但仍存在許多值得繼續(xù)研究和

2、改進的地方。比方說，傳統(tǒng)算法算法局限性很強，當環(huán)境發(fā)生復雜變化時，這些算法就顯得無能為力。David G.Lowe在前輩工作的基礎上，于2004年提出了完善的SIFT特征提取算法。大量實踐印證，面對物體旋轉、有背景遮擋、尺度縮放、外界噪聲等復雜情形時，SIFT算法處理效果都很好，但在描述特征點時，使用的維數(shù)偏高，造成數(shù)據計算量非常大，且提取的特征點較多，造成特征匹配時間過長，降低了匹配效率。
　　 本文采用PCA-SIFT算法對

3、原始算法中的特征點描述符進行降維，提出了一種基于PCA-SIFT算法的車牌識別方案，從而快速而又準確地進行車牌識別。車牌識別主要由圖像預處理、車牌定位、字符分割、字符識別[4]幾部分構成。首先，對車牌圖片進行預處理，以便提高車牌定位的準確性與快速性。具體步驟為:圖像增強、二值化去噪、銳化，歸一化等，實驗過程中，對傳統(tǒng)算法的參數(shù)進行修改，結果表明，修改參數(shù)后的PCA-SIFT算法提高了車牌識別正確率。車牌定位部分:首先用PCA-SIFT算

4、法提取標準定位車牌的特征向量并保存，然后用PCA-SIFT算法提取待識別車牌的特征向量并保存，之后將標準定位車牌的特征向量和待識別車牌的特征向量進行匹配，最后根據得到的特征點匹配結果進行車牌分割。車牌字符識別部分:首先用PCA-SIFT算法提取標準模板中字符的特征向量，然后用PCA-SIFT算法提取已經定位出的車牌的特征向量，然后將向量進行匹配來得到識別結果。本文采用MATLAB7.1對文中提到的算法進行仿真，實驗表明，與傳統(tǒng)算法相比，