差分进化算法和神经网络的车牌自动识别模型,此文是一篇进化算法论文范文,为你的毕业论文写作提供有价值的参考。
进化算法论文参考文献：
摘 要： 为了提高对车牌的自动识别和检测能力,针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题,提出一种基于差分进化算法和神经网络的车牌自动识别方法.提取的车辆视频监测图像进行外接轮廓矩形网格分割,采用差分进化算法进行车牌测试样本图像的子块连续遍历,实现车牌图像的特征分割和信息点增强,采用神经网络算法进行车牌特征信息分类,实现车牌识别.测试结果表明,采用该方法进行车牌识别的准确性较好,识别模型的可靠度较高.
关键词： 差分进化； 神经网络； 车牌识别； 图像处理
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）15?0183?04
Abstract： Since the traditional edge contour detection method has poor recognition performance while the vehicles are shielded due to their close distance and overload traffic, a vehicle license plate automatic recognition method based on differential evolution algorithm and neural network is proposed to improve the vehicle automatic recognition and detection abilities. The extracted vehicle video monitoring image is performed with external contour rectangular grid division. The differential evolution algorithm is used to trerse the sub?block of the license plate test sample image continuously to segment the license plate image feature and strengthen the information point. The neural network algorithm is adopted to classify the information of the license plate feature, and recognize the license plate. The test results show that the method has high recognition accuracy of license plate, and high reliability of model recognition.
Keywords： differential evolution； neural network； license plate recognition； image processing
0 引 言
随着计算机图像处理技术的发展,车牌智能识别技术作为计算机图形图像处理的一个重要应用方向,在进行交通视频监控和刑事犯罪侦查等领域受到极大关注和广泛应用,研究车牌的自动识别算法受到了人们的重视[1].车牌自动识别主要通过车辆以及车牌上的信息特征提取和图像信息增强处理技术进行特征检测和自适应分类,进而完成识别.在极端环境下还要进行车牌图像的修复和还原,实现车牌图像重构[2],自动识别车牌的数字信息特征,实现车牌号码识别和车牌真伪识别的效能.当前较为流行的方法主要有BP神经网络检测方法、局部子空间方法、分割粘连法等,本文针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题,提出一种基于差分进化算法和神经网络的车牌自动识别方法,提高车牌识别的准确度,得出有效性结论.
1 车牌图像处理模型的设计
1.1 车牌图像的网格化的图像采集处理
车牌识别主要运用模式识别和图像处理原理,实现车牌的甄别和判断,车牌识别技术在刑事侦查、交通违法监控和车流量管理等领域具有重要的应用价值[3].在进行车牌识别算法设计之前,首先需要进行车牌图像的采集处理,车牌识别技术建立在对车牌图像采集和特征提取技术上,通过图像特征提取,自动匹配车牌信息特征,再结合识别算法进行车牌信息特征分类.当前车牌识别方法对重叠车牌分离性功能不好,導致对车流量较大情况下的识别精度不高,其中很大一部分原因是在进行车牌图像采集时,没有很好的处理模糊信息.本文采用去模糊和去重的方法进行车牌图像采集,进行重叠车牌的突变信息感知,得到车辆视频监测图像外接轮廓矩形网格模型,如图1所示.
其中分形技术构建车牌图像的网格分割模型,在整个重叠车辆区域进行车牌的信息特征分离,通过车牌检测视觉采集器,有效感知车牌的几何特性,得到车牌采集和车牌图像处理结果,在车辆的视频监控区域,车牌图像采集器件主动进行视频捕捉,得到车牌图像采集输出质量比[4]：
式中：为车牌特征分形变量；参数值为分形变量.特别是针对特定的分形技术结构结合车牌图像特征及其方差的统计得到车牌的相似度变量,将车牌几种分形结构的主特征相应的扩大倍,从而使得该结构被整体放大了倍,则重叠车牌分离分形过程表示为：
通过上述处理,把重叠车牌的宽度降为单个像素宽度,通过统计概率衡量车牌像素子块,实现对车牌图像的采集,车牌图像采集后的特征输出表示为：
式中：和分别是重叠车牌的亮点特征值在坐标点处的出现概率；和分别是车牌图像的视频采集空间内的对比度,车牌图像是视频采集器以每秒几十帧甚至几百帧的速度来捕获车牌图像,由此实现车牌图像采集.
结论：关于对写作进化算法论文范文与课题研究的大学硕士、相关本科毕业论文进化算法论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
基于人工神经网络的聚类算法
摘要：研究连续型Hopfield神经网络的电路机理，推导出网络的权值计算公式，并运用连续型的神经网络模型构造出聚类算法；对20个随机生成数据计算。
基于遗传算法和RBF神经网络核电厂安全管理评价模型
中图分类号：F273 文献标识：A 文章编号：1674-1145（2017）03-000-02摘 要 遗传算法具有很强的全局搜索能力，但是容易。
基于BP神经网络车牌识别技术算法分析
摘要：车牌识别是计算机视觉技术的一种典型应用，以机器视觉、图形图像、模式识别等为理论基础，采用神经网络、形态学、投影等技术实现车辆拍照、视频分解。
基于遗传算法BP神经网络在权证定价中应用
摘要:对金融衍生品的定价一直都是理论界和实务界所关注的热点问题之一。传统的参数模型定价方法,容易产生系统性偏差,而神经网络方法在解决这一问题时具。