車牌識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)參考畢業(yè)論文-全文預(yù)覽
【正文】 小優(yōu)化算法首先被應(yīng)用于克服QP算法在計(jì)算和實(shí)施上的復(fù)雜度。但是由于序列最小優(yōu)化算法的相對簡單和它相對出色的效果依然使它被很多實(shí)驗(yàn)所應(yīng)用。為了使得直方圖對光照有較好的健壯性，利用大塊區(qū)域的“能量”局部直方圖都被標(biāo)準(zhǔn)化到一個大的區(qū)域。（a）原始圖像 （b）x方向梯度（c）y方向梯度 （d）整體梯度圖4 方向梯度計(jì)算結(jié)果圖下一個基礎(chǔ)的環(huán)節(jié)是確定方向，對于每一個像素計(jì)算出一個描述邊的方向的建議值?；?0176。利用方向梯度可以提高車輛識別的效果，因?yàn)榇蠖鄶?shù)汽車有著并不完全相同的外形，因此當(dāng)視角改變時，它的外形也會有巨大變化。我們從MIT的汽車數(shù)據(jù)庫中提取了512個圖像作為正例，從INRIA汽車數(shù)據(jù)庫[6]中提取了912個圖像作為反例（所有圖像的分辨率為128x128）。SVM 將會以懲罰參數(shù) C=1 訓(xùn)練各個不同子集的每個例子。上述結(jié)果大多是從不具備足夠挑戰(zhàn)的數(shù)據(jù)中得到，MIT汽車數(shù)據(jù)庫內(nèi)的圖像都非常類似，并且易于分類。 ICCV, Vancouver, Canada, pp. 454461, 2001.[16] , , and D. Snow, Detecting pedestrians using patterns of motion and appearance. The 939。參考文獻(xiàn)[1] M. 1. Minsky and S. A Papert, Perceptrons. Cambridge, Ma: MIT Press, 1969, .[2] V. N. Vapnik, The Nature of Statistical Learning Theory, New York: SpringerVerlag, 1995, p 188.[3] V. N. Vapnik and A Ja. Chervonenkis, The necessary conditions for consistency of the method of empirical risk minimization. Yearbook of the Academy of Sciences of the USSR on Recognition, Classification, and Forecasting, vol. 2, pp. 217249, Nauka Moscow, 1989 (in Russian). English translation: Pattern Recogn. And Image Analysis, vol. I, no. 3, pp. 284305, 1991.[4] V. N. Vapnik and A. Ja. Chervonenkis, On the uniform convergence of relative frequencies of events to their probabilities. Rep. Academy Sci. USSR,pI81,n04,1968.[5] B. Boser, I. Guyon, and V. N. Vapnik, A training algorithm for optimal margin classifiers. in Proc. 539。注意，為了實(shí)驗(yàn)簡單，所有操作均在Matlab軟件上完成。并且隨著一定量的循環(huán)實(shí)驗(yàn)后，我們能夠獲得足夠多的點(diǎn)來繪制出ROC弧線，但是獲得的點(diǎn)集并不能永遠(yuǎn)繪制出合適并且足夠傾斜的弧線，所以為了更好的可視性和對比性，我們這里采取多項(xiàng)式弧線。最終，獲得了每8x8像素包含2x2坐標(biāo)的RHOG區(qū)域結(jié)構(gòu)。內(nèi)均勻分布。方向值在0176。B、措施我們采取的措施是未經(jīng)任何修改的Dalas算法，并且從MIT CBCL數(shù)據(jù)庫[17]中截取的圖片也未經(jīng)伽瑪修正。Ⅲ、方向梯度直方圖A、介紹方向梯度直方圖描述子[6]提供了非常優(yōu)秀的質(zhì)量/復(fù)雜度，并不像其他邊描述子像SIFT[13]或者SURF[14]描述子那樣復(fù)雜和很大計(jì)算開銷，但也能給我們與像形狀背景[15]或者哈爾小波轉(zhuǎn)換[16]那樣的更“簡單的”描述子相比，更好的結(jié)果。一個更為簡單的方法是，將該問題分成一系列細(xì)小的QP問題，而不是直接大規(guī)模的計(jì)算得到。因此我們通過內(nèi)核直接計(jì)算梯狀產(chǎn)生式，這樣我們就可以不必知道x的真實(shí)映射是什么。上述表達(dá)式描述了一個凸函數(shù)問題，意味著它將不只是具有一個最小值，而且它通常在 k=1 或者 k=2 時才能被解決，相應(yīng)的被稱為L1和L2 SVMs。盡管如此，在介紹非線性SVM之前，我們也要對線性軟邊緣分類器做一個簡短介紹。因此對于任何一個需要分類的新數(shù)據(jù)，它必須遵守決策規(guī)則；當(dāng)，當(dāng)。不同類型的汽車通常有類似的形狀，不僅如此，可以說它們有非常多相近的地方。SVM，基于純粹的函數(shù)估計(jì)問題的理論分析而逐漸演變成一種新型的用于估計(jì)/分類多維函數(shù)/數(shù)據(jù)的學(xué)習(xí)算法。Ⅰ、引 言SVM和其他類似神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的計(jì)算機(jī)軟件技術(shù)都是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘方向的技術(shù)。本系統(tǒng)就是在VC++平臺上使用MFC構(gòu)建了一個軟件，結(jié)合OpenCV視覺庫針對車牌識別系統(tǒng)中各流程進(jìn)行編程設(shè)計(jì)。早期版本的 OpenCV 包括 CxCore、Cv、CxAuv、HighGUI 和 ml 5 個主要模塊。OpenCV 提供C++、C和Python接口，可以運(yùn)行在Linux、Windows、Mac OS和Android 操作系統(tǒng)上。C++提供的各種函數(shù)、指針操作和直接對硬件操作使得圖像處理速度較快，專門為VC++設(shè)計(jì)的OpenGL和DirectX技術(shù)可以使開發(fā)人員在 Windows 環(huán)境下比較容易地完成圖像圖形的高性能處理和顯示。VC 2010（VC ）于 2010 年發(fā)布，集成了MFC ，支持 C++0x 新標(biāo)準(zhǔn)。 2002（VC ）于 2002 年發(fā)布，集成了 MFC ， ，支持鏈接時代碼生成和調(diào)試執(zhí)行時檢查。VC 集成了MFC ，這個版本是專門為Windows 95 以及 Windows NT 設(shè)計(jì)的。VC 已歷經(jīng)數(shù)個版本， 2010（ 版本），VC 在界面、功能、庫支持方面都增強(qiáng)了很多。在同一幅圖像中，上面提到的困難可能幾項(xiàng)都存在而不僅僅是單一困難的存在，當(dāng)其中幾項(xiàng)困難一起存在時，其帶來的難度并不是簡單相加的過程，所以難度更大。這對車牌的定位、分割、識別都增加了難度。首先，在具體應(yīng)用中采集到的圖片背景比較復(fù)雜，這對于圖像的處理明顯增加了難度。例如，以色列 Hitech 公司的 see/car system 系列，新加坡 Opt Asia 公司的 VLPRS系列都是比較成熟的產(chǎn)品。(Image Segment)、特征提取(Feature Extraction)和模板構(gòu)造(Template Formation)、字符識別(Character Recognition)等三個部分，完成車牌的自動識別。車牌自動識別技術(shù)的研究國外起步地較早。汽車牌照的識別問題己成為現(xiàn)代交通工程領(lǐng)域中研究的重點(diǎn)和熱點(diǎn)之一。 如它可以廣泛應(yīng)用在：高速公路收費(fèi)、監(jiān)管管理；停車場收費(fèi)管理；偷盜車輛識別；城市交通路口“電子警察”；安防系統(tǒng)以及小區(qū)物業(yè)管理系統(tǒng)等。車牌定位、字符切分、并運(yùn)用獨(dú)創(chuàng)的基于二值特征的識別算法和基于灰度特征的識別算法相結(jié)合，是 ITS 的一個重要組成部分，它的成功開發(fā)必將大大加速 ITS 的進(jìn)程。汽車牌照是車輛最清晰、準(zhǔn)確和
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1