基于遗传算法的车牌定位技术研究论文

摘 要：随着我国经济的快速发展，我国机动车辆数量大大增加，给交通管制带来了一定压力。车牌是管理交通车辆的唯一标识，为了对车牌进行准确的定位，根据车牌的特征，本文提出一种自适应的遗传算法。通过实验，该方法能有效地对车牌进行精确的定位，达到了较好的实验效果。

关键词：

关键词：遗传算法 车牌定位 图像处理

车牌牌照的提取是一个寻找最符合牌照特征的区域的过程，从本质上讲，就是一个在参量空间里寻找最优定位参量的问题。由于车牌定位中最优定位参量的寻找不仅涉及牌照区域的特征，还有一些有关先验知识，就构成了一个复杂的组合优化问题，这个优化问题用常规方法来解决不仅容易出错，而且效率不高。本文采用自适应的遗传算法准确的定位车牌图像。

由于遗传算法的车牌定位方法利用遗传算法对图像进行优化搜索，结合区域特征矢量构造适应度函数，最终寻找车牌区域的最佳定位参量。车牌定位是寻找一个符合“车牌区域特征”最佳区域的过程，本质上就是从参量空间寻找最优定位参量的问题，但是在实时系统中，车牌定位速度受遗传算法中迭代次数的影响很大。

1 遗传算法

遗传算法(Genetic Algorithm,GA)是一种新发展起来的优化算法。是一类借鉴生物界进化规律演化而来的随机化搜索方法，它是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，能在大量干扰的数据系统中动态寻优，在给定的时间内搜索问题的较好解。

1.1 遗传算法的原理

对于一个求函数最大值的优化问题(求函数最小值也类同)，一般可描述为下述数学规划模型：

式中， 为决策变量， 为目标函数， 和 为约束条件， 是基本空间， 是 的一个子集。满足约束条件的解 称为可行解，集合 表示由所有满足约束条件的解所组成的一个集合，叫做可行解集合。

1.2 遗传算法的基本运算过程

遗传算法中，将 维决策向量 用 个记号 所组成的符号串表示：

把每一个 看作一个遗传基因，它的所有可能取值称为等位基因，这样 就可看作是由 个遗传基因所组成的一个染色体。一般情况下染色体的长度 是固定的，但对一些问题 也可以是变化的。个体的适应度与其对应的个体表现型 的目标函数值相关联， 越接近目标函数的最优点，其适应度越大，反之，其适应度越小。遗传操作包含三个基本遗传操作算子(Genetic Operator)：选择(Selection)、交叉(Crossover)、变异(Mutation)。

2 实验结果

本实验图像库中共有40幅图(360个样本)，其中25幅作为训练集(220个样本);15幅图作为测试集(140个样本)。

(a) (b) (c)

图1原图

(a) (b) (c)

图2 实验后车牌定位图

图1是采集到的原始三个图像，图2是经过实验后，定位的车牌效果图。由图1我们可以看出，图(a)光线较好，角度适中，图像就比较清晰，(b)图是在较暗的光线下拍摄的，图(c)是在拍摄角度和光线均不佳的情况下拍摄的图像。经过实验后，我们得到图2车牌定位的三幅图。由图2(a)可以看出，在光线较好和拍摄角度比较正的情况下，我们实验定位后的车牌效果十分清晰，而且位置也比较正。由(b)可以看出，因为受到光线较暗，定位后的图像稍微有点模糊(和图a比较)。由图(c)我们可以看出，因为受到拍摄角度和拍摄光线的影响，定位后的车牌图像不但模糊，而且定位的车牌位置不正，有点偏。

综上所述，我们在获取车牌原始图像时，有时候因采集的光线、拍摄角度、周围环境的影响，使得获取的车牌图像效果不佳，影响到后期车牌识别系统的研究。在车牌图像定位过程中，算法存在某些局限性，如光照很强的部位受到影响(图1(a)),车牌的钉子也在定位范围内(图1(b))，基于这样的情况，我们在以后的研究过程中，将进一步完善该算法，使其达到更好的定位效果。实验结果是在windows XP/Matlab7.0.1环境下运行得到。

参考文献：

[1]虞安军,吴海珍,蒋加伏.改进的遗传算法在车牌自动系统中的应用[J].计算机仿真,2010(11).

[2]巨志斌.遗传算法在车牌特征选择的应用研究[J].计算机仿真,2012(12).

[3]李睿,皮佑国.一种车牌图像的快速定位算法究[J].微型电脑应用,2013(8).

 ()   () 

本文标签：