基于遺傳算法的車牌定位技術研究論文
摘 要：隨著我國經濟的快速發展，我國機動車輛數量大大增加，給交通管制帶來了一定壓力。車牌是管理交通車輛的唯一標識，為了對車牌進行準確的定位，根據車牌的特征，本文提出一種自適應的遺傳算法。通過實驗，該方法能有效地對車牌進行精確的定位，達到了較好的實驗效果。
關鍵詞：
關鍵詞：遺傳算法 車牌定位 圖像處理
車牌牌照的提取是一個尋找最符合牌照特征的區域的過程，從本質上講，就是一個在參量空間里尋找最優定位參量的問題。由于車牌定位中最優定位參量的尋找不僅涉及牌照區域的特征，還有一些有關先驗知識，就構成了一個復雜的組合優化問題，這個優化問題用常規方法來解決不僅容易出錯，而且效率不高。本文采用自適應的遺傳算法準確的定位車牌圖像。
由于遺傳算法的車牌定位方法利用遺傳算法對圖像進行優化搜索，結合區域特征矢量構造適應度函數，最終尋找車牌區域的最佳定位參量。車牌定位是尋找一個符合“車牌區域特征”最佳區域的過程，本質上就是從參量空間尋找最優定位參量的問題，但是在實時系統中，車牌定位速度受遺傳算法中迭代次數的影響很大。
1 遺傳算法
遺傳算法(Genetic Algorithm,GA)是一種新發展起來的優化算法。是一類借鑒生物界進化規律演化而來的隨機化搜索方法，它是計算機科學人工智能領域中用于解決最優化的一種搜索啟發式算法，能在大量干擾的數據系統中動態尋優，在給定的時間內搜索問題的較好解。
1.1 遺傳算法的原理
對于一個求函數最大值的優化問題(求函數最小值也類同)，一般可描述為下述數學規劃模型：
式中， 為決策變量， 為目標函數， 和 為約束條件， 是基本空間， 是 的一個子集。滿足約束條件的解 稱為可行解，集合 表示由所有滿足約束條件的解所組成的一個集合，叫做可行解集合。
1.2 遺傳算法的基本運算過程
遺傳算法中，將 維決策向量 用 個記號 所組成的符號串表示：
把每一個 看作一個遺傳基因，它的所有可能取值稱為等位基因，這樣 就可看作是由 個遺傳基因所組成的一個染色體。一般情況下染色體的長度 是固定的，但對一些問題 也可以是變化的。個體的適應度與其對應的個體表現型 的目標函數值相關聯， 越接近目標函數的最優點，其適應度越大，反之，其適應度越小。遺傳操作包含三個基本遺傳操作算子(Genetic Operator)：選擇(Selection)、交叉(Crossover)、變異(Mutation)。
2 實驗結果
本實驗圖像庫中共有40幅圖(360個樣本)，其中25幅作為訓練集(220個樣本);15幅圖作為測試集(140個樣本)。
(a) (b) (c)
圖1原圖
(a) (b) (c)
圖2 實驗后車牌定位圖
圖1是采集到的原始三個圖像，圖2是經過實驗后，定位的車牌效果圖。由圖1我們可以看出，圖(a)光線較好，角度適中，圖像就比較清晰，(b)圖是在較暗的光線下拍攝的，圖(c)是在拍攝角度和光線均不佳的.情況下拍攝的圖像。經過實驗后，我們得到圖2車牌定位的三幅圖。由圖2(a)可以看出，在光線較好和拍攝角度比較正的情況下，我們實驗定位后的車牌效果十分清晰，而且位置也比較正。由(b)可以看出，因為受到光線較暗，定位后的圖像稍微有點模糊(和圖a比較)。由圖(c)我們可以看出，因為受到拍攝角度和拍攝光線的影響，定位后的車牌圖像不但模糊，而且定位的車牌位置不正，有點偏。
綜上所述，我們在獲取車牌原始圖像時，有時候因采集的光線、拍攝角度、周圍環境的影響，使得獲取的車牌圖像效果不佳，影響到后期車牌識別系統的研究。在車牌圖像定位過程中，算法存在某些局限性，如光照很強的部位受到影響(圖1(a)),車牌的釘子也在定位范圍內(圖1(b))，基于這樣的情況，我們在以后的研究過程中，將進一步完善該算法，使其達到更好的定位效果。實驗結果是在windows XP/Matlab7.0.1環境下運行得到。
參考文獻：
[1]虞安軍,吳海珍,蔣加伏.改進的遺傳算法在車牌自動系統中的應用[J].計算機仿真,2010(11).
[2]巨志斌.遺傳算法在車牌特征選擇的應用研究[J].計算機仿真,2012(12).
[3]李睿,皮佑國.一種車牌圖像的快速定位算法究[J].微型電腦應用,2013(8).
【基于遺傳算法的車牌定位技術研究論文】相關文章：
基于遺傳算法的優化設計論文11-20
基于移動Agent系統的安全技術研究論文11-06
基于遺傳算法的大型圓振動篩的優化設計論文07-14
論文：基于遺傳算法的電工學組卷程序的研究06-16
基于非連續頻譜的短波傳輸技術研究論文11-06
基于網格的數據傳輸與復制技術研究論文11-07
基于有源吸聲單元的聲隱身技術研究論文11-06