Разработка и анализ системы распознавания автомобильных регистрационных знаков

• Автор: Трапезников, Илья Николаевич
• Шифр специальности: 05.12.04
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Ярославль
• Количество страниц: 130 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. Современные системы распознавания регистрационных знаков транспортных средств
1.1. Формирование изображения
1.2. Детектирование номерного знака
1.2.1. Метод сравнения с шаблоном
1.2.2. Применение морфологических операторов
1.2.3. Вычисление проекций изображения
1.3. Сегментация номерного знака
1.4. Классификация символов номерного знака
Краткие выводы
ГЛАВА 2. Модифицированный алгоритм детектирования регистрационных знаков автомобилей
2.1. Определение ключевых особенностей изображения
2.1.1. Алгоритм Харриса
2.1.2. Бинаризация по методу Оцу
2.1.3. Локальная бинаризация изображений
2.2. Нахождение связных областей на бинарном изображении
2.3. Области интереса
2.3.1. Описание областей интереса с помощью НОО-дескрипторов
2.4. Классификация областей интереса
с использованием методов машинного обучения
2.5. Понятие аномалии
2.6. Статистическая модель детектирования аномалий
2.7. Методика ЯОС - анализа

2.7.1. Исследование зависимости работы алгоритма от параметров уголкового детектора Харриса
2.7.2. Определение необходимой величины окрестности
2.7.3. Исследование зависимости работы алгоритма
от параметров алгоритма локальной бинаризации
2.7.4. Исследование зависимости работы алгоритма
от параметров HOG-дескрипторов
2.7.5. Исследование зависимости работы алгоритма
от параметров алгоритма аномальной детекции
2.7.6. Влияние шума на точность детектирования
2.8. Определение точности детектирования номерного знака
Краткие выводы
ГЛАВА 3. Сегментация текстовых символов
на детектированном номерном знаке
3.1. Сегментация текстовых символов
3.2. Дополнительная настройка алгоритма сегментации
Краткие выводы
ГЛАВА 4. Классификация текстовых символов
4.1. Логистическая регрессия
4.2. Многоклассовая классификация «один против всех»
4.3. Проблема снижения размерности пространства признаков
4.4. Анализ главных компонент
4.5. Анализ главных компонент для решения задачи классификации данных
4.6. Рекуррентная нейронная сеть
4.7. Ограниченная машина Больцмана
4.8. Применение ограниченной машины Больцмана
для распознавания образов
4.9. Сравнение алгоритмов

4.10. Разработанная программа
4.11. Сравнение программ
Краткие выводы
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА
ПРИЛОЖЕНИЕ 1. АКТЫ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ РАБОТЫ

с] (t) будет дисперсией второй группы, которая состоит из значений, больших t. Обозначим через <*1 (0=ч (* К (*)+92 (0®2 (0 • (2.10)
В этой формуле:
Ч (*)=ТР(0> (2.11)


а(0=(2.13)

^г(0 = Z iP(i)/q2(0» (2.14)

(2.15)

^22(0= I [»■-//г (О]2 Pi})'^). (2.16)

Наилучшее значение порога ? можно определить простым перебором всех возможных значений t для поиска такого его значения, которое минимизирует al (t). Во многих ситуациях область перебора можно уменьшить до промежутка
между двумя модами гистограммы. Однако затраты на обнаружение мод сопоставимы с поиском значения, разделяющего распределения в окрестности этих мод [4, 7].
Между внутригрупповой дисперсией al(t) и полной дисперсией а1 существует взаимосвязь, которая не зависит от порогового значения. Полная дисперсия равна: