基于深度学习的汽车车牌识别算法研究

随着我国汽车的保有量逐渐增加,车牌识别在智慧车辆管理系统中起着重要作用.现有的车号识别算法识别速度慢、准确度不高,容易受光线及车牌位置角度与摄像机相对固定位置的影响而造成误识别.基于深度学习的Faster-RCNN进行车牌定位,生成车牌提取框提取车牌;使用VGG16网络模型识别字符,最终完成汽车车牌的识别.在大量的数据集中进行训练、测试,仿真结果表明在复杂环境下采用Faster-RCNN与VGG16结合的网络模型对车牌的识别准确率高达99.2％,识别准确率优于其他算法.     

基于深度学习的汽车车牌识别算法研究

随着我国汽车的保有量逐渐增加,车牌识别在智慧车辆管理系统中起着重要作用.现有的车号识别算法识别速度慢、准确度不高,容易受光线及车牌位置角度与摄像机相对固定位置的影响而造成误识别.基于深度学习的Faster-RCNN进行车牌定位,生成车牌提取框提取车牌;使用VGG16网络模型识别字符,最终完成汽车车牌的识别.在大量的数据集中进行训练、测试,仿真结果表明在复杂环境下采用Faster-RCNN与VGG16结合的网络模型对车牌的识别准确率高达99.2％,识别准确率优于其他算法.     

基于深度学习的汽车车牌识别算法研究

随着我国汽车的保有量逐渐增加,车牌识别在智慧车辆管理系统中起着重要作用.现有的车号识别算法识别速度慢、准确度不高,容易受光线及车牌位置角度与摄像机相对固定位置的影响而造成误识别.基于深度学习的Faster-RCNN进行车牌定位,生成车牌提取框提取车牌;使用VGG16网络模型识别字符,最终完成汽车车牌的识别.在大量的数据集中进行训练、测试,仿真结果表明在复杂环境下采用Faster-RCNN与VGG16结合的网络模型对车牌的识别准确率高达99.2％,识别准确率优于其他算法.     

车牌识别关键技术的研究与实现

车牌识别是指通过计算机视觉、图像处理与模式识别等方法从车辆图像中提取车牌字符信息,从而确定车辆身份的技术。车牌识别分为车牌定位、字符分割、字符识别三大部分。车牌定位是一个难题：车牌区域在整幅图像中所占比例很小,车牌的颜色、大小、位置也不确定,并且定位算法要能够克服不同光照和复杂背景的影响,还要兼顾准确性和实时性,因此快速准确的定位车牌是比较困难的。本文通过车牌的纹理和颜色特征,采用粗定位和细定位相结合的方法进行识别。     

基于聚类分析的公路车牌识别系统的设计

为提高车辆牌照识别的准确度与速度,提出了一种聚类分析的识别方法。首先,对预处理后的车牌图像,采用彩色分割方法对车牌核心区域进行号码定位;其次,利用聚类分析的方法,确定车牌的边界,实现车牌区域的目标分割及归一化,得到7个字符;最后,利用模板匹配算法进行字符识别,并将最终的识别结果输出。仿真实验结果表明:该方法能够快速、准确的定位并识别出车牌,识别性能良好,具有一定的实用价值。     

基于视频流的车牌识别研究及系统设计

该文深入研究从视频流中提取运动车辆进行车牌识别的问题,提出了一种车牌识别算法,根据该算法开发了基于MFC的视频流车牌识别可视化系统。算法采用三帧差分与背景消减相结合的方法提取含有运动车辆的关键帧,对关键帧进行灰度化,采用Sobel算子进行边缘检测,融合形态学处理对关键帧进行去噪,从而实现车牌的定位,用投影法结合字符特征对车牌字符进行精确分割,采用BP神经网络算法提取字符特征,输出字符识别结果,由此完成车牌字符识别。通过对50组不同的车辆视频进行检测识别,识别率(包含汉字)达到96%以上。     

基于边缘检测和形态学处理的车牌定位

车辆牌照识别技术(License Plate Recognition,LPR)是实现智能交通管理的重要技术之一,车辆牌照识别技术主要包含了车牌的准确定位、车牌中字符的分割以及字符的识别.通过对问题的分析,找到一种基于边缘检测和形态学处理的车牌定位方法,通过对样本图像的边缘检测和一系列的形态学处理,实现了对车牌的初步定位,基于车牌上字符水平方向的跳变次数来判断出车牌的上、下边界,从而实现了车牌的准确定位,最后通过仿真验证了这种定位方法的可行性.     

倾斜图像的车牌识别方法研究

随着图像处理技术的飞速发展,汽车牌照识别技术已成为目前计算机图像处理技术的重要研究方向和广泛应用的领域之一。汽车牌照识别技术在目前的道路安全管理系统中起到非常重要的作用,这项技术可以大大加快道路安全信息化的速度。本研究采用了orientation_region()算子对汽车车牌图像的倾斜角度进行测量,使用外接矩形旋转法对汽车牌照图像进行旋转校正。并依据上述的方法创建了一个汽车牌照识别系统。本研究基于改进的倾斜校正算法的车牌识别系统,对含有汽车牌照的图像进行灰度处理,二值化处理,车牌定位,车牌校正和字符识别。对车牌定位技术和倾斜车牌校正技术进行了改进,提高此系统应对不同环境变化的能力。经实验表明,车牌的识别率得到了显著提高。     

车牌图像预处理及识别算法研究

实现了车辆牌照自动识别系统中的一套预处理方法,主要包括车辆图像的灰度化,灰度级调整,消除噪声,图像二值化等。通过灰度级跳动来实现车牌定位及分割,最后利用模板匹配自动识别车辆牌照信息并输出结果。本文采用的灰度变化及灰度级调整可有效的消除一些外部环境对车辆牌照的影响,在一定程度上提高了对车辆牌照的定位与分割的准确性,可对光线较昏暗,车牌较模糊的图像也可较准确的进行定位和分割。     

基于图像处理的车牌定位算法研究

车牌定位就是从含有车牌的复杂背景图像中提取出车牌区域。车牌定位是车牌识别的关键环节。近年来许多国家投入了大量财力和经历去研究车牌定位算法。尽管如此,目前国内还没有一个完善通用的车牌定位算法。文章对传统的车牌定位的算法进行了比较和分析,介绍了最新的车牌定位算法。     

基于数学形态学的车牌定位算法

车牌定位是汽车牌照识别系统的重要环节，直接影响车牌识别的准确率。利用Sobel算子对汽车图像进行边缘检测，并运用数学形态学的膨胀、区域填充以及腐蚀对二值图像进行处理，可以得到几个车牌候选区，然后利用面积、长宽比以及垂直投影特征值进行综合的分析方式，能准确定位车牌区域。实验结果表明，车牌定位准确率在95％以上，定位时间为0．15s，并适用于不同环境。     

基于统计边缘跳变次数的车牌定位算法

简要描述了车牌识别系统的总体结构,并在研究了经典图像分割和定位算法后,提出了一种简单实用的车牌定位算法,即“基于统计边缘跳变次数的车牌定位算法”。实验结果表明,该算法在应用仿真中取得了良好的效果。     

基于神经网络的分阶车牌字符识别算法研究

为了提高复杂环境下车牌字符的识别率和识别速度,提出了一种基于BP神经网络和卷积神经网络(CNN)的分阶车牌字符识别算法。该算法第一阶段采用BP神经网络对车牌中的汉字、非相似字符进行识别;并在第二阶段用改进的CNN对车牌中的相似字符进行识别。最后通过实验横向、纵向对比,验证了该神经网络算法的有效性。实验结果表明,相对于传统的BP神经网络算法,明显提高了车牌字符的识别率,同时减少了车牌的识别时间。     

基于HSI颜色模型的汽车牌照定位方法

汽车牌照定位是公认的较难解决的图像分割问题.本文基于HSI颜色模型给出了汽车牌照定位的新方法:首先对图像进行倾斜校正处理.然后将图像转换到HSI颜色空间,对该模型的H分量和S分量进行过滤获得二值化的汽车牌照图像,再通过孔洞检测去除未含有孔洞的连通域.并填充孔洞.运用数学形态学方法对二值图像处理,最后根据车牌照特征定位出车牌照区域.试验证明该方法达到了很好的定位效果.     

基于灰度方差和边缘密度的车牌定位算法

在车牌定位的过程中,由于光照变化、视点和距离变化、车辆运动、复杂背景等原因,摄像机很难获取到高质量的图像.为了克服这些问题对以后的车牌定位算法的影响,提出了利用车牌区域的性质来进行车牌定位的新算法.车牌区域具有在一定范围内灰度方差近似相等和边缘密度近似相等的性质,利用这些性质来增强车牌区域.为了定位车牌区域,提出基于车牌区域边缘密度性质的匹配滤波器,该滤波器可以有效地提取出所有候选目标.利用形态学和先验知识进行目标真实性验证.通过对不同环境条件下获取的700幅图像进行实验,实验结果表明该算法有效地提高车牌区域的图像质量且车牌目标定位准确率达到98.4%,验证了算法的有效性和鲁棒性.     

一种快速实用的车牌定位算法

汽车牌照定位是一个较难解决的图像分割问题,数学形态学为此问题的解决提供了一个有力工具。本文根据我国车牌的几何形状特征,设计了一种基于数学形态学的车牌图像分割方法,使系统的运算速度和抗干扰能力较其他传统分析方法有显著提高。大量实验结果表明,该方法定位效果好、速度高,同时适于对有噪声及复杂背景的车牌图像进行分割。     

基于ARM的车牌识别系统的研制

文章主要介绍了基于ARM的车牌识别(license plate recognition简称LPR)是指通过识别车辆车牌来认证车辆身份的技术,它是智能交通系统(Intelligent Transportation System简称ITS)的技术基础,是计算机视觉、图像处理技术与模式识别技术的融合,是智能交通系统(ITS)中重要的研究课题。大多数ITS项目都是建立在此基础上的。嵌入式车牌识别技术的研究和开发具有巨大的经济价值和现实意义。