多尺度积角点检测和视觉颜色特征的鲁棒车牌定位算法

车牌图像包含的尺度、仿射变化及其复杂的背景是影响车牌定位准确度的重要因素。在高斯差（DOG）尺度空间框架下,笔者提出了一种基于多尺度乘积的角点特征和视觉颜色特征提取及其相融合的车牌定位算法。基于高斯差尺度空间的图像边缘信息,应用多尺度乘积分别提取具有尺度和仿射不变特性的角点和颜色特征,并在两特征融合结果基础上确定车牌位置候选区域;最后通过车牌区域特征点之间的距离及密集关系实现车牌的准确定位。对大量实拍的复杂环境下的车辆图像进行测试表明,该算法对车牌定位具有快速、高效的定位效果,且在噪声、仿射变换等方面的鲁棒性表现较好。     

利用投影最小距离的车牌校正优化算法

提出一种利用字符投影最小距离进行的车牌校正方法.该方法根据车牌垂直旋转计算字符区域在垂直坐标轴上的投影,利用投影的最小距离获取垂直倾斜角度;根据车牌水平错切计算字符区域在水平方向投影,利用投影最小距离获得水平错切角度;最后进行仿射变换,并利用双线性插值对图像进行校正.校正过程中,采用折半查找和记录校正角度,最后利用原始图像校正一次获得结果图像来优化算法,以减少计算次数和毛刺的产生.该方法不依赖车牌边框特征,抗干扰性强.实测车牌图像证明,该方法具有较高的鲁棒性和工程实用性.     

基于模糊集的车牌特征提取与识别的方法

提出一种新的基于模糊集的车牌特征提取与识别的方法.该方法先利用车牌检测算法初步定位车牌,然后利用车牌的颜色、纹理及形状的模糊特征,在提取目标的多个特征的基础上用模糊隶属度表征各个特征的重要性的方法来选取目标,准确地提取出车牌.实验结果表明:对在不同条件下拍摄的图像应用本方法,车牌提取准确率达到98.8%.特别对于光照不均、背景复杂的图像,本方法具有很强的鲁棒性.     

车牌识别中的倾斜车牌校正算法

在车牌自动识别过程中,图像的倾斜会给后续字符分割和识别带来困扰。利用传统Hough变换进行矫正的运算量很大,文中提出采用Canny算子提取图像边缘,去除牌照图像中和矫正无关的所有冗余信息,减少矫正过程的运算量,利用仿射变换理论采用双线性插值法校正车牌图像。实验结果表明,该方法可以准确地检测出车牌的倾斜角度,同时矫正速度比传统Hough变换方法要快。     

基于明暗度分类和改进二分法的车牌字符分割

车牌字符分割易受到车牌倾斜及边界、杂点的干扰,致使复杂条件下的车牌图像分割准确率不高,针对该缺点提出一种鲁棒性强的分割算法。在车牌预处理阶段进行图像明暗度分类及灰度图增强,以此为基础进行倾斜校正及上下边界定位;在字符切分阶段采用改进二分法进行分割,之后对1,2,6,7四个字符实现了边界精确定位。实验表明,该算法实时性较好,能够有效克服车牌对比度不高、模糊、粘连和倾斜的缺点。     

一种结合MSER与SIFT算子的特征检测方法

为了快速稳定地进行仿射变换下的局部特征区域提取,提出了一种新的特征区域提取算法.首先检测图像最稳定极值区域(MSER),然后将这些区域归一化,接着对其使用尺度不变特征变换(SIFT)算子进行特征提取.试验结果表明,所提出的算法不仅赋予最稳定极值区域合理的数学描述,而且其抗仿射变换能力强于SIFT算子.另外,由于只是对部分图像计算SIFT算子,速度上也要快于传统的SIFT算法.     

基于Faster R-CNN的车牌识别算法

针对传统车牌检测方法定位不准确、检测结果易受环境影响的问题,提出一种基于Faster R-CNN和Inception ResNet_v2的车牌检测算法:通过迁移学习的方式实现精确的车牌定位,用像素点统计法处理车牌图像,实现单个字符的有效提取;mLeNet5卷积神经网络模型用于对单字符进行识别。结果表明,算法对有遮挡及角度倾斜的车牌字符能实现高效、高精确度的识别.      

基于数学形态学车牌自动定位和倾斜校正

针对车牌识别系统中,由于光照变化、背景复杂、车牌褪色或相对摄像机位置不同带来的图像倾斜等原因,导致车辆图像质量不高,影响车牌定位和识别。基于优化组合数学形态学基本运算,结合灰度信息离散化对车牌初定位,再利用先验知识,对车牌进行精确定位,最后采用两点法对倾斜的车牌图像进行检测和校正。实验结果表明,得出的定位和倾斜校正方法简单、快速,且具有较好的稳定性。     

SIFT特征匹配的显微全景图拼接

针对细胞图像序列模糊、传统的特征提取方法鲁棒性不强、伪匹配点对较多、图像匹配耗时过长、融合效果不佳等问题,提出了一种强鲁棒性、快速和精确的图像拼接算法.该算法首先用基于尺度不变(SIFT)算法提取细胞图像特征点,接着采用改进的BBF(Best-Bin-First)算法对特征集进行初始的双向匹配,然后采用随机抽样一致性(RANSAC)算法对匹配点对进行进一步提纯并估算出单应性矩阵,最后根据细胞图像序列之间的单应性矩阵关系将其投影到统一标准的平面坐标系下,用具有塔型结构的多分辨率融合算法对图像进行无缝融合完成全景图拼接.实验结果证明:该算法提取到的特征点分布均匀且数量适中,误配情况明显减少,能够有效地实现显微全景图的无缝拼接.     

基于低秩纹理变换不变性的车牌倾斜校正方法

文章提出一种适用范围更广的基于低秩纹理变换不变性的车牌倾斜校正方法。首先将车牌图像看成一个矩阵,然后利用对称规则结构的低秩特性把经过旋转、仿射等变换的图像恢复成低秩纹理。根据不同的环境条件,对随机拍摄的倾斜车牌图像进行校正,实验表明即使面对一些如无边框、车牌污染、环境光遮蔽、噪声大等恶劣条件,采用所提出的方法也得到了很好的校正结果。文中提出了一种借助于图像整体信息进行倾斜校正的新思路,该方法摒弃了以往考虑角点、边缘等局部特征的思路,具有更高的精确度和鲁棒性。实验结果证实所提出的方法是有效的,且满足整个识别系统的实时要求。     

一种基于特征的车牌定位算法

介绍了车牌定位常用的几种算法,并比较了各自的优缺点,然后提出了基于特征的车牌定位算法,借助统计跳变次数粗定位出车牌的上下边界.在此基础上,精确定位出车牌的左右边界.为了提高定位效率,对车牌图像进行了预处理和倾斜校正.实验结果表明,算法具有良好的抗干扰能力、简单快速、准确性高.     

基于字符块提取的车牌字符分割算法

为了解决车牌图像倾斜、背景复杂、分割过程中出现的字符间粘连、断裂等问题,提出简便有效抗干扰强的基于字符块提取的车牌字符分割算法,以此提升车牌字符的识别效果.通过车牌图像二值化处理、倾斜矫正、去除干扰以及字符块提取一系列步骤,实现车牌识别前对车牌字符的准确有效分割.实验结果表明,该车牌字符分割方法可靠、准确度高,为后续车牌字符的正确识别奠定基础.     

基于改进LeNet-5的车牌识别算法

传统的车牌识别算法包括模板匹配、特征统计等方法,但是这些算法依赖于人工提取图像特征,识别准确率低。卷积神经网络LeNet-5算法能够自动提取车牌图像的特征,提高车牌识别准确率。但是目前基于LeNet-5网络结构的车牌识别算法存在识别不完整,运算时间长等缺点。提出基于改进的LeNet-5网络的车牌识别算法,该算法将输入车牌字符图像归一化为32×16大小,并通过删除传统LeNet-5网络中的C5层、修改输出层中神经元个数等,将车牌字符按照汉字和数字/字母的形式识别输出。通过采集大量车牌数据进行训练验证,结果表明:与前人改进的LeNet-5网络结构相比,本文算法在识别率和时间效率上均得到了提高。     

一个改进的车牌号码倾斜校正方法

在智能交通系统中,车牌号码倾斜校正是预处理的重要步骤．论文使用加权最小二乘法,把车牌区域拟合成一条直线,然后求得该直线斜率,并计算倾斜车牌图像的倾斜角％最后把图像旋转一Ⅸ完成倾斜校正．实验结果表明：论文方法能快速准确地检测出图像的倾斜角,并具有较强的适应性．与最小二乘法拟合直线比较,倾斜角精度更高,目标函数值更少;与Hough变换校正相比较,论文算法处理时间更短,倾斜角测量精度更高．     

一种汽车牌照图像分割的新方法

采用距离变换方法对由目标像素和背景像素所组成图像中的所有像素，找出目标像素到其最近的背景像素的距离，经过变换映射得到汽车牌照的几何信息。最大限度地利用了图像的几何位置信息，可使信息损失率最低。该方法对噪声、光照变化、牌照缺损、倾斜及变形等情况不敏感。本方法中采用的灰度变化与传统的二值化方法不同，它克服了传统二值化方法中由于域值选取不当而带来的后续处理时的种种弊端。     

基于边缘检测及灰度跳变的车牌定位算法研究

为了能在复杂背景及不同光照条件下准确地定位出车牌,提出了一种基于边缘检测和灰度跳变的车牌定位算法．该算法首先对获取的图像进行灰度化、图像二值化等预处理操作,提高图像质量,突出车牌信息,接着对车牌图像进行边缘检测,在此基础上采用水平方向和垂直方向上的灰度跳变统计来确定车牌区域的上下边界和左右边界,从而实现车牌定位。实验结果表明,该方法可以比较准确、快速地实现车牌区域的定位．     

基于字符行特征的车牌倾斜矫正算法

针对Hough算法在识别白色反光车牌时的不足,提出了基于车牌字符行特征的倾斜矫正算法.该方法采用通过字符行倾斜度恢复车牌原貌的机理,即从多个角度来对图像倾斜的方向扫描,分别记录各扫描平行线组中具有车牌字符信息的行数,对应字符行数目最多的扫描角度就是图像倾斜的角度.实验表明,该算法能较理想地减少车牌倾斜给车牌字符分割及识别带来的负面影响,运算量小且易行可靠.