基于脉冲神经网络的车牌提取算法

在车牌识别系统中,主要包括车牌提取、字符分割和字符识别,其中车牌提取是非常关键的技术之一,是否精确提取车牌直接影响后阶段车牌图像处理的质量和处理速度、字符识别的精度和速度。本文提出基于脉冲神经网络的车牌提取算法。该算法主要分为两个部分:粗定位和精确定位。首先基于脉冲神经网络对车牌图像进行颜色特征提取,初步定位车牌区域;然后进行图像处理,此过程也是利用SNN进行边缘检测,能得到更好的车牌边缘图。此算法具有较高的定位率,能对各种底色车牌进行定位,有利于后面的字符分割和识别。     

基于深度学习的含堆叠字符的车牌识别算法

车牌识别是构建智慧城市交通系统的重要技术,当前车牌识别系统对于单行车牌已经达到了较好的识别和应用效果,但无法满足对包含堆叠字符的车牌的识别需求。针对该问题,提出了一种基于深度学习且不依赖于字符分割的方法以识别含堆叠字符的车牌。首先对倾斜、扭曲的车牌进行投影矫正;然后使用MobileNet-SSD算法检测定位车牌中的单排字符和堆叠字符;之后将堆叠字符送入基于CTC损失的堆叠字符识别网络,进行非字符分割的端到端识别。实验结果表明,该算法不仅对含堆叠字符的车牌具有较高的识别精度,同时对倾斜、扭曲等复杂环境下的车牌具有鲁棒性,极大提高了车牌识别系统的通用性。     

基于模糊边缘检测算法的车牌定位

车牌定位是自动车牌识别系统的一个关键步骤,车牌定位结果直接影响对车牌的最终识别效果。因此为了保证实际应用中车牌的识别准确率,文中提出了一种新的车牌定位算法,该算法利用一种改进的快速模糊边缘检测算法来进行车牌图像的边缘检测,得到整个原车牌图像的边缘图像,然后基于边缘图像的丰富的边缘信息设计一个高效、准确的车牌区域定位算法,检测出车牌区域。实验结果表明:算法定位速度较快、准确度较高,具有良好的应用前景。     

基于SVM与ANN神经网络的车牌识别系统

由于车牌识别系统中车牌位置精确定位难和车牌中字符识别率低等问题。本文提出了一种基于SVM与ANN神经网络的车牌识别算法。通过Soble边缘检测算法与形态学算法相结合来确定大致的车牌轮廓,结合车牌的外接矩形的面积与长宽比来筛选出符合车牌特征的候选区域,再利用SVM分类器来判断检测到的区域中是否是车牌,来最终筛选出是车牌的区域。对于筛选出的车牌利用ANN神经网络进行车牌字符的识别。经验证,该车牌识别系统能够适用于比较复杂的环境,且识别速度快,准确率相对较高。     

基于模糊边缘检测算法的车牌定位

车牌定位是自动车牌识别系统的一个关键步骤，车牌定位结果直接影响对车牌的最终识别效果。因此为了保证实际应用中车牌的识别准确率，文中提出了一种新的车牌定位算法，该算法利用一种改进的快速模糊边缘检测算法来进行车牌图像的边缘检测，得到整个原车牌图像的边缘图像，然后基于边缘图像的丰富的边缘信息设计一个高效、准确的车牌区域定位算法，检测出车牌区域。实验结果表明：算法定位速度较快、准确度较高，具有良好的应用前景。     

基于MATLAB的车牌识别系统设计与实现

通过对车牌定位、车牌字符分割和车牌字符识别进行研究,提出了一种车牌识别系统的设计和实验仿真方法。该方法首先采用基于Canny算子边缘检测和数学形态学相结合的方法定位出车牌,进行二值化、滤波和形态学开运算后使用投影二分法分割出7个车牌字符,最后使用模板匹配和特征统计相结合的方法识别出车牌字符。试验表明该方法是有效的、可行的,与传统使用单一算法相比较,该方法大大提高了车牌识别系统的正确率。     

车牌识别系统

在机动车牌照牌识别系统的设计中，车牌区域的检测和牌照中字符的分割是进行字符识别前必须的两个步骤，实验证明，利用车牌的纹理特征和形状特征检测车牌区域具有较高的准确性，算法的实现以边缘检测技术和数学形态学为基础，字符分割受车牌倾斜角度的影响较大，在运用Hough变换检测出车牌水平和垂直倾斜度后，再进一步进行字符分割，具有较好的效果。     

利用综合特征的车牌定位方法

车牌定位是车牌识别系统的关键技术之一.提出利用结构特征、纹理特征和颜色特征的车牌定位新方法.首先,利用顶帽变换抑制背景;其次,进行垂直边缘检测和形态滤波,通过结构特征进行车牌粗定位;再次,对候选区域的垂直投影应用一维小波分解滤噪,然后重构垂直投影,计算纹理统计量并构造纹理特征向量,应用BP神经网络识别车牌的字符纹理进行车牌的再定位;最后,对候选区域进行基于边缘颜色对的彩色边缘检测,根据其水平投影值进行车牌的精定位.对各种条件下拍摄的314幅含有车牌的车辆图像应用本算法,定位准确率达到98.7%.     

基于图像的车牌识别

基于图像的车牌识别是图像识别领域的重要研究课题之一。本论文采用MATLAB编程实现该车牌识别系统,综合使用多种方法提高系统的有效识别能力。首先,对图像进行预处理。其次,采用了一种结合字符边缘和形态学的车牌定位算法。接着,根据分割出的车牌区域,采用一种水平和垂直投影相结合的车牌字符分割法,完成单个字符的分割。最后,运用模板匹配的方法实现字符识别。     

基于数学形态学的实用车牌定位算法及实现

由于车牌图像分割困难、车牌位置定位不准确等问题,为了快速准确地得到车牌的准确位置,数学形态学具有速度快、方法简单等特点,使用数学形态学进行车牌的识别.通过预处理,采用最佳阈值分割的迭代算法进行车牌图像的二值化处理,然后主要利用数学形态学腐蚀运算进行车牌边缘检测,精确度高.结合车牌先验知识,利用连通区域法对车牌字符进行切分定位,通过大量实验,结果表明该算法具有一定的实用性.形态学边缘检测相对于边缘检测算子具有算法简单、速度快、定位准确和抗干扰能力强的优点.通过对不同车牌图像进行试验,算法具有较好的识别结果.     

Sobel算法在车牌识别系统中的改进与实现

经典Sobel算法是图像边缘检测中常用的方法之一,但在车牌识别系统中也检测出了很多的噪声点和造成了车牌字符的断裂,加大了后期车牌提取和字符识别的难度,降低了车牌定位的精确度。针对车牌识别系统,对Sobel算子进行了改进,在实际运行中取得了良好的车牌定位效果和很强的抗干扰能力,并能在最大程度上保持字符的完整性。     

车牌超分辨率重建与识别

为了从图片中快速准确地识别车牌,提出一种结合图像超分辨率技术的车牌识别方案。车牌图片具有明显的特定的模式特征,只是具体的字符编码不同。因此车牌图片非常适合做超分辨率重建。本文提出的系统主要由车牌检测定位、车牌超分辨率重建、字符分割、字符识别等模块组成。综合基于边缘、基于颜色和基于最大稳定极值区域三种车牌检测策略并采用并行编程方法来综合检测结果得到候选车牌。采用车牌图片正负样本来训练支持向量机分类器。得到分类器模型后对候选车牌判决得到真正的车牌。随后对真实车牌图片进行超分辨率重建。该部分主要由基于固定邻域回归的方法实现。这种方法综合了稀疏字典学习和领域嵌入的方法,比较好的兼顾了准确率和计算速度。运用OpenCV提供的图像处理库来对重建后的图片做字符分割。得到单独的字符图片后采用人工神经网络进行识别。识别前先使用一定数量的字符图片对网络进行有监督训练获取识别模型。采用一个单隐层的神经网络,运用反向传播算法进行训练得到识别模型。最后提取字符图片的特征并输入网络进行分类完成识别。为了测试系统的表现,在实际场景中采集了一百张车牌图片作为测试集。实验表明,该系统具有较高识别准确率和较快的处理速度。     

机动车车牌自动识别系统与VMLA定位算法

介绍了一种机动车车牌自动识别系统及其机动车车牌自动定位的 VML A (Vector Map L ocationAlgorithm)新算法 .该算法基于机动车车牌字符笔画两个边缘互相关值最大这一特征 ,先利用粒子图象测速原理得出位移矢量图 ,然后在位移矢量图中定位机动车车牌 .VML A算法具有实时、机动车车牌大小在较大范围内自适应的特点 ,同时还能得到机动车车牌字符与背底对比情况、机动车车牌大小的粗略估计等信息 ,这些信息对后续车牌的精确定位、分割、识别非常有用 .5 4 0幅机动车车牌图象的初步实验结果为定位速度 0 .2 s/个 ,定位正确率98.9% .这表明该方法速度快、一次定位正确率高 ,是一种极有潜力的定位新算法     

基于混合特征的车牌定位算法

车牌定位技术是汽车牌照自动识别和智能交通系统的用车牌的颜色、纹理和结构几何等多维特征,实现车牌定位.该算法利用车牌的彩色信息进行彩色分割,实现车牌图像的二值化,而后提取边缘增强,在此基础上利用数学形态学方法去噪并去除车牌边框,并利用车牌纹理特征利用投影实现车牌的最终定位.该算法克服了单一特征信息不完备引起的车牌定位误差,实验表明该方法具有较好的车牌定位效果.     

一种字符组合词包模型的少约束车牌定位算法

针对如何在复杂背景、拍摄角度和车牌尺度发生变化等少约束条件下实现基于字符组合词包模型的车牌定位算法。本文首先构造包含车牌数字字符和英文字符的数据库;然后利用本算法识别提取车牌字符的SIFT特征,并精准计算识别特征点在字符识别区域的相对位置、物理方向等信息组成视觉识别词汇;最后把本车牌字符的视觉词汇聚合后搭建车牌字符视觉词包数据库。在识别阶段,提取待识别图像SIFT特征与视觉词包中的视觉词汇进行匹配,并聚合所有有效投票位置来实现车牌区域的准确识别定位。仿真结果表明,本文算法对于背景复杂下的车牌区域定位具有较好的效果。     

车牌自动识别的算法研究与实现

基于MATLAB对车牌自动识别系统中的算法进行研究,详细阐述车牌自动识别过程中的车牌定位、字符分割、字符识别的算法思想及算法实现。通过对一些车牌图像进行测试,获得较高的车牌自动识别准确率,表明算法具有可靠可行性。     

基于灰度跳变的车牌定位算法及其实现

研究车牌识别定位算法问题。传统的车牌设识别定位算法的识别精确度难以满足现实在交通管理和流量监测中的应用,存在车牌图像定位的精度的不高等问题。为解决上述问题,在对车辆图像预处理基础上,提出了一种基于图像灰度跳变特性的车辆牌照定位算法。主要给出了粗定位和细定位两种定位算法,并用VC++设计实现定位算法。通过实验对实际交通中多幅车牌图像进行处理,对不同的车牌图像进行定位。实验结果表明,新算法能够对车牌图像进行高精度定位,并且具有较强的鲁棒性,为车牌字符的识别与分割奠定了一定的基础。     

基于边缘与SVM的车牌自动定位与提取

提出了一种将边缘与SVM相结合的车牌定位与提取的方法。首先根据字符的边界特征进行粗筛选,获得几个车牌候选区;然后使用SVM分类器进行字符与非字符分类;最后根据车牌特征实现定位与提取。实验表明,该方法取得了良好的效果。