基于形态学梯度重建的车牌定位方法

准确定位车牌是车牌识别的重要基础。针对复杂环境下车牌图像容易受背景、光照等因素的影响而导致车牌定位精度较低的问题,提出了一种基于形态学梯度重建的车牌定位方法。该方法首先利用颜色信息确定车牌候选区域;然后利用矢量梯度算子获取候选区域中车牌图像的梯度,利用形态学梯度重建运算提取具有车牌特征的图像结构,同时抑制非车牌特征的图像结构;最后利用车牌固定的宽长比先验信息对矩形区域进行提取,最终得到准确的车牌定位结果。实验结果表明,提出的车牌定位方法能在复杂环境下快速、准确地定位车牌,且具有较高的鲁棒性和实时性。     

多信息融合的快速车牌定位

目的车牌定位是车牌识别的关键步骤之一,为提高车牌定位的准确率和定位速度,降低误检率,提出一种基于多信息融合的快速车牌定位方法。方法首先,通过边缘密度信息快速排除大量背景区域,有效提高定位速度;其次,根据车牌字符的分布信息精确定位车牌;最后使用基于模板匹配的车牌字符分割方法进行车牌字符分割,通过验证所分割出的字符是否是数字或字母来验证所定位区域是否车牌,去除误检车牌区域。结果在9 980幅图像上进行测试,定位准确率为97.9%,平均定位时间为16.3ms。实验结果表明,本文方法可以在各种条件下快速而准确地定位车牌。结论融合多种特征的车牌定位方法,通过提取车牌对应的环境信息,排除了大量的背景区域,加快了车牌定位的速度;根据车牌的结构信息定位车牌,并通过车牌的部件信息,实现合法性验证,提高车牌定位的准确率。通过多种信息的融合,有效改善了车牌定位的效果。     

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。     

边缘特性筛选与多判定机制下的车牌定位方法

针对复杂背景下的车牌定位,利用目标区域的边缘梯度特性筛选出车牌边缘;选取合适的结构元素做数学形态学填充,得到车牌候选区域;融合车牌灰度纹理特征与颜色特征通过多判定机制剔除伪车牌区域,实现车牌的准确定位;通过实验对大量实拍的复杂背景下的车辆图像进行测试。结果表明,该方法准确率高、速度快,克服了传统算法对拍摄环境、光照条件、颜色、角度等较为敏感的问题,具有良好的定位效果。     

一种梯度特征与区域合并的车牌定位方法

车牌定位是车牌识别系统的重要组成部分。针对车牌目标所在区域梯度变换频繁的特点,利用高通滤波保留梯度变换频繁区域,形态学处理后,将相邻区域进行合并以确定车牌的候选区域。再结合车牌的几何特征与区域目标背景比,找到车牌位置,利用投影方法去除车牌边框,实现车牌的精确定位。实验结果表明,该方法削弱了传统车牌定位算法对车辆大小、图像环境、拍摄角度等的要求,进一步提高了算法的鲁棒性和实用性。     

基于数学形态学的车牌定位与分割

车牌定位是车牌识别的关键步骤.为了提高定位的准确率和实时性,提出了一种基于数学形态学的车牌定位算法,通过形态学算子的作用进行车牌区的定位与分割,采用车牌结构特征来进行非车牌区域的剔除.实验表明,该算法速度快、准确率高.     

基于数学形态学及车牌综合特征的车牌定位算法

车牌定位是车牌识别系统中的关键步骤;利用车牌图像区域丰富的边缘信息以及车牌本身的特征,提出一种实用而有效的车牌定位方法;首先,将原始图像转换到灰度空间上,利用车牌丰富的图像边缘特征信息和数学形态学操作对图像进行粗定位;然后,根据车牌本身的特征量化5种不同的特征,通过贝叶斯分类器的训练,实现对车牌区域的精确定位;最后,通过实验对1500幅彩色图像进行测试,其有效率可达95.20%。     

复杂车辆图像中的车牌快速形态定位算法

针对复杂环境下的车牌定位问题,提出了一种基于形态学的快速车牌定位方法。该方法先对车牌图像进行预处理和二值化,然后用形态学方法对二值化后的图像进行系列形态运算,将车牌图像分割为一个个独立的小区域,根据车牌特性去掉较小的区域,并对保留的连通域进行标记,最后用车牌形状特性进行车牌快速定位。实验结果表明,该方法定位效果好,速度快,适于应用对现实的车牌图像进行定位。     

多阶段车牌定位算法

车牌定位是车牌识别系统中的关键环节.针对车牌图像区域丰富的边缘信息以及独特的特征,提出一种实用而有效的车牌定位方法.首先,将原始图像转换到HSI空间上,利用图像的字符边缘特征信息和数学形态学操作对目标区域进行粗定位;然后,根据车牌固有的特征定义4种不同的特征值,通过自组织神经网络的训练,实现对车牌区域的精确定位.最后,对80幅彩色图像进行测试,其有效率可达96.25%.     

基于纹理和颜色的模糊车牌的增强与定位

针对汽车牌照自动识别系统中图像效果差的问题,本文提出了一种基于盲解卷积的增强算法,并给出了一种纹理和颜色分析相结合的车牌定位方法.该方法利用车牌字符具有明显竖直纹理的特征,经边缘检测获取垂直边缘图,结合形态学及车牌固有特征,确定疑似牌照区域;同时在HSV颜色空间进行颜色分割,提取出满足车牌颜色特性的区域.实验结果表明,在车牌图像失真的情况下,该方法能够快速有效地实现图像恢复和车牌定位.     

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.     

复杂背景下的混合特征车牌定位方法

针对各种复杂背景的车牌定位问题,提出一种复杂背景下基于车牌混合特征的车牌定位算法。首先对彩色图像进行预处理,并利用基于边缘检测方法进行二值化;然后结合横向数学形态学运算和车牌几何形状特征,提取出矩形车牌候选区域;最后根据车牌颜色特征在HIS空间下结合垂直和水平投影对车牌区域进行精确定位。实验表明,该算法适用于任意大小、位置和背景环境下的车牌定位,能有效解决仅仅依靠纹理信息或颜色信息车牌定位率低的问题,具有较强的鲁棒性。     

亮度—梯度联合约束的车牌图像超分辨率重建

目的 受成像距离、光照条件、动态模糊等因素影响,监控系统拍摄的车牌图像往往并不具备较高的可辨识度。为改善成像质量,提升对车牌的识别能力,提出一种基于亮度与梯度联合约束的车牌图像超分辨率重建方法。方法 首先充分结合亮度约束和梯度约束的优势,实现对运动位移和模糊函数的精确估计;为抑制重建图像中的噪声与伪影,基于车牌图像的文字化特征,进一步确定了亮度与梯度联合约束的图像先验模型。结果 为验证该方法的有效性,利用监控系统获得4组车牌图像,分别进行模拟和真实的超分辨率重建实验。在模拟实验中将联合约束图像先验重建结果与拉普拉斯、Huber-Markov（HMRF）以及总变分（TV）先验的处理结果进行对比,联合约束先验对车牌纹理信息的恢复效果优于其他3种常见图像先验;同时,在模拟和真实实验中,将本文算法与双三次插值、传统最大后验概率、非线性扩散正则化和自适应范数正则化方法的超分辨率重建结果进行比较,模拟实验的结果表明,在不添加噪声情况下,该算法峰值信噪比（PSNR）和结构相似性（SSIM）指标分别为35.326 dB和0.958,优于其他4种算法;该算法在真实实验中,能够有效增强车牌图像纹理信息,获得较优的视觉效果,通过对重建车牌图像的字符识别精度比较,本文算法重建结果的识别精度远高于其他3种算法,平均字符差距为1.3。结论 模拟和真实图像序列的实验结果证明,基于亮度—梯度联合约束的超分辨率重建方法,能够降低运动和模糊等参数的估计误差,有效减少图像中存在的模糊和噪声,提高车牌的识别精度。该算法广泛适用于因光照变化、相对运动等因素影响下的低质量车牌图像超分辨率重建。     

基于扩展数学形态学的车牌定位算法

在汽车牌照识别系统中,车牌定位是整个识别模块实现的前提,目前车牌定位的方法多种多样,各有所长,但存在着计算量大或定位准确率不高等问题。边缘检测是常用的车牌定位方法,边缘检测的质量决定了车牌图像的最终定位结果。一般人们习惯于用基于梯度和基于模板的算子提取边缘,但这类算子都不能很好地滤除噪声,因而给噪声图像边缘检测带来了困难。根据数学形态学原理与方法,提出一种扩展数学形态学车牌图像边缘检测算子,并结合水平和垂直投影进行车牌定位。实验结果表明,该算法不仅能成功提取车牌图像边缘,而且能很好地滤除噪声,从而实现准确车牌定位。     

基于分块投影和形态学处理的多车牌定位方法

针对多车牌定位中候选区域过多和结构元素选择不合理的问题,提出了一种基于分块投影和形态学分块处理的多车牌定位方法。对车牌图像进行预处理和水平差分处理,应用分块水平投影方法粗略定位车牌区域,用形态学分块处理确定车牌的候选区域,最后用车牌的特征去除伪车牌,定位出多个车牌。仿真实验结果表明,该方法能减少车牌候选区域,提高多车牌定位的效率。     

Region-based license plate detection

Automatic license plate recognition (ALPR) is one of the most important aspects of applying computer techniques towards intelligent transportation systems. In order to recognize a license plate efficiently, however, the location of the license plate, in most cases, must be detected in the first place. Due to this reason, detecting the accurate location of a license plate from a vehicle image is considered to be the most crucial step of an ALPR system, which greatly affects the recognition rate and speed of the whole system. In this paper, a region-based license plate detection method is proposed. In this method, firstly, mean shift is used to filter and segment a color vehicle image in order to get candidate regions. These candidate regions are then analyzed and classified in order to decide whether a candidate region contains a license plate. Unlike other existing license plate detection methods, the proposed method focuses on regions, which demonstrates to be more robust to interference characters and more accurate when compared with other methods.     

基于最近邻链的车牌检测算法

根据车牌字符的几何特征和空间排列规则,提出了一种基于最近邻链的自适应车牌检测算法. 首先,采用自适应阈值分割算法消除光照变化的影响,并采用连通体分析方法消除部分干扰目标; 其次,根据车牌字符连通体的区域特征,将宽度和高度都相近的连通体构造为最近邻连通体对, 并将最近邻对连接为最近邻链,从而检测出所有可能的车牌区域; 最后,利用两组不同长度的方波模板分别对车牌的水平和竖直投影进行匹配, 它能够验证候选车牌区域的有效性,并求解所有车牌字符的最佳切分位置. 实验表明,该算法能够自适应地处理光照不均匀、尺度变化、透视失真、背景干扰以及质量退化等因素的影响, 可以有效地检测出复杂背景中的车牌区域.