车牌识别系统中字符分割技术研究

车牌识别LPR是智能交通中关键技术之一.字符分割是车牌识别的基础.但是,现实应用中,复杂背景、字符断裂或字符粘连等因素容易导致车牌字符分割失败.本文提出了一种新的字符分割方法--基于全局约束的字符分割算法,有效的解决了这些复杂的问题.本算法已在软件平台上成功实现,并使用大量从各种不同环境下采集的具有代表性的车辆图像作为算法测试数据源对算法进行测试,结果证明这种车牌字符分割算法的准确率得到了很大的提高.     

基于机器视觉的曲面字符缺陷检测系统研究

针对传统瓶盖字符人工检测误判率高、检测效率低的问题,研发一套基于机器视觉的瓶盖曲面字符缺陷检测系统。首先,对检测系统结构与视觉信息采集原理进行介绍;在此基础上,通过对所采集视觉信息进行滤波降噪处理,减少视觉信息背景噪声。然后对字符分割使用垂直投影和连通域分析法,再用特征点提取法和模板匹配对曲面字符进行识别。最后与射频识别(RFID)读码器所读取数字码比对,判定并剔除缺陷瓶盖,以此取代目前的人工检测方法。实验表明,该系统能够有效地对瓶盖字符进行缺陷检测,识别字符准确率为99.97%,处理一副图像时间为200ms,能够满足工业现场实际要求。     

一种基于汉字结构特征的车牌照字符分割方法

提出了一种基于汉字结构特征的车牌照字符分割方法.该方法首先找到汉字的主体部件,然后根据汉字上下、左右、包围结构找到组成汉字的其它部件,并结合汉字识别结果对分割得到的汉字进行确定.最后,根据车牌字符串的结构特征找到其它字符.特殊车牌图像,要对字符和字符、字符和边界粘连的情况进行分裂,对部分字符进行合并.而且本方法还可以对定位出现车牌字符丢失情况进行重新定位,找到丢掉的字符.对大量车牌图像字符的分割,试验结果证明,该方法能够达到准确分割出车牌图像中字符的目的.     

基于神经网络模型的扫描电镜图像字符识别方法

为了提取某半导体生产线中扫描电镜图中的字符信息,提出了一种基于BP神经网络模型的图像字符识别方法。首先,基于数字图像处理方法对扫电图片进行预处理,得到图片内最可能为字符的子区域;然后,根据带有标注的历史字符集,基于BP算法训练出字符识别神经网络模型;最后,基于该模型识别生产线中的扫电图片,得到正确的字符信息。提出的方法与传统的基于模板匹配法的OCR方法相比,识别准确率高,对于模糊扫电图片的识别准确率超过传统方法的50%。经过生产线的线下运行验证,验证了该方法的可行性,提高了生产线的智能制造水平。     

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。     

基于关键帧的轻量化行为识别方法研究

针对目前双流卷积神经网络通常使用堆叠RGB帧和光流图分别提取视频的表观信息和运动信息,存在信息冗余和计算复杂度高的问题,基于时域分割网络提出了一种结合光流图、差分图像和并行卷积神经网络的行为识别算法。首先通过分析行为视频中存在的运动模糊现象,设计了一种基于图像特征量的关键帧选取算法,同时构建了一个包含表观信息流和运动信息流的改进时域分割网络,将关键帧RGB图像、非关键帧光流图像和差分图像并行地输入特征提取网络计算分类得分,最后将关键帧与非关键帧的行为类别得分进行平均融合后输入SoftMax层得到视频类别概率。为进一步降低算法的参数量和计算复杂度,设计了一种轻量化卷积神经网络作为特征提取网络。本文算法在UCF101数据集的识别准确率为94.7%,在HMDB51数据集的识别准确率为69.3%,推理速度相比于时域分割网络快了45.3%。实验结果表明,该算法能够高效利用视频的表观信息和运动信息,且具有较高的行为识别准确率。     

基于MATLAB图像处理的汽车牌照识别系统

汽车牌照识别系统是交通管理领域和数字图像处理领域里的热点问题.文中介绍了一种基于MATLAB处理的汽车牌照图像识别系统.该系统实现了汽车牌照的字符分割,分割准确率高、速度快.整个处理过程分为预处理、边缘提取、车牌定位、字符分割、字符识别五大模块,通过调用MATLAB函数来实现每一个部分处理过程.最后识别出汽车牌照.对其中出现的问题进行了具体分析、处理,找出了汽车牌照识别过程的方法.     

基于PointNet++的煤场点云分割与识别方法

为了实现煤场环境下的实时监控与安全监测,对煤场环境应用了一种基于PointNet++的目标分割与识别的方法。利用二维激光扫描仪做直线运动的装置采集三维点云数据,通过设置目标安全距离,采用基于欧氏距离的点云分割算法对原始点云进行分割,调用训练好的PointNet++网络对分割后的目标点云进行识别,对识别结果进行判断,并分析目标物体的工作状态是否安全。实验结果表明：煤场环境典型物体点云的分割精确率与召回率均大于90%,目标识别准确率达到98%,验证了基于PointNet++点云分割与识别方法的可行性。     

基于神经网络的突跳式温控器产品编码识别方法

针对突跳式温控器产品编码金属表面反光、凹凸不平以及采用钢印字符导致产品编码识别率下降等问题,提出将字符图像的灰度特征、字符分块占空比以及字符8个特征点之间线段总长度作为神经网络输入的编码识别方法。首先对图像中产品编码区域进行提取、滤波去噪、二值化和字符分割等处理工作;再把分割后的字符归一化为16×16维的图像;最后通过MATLAB编程仿真和工业现场实验得出的结果表明,该方法实现了对温控器编码字符的准确识别,提高了温控器编码相似字符的识别率。     

采用深度级联卷积神经网络的三维点云识别与分割

三维目标识别和模型语义分割在自动驾驶、机器人导航、3D打印和智能交通等领域均有着广泛应用。针对PointNet++未能结合三维模型的上下文几何结构信息的问题,提出一种采用深度级联卷积神经网络的三维点云识别与分割方法。首先,通过构建深度动态图卷积神经网络捕捉点云的深层语义几何特征;其次,通过将深度动态图卷积神经网络作为深度级联卷积神经网络的子网络递归地应用于输入点集的嵌套分区,以充分挖掘三维模型的深层细粒度几何特征;最后,针对点集特征学习中的点云采样不均匀问题,构建一种密度自适应层,利用循环神经网络编码每个采样点的多尺度邻域特征以捕捉上下文细粒度几何特征。实验结果表明,本算法在三维目标识别数据集ModelNet40和MoelNet10上的识别准确率分别为91.9%和94.3%,在语义分割数据集ShapeNet Part,S3DIS和vKITTI上的平均交并比分别为85.6%,58.3%和38.6%。该算法能够提高三维点云目标识别和模型语义分割的准确率,且具有较高的鲁棒性。     

铁路场景三维点云分割与分类识别算法

铁路限界侵入检测对保障高速铁路安全具有重要意义,基于激光三维点云分割与分类识别的异物侵入检测具有准确、直观的优点,在诸如隧道口和站台的铁路重点区域监测中具有广泛应用前景。设计了一种带动二维激光雷达进行俯仰运动的装置用于铁路三维点云的采集,基于法线方向一致性原则提出采用区域生长分割算法解决欧氏聚类分割和随机采样一致性(RANSAC)分割造成的过分割和欠分割问题;针对分割后的单物体点云,提出利用视点特征直方图(VFH)进行不同目标的三维点云特征提取,基于不同物体VFH建立KD树,并利用最近点搜索方法完成单物体点云分类识别。铁路场景典型物体的分类实验结果表明,本算法对铁路场景典型物体的分类识别准确率大于90%。     

基于Kernel‑MCCA特征融合的齿轮故障诊断方法

针对转速波动工况下齿轮故障难以辨识的问题,提出了一种基于核函数的多重集典型相关分析方法（kernel?multiset canonical correlation analysis,简称Kernel?MCCA）,实现基于多传感信息的特征层融合,并将其应用到转速波动工况下的齿轮断齿、点蚀、磨损以及剥落故障的辨识。首先,将多传感器采集的振动信号进行小波包分解,计算能量特征矩阵;其次,利用多重集典型相关分析进行特征层融合,构建的融合特征输入到K近邻（K?nearest neighbor,简称KNN）分类器中并输出诊断结果;最后,利用齿轮振动实验台进行实验研究。结果表明,笔者所提的特征融合方法比单传感器方法识别准确率提高了5%左右,比传统的多重典型相关分析特征融合方法识别准确率提高了2%左右,可有效解决转速波动下齿轮故障状态辨识问题。     

基于深度投影的三维点云目标分割和碰撞检测

三维激光雷达被广泛应用在无人驾驶系统中对道路环境的检测和防碰撞检测。为增加激光雷达对扫描点云进行分割的准确性,提出一种基于深度投影的点云目标实时分割方法。首先采用体素化滤波去除噪声点,然后使用渐进式形态学滤波方法去除地面点,最后将点云进行深度投影,建立三维点云与深度投影图像的映射关系,利用深度投影图像的自适应角度阈值对点云进行目标分割,并将分割后的点云目标构造混合层次包围盒进行碰撞检测。实验结果表明该方法相对于传统聚类算法在时间效率上有明显提升,并且能有效降低过分割问题,实验数据目标分割准确率达到了78.82%,结合混合层次包围盒算法对分割后的点云目标进行碰撞检测,可有效地识别并判断物体空间位置关系,提升碰撞识别的准确性。     

基于遗传算法和阈值分割的夜间苹果识别方法

为解决夜间场景下苹果采摘机器人分割果实与背景的问题,在分析果实自身颜色特性的基础上设计了一种基于遗传算法和阈值分割的苹果识别方法。所提出的方法分为图像采集及图像分割两个阶段。图像采集阶段,选用白炽灯照明以获取夜间图像。在图像分割阶段,利用幂次变换改进R-G色差阈值分割法,引入遗传算法对最大类间方差求解进行优化,从而提高色差分割阈值法的算法效率。为验证算法性能,定义F值作为衡量果实颜色特征的指标。实验结果表明,与OTSU动态阈值分割法相比,文中的算法在识别准确率和识别速度均表现出较好的优越性,在保证准确率的基础上,识别速度更快。当F≥90%时,识别速度提高了12%;当85%≤F90%,准确率提高了8%,识别速度提高了13%。     

基于图像和激光点云融合的智能采面煤岩识别

为了提高采煤工作面的智能化水平,提出了基于图像和激光点云融合的煤岩识别方法。首先,利用三维重建构建了蕴含煤岩颜色信息及截割纹理特征的图像点云;其次,提出了基于改进迭代最近点（iterative closest point,简称ICP）算法的煤岩点云配准方法,提高了点对间的搜索速度和配准精度;然后,设计了基于改进区域生长算法的煤岩识别方法,通过仿真分析验证了改进措施的有效性;最后,搭建了采煤机煤岩截割实验系统,并对相关改进算法进行了实验对比分析。结果表明,所提方法的点云数据分割效果最好,煤岩识别准确率达92.95%。在煤矿井下采煤工作面进行了现场测试,进一步证明了所提煤岩识别方法的可行性和实用性。     

基于快速视网膜局部特征的遥感图像目标识别

针对目前航天遥感图像信息复杂、数据量大,导致目标识别中特征检测准确度低、特征匹配识别时间长的问题,提出了一种基于差分加速分割角点检测算法(AGAST-Difference)和快速视网膜关键点描述算法(FREAK)相结合的目标识别方法。在特征检测阶段,建立AGAST-Difference特征检测算子,将尺度空间理论融合到加速分割角点检测算法(AGAST)中,生成具有强仿射不变性的特征点;再利用简化的FREAK采样模型描述局部特征,并构建二进制特征向量,通过计算向量间的汉明距离,完成特征匹配及目标的快速识别;最后选用美国Quick Bird卫星的遥感图片进行验证,实验结果表明,所提特征检测算子仿射不变性能较强,不仅提高了检测的可重复率,而且特征描述符区分性较强,平均匹配正确率提高了9.91%,识别用时仅为35 ms。该方法识别效率高、速度快,能够满足遥感图像实时识别的需求。     

基于手指融合特征和粒子群优化的手形识别

针对基于手部几何特征的手形识别方法可利用的个体信息有限的问题,提出了一种将手指轮廓特征与几何特征相融合的身份识别方法。该算法首先分离手指,采用曲线拟合算法定位手指中轴线;然后采用分步对齐方法规范化手指,并提取手指轮廓特征和几何特征;最后采用粒子群算法对手指截取系数和权值系数进行优化,以进一步提高识别准确率。实验结果表明:采用该方法后,识别率可达98.61%。该方法手指定位更准确,更充分地利用了手部信息,且避免了特征点定位不准及手指根部不稳定轮廓特征对识别准确率的影响,具有较高的识别率和良好的鲁棒性。     

车辆牌照图像识别技术研究进展

汽车牌照的字符分割和识别技术是车牌自动识别系统的技术之一,是提高车牌识别率的关键.许多学者对其进行了较为深入的研究和探讨,提出了一些基于投影分析、连通域分析的字符分割方法和基于模版匹配、神经网络等的字符识别方法.根据国内汽车牌照的字符特征,对近年来出现的车牌字符识别方法进行综述并提出建议,在现有方法的基础上,取其优点,相互补充,结合数学工具,提高系统的速度和精度.     

基于ISSEWD和SOWN的轴承工况识别研究

针对传统滚动轴承运行工况识别方法需要人工特征提取和特征选择的缺陷,提出了一种基于改进谱分割经验小波分解和自组织Wasserstein网络的轴承工况识别方法。首先将采集到的滚动轴承振动信号进行Fourier变换,从而得到了频谱,然后采用四分位数法检测信号频谱边界,进而对信号频谱进行了自适应分割,将滚动轴承振动信号分解为若干本征模态函数;然后筛选出最能反映轴承运行工况特征的IMFs,并进行了信号重构;最后堆叠多个Wasserstein自编码器,进一步构造了Wasserstein网络,并引入了自组织策略,将重构后的振动信号输入自组织Wasserstein网络,进行了自动特征学习与自动工况识别。研究结果表明:基于ISSEWD-SOWN组合模型的滚动轴承识别方法平均工况识别准确率98.98%,标准差仅0.15,相比于其他组合模型在轴承工况识别准确率方面更具优势,适用于滚动轴承运行工况的自动识别。     

基于多尺度分析的逆向工程截面线特征分割

为解决基于截面线特征重构中,初等曲线特征元和次要曲线特征元的分割问题,提出一种将多尺度分析与特征识别相结合的逆向工程特征分割方法.采用曲率尺度空间,实现截面线的多尺度分析和特征检测;利用相对转角法,实现单尺度特征融合;基于多尺度间信息传递和融合的多尺度特征融合算法获得多尺度特征集成.用多尺度曲率分析代替传统单一尺度逆向工程截面线分析,保证了特征分割结果,以及与基于特征设计和建模的特征元的一致性.合成复合曲线和实际扫描截面线的实例表明,提出的方法可以有效地实现逆向工程截面线多尺度特征分割.