基于模糊ARTMAP神经网络的车牌识别

车牌识别是一种车辆自动识别技术。本文提出了一种用模糊ARTMAP神经网络来识别车牌的方法。模糊ARTMAP神经网络是神经网络家族中的一种比较新的体系结构，与传统的BP算法相比，它具有较强的学习能力。     

改进的BP神经网络算法在车牌识别中的应用

在车辆牌照自动识别系统中,因自然因素或采样因素使得原本规则的印刷体字符产生畸变,给字符识别带来了很大困难,利用BP神经网络对车牌进行识别得到广泛的应用,如何提高车牌识别的准确率和速度是车牌识别系统最根本的问题.本文用动量因子和自适应学习速率对传统BP网络进行改进.该算法简便,识别率高,可适用于多种高噪声环境中的字符识别.     

基于能量和神经网络算法的车牌识别系统

设计了一个基于车牌灰度图像能量和神经网络的车牌识别系统.通过构造汽车图像的能量图来定位汽车车牌位置.通过优化车牌字符特性向量,运用二级BP神经网络进行车牌字符的分类识别.同时,采用Qt平台开发软件系统界面,实现跨平台运行,方便软件分别运用于Win+PC机或Linux+ARM系统.实验结果表明,本车牌识别软件系统可以识别不同角度,不同距离和不同光照环境条件下拍摄到的车牌图像,具有较强的抗干扰性和鲁棒性.     

基于识别结果校正的车牌字符分割算法

在车牌识别系统中,字符分割发挥着承上启下的作用。由于外界环境如光照、尘埃的影响,造成预处理后的车牌图像产生字符断裂和粘连现象,造成分割错误,影响后续字符识别。通过研究多种字符分割算法,提出了一种结合垂直投影法、连通域分析以及通过模板匹配字符分类器的识别结果进行反馈校正的分割方法。分别对停车场车辆车牌、高速公路路口抓拍的车牌以及公路行驶车辆抓拍的车牌进行测试,其中停车场车牌可以实现98%以上的分割正确率,其余2种情况的正确率也在97%左右,表明该方法有实用性。     

基于MATLAB的车牌识别

使用MATLAB工具箱对车牌进行识别。根据图像识别理论,在现有技术基础上,综合利用图像处理、计算机视觉、模糊识别等技术,重点对车牌定位、模板匹配等进行了应用性的研究。实验结果表明,所述方法是有效的,能够定位和识别车牌字符,达到了预期的目的。     

基于MATLAB的车牌识别

使用MATLAB工具箱对车牌进行识别。根据图像识别理论,在现有技术基础上,综合利用图像处理、计算机视觉、模糊识别等技术,重点对车牌定位、模板匹配等进行了应用性的研究。实验结果表明,所述方法是有效的,能够定位和识别车牌字符,达到了预期的目的。     

基于神经网络的自动星图识别算法

神经逻辑网络(NLN)是一种神经网络与专家系统相结合的神经网络模型，本文探讨一种基于模糊神经逻辑网络的星图识别算法。在大视场多星定位系统的星图识别中，该算法比直接匹配法有较快的识别速度和较高的识别精度。     

基于神经网络的表面粗糙度识别算法

提出一种新的表面粗糙度识别算法,该算法利用从标准样块上通过采样得到的散射光强度分布数据,把表征光强分布的数据和样块的标称值分别作为神经网络的输入和输出,采用改进的ＢＰ算法对神经网络进行训练。训练后,把某一工件的散射光强度分布数据输入给神经网络,则网络的输出就是该样块的表面粗糙度数值。该算法充分利用了神经网络的泛化能力和学习能力,可正确识别Ｒａ在０．８μｍ以下的被测表面,并可避免误识别     

基于神经网络的表面粗糙度识别算法

提出了一种新的表面粗糙度识别算法,该算法利用从标准样块上通过采样得到的数学光强度分布数据,把表征光强分布的数据和样块的标乐值分别作为神经网络的输入和输出,采用改进的Ｂ 法对神经网络进行训练,训练后,把某一工件的散射光强度分布数据输入给神经网络,则网络的输出就是该样块的表面粗糙度数值,该算法充分利用神经网络的泛化能力和学习能力,可正确识别Ｒａ在０．８μｍ以下的被测表面,并可避免误识别。     

基于车牌识别数据的机动车出行轨迹提取算法

为了提取城市路网上所有运行车辆的出行轨迹,系统科学地再现所有车辆的运行场景,进而为分析城市交通需求的结构和时空分布特性提供数据支撑,提出基于车牌识别数据的机动车出行轨迹提取算法.通过车牌及时间戳排序提取出行链;利用相邻节点间的速度,结合交叉口邻接矩阵完成行链的分离;基于K则最短路径算法（KSP算法）及灰色关联法（GRA算法）,对出行轨迹进行补全重构.对贵阳市南明区的实际车牌识别数据进行算法测试.结果表明,提出的基于车牌识别数据的机动车出行轨迹提取算法在测试区域的综合准确率大于92%.     

一种基于特征点的车牌识别改进算法

车牌识别技术已经成为公路交通自动控制与管理(RTACM)以及智能运输系统(ITS)中的一个重要组成部分。提出一种基于特征点的车牌识别改进算法,利用车牌的纹理特征和形状特征定位车牌区域,采用垂直投影分割车牌字符,通过统计特征点进行字符识别。实验结果表明,该算法能显著提高由于拍摄角度引起的车牌图像中字符拉伸、变形等情况下的识别率,同时缩短了识别时间。     

基于免疫数值归约方法的车牌颜色识别算法

为了解决K近邻算法(KNN)在训练样本较大时计算开销很高的问题,提出了一种新颖的基于免疫原理的数值归约方法,并将之应用于车牌颜色的识别.给出了抗原决定基、免疫细胞等的定义和亲和力计算方法;采用克隆选择与变异、免疫耐受和免疫记忆等机制实现对训练抗原集的多种群并行免疫学习,达到数值归约的目的;利用免疫归约所得检测器结合KNN方法完成免疫应答阶段的车牌颜色识别.在两个数据集上与利用直方图进行数值归约的方法进行了对比实验,结果表明,本文算法能有效进行数值归约,归约率分别达到98.87%和 95.48%;并取得了较好的分类效果,正确率分别为97.45%和94.73%.     

基于改进BP神经网络的车牌字符识别研究

分析BP网络学习算法的缺陷基础上,引入动量项和遗传算法对BP网络学习算法进行改进。提高了车牌字符识别的正确率。     

基于BP神经网络的车牌识别系统

车牌识别系统是智能交通领域的重要组成部分,在现代交通管理中的作用举足轻重。基于VC＋＋6.0进行实验,针对中国的车牌进行研究,用BP神经网络来实现车牌识别。车牌识别分为图像预处理、车牌定位、字符分割和字符识别四个步骤。利用车牌的先验知识进行定位,引进双阈值进行字符分割,利用13段特征提取法提取特征向量,实验表明该识别算法行之有效。     

基于CBR的车牌识别技术的研究

为提高车牌识别的速度和准确性,在图像处理与车牌识别技术相结合的基础上,提出了一种基于实例推理（CBR）的车牌识别方法,实现CBR在车牌识别领域的应用。描述了基于CBR车牌识别过程,分析了将CBR应用于车牌识别原因和前景,并提出了图像基于实例检索的关键技术和研究方向.     

基于BP神经网络的车牌字符识别

自动车牌识别作为高精度的车辆识别中的核心技术,在智能交通中发挥着日益关键的作用．构建一种改进的BP神经网络识别车牌字符,并在VC＋＋6．0环境下测试,实验结果表明系统具有良好的有效性,并能满足实时车牌识别的要求．     

一种新的车牌识别预处理算法

提出了一种八方向Sobel处子模板提取图像边缘的方法，并根据边缘图像中车牌区域纹理特征来切分出车牌区域，然后利用类别方差自动门限法来确定字符色和底色的阈值，以进行字符二值化，经测试，此方法定位准确，二值化效果较好，为后字符分割和识别做了较好的预处理工作。     

基于LVQ神经网络算法的脱机手写数字识别研究

针对BP神经网络进行脱机手写数字识别所存在的问题,提出用自组织竞争神经网络（LVQ）对脱机手写数字识别的方法.介绍了LVQ神经网络算法,并构建了LVQ神经网络的识别模型,用Matlab软件进行了仿真.将获得的仿真结果数据与BP神经网络的测试结果进行对比分析,发现LVQ神经网络对脱机手写数字的识别率明显高于BP神经网络,且收敛速度更快.该方法在脱机手写数字识别领域具有一定的可行性与指导性.     

探究车牌识别中的超分辨率算法

通过对车牌原始图像进行水平位置和垂直位置定位算法优化,提高超分辨率识别效果,实现了支持向量机的车牌识别目的;通过平滑处理对图像进行分割优化,保证图像噪音点能够在不同的频域产生高频分量,保证能够在图像处理过程中建立平滑处理方程,使图像处于平滑的状态.按照边缘提取控制方法实现超分辨率优化,达到了分辨率算法设计提升车牌识别性能的效果.