基于颜色和纹理特征相结合的车牌定位方法

车牌定位是车牌自动识别系统中的关键技术.目前多数的车牌定位方法考虑车牌的颜色以及纹理特征,但针对复杂背景下的车牌定位问题,其适应性不强.针对现实生活中复杂背景下的车牌定位,提出综合使用纹理信息及颜色信息等多种特征的分层次车牌快速定位方法.首先在图像的二值垂直边缘图中,利用车牌区域的边缘信息及车牌的纹理特征进行车牌候选区域的确定,在降低算法复杂度的同时提高了定位精确性,然后结合先验知识,运用四元数主成分分析及K-means聚类方法,提取候选区域图像特征并分类,最终得到精确车牌定位.试验证明该方法正确率高、鲁棒性强,对于背景复杂的车牌定位具有很强的抗干扰性能,在复杂的环境和不同光照条件下实现车牌的精确定位.     

一种彩色汽车车牌的自动分割方法

汽车牌照的定位是一个公认的较难解决的图像分割问题,文章提出了一个综合多种特征的车牌分割算法;该算法首先利用颜色信息特征加强输入图像的车牌区域,然后基于车牌区域的灰度变化和纹理特征提出一种垂直边缘检测方法实现牌照与背景的进一步分离,使用数学形态学滤波和区域合并,最后运用投影法确定牌照区域;实验结果表明,该方法取得了良好的效果。     

基于模糊集的车牌提取方法

利用了车牌的颜色特征与纹理特征,提出一种新的基于模糊集的车牌提取方法.该方法用图像颜色对区域检测、颜色对边缘检测、色度峰值统计及密集小边缘增强,使用模糊集算子综合它们的结果,精确提取出车牌.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98.0%.特别地对光照不均、背景复杂的图像,本方法仍具有很强的鲁棒性.     

基于边缘颜色对特征及笔画穿越双层检测车牌定位算法

针对现有车牌定位算法鲁棒性不够、准确度不高以及参数设置困难等问题,提出基于边缘颜色对特征以及笔画穿越双层检测车牌定位算法,不但充分利用车牌边缘颜色搭配信息,而且有效利用了车牌字符结构信息。粗检测阶段:首先进行边缘检测,人工收集所有搭配的彩色边缘特征数据,利用机器学习模型建立车牌边缘颜色对覆盖分类学习模型,然后利用车牌边缘颜色对覆盖分类学习模型,并利用先验信息进行形态学处理形成车牌候选区域。验证阶段:针对粗检测车牌候选区域,扫描车牌边缘穿越信息,最后利用车牌区域整体边缘分布覆盖分类模型进行候选区域验证处理。该方法利用车牌背景与字符具有固定颜色搭配的重要特点,综合利用了车牌的结构特征和纹理特征,提高了车牌定位的可靠性。实验采用100幅含有不同颜色搭配的车牌图像进行实验,定位准确率达到96%以上。     

关于高速公路收费系统车牌识别技术的研究

车牌识别是指通过计算机视觉、图像处理与模式识别等方法从车辆图像中提取车牌字符信息。从而确定车辆身份的技术。车牌识别分为车牌定位、字符分割、字符识别三大部分。车牌定位是一个难题：车牌区域在整幅图像中所占比例很小,车牌的颜色、大小、位置也不确定,并且定位算法要能够克服不同光照和复杂背景的影响,还要兼顾准确性和实时性,因此快速准确的定位车牌是比较困难的。本文通过车牌的纹理和颜色特征采用粗定位和细定位相结合的方法进行识别。     

基于字符边缘检测和颜色特征的车牌定位方法

针对复杂背景下车牌定位精度低的问题,提出一种基于字符边缘检测和颜色特征的定位方法. 针对图像中车牌区域含有的丰富边缘,首先进行垂直边缘检测,然后去除大量背景和噪声边缘,接着通过对垂直边缘的统计分析确定2个候选区,最后结合车牌的颜色特征确定最终的车牌图像区域. 实验结果表明,该方法准确率高,鲁棒性好,具有较大的实用价值.     

基于颜色与结构特征的车牌定位算法

针对车牌具有稳定的颜色特征和形状特征,提出基于颜色与结构特征的车牌定位算法.利用OTSU自动阈值化技术将灰度车牌图像转化为二值化图像,通过对每一个连通区域提取形状参数,粗划分出候选车牌区域,最后利用颜色特征确定车牌.实验表明,这种车牌定位方法具有一定的优越性.     

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．     

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。     

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.     

边缘点颜色分布结合车牌自身结构的车牌检测

提出了一种基于边缘点颜色分布结合车牌自身结构的二次车牌定位方法。首先,根据牌照区域的纵向纹理特性,提取灰度图像的竖直边缘突出车牌特征,然后计算边缘点的颜色分布,滤除不满足车牌特定颜色搭配的背景边缘点,最后通过形态学运算、滤波、矩形区域覆盖等得到候选目标。在验证模块中,依据车牌的结构特征对候选区域进行验证分类,最终确定车牌位置。本文对实际收集的样本车牌图像进行试验,结果表明,算法对车牌目标定位具有较高的准确率。     

基于边缘分析和纹理信息统计的车牌定位研究

车牌定位是车牌识别技术的关键环节之一。对车辆图像进行边缘分析二值化处理,再结合纹理统计进行车牌定位,可以克服复杂背景的弱边缘信息和干扰噪音所带来的影响,较好滤除可疑车牌区域。实验结果表明,使用该方法可以较好的实现车牌定位。     

一种新的汽车牌照识别的图像增强算法

汽车牌照区域分割是牌照识别的关键步骤，增强图像中的牌照区域，抑制背景区域，可以有效降低牌照区域分割的难度。将图像分解为一组二值图像的组合，然后在二值图像上计算各连通分量及其特征参数，利用牌照区域和背景区域对应的连通分量的特征差别，可以有效抑制背景而保留牌照。处理后的二值图像可重构出牌照区域被增强的图像。还采用等高线标记代替连通分量标记，以减少计算量，使得算法具有实用性。试验表明，这种算法有效地突出了牌照区域而抑制了背景，提高了牌照定位分割的效果，可以很好地用于实际的汽车牌照识别系统中。     

基于改进差分边缘检测法的车牌字符二值化算法

针对车牌字符光照和污损的复杂特征,对车牌图象的二值化算法进行了深入的分析和研究,提出了一种基于差分边缘检测算法的改进图象二值化算法.实验结果表明,改进算法能够有效地将字符清晰地从背景中分割出来,分割速度快并且有助于提高字符识别的正确率.     

基于HSV颜色空间的候选车牌区域筛选算法

提出了在HSV颜色空间中,利用车牌区域的颜色特征,筛选车牌区域的新算法.该算法根据车牌4种不同底色对应的3个分量,分别统计出底色平均密度的阈值范围,并利用该范围,对候选区域进行筛选,以确定车牌区域.在筛选车牌区域时,重点讨论了车身颜色与车牌底色相近或相同、候选车牌区域的纹理和边缘特征及宽高比都接近的情况.实验结果表明,该算法能较好地对车牌进行准确定位.     

车辆牌照自动识别系统预处理算法研究

车辆牌照自动识别系统是近几年国内外模式识别应用研究领域的一个热点。本文对系统中图象预处理环节涉及的新算法、新技术做了一个比较全面的论述 ,对一些关键的技术问题进行了深入探讨 ,实现了复杂背景中牌照的自动分割与字符切分     

基于最大稳定极值区域与主要旋转不变局部二值模式的复杂场景车牌检测方法

为了解决在复杂场景中进行车牌定位的问题,提出了一种基于MSER与DRLBP特征的车牌定位方法。首先对输入图像进行预处理,然后在多个通道上进行MSER候选区域提取;接着利用所设计的基于车牌字符合并的车牌定位方法进行车牌字符合并;最后利用DRLBP纹理特征对合并后的区域进行验证从而得到最终的车牌区域。实验结果表明该方法具有较好的定位能力。由于方法是通过寻找车牌字符进而定位车牌位置,因此其受车牌颜色、车牌格式的影响较小,在复杂环境中对国内外不同车牌均有较好定位效果。     

一种新的车牌数字及字母字符识别方法

车牌字符识别是车牌自动识别系统的关键环节．车牌数字及字母字符识别是车牌字符识别的重要组成部分．传统的模板匹配法的缺点是在车牌图像质量退化时识别率较低．提出一种新的改进的模板匹配法．该方法定义前景匹配度、背景匹配度和整体失配度3种匹配测度进行模板匹配，匹配成功则直接获得识别结果，否则，对相似字符情形应用特征区域模板匹配法，对其他情形应用空心模板匹配法．实验结果表明，该方法对车牌字符褪色、污迹、断裂、模糊、光照不均等质量退化车牌图像具有较好的识别效果．