lab颜色空间和形态学处理相结合的双行车牌定位方法

车牌定位是车牌识别系统的前提和关键。针对双行车牌均是黄色车牌,且比较脏的特点,首先将图像由RGB颜色空间转换成Lab颜色空间;再利用Lab颜色空间的通道a提取出图像中的红色和绿色区域,通道b提取图像中带干扰的黄色区域,然后将二者相减,提取出图像中的黄色区域,并可同时去除背景及车身的大部分干扰;最后利用形态学处理滤除噪声等影响,粗略定位出车牌候选区域,再结合图像的纹理特征如面积、长宽比和连通域内像素个数最终定位出车牌区域。该方法对复杂环境下的双行车牌能实现快速准确定位,受光线、背景环境影响较少,同时对脏牌、污牌也能达到准确定位的目的。     

基于数学形态学与投影法的车牌定位

车牌定位在车牌识别系统中具有关键的作用,定位结果的好坏决定着后续的车牌字符识别。针对数学形态学定位会产生多个伪车牌区域,当区域较多时定位不准的问题,提出一种数学形态学与投影法相结合的车牌定位方法。首先对车牌图像进行预处理;然后进行边缘检测、二值化,运用数学形态学处理获得候选车牌区域;最后对候选车牌进行行列扫描投影来提取准确的车牌区域。实验表明,该方法具有定位精度高,鲁棒性较好的特点。     

基于Grabcut的图像目标提取

在图像处理过程中,快速准确地提取感兴趣的目标是图像处理的一个重要任务.提出了一种基于Grabcut准确提取图像目标的算法,该方法根据用户指定前景物的基本形态获取初始的前景、未知的背景区域,并用mincut/maxflow对分割能量函数进行了优化,利用大量图像对本文方法进行了实验分析,结果表明了算法能有效提取图像中感兴趣的目标.     

一种CIELab颜色空间中的车牌定位方法

提出了在CIELab颜色空间中进行车牌定位的方法.首先将图像从RGB颜色空间转换到CIELab颜色空间;然后通过数学形态学增强和图像连通体分析提取出候选区域;最后通过分析候选区域的面积、宽高比及灰度阶跃次数提取出真实的车牌区域.大量的车牌定位实验表明:所提算法适用于不同尺寸的车牌图像,定位准确率较高.     

基于改进Hough变换的刹车蹄块片 安装孔定位检测法

针对刹车蹄块片质量无损检测系统中参考点建立需求,提出在复杂轮廓边缘中安装孔定位检测方法。该方法首先对刹车蹄块片侧面图像进行多方向Canny边缘提取,采用带辨向梯度Hough变换改进算法,实现对候选圆的粗定位;然后对候选圆边缘区域进行提取,采用最小平方误差拟合法进行候选圆精确定位和测量;最后依据圆完整度信息实现对安装孔的识别筛选。实验表明:该方法能够较准确地识别出安装孔,与其真实边缘之间误差小,取得良好的检测效果。     

AdaBoost人脸检测算法研究

本文利用AdaBoost算法训练基于Haar小波变换的分类器,从输入图像中提取人脸和面部器官的候选区域,然后综合各个候选区域的信息,组成三角形结构,采用模版匹配的方法进行眼睛和嘴巴的定位。试验结果表明该算法能够从复杂背景中有效的提取人脸以及面部器官区域。     

基于连通区域的标志牌文本提取方法

在对各种文本定位与提取方法分析比较的基础上,针对标志牌文本的具体特点,提出了一种基于连通区域的标志牌文本提取方法———在灰度图像中定位标志牌区域,二值图像中提取标志牌文本,并用VC 编程实现对采集的自然场景下的标志牌文本图像进行了实验,结果证明,该方法能够准确定位并提取自然场景下的标志牌文本,获得文本字符。     

一种改进的Snake模型及其在医学图像分割中的应用

以超声肿瘤图像为例,将改进的Snake模型应用到超声图像的目标轮廓提取中,并取得了较好的效果。首先采用数学形态学方法对图像进行增强预处理,从而提高图像的对比度,将肿瘤区域凸显出来;然后利用改进的Snake模型提取肿瘤的边缘。该方法与传统的轮廓提取方法相比,具有捕获范围广、抗噪性强等特点。实验结果表明,采用该方法可以准确地提取肿瘤区域的轮廓,在临床上具有广泛的应用前景。     

XYZ空间与小波能量特征融合的车牌定位

针对复杂背景情况下的车牌定位问题,给出了一种融合了小波高频能量的方法。首先利用CIE-xy色品图进行颜色分割,找到符合车牌底色的候选区域。然后对候选区域进行数学形态学滤波,消除不必要的干扰。接着利用车牌特有的结构特征剔除明显不符合车牌特征的候选区域,提取符合条件的候选区域进行小波变换,由于车牌区域有着丰富的垂直方向纹理信息,因此比较候选区域的垂直高频能量,能量最高者即为初步选定的车牌区域。最后利用区域选择时的垂直方向小波变换系数对选择区域进行重构,并验证选择结果的正确性,如果为非车牌,则进行二次定位。该方法有效的解决了车身颜色与车牌底色相近时定位困难的问题。对各种条件下拍摄的225幅含有车牌的图像应用该算法,定位准确率达到98.2%。     

基于图像分割以及原目标检测的视觉跟踪

基于图像分割以及原目标检测的视觉跟踪是一种极具潜力的跟踪方法,该方法首先对视频中的图像序列用多种分割方法进行图像分割;然后基于概率潜在语义分析(PLSA)算法对分割区域进行类别估计;再从这些区域中筛选出各自的候选区域,对其进行选择性结合,提取出原目标,从而获得原目标的空间信息.最后基于原目标的空间信息,用贝叶斯算法对目标进行跟踪,并采用EM算法来优化跟踪算法.实验证明,该方法优于其他的跟踪方法,能鲁棒地处理遮挡,分散和光照变化等问题.