复杂背景图像中的车牌定位算法

针对复杂背景中的车牌定位问题提出了一种新的算法,将定位过程分解为确定候选车牌区域和剔除伪区域两个部分。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,利用滑动的条带窗口对候选区域二值化图像进行连通块提取,结合车牌句法特征对该区域进行评判筛选,有效地解决了复杂背景及模糊图像中车牌定位精度不高的问题。此外,定位过程中的评判结果为后续的字符分割提供了重要的先验信息。实验证明该方法定位速度快,定位正确率高,对于背景纹理复杂及模糊图像的车牌定位具有很强的抗干扰性能。     

一种车牌识别系统中的混合车牌定位方法

提出了一种新的粗定位和精细定位相结合的车牌定位方法.首先采用一种基于垂直边缘和车牌句法的车牌粗定位算法,确定车牌候选区域,剔除伪区域,粗定位可以快速地将车牌从原始车辆图像中截取出来,同时精确确定车牌的上下边界.然后再进行基于旋转差分投影的车牌水平精确定位与倾斜校正,由于水平定位和倾斜校正同时进行,提高了水平分割的精度并降低了定位时间.实验表明该混合方法能快速、精确地进行车牌定位,有效地解决了复杂背景下的车牌定位精度不高的问题,同时对模糊车牌具有很强的抗干扰性.     

基于CNN彩色图像边缘检测的车牌定位方法

针对现有车牌定位算法准确率不高、步骤多和速度慢等问题, 提出一种彩色图像车牌定位方法(License plate locating based on CNN color edge detection, LPLCCED). 首先利用细胞神经网络(Cell neural network, CNN)模型导出一种与车牌颜色特征相结合的车牌定位专用边缘检测算法, 将车牌的颜色对约束条件融合到边缘检测算法中, 本文专用边缘检测算法可以大大缩小车牌初步定位的范围. 接下来提出一种针对车牌特征的边缘滤波算法, 最后根据车牌结构和纹理特征对候选区域进行判别验证. 该流程的各个环节都可以通过硬件实现, 为面向智能交通领域的实时车牌识别系统的前期车牌定位处理提供了依据.     

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。     

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。     

基于统计特征的启发式车牌定位新方法

在研究现有车牌定位算法的基础上,提出了一种基于统计特征的启发式车牌定位算法。该算法利用图像金字塔结构将图像分级处理,将车牌区域字符密集特征量化为跳变特征,利用动态规划算法计算统计矩阵,根据事先实验得到的车牌跳变特征范围筛选统计矩阵得到候选矩形框。根据颜色特征,车牌尺寸特征,字符个数特征等筛选候选区域得到最终定位结果。大量实验表明,该方法能精确,高效地定位车牌并且对环境的适应能力比较好。     

基于字符密度与聚类分析的多车牌定位方法

针对车牌定位受外界因素干扰较大的情况,文中提出一种基于密度判别与聚类分析的快速车牌定位方法。结合图像积分算法,采用车牌字符密度判别法缩小车牌搜索范围,利用车牌垂直投影统计规律确定出多个候选区域,最后结合聚类分析算法对候选区进行分析、选择合并策略、剔除假车牌,实现准确、快速的多车牌区域分割。试验结果表明,该方法适应性强,准确率高,实时性好,能够满足车牌识别系统应用的需要。与其他方法相比,该方法可在一定限度内自适应车牌的类型、大小、数量和方向,并对汽车在图像中的位置以及图像背景的限制较少,是一种适用性较强的方法。     

基于混合特征的多车牌定位算法

本文提出了一种基于混合特征的多车牌定位的新方法,先根据车牌图像的边缘特征,利用数学形态学的方法生成连通区域,搜索全图得到连通区域的最小外接矩形.然后利用我国车牌本身的几何特征和颜色特征进行判别,提取出车牌的候选区域并判别出车牌的颜色.交通图像处理实验证明该方法具有限制条件少,速度快和准确率高的优点,并可进行多车牌定位.     

基于字符密度与聚类分析的多车牌定位方法

针对车牌定位受外界因素干扰较大的情况,文中提出一种基于密度判别与聚类分析的快速车牌定位方法.结合图像积分算法,采用车牌字符密度判别法缩小车牌搜索范围,利用车牌垂直投影统计规律确定出多个候选区域,最后结合聚类分析算法对候选区进行分析、选择合并策略、剔除假车牌,实现准确、快速的多车牌区域分割.试验结果表明,该方法适应性强,准确率高,实时性好,能够满足车牌识别系统应用的需要.与其他方法相比,该方法可在一定限度内自适应车牌的类型、大小、数量和方向,并对汽车在图像中的位置以及图像背景的限制较少,是一种适用性较强的方法.     

LPR系统车牌定位提取方法的研究

车牌定位在车牌自动识别中起着非常重要的作用,定位准确度直接影响车牌识别的正确率。文中使用了数学形态学和几何拓扑学相结合的方法对车牌区域进行定位提取。该方法首先采用Top-Hat变换以及开、闭运算对抓拍的车辆图像进行预处理;然后采用连通体态分析法（CCA）对图像进行粗定位;最后对计算得到的车牌候选区的欧拉数进行判别,最终提取真正的车牌区域。实验证明该方法能够很好的对牌照区域顶角进行快速搜索定位,将牌照从复杂背景图像中分割出来。     

基于级联CNNs的非约束车牌精确定位

为解决单一深层卷积神经网络用于非约束场景下车牌定位时,所输出的矩形检测框对非正面车牌定位效果不佳的问题,提出将目标检测与目标分类CNN网络级联,通过检测网络得到感兴趣区域,接着利用轻量级分类网络,将车牌顶点检测问题转化为回归问题。首先,利用YOLOv3网络进行粗定位,获取图像中所有车牌的候选区域;然后,使用基于MobileNetV3改进的轻量级神经网络定位候选区域中的车牌顶点,实现车牌区域精定位;最后,通过透视变换将车牌区域投影到矩形框内实现车牌校正。实验结果表明,所提出的级联CNNs能够有效解决单一CNN目标检测网络仅能输出矩形检测框,而不适用于非约束车牌定位的问题,具有较好的应用价值。     

基于简化PCNN的车牌定位算法

为了提高车牌定位效率,提出一种混合简化脉冲耦合神经网络(PCNN)和快速连通域标记的车牌定位算法。基于简化PCNN进行图像增强,利用车牌字符的连通域特征、纹理特征和结构特征对增强后的二值图像进行过滤、筛选,得到图像中大致车牌区域,再对所得区域左边界起始的左扩展区域做垂直投影,确定车牌中汉字区域,从而定位车牌。实验结果表明,该算法性能优于其他车牌定位算法,其定位准确率为97.5%。     

An automated vision system for container-code recognition

Automatic container-code recognition is of great importance to the modern container management system. Similar techniques have been proposed for vehicle license plate recognition in past decades. Compared with license plate recognition, automatic container-code recognition faces more challenges due to the severity of nonuniform illumination and invalidation of color information. In this paper, a computer vision based container-code recognition technique is proposed. The system consists of three function modules, namely location, isolation, and character recognition. In location module, we propose a text-line region location algorithm, which takes into account the characteristics of single character as well as the spatial relationship between successive characters. This module locates the text-line regions by using a horizontal high-pass filter and scanline analysis. To resolve nonuniform illumination, a two-step procedure is applied to segment container-code characters, and a projection process is adopted to isolate characters in the isolation module. In character recognition module, the character recognition is achieved by classifying the extracted features, which represent the character image, with trained support vector machines (SVMs). The experimental results demonstrate the efficiency and effectiveness of the proposed technique for practical usage.     

一种基于连通域和跳变的车牌定位方法

在车牌识别系统的实现过程中,车牌定位是最基础的一步。本文介绍一种基于连通域和灰度跳变的车牌定位方法。该算法首先对灰度化后的车牌图像进行“阴阳牌”的判定,对判定后的“阴阳牌”和普通牌分别进行处理;根据灰度跳变特征对车牌重新进行更细致的行定位以及列定位,得到完整车牌。实验表明这种车牌定位算法具有定位准确、光照干扰小的特点。     

基于多颜色模型的车牌定位方法

提出了一种基于多颜色模型的车牌定位方法。首先把输入的RGB彩色图像转化到HSV和YIQ颜色空间,综合这两个颜色空间的信息进行颜色分割去除大量的背景干扰信息,得到了颜色为车牌照的一些区域。然后将颜色分割后的图像灰度化并分块,找出水平差分累加和最大的块确定车牌大致位置在原彩色图中实现车牌的粗定位。最后对粗定位图进行二次颜色分割得到车牌区域的信息利用投影法精确定位出车牌。实验结果表明该方法效果较好。     

基于边缘检测和颜色纹理直方图的车牌定位方法

针对已有车牌定位算法在分辨率高、背景复杂图像上存在准确率下降的问题,提出了一种基于边缘检测和颜色纹理直方图的车牌定位算法。该定位算法分为两个阶段：首先利用结合了Canny和Sobel算法的改进边缘检测算法提取图像的垂直边缘,并结合滤波、投影等方法进行车牌粗定位;然后提取候选区域的颜色纹理直方图,与训练好的分类器进行匹配,实现车牌的精确定位。实验表明,该方法对于背景复杂、光照不均等情况均有良好的鲁棒性,在白天和晚上都能取得较好的定位效果。     

基于纹理分析的精确车牌定位算法

在车牌识别（LPR）系统的实现过程中,最关键的部分就是车牌图像的提取以及车牌字符图像的分割。介绍了一种基于车牌区域字符的纹理特征和统计规律的车牌定位方法。由于光照、复杂背景等因素都会对车牌定位产生不良影响,而利用车牌字符纹理丰富的特征寻找车牌区域就可以避开这些不良影响。这种算法不仅排除了光照、复杂背景等因素的影响,而且对于拍摄到车牌的大小、车牌在图像中的位置和倾斜角度没有太多限制。实验证明这种算法具有定位准、适应性强的特点。     

复杂背景中多车牌粗定位算法研究

提出了基于车牌分形维数特征进行复杂背景中车牌粗定位的方法。讨论了图像剪裁、灰度图转化以及图像增强时灰度转移函数的构造过程;给出了车牌图像分形维数的计算方法及车牌区域的确定。同时指出多车牌图像车牌区域的分形维数基本在2.65~2.80之间,其值高于车牌图像整体的分形维数,但是低于单车牌图像车牌区域的分形维数。该方法计算简单,不依赖车牌的颜色、形状、尺寸,具有极好的鲁棒性。通过对大量随机的实验图像进行计算表明：漏检率和误检率均为0,检出多于一个候选区域的为50%,正确检测率为100%。     

基于分块思想的汽车牌照定位算法研究

改进了基于分块思想的汽车牌照定位算法. 首先将图像等分成若干个子图像, 利用子图像内车牌水平边缘密度的聚集程度分割图像, 保留可能的车牌区域, 并进行区域合并. 由于车牌中号码基本均匀分布, 其号码边缘所占有的面积与整个牌照面积的比例在一定范围内, 对于牌照区域内的子图像也会具有同样的比例. 当采集距离造成牌照尺寸发生变化时, 其比例值会仍在设定的范围内, 可适应车牌大小不同的情况, 同时, 由于以块方式搜索, 速度明显加快.