基于支持向量机的车牌字符识别研究与应用

提出了一种基于支持向量机的车牌字符识别方法。该方法首先对车牌图像进行预处理,对车牌字符样本进行特征提取,然后用提取的特征训练支持向量机分类器。使用MATLAB R2007b和UBSVM工具箱完成了车牌字符识别的模拟。实验结果表明,该方法对车牌字符识别有一定准确性。具有良好的识别效果。     

一种基于BP神经网络的车牌字符分类识别方法

目前，车牌字符识别算法主要是基于模板匹配、特征匹配或神经网络的方法。本文根据车牌字符的特殊性，提出一种采用特征提取与BP神经网络学习算法相结合的分类识别技术，选取字符的粗网格特征作为字符的识别特征，以改进后的归一化字符原始特征直接输入到BP神经网络分类器中进行车牌字符识别研究。对于易混淆和相似的字符、汉字笔划粘连、字符偏移现象等都提出了自己的解决方法。实验结果说明，本方法可大幅提高车牌识别系统的正确识别率和抗干扰能力。     

车牌超分辨率重建与识别

为了从图片中快速准确地识别车牌,提出一种结合图像超分辨率技术的车牌识别方案。车牌图片具有明显的特定的模式特征,只是具体的字符编码不同。因此车牌图片非常适合做超分辨率重建。本文提出的系统主要由车牌检测定位、车牌超分辨率重建、字符分割、字符识别等模块组成。综合基于边缘、基于颜色和基于最大稳定极值区域三种车牌检测策略并采用并行编程方法来综合检测结果得到候选车牌。采用车牌图片正负样本来训练支持向量机分类器。得到分类器模型后对候选车牌判决得到真正的车牌。随后对真实车牌图片进行超分辨率重建。该部分主要由基于固定邻域回归的方法实现。这种方法综合了稀疏字典学习和领域嵌入的方法,比较好的兼顾了准确率和计算速度。运用OpenCV提供的图像处理库来对重建后的图片做字符分割。得到单独的字符图片后采用人工神经网络进行识别。识别前先使用一定数量的字符图片对网络进行有监督训练获取识别模型。采用一个单隐层的神经网络,运用反向传播算法进行训练得到识别模型。最后提取字符图片的特征并输入网络进行分类完成识别。为了测试系统的表现,在实际场景中采集了一百张车牌图片作为测试集。实验表明,该系统具有较高识别准确率和较快的处理速度。     

基于在线序列极限学习机的车牌字符识别方法

当前基于神经网络方法的车牌字符识别技术都使用固定的训练样本,学习的效果受初始样本限制,对于识别过程中新出现的不同角度、光线等特征的字符图片不能自适应地学习。本文针对这个问题提出了基于在线序列极限学习机(OS-ELM)的车牌字符识别方法。在样本实时更新中使系统自适应调整网络权值,不断提高识别准确率。本文设计了汉字、字母、字母混合数字三个字符分类器,根据车牌字符的排列特征识别相应的字符。通过与传统ELM方法和BP神经网络法对比,结果证明该字符识别技术达到了较高的识别率,在训练速度上也比BP神经网络法提高了2~3个数量级。     

SVM多类分类器在车牌字符识别中的应用

为解决普通支持向量机多类分类器对车牌字符识别准确率低、速度慢等问题,研究了基于支持向量机二叉分类树的车牌字符识别算法。根据车牌字符的结构特征提出了利于字符分类的粗像素特征提取方案,并对字符进行相应的特征提取,通过KL变换对生成的特征向量进行降维处理以提高字符识别速度,最后利用Fisher判别准则构造支持向量机二叉分类树,保证每类字符均具有最大可分离性,提高了字符识别率。对车牌字符集进行了识别测试,实验结果表明了该算法的可行性和有效性。     

基于AdaBoost的肤色检测新方法

本文针对肤色检测问题,提出了一种利用AdaBoost方法构造分类器进行肤色检测的算法。根据肤色在色度空间内的聚类性,通过大量肤色和非肤色样本将一族弱学习算法通过一定规则训练成一个强学习算法,得到一个检测性能优异的肤色检测分类器。提出了用圆形分类器作为弱分类器描述色度空间中的肤色分布,将AdaBoost学习算法用于肤色的聚类分析中。实验表明,该方法误检率低、鲁棒性好,对肤色检测问题有较强的实用性。     

一种基于BP神经网络的车牌字符识别算法

车牌识别系统是智能交通中的一个重要分支,本文针对传统的模板匹配算法存在识别准确率低的问题,提出了一种基于神经网络的车牌字符识别算法。该方法对分割、归一化后的字符进行特征提取获取其特征向量,把这个特征向量送到BP网络中进行训练,可以得到训练好的权值,以此权值对车牌字符进行识别。实验表明,本算法对车牌图像的识别率达90%以上。     

一种有效的提高车牌首字符识别率的方法

针对车牌识别系统中由于低质车牌首字符特征提取困难而导致车牌首字符识别率不高的问题,提出了一种新的车牌汉字特征提取方法。该方法首先对车牌首字符的二值图像进行网格化处理,并对每一块网格区域提取字符笔画所在像素的占空比、散度和质心3个特征分量,接着将提取到的所有的特征向量用支持向量机分类器进行训练,最终可以得到一组鲁棒性很强的分类器。实验结果表明,该特征提取方法与支持向量机分类器结合可以较大地提高车牌首字符的识别率。     

基于组合特征的Bp神经网络数字识别方法

提出一种组合特征作为Bp神经网络输入层向量实现数字字符识别算法.该算法首先引入了数字字符结构特征中图段特征,并结合数字字符的行列统计特征组合成为新的特征向量;然后根据新的组合特征向量设计Bp神经网络分类器;最后对已有的数字图像样本空间中的训练样本库按照Bp神经网络分类器训练方法进行训练,并对测试样本库中的样本进行识别.根据测试实验,数字字符的识别准确率可达到94%以上.     

AdaBoost高速并行字符识别算法应用

针对常用字符识别速度和精度矛盾的问题,提出了改进的AdaBoost字符识别算法。利用先验知识的稳定特征将字符集进行完全二分类,在此基础上分别训练级联的分类器,在充分的样本学习后可得到较高的识别正确率。针对AdaBoost算法的计算量大,用纯软件实现难以满足工业应用的实时性要求,根据其大量的乘累加运算相似性,基于积分图像和FPGA的并行结构来快速实现。实验结果表明,该算法能够满足印刷质量在线检测系统的识别正确率和实时性要求。     

多帧图像综合技术在车牌识别中的应用

本文针对车牌识别系统在车牌图像质量不高时识别准确率较低的问题,提出了一种多帧图像综合算法,来更全面地利用车牌图像中所含有的有用信息,以达到提高车牌识别准确率的目的。首先利用图像配准算法对从视频图像中抽取的几帧图像进行配准,然后利用像素值取大算法进行综合,最后得到一幅综合后的车牌图像。实验表明,经过该算法综合后的车牌图像比原图像更接近真实的车牌图像,能够更好地适用于车牌识别,从而提高车牌识别的准确率。     

基于数字图像处理的车牌定位方法的研究

车牌识别是现代智能交通系统中的重要组成部分之一,其应用范围十分广泛。对车牌定位方法进行了初步研究,以模式识别、数字图像处理、计算机视觉技术为基础,使用M atlab软件对图像预处理、边缘检测等算法进行了必要的仿真实验,获取了车牌区域。对摄像机拍摄车辆的图像进行分析处理可以得到汽车的车牌号码,从而完成整个识别过程。     

车牌信息识别技术算法研究

随着经济的持续增长和人民生活节奏的加快,交通已成为备受人们关注的问题。车辆牌照识别（License Plate Recognition,简称LPR）技术作为智能交通系统（Intelligence Transports System,简称ITS）的核心问题,逐步成为了人们关注的焦点。针对此问题,本文对车牌识别算法做了深入的研究,提出了一套算法并进行了软件实现。     

车牌识别系统的设计与实现

汽车牌照自动识别系统是制约道路交通智能化的重要因素,包括车牌定位、字符分割和字符识别三个主要部分。本文首先确定车辆牌照在原始图像中的水平位置和垂直位置,从而定位车辆牌照,然后采用局部投影进行字符分割。在字符识别部分,提出了在无特征提取情况下基于支持向量机的车牌字符识别方法。实验结果表明,本文提出的方法具有良好的识别性能。     

车牌识别系统中的字符分割技术研究

车牌字符分割是车牌识别系统的三大关键技术之一。准确的字符分割,既能提高字符识别的准确率,又能提高识别的速度。针对车牌图像背景复杂、光照多变、干扰较多的情况,文章在车牌区域预处理的基础上提出了一种基于先验知识的垂直投影字符分割方法。实验结果表明该算法简洁、实时性好、处理正确率高,达到了实用的标准。     

基于车牌识别的二值化算法研究

二值化是车牌识别系统中图像预处理的关键一步。由于车牌图像摄取环境的多变使得不同光照条件下车牌亮度也不同,这给采用限定阈值二值化算法来进行图像预处理带来了困难。本文通过对车牌灰度图像的特点的分析与研究,提出了一种限定阈值二值化改进算法,即利用遥感图像处理的灰度拉伸技术,使得二值化需要的阈值得到控制。对不同光照下的车牌进行这种优化处理,实验结果表明此算法是快速有效的。     

车牌识别系统中的字符分割技术研究

车牌字符分割是车牌识别系统的三大关键技术之一。准确的字符分割,既能提高字符识别的准确率,又能提高识别的速度。针对车牌图像背景复杂、光照多变、干扰较多的情况,文章在车牌区域预处理的基础上提出了一种基于先验知识的垂直投影字符分割方法。实验结果表明该算法简洁、实时性好、处理正确率高,达到了实用的标准。     

基于数学形态学的车牌定位识别系统设计

车牌字符识别问题是车牌识别系统的核心技术问题,是智能交通系统的关键组成部分,是目前该领域研究的热点问题之一。本文首先介绍了车牌识别系统的组成,分析了车牌识别技术的特点和难点,并重点探讨了基于基于数学形态学的车牌定位系统算法与设计。     

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。     

基于Log算子边缘检测的车牌定位方法

车牌定位是车牌自动识别系统中的关键技术之一,提出一种基于Log算子边缘检测的车牌精定位方法。首先对彩色车辆图片在多颜色空间内进行色彩分割去除大量的背景干扰信息,然后利用分块的思想实现车牌的粗定位,大大缩小车牌的搜索区域,最后对粗定位图用Log算子检测边缘突出车牌的纹理特征再结合投影的方一法准确定位出车牌。通过对静态车牌图像定位仿真实验和分析表明,该方法对于车牌定位准确率较高。