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。     

基于主成分分析网络的车牌检测方法

车牌识别是智能交通系统的核心技术,车牌检测是车牌识别技术中至关重要的一步。传统的车牌检测方法多利用浅层的人工特征,在复杂场景下的车牌检测率不高。基于主成分分析网络的车牌检测算法,能够无监督地逐级提取车牌深层特征,可有效提高算法的鲁棒性。算法首先采用Sobel算子边缘检测和边缘对称性分析获取车牌候选区域;然后将候选区域输入到主成分分析网络中进行车牌深度特征提取,并利用支持向量机实现对车牌区域的判别;最后采用非极大值抑制算法标记最佳车牌检测区域。利用收集的复杂场景下的车辆图像对所提方法的参数进行分析,并将其与传统方法进行比较。实验结果表明,所提算法的鲁棒性高,性能优于传统的车牌检测方法。     

基于纹理特征的车牌定位方法

提出了一种基于纹理的车牌定位方法。首先提取汽车图像的边缘,再连接水平方向上距离较近的边缘点,通过数学形态学操作形成若干候选区域,然后根据水平方向边缘线段长度和投影直方图进行精确定位,最后根据尺寸判断候选区是否为车牌。实验结果表明,该算法定位准确率能达到93.7%,平均定位时间为435 ms。     

一种针对复杂背景的复合车牌定位算法*

针对单一车牌定位算法在复杂背景中定位的条件受限情况,提出了将边缘检测定位和颜色提取定位复合使用的多层次处理算法。该算法设计了一套伪车牌区域判别方法,先利用两种定位算法并行处理车牌图片,再将其得到的候选区域进行伪区域判别以获得正确的车牌区域。该算法具有更广泛的适用范围,定位准确度较单一定位方法要高。     

基于数学形态学车牌定位算法仿真研究

研究车牌准确定位识别的问题,交通流量在高速条件下识别系统采集信息与数据有差异,同时在复杂背景中由于车牌的纹理区域面积太小造成车牌定位困难,传统的识别算法由于模板以及方向的选择困难,造成文字的识别率低的等问题.为解决上述问题,提出了一种利用数学形态学操作提取车牌和基于神经网络算法的车牌文字识别技术.首先将汽车图像进行边缘提取处理,提取候选区域,依据各个候选区域特性,进行形态学操作,从而可提取车牌图像,同时利用神经网络对车牌图像中的文字进行识别.实验结果显示改进的方法快速有效地提取车牌图像的边缘信息,所提取的车牌图像与真实车牌的位置吻合,提出的改进方法为车牌识别提供了参考.     

基于多重特征和SURF算法的车牌定位研究

针对利用SIFT算法进行车牌精确定位时执行时间较长的问题,提出一种基于多重特征和SURF算法的车牌定位算法。在HSL颜色空间得到车牌候选区域,结合车牌几何特征与纹理特征筛选候选区域并按设定的规则标号;按序提取车牌标号候选区域,并用SURF算法对候选区域精确定位。实验结果表明,SURF算法与SIFT算法相比,在定位准确率相同情况下减少了运行时间,能满足实时性需要。     

基于低功耗嵌入式系统的车牌定位算法

文章给出了自行设计的在低功耗嵌入式平台上实现车牌定位检测的算法。首先通过Sobel水平算子对车牌图像进行垂直边缘检测,运用形态学方法对边缘图像进行闭运算得到连通图块。然后根据连通区域轮廓确定最小外接矩形,解决车牌位置断节问题,得到车牌候选区域。最后根据车牌特征对提取出的车牌候选区域进行筛选实现准确的车牌定位。实验结果证明了该算法的有效性,而且在复杂背景下也具有较好的鲁棒性和自适应性。     

基于SVM与ANN神经网络的车牌识别系统

由于车牌识别系统中车牌位置精确定位难和车牌中字符识别率低等问题。本文提出了一种基于SVM与ANN神经网络的车牌识别算法。通过Soble边缘检测算法与形态学算法相结合来确定大致的车牌轮廓,结合车牌的外接矩形的面积与长宽比来筛选出符合车牌特征的候选区域,再利用SVM分类器来判断检测到的区域中是否是车牌,来最终筛选出是车牌的区域。对于筛选出的车牌利用ANN神经网络进行车牌字符的识别。经验证,该车牌识别系统能够适用于比较复杂的环境,且识别速度快,准确率相对较高。     

利用综合特征的车牌定位方法

车牌定位是车牌识别系统的关键技术之一.提出利用结构特征、纹理特征和颜色特征的车牌定位新方法.首先,利用顶帽变换抑制背景;其次,进行垂直边缘检测和形态滤波,通过结构特征进行车牌粗定位;再次,对候选区域的垂直投影应用一维小波分解滤噪,然后重构垂直投影,计算纹理统计量并构造纹理特征向量,应用BP神经网络识别车牌的字符纹理进行车牌的再定位;最后,对候选区域进行基于边缘颜色对的彩色边缘检测,根据其水平投影值进行车牌的精定位.对各种条件下拍摄的314幅含有车牌的车辆图像应用本算法,定位准确率达到98.7%.     

基于边缘分析和颜色统计的车牌精确定位新方法*

针对车牌的边界定位不准确和伪车牌较多的问题,提出了一种边缘分析和颜色统计相结合的车牌精确定位的新框架。该框架主要分为预处理、粗定位、精确定位和伪车牌排除四个模块。对图像作边缘检测和二值化等预处理,用投影法粗定位出候选区域,利用候选区域及其周围的边缘和颜色的信息实现车牌的精确定位。对于定位结果有多个候选区域的情况,对候选区域进行排序,再将排序结果按顺序传入字符分割模块,从而有效排除非车牌区域的影响。实验结果表明,该方法精确度和准确率高、实时性强,适用于不同的应用场合。