车牌定位常见方法介绍与分析

车牌定位是车牌自动识别系统中的一个关键问题,是近年来研究的热点。许多国内外学者研究发展了许多车牌定位算法,大体可分为基于纹理特征分析方法,基于边缘检测方法,基于数学形态学定位方法,基于小波分析方法以及基于彩色图像定位方法。本文对目前比较常见的几种车牌定位方法进行了简要的介绍,并对它们各自的优点、缺点进行了分析和比较。     

常用车牌定位算法浅析

车牌定位是车牌自动识别技术中的一个关键问题,许多学者研究发展多种车牌定位算法.简要介绍和比较了目前比较常见的几种车牌定位方法进行了.     

基于数学形态学和灰度跳变特征的车牌定位方法

车牌定位是车牌自动识别系统中的一个关键问题。近年来,许多国内外学者研究发展了许多车牌定位算法。首先对比较常见的几种车牌定位方法进行了简要的介绍,并对它们各自的优点、缺点进行了分析和比较。然后提出基于数学形态学和灰度的跳变特征的车牌定位方法,并借助LabVIEW平台编程实现了该算法。实验结果表明,该方法是可行的。     

An Approach based on Connected Components Analysis for Vehicle License Plate Location

复杂背景中车牌定位技术,是车牌识别过程中的技术难点,提出了一种基于连通域分析的车牌定位方法.该方法通过边缘检测方法进行车牌粗定位,再对粗定位图像进行连通域标记,然后利用级联分类器筛选车牌字符连通域,最后结合车牌模板确定车牌位置.实验表明,该方法定位车牌的准确率高,能够适用于国内现行的多种规格民用汽车牌照的定位.     

一种新的汽车牌照快速定位方法

选取具有很强稳定性和可识别性的车牌纹理特征，提出了一种快速的汽车牌照定位方法。该方法首先利用车牌的粗纹理特征，通过高通能量滤波进行初步定位；再基于细纹理特征，通过提取候选区域小波纹理信息结合数学形态学和投影法进行准确定位；最后跟据车牌的颜色和纹理均匀性对定位结果进行修正。实验结果表明该方法分割定位迅速，定位准确率高。     

汽车牌照定位研究综述

汽车牌照定位是车牌识别的基础,也是影响车牌字符分割精度、识别效果的最重要因素。许多学者都在进行车牌定位方面的探索和研究,同时也产生了一些新方法、新思路,但是目前国内尚未出现一个完善、通用的车牌定位系统。该文结合国内汽车牌照的特点,对近些年来国内外汽车牌照识别系统研究中出现的车牌定位方法,进行了全面的综述。     

基于颜色和纹理分析的车牌定位方法

针对复杂背景的车牌定位问题，提出了一种颜色和纹理分析相结合的车牌定位算法。该算法采用基于适合彩色图象相似性比较的HSV颜色模型，首先在颜色空间进行距离和相似度计算；然后对输入图象进行颜色分割，只有满足车牌颜色特性的区域，才进入下一步的处理；最后再利用纹理及结构特征对分割出的颜色区域进行分析和进一步判断，并确定车牌区域。该方法不同于大多数的车牌定位方法，它不仅对车牌的大小、汽车在图象中的位置以及图象背景的限制较少，而且，综合特征定位要比单一特征定位更符合人的视觉要求，因而定位效果更好，应用范围更广。     

基于数学形态学的车牌定位

车牌定位是汽车牌照识别系统中的重要环节,直接影响车牌识别的准确率。对数学形态学进行了研究,并且分析了利用数学形态学进行车牌定位的原理。为了对汽车牌照进行精确的定位,提出了一种基于数学形态学的车牌定位方法。对汽车图像进行预处理和阈值分割后,利用不同的结构元素对二值图像进行形态学滤波,以进一步消除干扰。最后利用面积、长宽比和垂直投影特征值进行综合分析,完成车牌定位。实验结果表明,该方法定位准确率高,为车牌识别创造了良好的前提。     

基于三次定位过程的车牌精确定位算法设计

为了实现对车牌区域的精确定位,提出了一种基于三次定位过程的车牌定位算法,综合改进了数学形态学和纹理分析等方法.对自然环境下摄像头采集的车辆图像进行预处理后,使用像素统计法对车牌进行粗略定位,使用纹理分析法去除车牌上下边框和干扰,使用阈值法去除车牌左右边框和干扰,得到精确的车牌区域.另外还对图像的预处理进行简化,保证实时性要求.实验结果表明,改进后的算法能够对车牌进行实时、精确定位,满足了系统的要求.     

复杂背景下的混合特征车牌定位方法

针对各种复杂背景的车牌定位问题,提出一种复杂背景下基于车牌混合特征的车牌定位算法。首先对彩色图像进行预处理,并利用基于边缘检测方法进行二值化;然后结合横向数学形态学运算和车牌几何形状特征,提取出矩形车牌候选区域;最后根据车牌颜色特征在HIS空间下结合垂直和水平投影对车牌区域进行精确定位。实验表明,该算法适用于任意大小、位置和背景环境下的车牌定位,能有效解决仅仅依靠纹理信息或颜色信息车牌定位率低的问题,具有较强的鲁棒性。     

基于扩展数学形态学的车牌定位算法

在汽车牌照识别系统中,车牌定位是整个识别模块实现的前提,目前车牌定位的方法多种多样,各有所长,但存在着计算量大或定位准确率不高等问题。边缘检测是常用的车牌定位方法,边缘检测的质量决定了车牌图像的最终定位结果。一般人们习惯于用基于梯度和基于模板的算子提取边缘,但这类算子都不能很好地滤除噪声,因而给噪声图像边缘检测带来了困难。根据数学形态学原理与方法,提出一种扩展数学形态学车牌图像边缘检测算子,并结合水平和垂直投影进行车牌定位。实验结果表明,该算法不仅能成功提取车牌图像边缘,而且能很好地滤除噪声,从而实现准确车牌定位。     

车牌目标的自动定位技术

车牌识别问题是当前国内研究的一个热点方向，它的研究成功对车牌控制、运输安排等有着重要的应用价值。为了解决在车牌识别中的首要问题--车牌的自动定位技术，根据车牌目标在图象中的成像特点，提出了基于投影不变性的车牌自动检测定位方法，在车牌歪斜角度不大的情况下，成功地从复杂背景中检测定位出了车牌，通过现场实际测试，该方法取得了较好的定位识别效果。     

一种基于车灯定位的夜间车牌识别研究

针对夜间的车牌识别,提出了一种基于车灯定位的识别多个车牌的流程方法。该方法首先利用车灯坐标来对图像中多个车牌区域进行定位,进而对局部区域利用边缘检测,形态学技术,使车牌成唯一存在多次跳变的区域,车牌定位之后又利用改进的模板匹配的算法,提高了误判率,从而提供了一套夜间多车牌识别的方法。试验结果表明,两辆车的车牌识别的准确率在95%以上,并能适应于夜间的不同环境。     

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。     

一种基于数学形态学的汽车牌照提取算法

定位汽车牌照在车牌识别应用中是很关键的一步。作者提出一种基于数学形态学的新方法,以车牌宽度和高度,车牌字符高度及字间宽距等信息为依据来设计一种新的结构元,通过对汽车边缘图像进行形态学运算,能从图片中得到包含汽车牌照的侯选区域,最后基于汽车牌照纵宽比等固有特征,采用连通域体态分析,对包含车牌的多个侯选区域进行去伪,得到真正车牌区域。通过对大量汽车图片实验,验证了该方法的有效性。     

自然场景下变形车牌检测模型DLPD-Net

目的 随着智能交通领域车牌应用需求的升级,以及车牌图像复杂性的提高,自然场景下的车牌识别面临挑战。为应对自然场景下车牌的不规则变形问题,充分考虑车牌的形状特征,提出了一种自然场景下的变形车牌检测模型DLPD-Net （distorted license plate detection network）。方法 该模型首次将免锚框目标检测方法应用于车牌检测任务中,不再使用锚框获取车牌候选区域,而是基于车牌热力值图与偏移值图来预测车牌中心;然后基于仿射变换寻找车牌角点位置,将变形车牌校正为接近于正面视角的平面矩形,从而实现在各种自然场景下变形车牌的检测。结果 一方面,基于数据集CD-HARD评估DLPD-Net检测算法的性能;另一方面,基于数据集AOLP （the application-oriented license plate database）和CD-HARD评估基于DLPD-Net的车牌识别系统的有效性。实验结果表明,DLPD-Net具有更好的变形车牌检测性能,能够提升车牌识别系统的识别准确率,在数据集CD-HARD上识别准确率为79.4%,高出其他方法4.4% 12.1%,平均处理时间为237 ms。在数据集AOLP上取得了96.6%的识别准确率,未使用扩充数据集的情况下识别准确率达到了94.9%,高出其他方法1.6% 25.2%,平均处理时间为185 ms。结论 本文提出的自然场景下的变形车牌检测模型DLPD-Net,能够实现在多种变形条件下的车牌检测,鲁棒性强,对遮挡、污垢和图像模糊等复杂自然环境下的车牌检测具有良好检测效果,同时,基于该检测模型的车牌识别系统在非受限的自然场景下具有更高的实用性。     

轻量型多尺度注意力融合的车牌检测算法

车牌识别技术在交通管理中发挥着重要作用,其中车牌检测环节对后续识别性能有重大影响。现有的车牌检测系统容易受到外部环境的干扰,在自然场景下的检测性能差。提出一种基于多尺度注意力融合的车牌检测网络模型,利用金字塔网络特征图和CBAM（Convolutional Block Attention Module）注意力结构,提高小目标的检测精度。同时该方法不仅能够准确地检测定位出自然场景下的车牌,还能精确地定位出车牌的4个角点,有利于后续的车牌识别应用。实验中采用数据增强方法对CCPD数据集进行扩增,有效缓解了复杂环境变化对车牌检测造成的影响,增强了模型鲁棒性。通过对模型进行训练和测试,获得了98.05%的平均精确率和98.71%的召回率,优于其他车牌检测方法,并且帧率达到64?frame/s,实时性高。     

基于主成份分析和支持向量机的车标识别

基于车牌定位算法确定车牌和车标的位置关系,利用Hausdorff距离精确定位车标位置并对其进行数学形态学图像处理,边缘检测,连通域分析.对车标图像进行基于主成分分析的降维处理并对提取到的PCA特征进行归一化处理,最后用C-SVM支持向量机算法对提取到的特征进行识别.实验表明,上述算法具有精度高、识别效率高、速度快等优点...     

基于DM642的纹理检测与Adaboost分类器相结合的车牌定位

智能交通系统（Intelligent Transportation System,简称ITS）是一种实时、准确、高效的综合交通运输管理系统,而车牌识别（License Plate Recognition LPR）技术是智能交通系统的关键技术之一.为了在嵌入式系统中实现车牌的实时检测,研究了基于TMS320DM642的车牌检测、定位与识别技术.本文提出一种基于纹理检测和Adaboost分类器相结合的车牌定位算法,针对该算法与DM642的结合进行了系统设计,并且基于EMCV与Opencv图像处理库进行了代码移植.该系统很好的避免了单独纹理检测的定位无方向性和单独Adaboost分类的定位不完整性的缺点,较好的提高了定位准确率,且定位后的车牌图像能够基于TCP协议发送到PC服务器,实现远程的车辆车牌的定位和监控.