基于局部小波分形特征的车牌定位研究

提出了一种新的车牌定位算法.车牌定位是车牌识别系统中最为关键的处理之一,分形特征能较好地反映牌照区“粗糙”的特性.首先提取牌照图像灰度图的分形维数,再充分利用小波与分形的密切联系,以二次B-样条小波对车牌局部图像进行小波变换后,提取各个子图的分形维数.这些分形维组成的特征矢量能有效地标示车牌区域和非车牌区域,根据这些局部分形维特征,以改进的BP神经网络作为分类器,有效地实现了车牌的快速准确定位,定位时间在0.7s左右,比同类方法更优.     

基于分形盒子维数的车牌定位方法

分形维数是估计表面粗糙度的一个重要参数，在图像处理领域中更多地用到分形盒子维的概念，计算盒子维的DBC算法快速，有效，精确度高，被广为采纳，针对车牌内部图像的复杂度和背景有较大差异的特征，提出了一种通过计算分形盒子维同时结合其它图像处理方法来进行车牌定位的新算法，效果较好。     

基于小波变换和分形维数的车牌汉字识别

提出一种基于小波变换与分形维数的车牌汉字识别方法.对字符图像进行预处理和小波变换,应用改进的微分盒维法计算图像分形盒维值,并构造特征向量,利用支持向量机分类器对字符进行分类与识别.实验结果表明,该方法对模糊字符的识别具有鲁棒性,可提高汉字识别率.     

一种字符组合词包模型的少约束车牌定位算法

针对如何在复杂背景、拍摄角度和车牌尺度发生变化等少约束条件下实现基于字符组合词包模型的车牌定位算法。本文首先构造包含车牌数字字符和英文字符的数据库;然后利用本算法识别提取车牌字符的SIFT特征,并精准计算识别特征点在字符识别区域的相对位置、物理方向等信息组成视觉识别词汇;最后把本车牌字符的视觉词汇聚合后搭建车牌字符视觉词包数据库。在识别阶段,提取待识别图像SIFT特征与视觉词包中的视觉词汇进行匹配,并聚合所有有效投票位置来实现车牌区域的准确识别定位。仿真结果表明,本文算法对于背景复杂下的车牌区域定位具有较好的效果。     

一种基于机器学习的车牌识别系统的设计

以车牌识别的实用性为目的,设计一种鲁棒的车牌识别系统。首先提出了Sobel-Color算法,以Sobel边缘和颜色两种特征进行车牌定位,并结合MSER算法,设计了一种可靠的车牌定位方法来获取候选车牌区域,然后采用SVM算法对候选车牌区域进行车牌判断;最后根据车牌特征设计了一种车牌字符分割算法,能正确分割车牌的各个字符,并有效地去除车牌边缘部分的虚假字符,又根据分割出的车牌字符特征对LeNet-5深度网络模型进行改进,然后采用改进的LeNet-5网络对车牌字符进行识别。对设计的车牌识别系统进行了正常条件测试、恶劣条件测试以及效率测试等实验,实验结果表明设计的车牌定位和车牌判断方法具有较高的可靠性,车牌字符识别具有较高的准确率,因而设计的车牌识别系统具有较好的鲁棒性和实用性。     

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%。     

复杂背景下的车牌定位和字符分割研究

提出了一种综合边缘检测、投影特征的车牌定位方法和基于垂直投影及模板匹配的字符分割方法，提取车牌灰度图像边缘，实验结果显示该算法检测边缘的速度快，车牌区域轮廓清晰，采用投影法确定车牌区域，用HOUGH变换检测倾斜角度进而对倾斜的车牌进行矫正，通过字符分割算法对车牌字符进行切割，有效地解决了复杂环境的干扰、车牌尺寸变化等问题。对不同背景下的光照车牌进行了大量实验，结果表明该算法能准确地进行车牌定位以及字符分割，具有较好的鲁棒性。     

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。     

基于边缘颜色点对分布特征的车牌定位算法

提出了一种基于边缘颜色点对及其分布特征的车牌定位新方法。首先利用车牌区域背景与字符具有固定颜色搭配的特征以及边缘颜色点对的距离约束条件,对汽车图像进行多次滤波,完成对车牌字符边缘颜色点对的充分突出;然后根据边缘颜色点对分布的统计特征实现车牌的快速定位。实验结果表明,该算法是一种快速、有效的定位方法。     

车牌字符多特征提取与BP神经网络的识别算法

在车牌图像字符识别问题的研究中,针对大部分单个特征提取方法在车牌字符识别上的局限性,提出一种车牌字符多特征提取与BP神经网络识别的算法.对车牌字符图像进行预处理后,提取字母和数字字符直线特征,字符笔画点特征,环数特征以及环面积特征,作为字母与数字字符的四类特征.因汉字结构复杂与笔画多,采用13点来提取汉字特征,提取的特征输入到网络进行学习和识别.针对BP神经网络算法的不足,采用附加动量法和自适应学习速率对其改进.MATLAB仿真结果表明改进算法能够有效的提高车牌字符的识别率,识别率达到了98.5％.