基于图像处理的车牌定位算法研究

车牌定位就是从含有车牌的复杂背景图像中提取出车牌区域。车牌定位是车牌识别的关键环节。近年来许多国家投入了大量财力和经历去研究车牌定位算法。尽管如此,目前国内还没有一个完善通用的车牌定位算法。文章对传统的车牌定位的算法进行了比较和分析,介绍了最新的车牌定位算法。     

基于混沌小生境粒子群和纹理特征的车牌定位

车牌自动识别是现代智能交通的重要组成部分,而车牌定位技术又是车牌识别系统的核心之一.针对传统的车牌定位算法适应性差,鲁棒性不强等问题,提出基于混沌小生境粒子群和纹理特征的车牌精确定位算法.研究了车牌区域的7种特征构成车牌的特征矢量,利用混沌变异小生境粒子群的快速准确的全局搜索能力,结合车牌的特征矢量构造粒子群的适应度函数,最终找到车牌区域的最佳定位参量.本文与基于遗传算法(GA)和基本粒子群算法(BPSO)的定位方法进行了比较.实验结果表明,本文方法适应性强,定位效果较好,运行时间较短.     

车牌识别关键技术的研究与实现

车牌识别是指通过计算机视觉、图像处理与模式识别等方法从车辆图像中提取车牌字符信息,从而确定车辆身份的技术。车牌识别分为车牌定位、字符分割、字符识别三大部分。车牌定位是一个难题：车牌区域在整幅图像中所占比例很小,车牌的颜色、大小、位置也不确定,并且定位算法要能够克服不同光照和复杂背景的影响,还要兼顾准确性和实时性,因此快速准确的定位车牌是比较困难的。本文通过车牌的纹理和颜色特征,采用粗定位和细定位相结合的方法进行识别。     

基于灰度方差和边缘密度的车牌定位算法

在车牌定位的过程中,由于光照变化、视点和距离变化、车辆运动、复杂背景等原因,摄像机很难获取到高质量的图像.为了克服这些问题对以后的车牌定位算法的影响,提出了利用车牌区域的性质来进行车牌定位的新算法.车牌区域具有在一定范围内灰度方差近似相等和边缘密度近似相等的性质,利用这些性质来增强车牌区域.为了定位车牌区域,提出基于车牌区域边缘密度性质的匹配滤波器,该滤波器可以有效地提取出所有候选目标.利用形态学和先验知识进行目标真实性验证.通过对不同环境条件下获取的700幅图像进行实验,实验结果表明该算法有效地提高车牌区域的图像质量且车牌目标定位准确率达到98.4%,验证了算法的有效性和鲁棒性.     

基于视频流的车牌识别研究及系统设计

该文深入研究从视频流中提取运动车辆进行车牌识别的问题,提出了一种车牌识别算法,根据该算法开发了基于MFC的视频流车牌识别可视化系统。算法采用三帧差分与背景消减相结合的方法提取含有运动车辆的关键帧,对关键帧进行灰度化,采用Sobel算子进行边缘检测,融合形态学处理对关键帧进行去噪,从而实现车牌的定位,用投影法结合字符特征对车牌字符进行精确分割,采用BP神经网络算法提取字符特征,输出字符识别结果,由此完成车牌字符识别。通过对50组不同的车辆视频进行检测识别,识别率(包含汉字)达到96%以上。     

一种车牌识别系统的设计与实现

提出一种基于Android系统的车牌识别系统,通过车牌识别预处理、车牌定位、字符分割与识别对车牌识别算法进行深入研究后提出具有较好容错性、鲁棒性的车牌识别算法,通过参考相关系统设计,利用VC++进行设计。     

基于纹理特征的动态车牌识别二次快速定位技术研究

提出了一种基于车牌区域纹理特征的二次车牌定位算法。算法对图像进行预处理,将图像由彩色图像变为含有边缘跳变点的二值图像,利用车牌区域和背景区域的粗纹理特征在能量谱中的分布特点对其进行初次定位,依据车牌区域跳变点分布的数量统计值对其进行二次准确定位。用Radon变换将部分有倾斜角度的车牌区域进行水平校正,得到最终的车牌定位图。实验结果表明,该定位技术有效的抑制了各种复杂背景带来的诸多干扰,定位区域更加准确,定位图像更加清晰,实用性更强。     

倾斜图像的车牌识别方法研究

随着图像处理技术的飞速发展,汽车牌照识别技术已成为目前计算机图像处理技术的重要研究方向和广泛应用的领域之一。汽车牌照识别技术在目前的道路安全管理系统中起到非常重要的作用,这项技术可以大大加快道路安全信息化的速度。本研究采用了orientation_region()算子对汽车车牌图像的倾斜角度进行测量,使用外接矩形旋转法对汽车牌照图像进行旋转校正。并依据上述的方法创建了一个汽车牌照识别系统。本研究基于改进的倾斜校正算法的车牌识别系统,对含有汽车牌照的图像进行灰度处理,二值化处理,车牌定位,车牌校正和字符识别。对车牌定位技术和倾斜车牌校正技术进行了改进,提高此系统应对不同环境变化的能力。经实验表明,车牌的识别率得到了显著提高。     

车牌照识别系统设计

车牌自动识别系统可以分为图像采集、图像预处理、车牌定位、车牌预处理、字符分割、字符识别几大部分.每个模块即相互关联的,又有其自身的特点和技术.车牌定位是车牌识别的基础,本文采用水平和垂直的车牌定位算法;车牌字符的分割是进行单个字符识别的前提,本文采用一种垂直投影的字符分割方法;字符识别采用了BP神经元网络的方法.     

复杂环境下车牌定位及目标真实性验证算法*

提出一种融合颜色和边缘特征、并进行目标真实性验证的车牌定位算法,解决复杂环境下车牌定位困难问题。车牌具有固定的颜色搭配和丰富的字符边缘, 融合二者特征的定位算法可提取所有侯选目标,接着利用车牌伴生与互补特性进行目标真实性验证,实现带反馈的定位,提高准确度,适用于复杂环境下目标数量、类型不确定的车牌目标检测。实测彩色图像试验验证了算法的有效性和鲁棒性.     

基于yolov3的车牌定位识别系统

为解决目前市场上车牌识别设备的高时延以及对高性能处理器高依赖性的问题,提出了一种基于yolov3的车牌定位识别方法,实现对车辆的车牌进行自动定位与识别。该方法通过收集5000张车辆图像数据,打包为VOC数据集,使用LabelImg工具对图像进行标注,并构建13个卷积层的yolo模型,在loss曲线趋于稳定之后,完成模型的训练,最终使用已训练的模型对车辆图像数据进行车牌识别。实验表明:在1000个测试数据中,该方法识别率达97.5%,平均耗时18.19 ms,能够快速精准的对车辆进行车牌识别。     

一种快速实用的车牌定位算法

汽车牌照定位是一个较难解决的图像分割问题,数学形态学为此问题的解决提供了一个有力工具。本文根据我国车牌的几何形状特征,设计了一种基于数学形态学的车牌图像分割方法,使系统的运算速度和抗干扰能力较其他传统分析方法有显著提高。大量实验结果表明,该方法定位效果好、速度高,同时适于对有噪声及复杂背景的车牌图像进行分割。     

车牌图像预处理及识别算法研究

实现了车辆牌照自动识别系统中的一套预处理方法,主要包括车辆图像的灰度化,灰度级调整,消除噪声,图像二值化等。通过灰度级跳动来实现车牌定位及分割,最后利用模板匹配自动识别车辆牌照信息并输出结果。本文采用的灰度变化及灰度级调整可有效的消除一些外部环境对车辆牌照的影响,在一定程度上提高了对车辆牌照的定位与分割的准确性,可对光线较昏暗,车牌较模糊的图像也可较准确的进行定位和分割。     

基于数学形态学的车牌定位算法

车牌定位是汽车牌照识别系统的重要环节，直接影响车牌识别的准确率。利用Sobel算子对汽车图像进行边缘检测，并运用数学形态学的膨胀、区域填充以及腐蚀对二值图像进行处理，可以得到几个车牌候选区，然后利用面积、长宽比以及垂直投影特征值进行综合的分析方式，能准确定位车牌区域。实验结果表明，车牌定位准确率在95％以上，定位时间为0．15s，并适用于不同环境。     

基于HSI颜色模型的汽车牌照定位方法

汽车牌照定位是公认的较难解决的图像分割问题.本文基于HSI颜色模型给出了汽车牌照定位的新方法:首先对图像进行倾斜校正处理.然后将图像转换到HSI颜色空间,对该模型的H分量和S分量进行过滤获得二值化的汽车牌照图像,再通过孔洞检测去除未含有孔洞的连通域.并填充孔洞.运用数学形态学方法对二值图像处理,最后根据车牌照特征定位出车牌照区域.试验证明该方法达到了很好的定位效果.     

基于字符特征约束的自适应车牌校正提取

针对复杂多变环境中难以快速、精确提取车牌的问题,提出了一种利用字符特征智能校正提取车牌的方法。首先通过Gamma校正和Canny算子结合的方法在灰度图中实现自适应阈值边缘检测,解决了分割阈值选取的难题;然后应用字符特征约束条件提取特征轮廓,根据特征轮廓分布规律提取车牌候选区,避免复杂运算的同时提高了定位准确性;最后对候选区进行线性畸变校正并利用行灰度跳变统计实现了车牌真实性验证和精确提取,为后续的识别工作提供了良好条件。对不同环境中随机采集的700幅高清图像进行测试,综合提取准确率为96%,提取车牌字符规整、无多余残留信息。实验结果显示,该方法对图像中车牌状态、背景环境、光照条件等限制极少,具有更广的适用范围和更强的鲁棒性。     

车牌图像倾斜的校正实现

车牌图像由于受到采集镜头与车牌之间的距离,道路坡度,汽车驾驶速度以及司机所挂车牌位置的影响等,总有一定的倾斜度。这就为后期车牌图像的进一步处理带来了一定的困难,因此在后续的处理之间必须要对其进行倾斜校正。本文利用霍夫算法提取出车牌边缘的夹角。再将车牌旋转,最终实现了车牌的倾斜校正。     

基于神经网络的分阶车牌字符识别算法研究

为了提高复杂环境下车牌字符的识别率和识别速度,提出了一种基于BP神经网络和卷积神经网络(CNN)的分阶车牌字符识别算法。该算法第一阶段采用BP神经网络对车牌中的汉字、非相似字符进行识别;并在第二阶段用改进的CNN对车牌中的相似字符进行识别。最后通过实验横向、纵向对比,验证了该神经网络算法的有效性。实验结果表明,相对于传统的BP神经网络算法,明显提高了车牌字符的识别率,同时减少了车牌的识别时间。