基于混合特征的多车牌定位算法

本文提出了一种基于混合特征的多车牌定位的新方法,先根据车牌图像的边缘特征,利用数学形态学的方法生成连通区域,搜索全图得到连通区域的最小外接矩形.然后利用我国车牌本身的几何特征和颜色特征进行判别,提取出车牌的候选区域并判别出车牌的颜色.交通图像处理实验证明该方法具有限制条件少,速度快和准确率高的优点,并可进行多车牌定位.     

一种快速、高效的车牌定位方法

基于车牌区域丰富的边缘特征,本文提出了一种改进的车牌定位方法。首先增强原始图像,并对原始图像和增强图像分别进行边缘提取;然后基于车牌区域边缘均匀,长短有限等特征,滤除背景及噪声边缘点;最后通过投影搜索出车牌区域。对采集到的各种复杂背景、环境下的车辆图像进行了大量实验,实验结果证明算法准确率高、适应性强。     

基于数学形态学和Hough变换的车牌定位算法

针对复杂环境下的车牌定位率较低的问题,提出了一种基于数学形态学和Hough变换检测车牌区域的方法。首先,对车牌图像进行图像预处理,然后,利用数学形态学的高帽变换突出车牌字符区域,并对图像进行边缘检测和连通区域分析;最后,结合Hough变换和车牌的先验知识实现车牌的精确定位。实验结果表明,针对不同复杂背景下采集到的车辆图像,该算法具有很强的鲁棒性,准确率达97.3%,能够满足现代智能交通系统对车牌定位准确性和实时性的要求。     

基于车牌特征和底色识别的车牌定位算法研究

在车牌识别系统中,车牌定位是车牌自动识别系统中最重要的一步,车牌定位的准确程度直接影响车牌识别的精度。针对背景复杂,车牌区域模糊的图像,提出一种车牌结构特征和底色相结合的车牌定位方法。该算法首先利用彩色边缘算子提取图像的边缘,然后利用连通域算法找出不同的连通区域,最后结合车牌的结构特征(宽高比、车牌区域灰度跳变次数)和车牌底色特征(目前是黄色、黑色、白色和蓝色)选定最佳区域。实验结果表明,该算法简单,定位准确,满足实时性要求。     

视频图像中的实时车牌识别

车牌识别在智能交通系统中起着重要作用。本文提出一种对视频图像进行实时操作的车牌识别方法。利用边缘特征，使用快速的边缘点连接算法生成连通区域，进行车牌的检测定位，结合字符小波特征实现准确的识别。算法平均消耗时间在40ms以内，定位准确率达99．5％，完全识别率在91％以上。实际采集数据实验结果证明，本方法速度快、准确率高、实用性好。     

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。     

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。     

复杂背景下快速车牌定位方法研究

在YUV颜色空间内,根据车牌图像的纹理特征,充分利用车牌图像的三个分量彩色信息,提出了一种基于彩色边缘的车牌定位方法。该方法利用车牌区域竖直边缘异常丰富的特点,采用一种针对性很强的边缘提取算子,对Y,U和V三个颜色分量分别进行竖直边缘提取;三个分量图像竖直边缘提取之后,依据一定的准则,融合三个竖直边缘图像,得到原彩色图像的边缘。试验结果表明,与一般的单纯灰度图像边缘提取相比,该方法能更准确地定位车牌;并且经边缘提取之后,非车牌区域的边缘所剩很少,使车牌区域搜索部分变得异常简单,从而极大地减少了系统的运算负担和时间开销,满足系统实时性的要求。     

一种复杂背景下的车牌快速定位算法

针对复杂环境下的车牌定位问题,提出一种基于提升小波与形态学相结合的快速定位方法。该方法首先对车辆图像进行预处理,包括图像灰度化,利用新的提升小波算法进行边缘检测以及二值化,然后对图像进行腐蚀、膨胀等一系列形态学处理,得到一些规则的连通区域,其次删除小连通区域,合并邻近区域,得到车牌的候选区域,最后采用可信度评价来度量候选区和车牌区的相似度确定车牌位置,最终实现车牌的快速定位。计算机仿真结果表明,对于背景复杂的车辆图像,该方法运行速度快,车牌定位准确率高。     

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。     

基于CNN彩色图像边缘检测的车牌定位方法

针对现有车牌定位算法准确率不高、步骤多和速度慢等问题, 提出一种彩色图像车牌定位方法(License plate locating based on CNN color edge detection, LPLCCED). 首先利用细胞神经网络(Cell neural network, CNN)模型导出一种与车牌颜色特征相结合的车牌定位专用边缘检测算法, 将车牌的颜色对约束条件融合到边缘检测算法中, 本文专用边缘检测算法可以大大缩小车牌初步定位的范围. 接下来提出一种针对车牌特征的边缘滤波算法, 最后根据车牌结构和纹理特征对候选区域进行判别验证. 该流程的各个环节都可以通过硬件实现, 为面向智能交通领域的实时车牌识别系统的前期车牌定位处理提供了依据.     

一种基于小波与形态学的车牌图象分割方法

针对汽车车牌与车身背景的分割问题,给出了一种基于小波分析和数学形态学的图象分割方法。该方法是通过小波多尺度分解提取出纺理清晰,具有不同空间分辨率、不同方向的边缘子图象。其水平方向低频、垂直方向高频的这一细节分量,主要代表车牌的目标区域。然后,用数学形态学方法对小波分解后的细节图象进行一系列的形态运算,进一步消除无用信息和噪声,以找准车牌位置。用该方法对在不同照明条件下所采集到的一系列车头、车尾图象     

结合深度特征迁移与融合的两阶段船牌定位算法

获取运河过往船只的身份信息具有重要意义,快速、准确地定位船牌是实现船只身份自动化识别的首要任务.为提升对小尺度船牌的检测性能,提出一种结合深度特征迁移与融合的两阶段船牌定位算法.首先在船只检测阶段,通过迁移学习构建船只检测模型,获取图片中船只区域的位置信息;然后在船牌定位阶段,提出基于特征融合策略的多尺度船牌定位网络,在上一阶段的基础上对船牌进行定位.在SLPLOC船牌定位数据集上的实验结果表明,相比其他算法,该算法能够有效地减少误差,提升精度值和召回率.     

彩色汽车图象牌照定位新方法

汽车牌定位是一个公认的较难解决的图象侵害问题。目前已经实现的分割主要局限于灰度图象,且定位效果仍易受阴影和光照等条件的影响。为解决彩色图象牌照定位问题,提出了彩色图象边缘检测算子ColoPrewitt和彩色边缘检测与区域生长相结合的牌照定位算法ColorLP,其充分利用了颜色信息和牌照特点。ColoPrewitt算法简单,全面作用在颜色空间的3个分量上,在彩色牌照定位的边缘检测中具有传统算子无法比拟的优势,实验表明,检测出的牌照区域完整,且与背景易于进一步剥离,由此可见,ColorLP定位牌照区域准确率高,适用于任意背景、位置和光照下的牌照定位,且通过性较好。     

基于边缘颜色对的车牌定位新方法

车牌定位是车牌自动识别系统中的一个关键问题．该文提出了一种新的基于边缘颜色对的车牌定位方法．首先进行彩色边缘检测，然后以每一边缘点为中心，垂直于边缘方向取一线形窗口，在窗口内检测边缘点两侧像素的颜色是否分别匹配车牌的底色与字符颜色，若是，则保留为候选车牌边缘点；然后进行形态滤波，剥离不符合车牌结构特征的区域，最后对候选车牌区域进行纹理特征的分析以确定真实车牌区域．该方法抓住了车牌背景与字符具有固定颜色搭配的重要特点，综合利用了车牌的结构特征和纹理特征，提高了车牌定位的可靠性．对各种条件下拍摄的163幅含有车牌的图像应用该算法，定位准确率达到98．2％。     

一种精确高效车牌定位算法

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技术之一。本文提出一种精确高效的车牌字符定位算法,该算法采用差分来描述灰度变化进行初步定位,并对不同类型的车牌使用不同的二值化处理方法。实验表明,该算法快速有效。     

车牌识别系统中边缘检测及算法研究

车牌自动识别检测是智能交通系统的重要组成部分,具有十分广阔的应用前景。车牌图像预处理是在汽车牌照识别系统的一个重要环节,预处理性能对车牌识别检测具有重要作用。介绍了几种常用的边缘检测算子,不同敏感性不同,验证了不同类型的边缘提取算法,采用不同的边缘敏感算子进行检测。     

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。