雾霾天气条件下车牌信息的识别

雾霾天气条件下,由于大气的散射,降低了拍摄图片中车牌信息的清晰度和对比度,并降低了车牌识别的正确率。针对这一现象,提出了一种基于暗原色的对图像透射率进行改进的算法,通过改进后的方法对图像进行去雾,弥补了暗原色方法针对天空、白色等大片明亮区域无法很好去雾的缺点。算法首先对雾霾天气下拍摄的图像利用改进算法进行去雾处理,然后进行车牌定位和字符分割,最后通过BP神经网络进行车牌信息的识别。实验证明,通过改进后的方法对图像进行去雾后,能够很好地还原车辆信息的原本颜色特征,给后期的车辆信息处理提供了便利。     

基于改进模版匹配的车牌字符分割

车牌字符分割是车牌识别系统中的关键技术之一。为了有效地对车牌字符进行分割,提出了一种基于改进模版匹配的新方法,该方法包括车牌区域图像预处理、车牌字符校正、车牌字符去边框处理和改进模版匹配的车牌字符分割处理等四个步骤。与传统的车牌字符分割方法相比,该方法不仅能够在正常条件下对车牌字符有效地进行字符分割,而且还可以有效地解决车牌字符粘贴、车牌字符残缺和车牌字符区域质量差等情况的车牌字符分割问题。实验结果表明,该方法具有算法简单、实时性强和分割效果好等优点。     

基于边缘检测的车牌识别算法的实现

针对传统车牌识别的不足,本文提出了基于边缘检测的车牌识别的算法.该算法首先对摄像头获取的车牌图像预处理,去除图像无用信息,然后运用Robert算子检测车牌边缘,并对车牌区域进行图像较正,用高斯滤波法去除噪声并且提取车牌信息特征,接着对车牌区域水平和竖直方向运用触点定位法分割字符,对车牌分割后与相应字符模版匹配,利用预测模型预测识别结果,最后识别出车牌字符.     

基于MATLAB的车牌识别系统的研究

汽车牌照识别是图像识别领域的重要研究课题,这里运用MATLAB研究车牌识别技术中的图像预处理、车牌定位、字符分割与字符识别等核心部分,并提出一种基于MATLAB的车牌识别系统的实现方法,综合使用多种方法提高系统的有效识别能力.该方法解决了在自然背景的图像中定位分割牌照区域、车牌倾斜和提取分割的字符等问题.通过对一定数量的图像进行处理,结果表明MATLAB在车牌识别方面的运用非常有效.     

复杂背景下的自适应车牌检测算法的研究

车牌识别技术在现代智能交通系统中有越来越重要的应用(如收费站、停车场的车辆检测系统).为了有效的检测一个车牌,寻找车牌的位置是最关键的一步,本文提出了一种基于边缘的复杂背景下车牌的检测算法.该方法综合利用图像对比度增强、边缘检测、形态学处理、连通域分析、矩形性质分析等多种方法,解决了复杂背景中车牌定位难的问题,能够准确定位杂乱背景中的车牌,对天气、光照变化、车牌在图像中的移动和旋转等具有良好的适应能力,该方法为后续的字符分割和字符区域定位信息、车牌的超分辨率重建带来了方便.     

基于MATLAB的车牌识别系统的研究

汽车牌照识别是图像识剐领域的重要研究课题。这里运用MATLAB研究车牌识剐技术中的图像预处理、车牌定位、字符分割与字符识别等核心部分,并提出一种基于MATLAB的车牌识别系统的实现方法．综合使用多种方法提高系统的有效识别能力。该方法解决了在自然背景的图像中定位分割牌照区域、车牌倾斜和提取分割的字符等问题。通过对一定数量的图像进行处理,结果表明MATLAB在车牌识别方面的运用非常有效。     

基于字符包围盒特征参数的车牌定位分割研究

现有的车牌识别流程中,车牌定位和字符分割关联性较小,有效融合这两个过程可以提高检测的效率。为此,提出了一种基于字符包围盒特征参数的车牌字符定位分割算法。该方法首先使用高斯-拉普拉斯算子对车牌图像进行滤波和边缘检测,在此基础上,使用连通区域分析和轴对齐包围盒检测和表征边缘图像中的连通域,根据车牌字符的分布规律来筛选目标包围盒,最后基于目标包围盒中心点对车牌字符进行倾斜矫正和定位分割。实验结果表明,该方法可以有效地定位车牌和分割字符,准确率可达到93.5%。     

基于图像去雾功能的车牌识别算法研究

智能交通系统是将各项高新技术用在城市交通监管上,从而使车辆行驶更加安全。车牌识别是智能交通系统的重要组成部分之一,通过对采集到的车辆图像进行处理从而获得车辆有效信息—车牌。在雾霾天气下拍摄取像时,由于大气散射作用,使得成像设备接收到的光产生了变化,导致图像对比度低、失真等问题,无法准确提取车牌信息,这对智能交通和社会安全都产生了极大地影响。本项目目标是基于matlab软件设计一款能够在雾霾天,或者能见度不高的环境下进行车牌的识别的装置,该装置具有以下功能：能够读取图片,进行图像预处理并进行去雾及增强;最后将其转化为字符串的形式并提取出来。     

雾霾环境下基于PLATE-YOLO的车牌检测方法

针对目前车牌识别领域中，雾霾环境下车牌检测准确率低的问题，本文提出一种基于深度学习的抗雾霾车牌检测方法，该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理，然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点，对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一，提出了一种基于层次聚类算法的锚盒(anchor box)个数和初始簇中心的计算方法；第二，针对车牌目标较大的特点，对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测，且提高了检测速度。实验证明，PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS；在雾霾环境下，经去雾预处理的 PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。      

基于多阈值与区域生长的车牌定位算法

车牌定位就是在图像中把车牌所在区域标记或分割出来,是车牌识别的主要解决问题之一。本课题对基于颜色定位和阈值处理的研究,本文提出了方法采用自动调节阈值的方法,选取合理利用阈值,得到二值图,然后检测字符水平边缘变化率剔除背景无关的行图像,然后根据颜色、形状和字符分布建立简便颜色模型利用区域生长算法进一步精确定位,进而实现定位。     

Adaptive single image dehazing method based on support vector machine

A dehazing method often only shows good results when processing the image for a certain haze concentration. So an adaptive hazy image dehazing method based on SVM is proposed. The innovation points are as follows: Firstly, combining the characteristics of the degraded images of haze weather, the dark channel histogram and texture features of the input images are extracted to form the feature vectors. These are trained by supervised learning through SVM algorithm to realize automatic binary classification of images; Secondly, the defined dehazing methods are called to process the classified result as a hazy image and the same quality evaluation indexes are used to evaluate each image output by different dehazing methods. Then, it outputs the highest evaluation image after haze removal. Finally, the output image is classified again by SVM until the image reaches the clearest it can be. The experimental results show that the proposed algorithm exhibits good contrast, brightness and color saturation from the visual effect. Also the scene adaptability and robustness of the algorithm are improved.     

基于数字形态学的车牌字符分割算法

随着科技的发展,车牌识别系统得到了很多应用。车牌识别系统包含三个部分;车牌定位、字符分割 和字符识别。车牌字符分割是车牌自动识别系统中的重要步骤。车牌字符分割中存在噪声干扰、边框影响、铆钉和 间隔符影响、车牌旋转、光照不均等问题。这些问题容易造成分割不准确,甚至分割错误。针对这些问题,提出一 种新的字符分割方法,采用基于数字形态学的连通区域法进行字符的分割,并结合现有方法提出一个完整的、行之 有效的字符分割方案,取得较好的实验效果。     

License Plate Recognition System Using Artificial Neural Networks

A high performance license plate recognition system (LPRS) is proposed in this work. The proposed LPRS is composed of the following three main stages: (i) plate region determination, (ii) character segmentation, and (iii) character recognition. During the plate region determination stage, the image is enhanced by image processing algorithms to increase system performance. The rectangular license plate region is obtained using edge‐based image processing methods on the binarized image. With the help of skew correction, the plate region is prepared for the character segmentation stage. Characters are separated from each other using vertical projections on the plate region. Segmented characters are prepared for the character recognition stage by a thinning process. At the character recognition stage, a three‐layer feedforward artificial neural network using a backpropagation learning algorithm is constructed and the characters are determined.     

Optimized contrast enhancement for real-time image and video dehazing

A fast and optimized dehazing algorithm for hazy images and videos is proposed in this work. Based on the observation that a hazy image exhibits low contrast in general, we restore the hazy image by enhancing its contrast. However, the overcompensation of the degraded contrast may truncate pixel values and cause information loss. Therefore, we formulate a cost function that consists of the contrast term and the information loss term. By minimizing the cost function, the proposed algorithm enhances the contrast and preserves the information optimally. Moreover, we extend the static image dehazing algorithm to real-time video dehazing. We reduce flickering artifacts in a dehazed video sequence by making transmission values temporally coherent. Experimental results show that the proposed algorithm effectively removes haze and is sufficiently fast for real-time dehazing applications.     

车牌识别系统设计与实现

通过对车牌定位、车牌字符分割和车牌字符识别进行研究,提出了一种车牌识别系统的设计和实验方法。车牌定位模块中,提出了采用基于小波变换的车牌边缘提取和数学形态学相结合的方法定位出车牌,进行二值化、滤波后使用垂直投影法分割出车牌字符,最后使用多模板匹配和二次细分识别相结合的方法识别出车牌字符。经实验验证,基于该算法的车牌识别系统能够达到较高的车牌识别率。     

基于多先验约束和一致性正则的半监督图像去雾算法

针对合成雾霾图像训练的去雾模型在真实场景中去雾效果不佳、对高层视觉任务性能提升不明显等问题,该文提出一种基于多先验约束和一致性正则的半监督图像去雾算法。该方法采用编码器-解码器网络结构,同时在合成雾霾图像与真实雾霾图像上学习去雾映射,并利用多种统计先验去雾结果作为真实雾霾图像参考真值进行半监督学习,同时通过多张真实雾霾图像的随机混合进行一致性正则约束,以消除多种先验去雾结果差异以及噪声干扰,提高图像去雾结果的视觉质量。实验对比结果表明,所提算法可比现有方法获得更好的真实场景去雾结果,并且能够显著提升高层视觉任务性能。     

基于迁移学习的三子网图像去雾方法

目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现,对于不同风格或非均匀雾图数据集去雾效果较差,同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况,该文提出一种基于迁移学习的卷积神经网络(CNN)用于解决去雾算法中非均匀雾图处理效果不佳和模型泛化能力差等问题。首先,该文使用ImageNet预训练的模型参数作为迁移学习模型的初始参数,以加速模型训练收敛速度。其次,主干网络模型由3个子网组成:残差特征子网络、局部特征提取子网络和整体特征提取子网络。3子网结合以保证模型可从整体和局部两个方面进行特征提取,在现实雾场景(浓雾、非均匀雾)中获得较好的去雾效果。该文在模型训练效率、去雾质量和雾图场景选择灵活性3个方面进行了研究和改进,为衡量模型性能,模型选择在去雾难度较大的非均匀雾图数据集NTIRE2020和NTIRE2021上进行定量与定性实验。实验结果证明3子网模型在图像主观和客观评价指标两个方面都取得了较好的效果。该文模型改善了算法泛化性能差和小数据集难以进行模型训练的问题,可将该文成果广泛应用于小规模数据集和多变场景图像的去雾工作中。