一种新的车牌定位方法

该文提出一种基于颜色与纹理综合特征的车牌定位新方法。首先进行颜色分割,提取并强化目标颜色,然后提出一种专门针对车牌颜色的灰度化方法进行灰度化处理,最后进行区域生成,分割并定位车牌。实验表明算法效果好,速度快,尤其是提出的灰度化算法较标准灰度化算法效果更明显。     

基于多颜色模型的车牌定位方法

提出了一种基于多颜色模型的车牌定位方法。首先把输入的RGB彩色图像转化到HSV和YIQ颜色空间,综合这两个颜色空间的信息进行颜色分割去除大量的背景干扰信息,得到了颜色为车牌照的一些区域。然后将颜色分割后的图像灰度化并分块,找出水平差分累加和最大的块确定车牌大致位置在原彩色图中实现车牌的粗定位。最后对粗定位图进行二次颜色分割得到车牌区域的信息利用投影法精确定位出车牌。实验结果表明该方法效果较好。     

基于多颜色模型的车牌定位方法

提出了一种基于多颜色模型的车牌定位方法.首先把输入的RGB彩色图像转化到HSV和YIQ颜色空间,综合这两个颜色空间的信息进行颜色分割去除大量的背景干扰信息,得到了颜色为车牌照的一些区域.然后将颜色分割后的图像灰度化并分块,找出水平差分累加和最大的块确定车牌大致位置在原彩色图中实现车牌的粗定位.最后对粗定位图进行二次颜色分割得到车牌区域的信息利用投影法精确定位出车牌.实验结果表明该方法效果较好.     

基于数学形态学和颜色特征的车牌定位方法

为了解决单一车牌定位算法在复杂背景中定位效果不理想的现状,提出一种数学 形态学和颜色特征相结合的算法对车牌进行定位。首先利用最大类间方差法(Ostu 算法)找到一 个最佳的阈值,根据所得阈值把得到的灰度图像二值化,然后采用一种改进的数学形态学算法 对图像进行边缘检测,最终结合数学形态学和车牌颜色特征进行准确定位。实验表明该算法明 显优于传统或单一的车牌定位方法,定位准确率高,对背景限制少,应用范围广。     

一种利用颜色信息的车牌字符分割新算法

汽车牌照自动识别系统中由于拍摄得到的字符模糊经常造成分割效果不佳。通常采用的灰度处理方法也丢失了很多颜色信息。本文提出一种基于模糊神经网络的算法，充分利用车牌的颜色信息，根据车牌底色对不同分量进行加强，直接对彩色车牌进行字符分割。实验结果表明，该算法是有效的，尤其是对车牌上汉字的分割效果较以往算法有明显提高。     

车牌识别中关键技术的研究与实现

介绍了车牌图像识别系统的现状,提出一种针对高速公路环境下的车牌定位与识别算法.在定位阶段,通过伪二值化方法消除路面产生的噪声,利用形态学闭运算定位车牌字符,并对车牌图像进行灰度交换,最终得到无边框、灰度对比强的车牌图像.字符分割采用基于字符连通域宽高检测和先验知识相结合的方法,很好地解决了字符粘连对分割的干扰,同时完成了对车牌图像的滤波.在识别阶段,先对车牌图像进行二值化和倾斜矫正,字符识别采用基于模板匹配的改进算法.对高速公路上300幅车辆图像进行测试,识别准确率高于80%.     

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。     

高斯差分的AdaBoost车牌定位方法

针对实际拍摄场景中的复杂光照条件以及不同车牌颜色对车牌定位造成的影响,提出了一种基于高斯差分图像的AdaBoost车牌检测算法.该算法首先对原始灰度图像进行高斯差分,得到其对应的高斯差分图像,然后利用基于DoG图像的DoG+AdaBoost分类器与基于灰度图像的Gray+AdaBoost分类器构成二级车牌检测器进行车牌检测,最后根据车牌中的车牌号码信息对车牌检测结果进行验证,得到最终的车牌定位结果.该算法利用高斯差分方法,很好地抑制了复杂光照和不同车牌颜色对车牌检测造成的影响,具有较快的定位速度和很高的检出率.实验表明,该算法能获得很好的车牌定位效果,具有较高的实用价值.     

基于阈值分割的运矿车辆车牌精确定位

由于运矿车辆车牌图像质量低、车牌污染严重、环境复杂、识别率低等特殊情况,设计了一种基于灰度阈值分割的运矿车辆车牌的精确定位算法.它通过对粗定位车牌图像进行灰度阈值分割,得到估计车牌区域并进行区域标记,根据车牌所在连通区域面积最大这一特征,得到完整有效的车牌区域,结合车牌先验知识去掉其边框,从而得到车牌的精确定位结果.实验结果表明,该算法定位准确率高,耗时少,分割效果好,具有较强的实用价值,是对现有车牌识别技术有意义的扩展和补充.     

面向车牌字符分割的图像预处理方法研究

车牌字符分割是车牌识别系统中的核心步骤,而车牌预处理的效果直接关系到分割的准确率。针对传统基于灰度图的预处理方法难以消除由拍摄硬件和成像环境造成的干扰特征,提出一种基于R通道和灰度拉伸的车牌图像预处理方法。该算法将原始图像以R通道的数据表征,抑制车牌成像的干扰特征,提高了字符与背景底色的区分度;为了进一步增强图像的对比度,提出改进的灰度拉伸算法,有效分离字符和背景。为验证提出的预处理算法对字符分割的效果,引入一种基于投影和模板匹配的分割算法,实验表明,该算法不仅改善了污损车牌的成像效果,同时也有效提升了分割准确率。     

融合特征和先验知识的车牌字符图像检测算法

提出一种融合车牌字符切割后的二值字符图像的结构特征及对应的彩色小字符图像的颜色信息对车牌分割后的小字符图像进行真伪字符图像区分,以此达到检测字符图像目的的算法。为满足实时车牌对时间响应的要求,对车牌字符切割得到的灰度图像作快速二值化,在二值化的图像上提取结构信息,结合车牌字符分布的特点去除了大部分非颜色车牌的伪字符图像。对于难以从结构上进行字符检测的颜色车牌伪字符图像,在结构特征分析的基础上再次通过从彩色图像提取的颜色信息进行相似性分析,排除伪字符图像。对候选字符图像融合大间隔这个先验知识得到输出的字符图像。实验结果表明算法有良好的字符检测效果,可以用于实时车牌识别系统中作为字符切割后期处理一部分。     

几何特征形态学车牌识别系统研究

优化识别车牌识别问题,由于图像中的环境背景受到天气、照明等因素的影响,车牌定位不清。为解决上述问题,提出了一种结合车牌图像自身几何特征的数学形态学车牌识别系统的方法。首先应用直方图的灰度增强和局部阈值算法对车牌图像进行的预处理,通过对比采用梯度算子Roberts对图像进行有效的边沿检测,再根据提出的几何特征形态学车牌定位识别方法对灰度车牌图像进行车牌区域精确定位,采用模板匹配和神经网络方法实现字符识别。通过对实际场景中车牌图像样本进行仿真,证明了上述方法的有效性,且借助于实时性好的LabVIEW平台,较好地实现车牌识别定位优化问题,为实际交通管理提供了依据。     

基于HSV 色彩空间与数学形态学的车牌定位研究

车牌识别系统在高速路收费口与住宅小区车库管理中得到越来越多的应 用,车牌定位是整个识别系统实现的前提。基于灰度图像的定位方法和基于彩色车牌图像的 定位方法,实现效果均不大理想。在充分利用车牌先验信息的基础上,提出基于HSV 色彩 空间与数学形态学的车牌定位方法。先利用色彩信息对可能包含车牌目标的区域进行过滤, 再利用数学形态学技术生成连通区域,判断并生成正确的车牌区域,最后,使用radon 变换进 行倾斜校正。     

车牌图像色彩迁移与正则化约束去雾算法

针对雾天车牌图像模糊、车牌识别率低的问题,给出了车牌图像色彩迁移与正则化约束去雾算法。算法主要包含色彩迁移去雾和文本修复两个模块。采用MKL（Monge-Kantorovitch Linear Colour Mapping）色彩迁移算法,恢复雾天车牌颜色信息实现去雾;利用车牌的文本像素的强度和梯度特征对车牌图像进行正则化约束,实现车牌中文本的修复。实验结果表明,无论针对合成车牌雾图还是自然车牌雾图,去雾效果良好,且在薄雾、中等雾及浓雾三种不同雾度环境下都能够有效提高车牌识别率。     

基于混合特征的车牌定位算法

车牌定位技术是汽车牌照自动识别和智能交通系统的用车牌的颜色、纹理和结构几何等多维特征,实现车牌定位.该算法利用车牌的彩色信息进行彩色分割,实现车牌图像的二值化,而后提取边缘增强,在此基础上利用数学形态学方法去噪并去除车牌边框,并利用车牌纹理特征利用投影实现车牌的最终定位.该算法克服了单一特征信息不完备引起的车牌定位误差,实验表明该方法具有较好的车牌定位效果.     

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。     

A new and robust method for character segmentation and recognition in license plate images

This paper provides a new and fast method for segmentation and recognition of characters in license plate images. For this purpose, various methods have been proposed in literature. However, most of them suffer from: sensitivity to non-uniform illumination distribution, existence of shade in license plate, license plate color and the need for receiving an exact image of the license plate. In the proposed algorithm, non-uniform illumination and noise are reduced by a Gaussian lowpass filter and also by an innovational Laplacian-like transform and characters are segmented by a set of indigenous and relative features. To be prepared for recognition, the segmented characters are normalized by a local algorithm. Two feed-forward neural networks with back-propagation learning method are employed for character recognition. The principal component analysis (PCA) is used to decrease input data and, consequently, computational complexity. The proposed algorithm does not necessarily need an exact plate image and can receive a band from the vehicle original image as an input, which includes the plate. Our proposed method is completely robust to the disturbances such as non-uniform brightness distribution on the various positions of a license plate image and the plate color. In order to evaluate our algorithm, we applied it on a database including 120 vehicle images with different backgrounds, plate colors, brightness distributions, distances and viewing angles. The results confirm the robustness of the proposed method against severe imaging conditions.