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.     

利用综合特征的车牌定位方法

车牌定位是车牌识别系统的关键技术之一.提出利用结构特征、纹理特征和颜色特征的车牌定位新方法.首先,利用顶帽变换抑制背景;其次,进行垂直边缘检测和形态滤波,通过结构特征进行车牌粗定位;再次,对候选区域的垂直投影应用一维小波分解滤噪,然后重构垂直投影,计算纹理统计量并构造纹理特征向量,应用BP神经网络识别车牌的字符纹理进行车牌的再定位;最后,对候选区域进行基于边缘颜色对的彩色边缘检测,根据其水平投影值进行车牌的精定位.对各种条件下拍摄的314幅含有车牌的车辆图像应用本算法,定位准确率达到98.7%.     

基于多重特征和SURF算法的车牌定位研究

针对利用SIFT算法进行车牌精确定位时执行时间较长的问题,提出一种基于多重特征和SURF算法的车牌定位算法。在HSL颜色空间得到车牌候选区域,结合车牌几何特征与纹理特征筛选候选区域并按设定的规则标号;按序提取车牌标号候选区域,并用SURF算法对候选区域精确定位。实验结果表明,SURF算法与SIFT算法相比,在定位准确率相同情况下减少了运行时间,能满足实时性需要。     

AdaBoost车牌检测算法的优化与实现

车牌自动定位是车牌识别中的关键环节。针对现有车牌定位方法中准确性及实时性不足的情况,文中提出了一种利用车牌自身颜色特征运用级联AdaBoost进行车牌自动定位的优化算法。该方法首先利用车牌自身颜色特征,在HSV色彩模型中进行颜色分割,获取车牌候选区域,然后在候选区域基础上采用级联AdaBoost进行车牌准确定位。通过采集不同场景、不同时间的500幅实际汽车图像数据进行实验,实验结果表明该方法具有快速、准确性高等特点,能达到较好的检测效果。     

基于颜色特征的车牌快速定位

提出了一种基于颜色特征的车牌快速定位算法,该算法充分利用车牌颜色相对固定的特点,首先根据原始图像得到一组特定的色彩距离图谱,通过自适应熵阈值的选取快速分割出车牌的候选区域,然后再根据车牌的纹理特征对候选区域进行筛选以得到车牌的精确位置。针对不同的背景和不同种类的车辆,抽取了3106幅图片进行测试,其中有69幅图片未定位出车牌,定位成功率为97.8%,平均定位耗时为29ms。     

基于统计特征的启发式车牌定位新方法

在研究现有车牌定位算法的基础上,提出了一种基于统计特征的启发式车牌定位算法。该算法利用图像金字塔结构将图像分级处理,将车牌区域字符密集特征量化为跳变特征,利用动态规划算法计算统计矩阵,根据事先实验得到的车牌跳变特征范围筛选统计矩阵得到候选矩形框。根据颜色特征,车牌尺寸特征,字符个数特征等筛选候选区域得到最终定位结果。大量实验表明,该方法能精确,高效地定位车牌并且对环境的适应能力比较好。     

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％。     

边缘特性筛选与多判定机制下的车牌定位方法

针对复杂背景下的车牌定位,利用目标区域的边缘梯度特性筛选出车牌边缘;选取合适的结构元素做数学形态学填充,得到车牌候选区域;融合车牌灰度纹理特征与颜色特征通过多判定机制剔除伪车牌区域,实现车牌的准确定位;通过实验对大量实拍的复杂背景下的车辆图像进行测试。结果表明,该方法准确率高、速度快,克服了传统算法对拍摄环境、光照条件、颜色、角度等较为敏感的问题,具有良好的定位效果。     

复杂背景中基于纹理和颜色的车牌定位研究

提出一种将车牌纹理和颜色相结合的车牌定位方法,即基于纹理粗定位得到车牌候选区域后,运用改进的自主确定聚类数和聚类中心的RGB空间k-means聚类算法,而不是定义颜色范围来分割车牌。该方法的优越性在于首先利用纹理排除了颜色干扰区域,其次利用颜色聚类去除了纹理干扰区域,又克服了量化定义颜色适应性不强、稳定性差的缺点。实验表明,该方法可以准确定位复杂背景中任意方向和不同光照下的车牌,具有很强的稳定性和鲁棒性。     

基于小波纹理分析的彩色车牌定位算法研究

针对传统的车牌定位算法是采用灰度图像的纹理特征的,由于灰度图像的纹理特征诸多特性和局限性,给车牌定位算法带来很大的困难;鉴于此,提出了基于小波纹理分析的彩色车牌定位算法;首先对图像进行二维小波分解,计算滑动窗内图像的小波纹理特征;然后同时将低频子图转化RGB色彩分量为HSV色品值,提取颜色特征并得到综合特征向量;其次利用小波变化定位出车牌区域;最后对定位出的车牌进行后期校正处理并输出定位结果;该算法采用综合特征定位,克服了采用单一特征定位的缺点和局限性,从实验结果可以看出该算法能够较准确的从背景图像中提取出车牌位置信息。     

基于纹理特征的车牌定位方法

为了提高车辆牌照定位成功的概率以及定位精度,提出了一种基于纹理特征,采用自适应二值化的车牌定位方法。该方法首先利用小波分析对图像进行预处理,提取车牌图像字符区域的纵向纹理特征,然后利用边缘检测算子对图像纹理特征进行二次提取,再进行自适应二值化。该方法克服了直接对小波分析后图像进行二值化时,阈值选取非常困难的缺陷。实验结果表明,该方法能够达到提取有效车牌图像的目的,适用于各种复杂条件下拍摄的车牌图像定位。     

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%。     

Top-hat变换在多车牌定位中的应用

为了提高多车牌定位的精度,提出了一种基于Top-hat变换的车牌定位算法。该算法根据车牌纹理的空间分布特点和Top-hat变换的特点,以Top-hat系数为依据,通过平滑、二值化、垂直信息提取、连通、密度计算等多个操作完成车牌定位,该算法可对单、多车牌定位。以实际监控的图像为实验数据,通过对比实验,其结果表明：在不同背景情况下,方法在定位精度、漏判率和误判率等方面均优于其他算法。     

基于车牌色彩变化特征的车牌定位方法*

针对复杂背景下的车牌定位问题,提出了一种基于车牌色彩变化特征的车牌定位方法。该定位方法将RGB彩色空间中的车牌图像转换到HSV彩色空间中进行颜色识别,分割出车牌底色及字符颜色相对应的颜色区域,同时通过边缘提取、二值化处理、与运算找到对应颜色边缘特征点,最后经纹理分析来定位车牌。     

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.     

结合双金字塔特征融合与级联定位的车牌检测

为了解决复杂环境中不同因素干扰车牌检测精确度的问题,提出了一种基于双金字塔特征融合的复杂环境下车牌检测算法。通过采用Mish激活函数的残差网络（ResNet101-M）对输入图像进行初级特征提取;在传统特征金字塔网络（feature pyramid network,FPN）的基础上,提出了一种改进的双金字塔特征融合网络（siamese feature pyramid network,SFPN）。被提取的初级特征被送入该网络进行多层特征融合。融合后的特征被送入基于形状先验的锚点设置网络来确定感兴趣区域。将所生成的感兴趣区域送入级联定位网络从而得到准确的车牌检测结果。实验结果表明,该算法在AOLP与CCPD车牌数据集上均能够有效提升检测性能。     

基于二进小波变换的多车牌定位算法

为提高多车牌定位的精度,提出一种基于二进小波变换的车牌定位算法.该算法可对单、多车牌定位,具有精度高、对光照影响不显著等特点.以实际监控的图像为实验数据进行对比,结果表明,在不同背景和不同光照情况下,基于二进小波变换的车牌定位算法在定位精度、漏判率和误判率等方面均优于基于金字塔分解的定位算法.