一种基于SVM的改进车牌识别算法

提出了一种基于支持向量机(SVM)的改进车牌识别方法。对细化处理后的字符采用网格、水平投影与垂直投影密度的特征提取方法,保证了字符整体与局部特征,同时也使特征向量集的维数充分低。结合3种特征提取方法得到的特征向量集,采用 SVM进行车牌号码识别。对于易混淆字符,提出了根据各自的特征进行2次识别的算法,该算法有效解决了易混淆字符误识别的问题。实验结果表明,该算法鲁棒性好、抗干扰能力强、识别率达到了98.58%。     

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.     

一种基于特征加权模板匹配方法在纸币字符识别中的应用

纸币字符是纸币的重要特征之一,一组字符能够唯一标识纸币的身份.能够快速地识别纸币中的字符直接影响到纸币字符识别的精度和速度.本文运用特征加权模板匹配算法,设计了一个纸币字符识别算法.该算法从当前应用最广泛的模板匹配法入手,对标准模板匹配算法加以改进,从而提高了纸币字符实别的效率和精度.该算法能够充分区分开字符笔画和非笔画部分对字符识别的影响大小,从而有效地提升了识别率和鲁棒性.从实验结果来看,该算法性能较优.     

一种车牌识别软件系统研究

针对现有车牌识别算法中的车牌定位、字符分割和字符识别三个核心模块存在的不足,提出了一种基于边缘两侧颜色检测的车牌定位方法;通过采用动态阈值调整方法,很好的实现了字符分割;对神经网络在字符识别技术中的应用进行了大量的研究和实验,根据汉字和数字、字母特征提取的不同,在对字符信息初识别时将汉字和数字、字母采用不同结构参数设置的神经网络进行识别,并对识别结果中包含的具有形体相近的字符提出了一种"不等权值"的方法。结果证明识别率有了明显提高。     

车牌字符识别技术的研究与实现

设计了一种机动车牌照的自动识别解决方案.对车牌图像的预处理中,提出了一种新的基于非线性均值边缘检测算法,通过大量实验,该检测算法处理后的图像能更好实现车牌的定位与字符分割.在识别系统中,为了更准确地识别字符,使用两种特征提取法提取字符特征,设计了两级分类器对字符进行逐个识别.实验结果表明,这种识别方法具有良好的识别效果,具有较大的实用价值.     

基于局部方向特征的虹膜识别算法

特征提取和匹配是虹膜识别中的关键部分.本文描述了一种新颖的虹膜特征提取和匹配方法,利用多方向的二维奇对称Gabor小波来提取虹膜纹理的局部方向特征.特征匹配采用类似欧氏距离的方法来进行.同时对每一幅虹膜图像,采用它的眼睑和睫毛以及反光的分布做为匹配模板,能够最大程度的减少它们的干扰.实验结果表明,本算法具有非常好的识别性能.     

基于模板匹配和特征点匹配相结合的快速车牌识别方法

介绍了一种简单易行的车牌识别方法。对于车牌灰度图像进行滤波去噪后先用峰谷法二值化，再用垂直投影法进行分割，最后进行模板匹配，并用特征点匹配对几组易出错的字符进行检查，从而得到车牌号。     

SURF算法和RANSAC算法相结合的台标检测与识别

通过分析电视台台标的特点,首先对视频中的某一帧进行感兴趣区域检测,提出了对感兴趣区域进行基于SURF特征提取、并与台标库中的台标特征点进行预匹配、用RANSAC算法去除错误匹配点对的方法。结合了SURF算法与RANSAC算法的优点,提高台标识别的正确率。实验结果表明,该方法具有较高的识别精度,较强的抗干扰能力,识别速度也在一定程度上有所提高。     

基于CRNN的中文手写识别方法研究

针对基于字符分割的中文手写识别方法存在字符分割准确率影响识别准确率和速度的问题,文中设计了一种基于卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)的中文手写识别方法,方法将特征提取、序列预测、序列对齐算法集成到同一网络,实现端到端(End-to-End)的训练和识别。模型仅需输入待识别中文手写图像,中文字符免分割,即可输出识别结果,识别的准确率(Accuracy)相较基于结构特征点字符分割识别算法提高了2. 29%,同时少了识别的时间。     

基于多结构特征的纸币字符识别算法

针对现有人民币冠字号字符识别算法对严重污染磨损的人民币冠字号字符识别率低的难题,提出了一种将模板匹配法与多种字符结构特征(字符轮廓、区域密度)相结合的人民币冠字号字符识别算法.通过定位分割、分类识别、验证纠错3个步骤完成字符的识别,实验结果表明,该算法具有较高的识别率和较强的鲁棒性.     

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。     

基于彩色数字图像的车牌识别研究

车牌识别是图像识别技术在智能交通领域应用的重要研究之一,是实现交通管理智能化的重要环节。我国交通管理部门对汽车牌照的样式制定了严格的规范,这些规范将为车牌自动识别技术的实现提供重要的技术依据。车牌识别研究充分利用这些规范进行设计,采用彩色数字图像模式识别方法,针对彩色为24位,大小为640×480,以及蓝底白字车牌的图像进行识别研究,并具体描述图像车牌的预处理、车牌特征提取和车牌识别三个连续的过程。在Visual C++环境下实现对汽车牌照自动识别功能。实验结果表明,车牌识别自动技术识别效果可靠,具有很好的实用性。     

基于OpenCV的行驶车辆车牌定位实现

车牌定位是车牌自动识别系统中的一个关键问题。系统从两方面进行了设计。一是视频中移动车辆的定位,采用高斯背景建立模模块。二是静态图像中车牌提取系统,采用顶帽变换、能量滤波、寻找联通区域等多模块结合精确定位出车牌区域。该移动车牌定位算法在QT平台上采用OpenCV和C++编程,实现了综合利用车牌结构特征和纹理特征,提高了车牌定位可靠性。实验结果表明,该方法速度快、准确度高,可满足实时监控的需求。     

基于二次网格的字符图像特征提取方法

为了提高字符识别率,克服传统字符特征提取方法复杂、计算量大等问题。文中提出了一种基于二次网格化的字符特征提取方法。将字符二值图像划分为4个网格,提取出字符轮廓的曲率特征;并将字符图像划分为32个网格,依次提取出各自网格的占空比、质心、散度3组特征。该方法兼具结构特征与统计特征的优点,对笔画结构相近的字符较易于区分,该方法抗干扰能力强,且足够稳定。通过对1 500张字符二值图像进行实验,其结果表明,该方法对字母与数字的识别准确率达到了97%以上,相较于其他特征提取方法有大幅提高。     

车牌识别中字符识别的研究

对智能交通系统进行了简要的概述,分析了字符识别在车牌识别中的重要性及选取特征的标准,针对车牌中汉字与大写字母和数字采取不同的特征提取方法,最后进行实验分析并对其识别效果进行比较,发现用改进的13点特征法对汉字进行特征提取,其识别效果要好于直接用13点特征法对汉字进行识别。     

基于GSM和图像处理技术的车辆牌照手机自动识别系统设计与实现

融合无线通信、图像处理和信息提取技术,开发了车辆牌照手机自动识别系统,重点研究实现了基于水平扫描与垂直投影的车牌定位方法,及基于垂直投影与先验知识的字符分割算法;采用GSM技术传输车辆牌照图像,实现了无人值守的车辆牌照手机自动识别系统.     

License Plate Recognition for Parking Control System by Mathematical Morphology

Nowadays, license plate recognition for parking systems is a critical task to provide automatic control of customers and payment. This paper introduces a new method for automatic recognition of license plates of vehicles by mathematical morphology. The proposed method can provide the license plate number of the plates in different light conditions, colors, sizes, and inclination (angles). The algorithm can recognize the license plates of European Union vehicles quickly and correctly. The pattern learning of mathematical skeletons has high efficiency in the process. The performance of the algorithm is demonstrated well by being tested on a parking control system.     

基于混合神经网络的车牌字符识别技术

车牌识别是智能交通系统的重要组成部分,其关键是车牌字符识别技术。单一的神经网络难以识别模糊的车牌字符,文中提出了一种混合神经网络实现车牌字符识别技术。该混合神经网络结合联想记忆与BP神经网络,对输入的字符进行两次判别,经过训练、特征提取得到检测结果。通过在不同的噪声和不同的角度实验表明,采用混合神经网络具有更高的识别精度。     

低分辨图像车牌提取与识别新方法研究和应用

针对在低分辨率和复杂的现实环境中,车牌识别系统的识别率较低的问题,利用车牌的几何特征,采用了全局直方图均衡的图像增强算法和列差分的方法,将图像的灰度动态范围进行拉伸,增强图像纹理的对比度,使车牌的识别率得到较大的提高。为设计智能车辆管理系统中的车牌的提取和识别提供了一种方案。     

Multi-class pattern recognition with the group match competition method

High recognition rate of multi-class pattern recognition is difficult to obtain, especially when the feature extraction is not ideal. So achieving a high recognition rate with nonideal feature extraction makes great sense. Based on the early study of multiple-set-compete method (MSCM) and the algorithm of result reliability, this article proposes a new recognition method named group match competition method (GMCM). The GMCM precedes the early work with a larger scope of applications. Early work which the authors did can only deal with the recognition work with the number of powers of 2 classes, while GMCM can cope with the classes of any number. This article further illustrates the MSCM, the algorithm of result reliability and their functions in the GMCM. Three sets of cases are demonstrated and formats of grouping are discussed. The recognition results show that the GMCM is a robust method and it is capable of achieving the high recognition rate of the multi-class pattern recognition.