基于HAAR特征与BP神经网络的车牌识别技术研究

车牌识别技术运用OpenCV计算机开源机器视觉库,对图像进行处理提取出图像中蕴含的车牌信息,达到车牌识别的目的。通过运用HAAR特征,训练出AdaBoost分类器查找图片中的车牌区域,同时运用Sobel算子进行边缘检测等操作查找车牌区域,最终运用支持向量机（SVM）算法进行两种定位的疑似车牌区域的最终确认;确认后的车牌区域进行字符分割等操作进行字符的分离;最后运用训练的反向传播（BP）神经网络进行字符的识别并最终输出车牌信息。研究结果显示,车牌识别的效率很高,拥有一定的使用价值。     

基于背景和像素的彩色车牌定位

提出结合车牌的背景差和像素分类实现彩色车牌定位算法。首先采用背景差法,即原图与背景图像相减,去除大量疑似车牌颜色特征的背景区域,缩小定位范围;然后统计车牌颜色RGB值,利用像素分类对车牌进行水平和垂直精确定位,确定车牌区域。实验表明,该方法定位准确率高,适用于任意背景、位置和光照下的车牌定位,明显克服了用车牌单一特征分析时难以解决的车牌区域变大的问题。     

车牌自动识读中的定位技术

汽车牌照自动识读系统是机器视觉和模式识别技术在现代智能交通领域中的一项重要应用,其中车牌定位技术是车牌自动识读系统正确识读的前提和关键。本文在分析了现有定位技术的优缺点基础上,提出了一种综合定位算法。该算法通过对视频图像中运动车辆的检测,消除复杂背景的干扰,利用区域生长、阴影消除、彩色分割及形态学分析等图像处理方法,获取车牌的精确定位。最后给出实验结果,实验表明,该算法有效定位率达到92%,具有较好的实用价值。     

基于区域统计和BP神经网络的车牌识别

为从车牌图像中获得车牌的字符信息,需要对字符识别系统进行研究。车牌识别过程分为图像预处理、车牌定位、车牌校正与分割和车牌字符识别4个环节。针对前3个环节,完成了图像中值滤波、Sobel算子边缘检测、数学形态学处理、Otsu二值化和Hough变换校正等工作,获得了单一标准字符图像。在车牌字符识别环节中,首先根据汉字位置,利用模板匹配算法对汉字进行识别,对于数字、字母字符,将字符图像分割,通过统计图像各部分的连通区域数以获得字符形态特征,据此设计并训练BP神经网络识别字符。最终获得能完成图像中的车牌字符识别的系统。     

基于水平灰度跳边和垂直投影的车牌定位方法

车牌定位技术是车牌识别技术中的关键也是难点。本文参照了二值化数学形态运算法和垂直投影法的一些特点,提出了一种基于二值化差分图像的水平灰度跳变法进行车牌定位。主要步骤包括:预处理,水平定位,垂直定位。实验结果表明,这种算法具有定位准,鲁棒性强的特点,并且符合实时性的需要。     

复杂光照下的车牌定位技术研究

现实生活中的光照复杂性是影响车牌定位准确性的重要因素,本文根据车牌颜色在HSV彩色空间中的分布特征,提出了一种H-SV'光照准平稳彩色模型,它能较有效的克服由于光照不同而引起的车牌定位困难.对于检测出的车牌颜色区域,我们利用车牌的彩色纹理信息,使用彩色纹理边缘检测算子,去除非车牌颜色区域,从而获得真正的车牌区域.实验证明,我们的算法对于复杂光照下的车牌检测是准确,有效的.     

基于HSV空间的创新型车牌定位方法

在HSV空间中,将车牌底色用1表示,非车牌底色用0表示,实现二值化。用二分法扫描滤波后的区域,对黑白变化特征进行识别,完成车牌粗定位。在灰度图像中对提取后的车牌区域进行直方图统计。大于或等于车牌字符灰度值的像素赋值为1,否则为0。然后进行特征提取及投影分析,实现车牌精定位。     

基于三值图像的车牌定位算法

针对复杂场景中光照不均匀情况下的车牌定位问题,提出了一种新的定位方法。该方法首先对彩色图像进行三值化,然后利用车牌字符之间颜色的一致性,通过定位字符间隔线反推字符区域进行车牌定位,解决了定位难的问题。实验结果表明,本文算法可以准确定位车牌,对车身颜色和外界颜色的影响有很好的鲁棒性,有效剔除打印字符等纹理簇照成的干扰,同时弥补了在光照不均匀等情况下车牌区域进行二值化可能导致的信息缺失,为后续字符分割、识别处理提供更有利的信息。     

车牌识别系统研究

车牌识别系统是智能交通系统（ITS）的一个重要组成部分,一个典型的车牌识别系统一般包括图像预处理、车牌定位与提取、字符分割和字符识别等几大模块。根据实际应用情况,对目前使用的车牌识别关键技术、算法进行了简要的总结和详细的分析。     

基于神经网络复杂背景下车牌识别系统的研究

车牌识别系统是以汽车车牌字符为目标对象的一个计算机视觉系统。由于获取的车辆图像受光照、噪声等外界因素的干扰,通常具有复杂性和不确定性,导致复杂场景下车牌字符识别更加困难。为提高识别率,首先利用BP网络对模糊处理后的定位车牌进行训练识别,利用MATLAB进行实验。再用卷积神经网络对车牌进行识别实验研究,与BP算法进行比较,对提出的算法进行仿真与实验,将两种方法进行对比发现看卷积神经网络算法对车牌字符识别率有较高的识别率,应用十分广泛。     

Automatic license plate recognition

Automatic license plate recognition (LPR) plays an important role in numerous applications and a number of techniques have been proposed. However, most of them worked under restricted conditions, such as fixed illumination, limited vehicle speed, designated routes, and stationary backgrounds. In this study, as few constraints as possible on the working environment are considered. The proposed LPR technique consists of two main modules: a license plate locating module and a license number identification module. The former characterized by fuzzy disciplines attempts to extract license plates from an input image, while the latter conceptualized in terms of neural subjects aims to identify the number present in a license plate. Experiments have been conducted for the respective modules. In the experiment on locating license plates, 1088 images taken from various scenes and under different conditions were employed. Of which, 23 images have been failed to locate the license plates present in the images; the license plate location rate of success is 97.9%. In the experiment on identifying license number, 1065 images, from which license plates have been successfully located, were used. Of which, 47 images have been failed to identify the numbers of the license plates located in the images; the identification rate of success is 95.6%. Combining the above two rates, the overall rate of success for our LPR algorithm is 93.7%.     

车牌识别系统的设计与实现

针对某市电子警察的需要设计了车牌识别系统。本方案选用的是基于小波变换的车牌定位和基于改进的BP神经网络的字符识别。用该方法构造的车牌识别系统识别率高、识别速度快、车牌定位准确，在实际运用中取得了良好的运行效果。