基于模板匹配和神经网络的车牌字符识别方法

本文提出了一种基于模板匹配和神经网络的车牌识别方法。该方法具有模板匹配识别车辆字符和神经网络识别车牌字符的各自特点，可有效地提高车牌字符识别的识别率，识别速度和识别系统的泛化能力，实验结果表明，该方法车牌字符识别率超过92%，识别时间不超过1200ms，能较好地满足实际系统的要求。     

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。     

车牌自动识别系统的设计与实现

汽车牌照自动识别系统在现代大量交通发展中倍受关注，是制约道路交通智能化、现代化的重要因素。本文基于对车牌自动识别系统中牌照图像预处理、字符分割和字符识别等关键技术的研究，采用改进的BP神经网络模式识别技术，以车牌字符作为识别对象，设计实现了一个车牌自动识别系统。     

一种基于PCA的多模板字符识别

本文提出了一种基于主元分析法(PCA)的多模板字符识别算法.为了进一步提高数字和英文字符识别的鲁棒性,本文首先利用PCA算法把提取到的字符特征降维,再采用K-均值算法把每类字符聚类为多类,使同一类字符有多个模板,最后采用欧式距离实现多模板的匹配.本文将该算法用于巴西车牌字符识别,实验表明,该算法能有效地提高多字体字符的识别正确率,具有较高的实用价值.     

渣土车车牌字符智能识别研究

考虑渣土车车牌的统一黄底且易生锈或遭受沙泥污染等因素,着重研究车牌字符识别中的关键技术问题。首先针对车牌为黄底黑字特点,基于图像颜色信息实现车牌快速粗定位;然后创新性的运用双线性拟合与错切变换相结合的方法,实现基于彩色车牌图像的倾斜校正;接着,采用改进的统计分析方法有效的消除了间隔符、多垂直边框的影响以及"川"字符难以分割的问题,进一步采用模板匹配法实现字符智能识别。最后,实验测试验证了所提方法的有效性。     

车牌自动识别技术研究进展

综合车牌自动识别技术的发展现状,分别从车牌的定位、车牌字符分割和车牌字符识别三个技术方面进行了论述,最后指出车牌自动识别方法应多进行实用化研究方向。     

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。     

基于机器视觉的轮胎胶料表面字符识别

针对目前轮胎胶料表面的5×7点阵喷码字符人工识别存在劳动强度大、效率低、智能化水平低等问题,提出了一种基于机器视觉的轮胎胶料表面字符识别方法,首先利用字符出现区域较为稳定且字符为黑底白字进行快速定位与背景分割、形态学操作消除干扰;然后创新性地运用简化垂直投影法配合字符宽度的阈值限制,并对"1"和"I"与其他字符宽度不同的特殊情况进行处理,实现字符分割;最后,采用基于标准相关匹配的模板匹配方法实现字符识别。实验结果表明,所提方法的字符识别准确率达到99.51%,达到了预期的识别效果。     

基于机器视觉的轮胎胶料表面字符识别

针对目前轮胎胶料表面的5×7点阵喷码字符人工识别存在劳动强度大、效率低、智能化水平低等问题,提出了一种基于机器视觉的轮胎胶料表面字符识别方法,首先利用字符出现区域较为稳定且字符为黑底白字进行快速定位与背景分割、形态学操作消除干扰;然后创新性地运用简化垂直投影法配合字符宽度的阈值限制,并对"1"和"I"与其他字符宽度不同的特殊情况进行处理,实现字符分割;最后,采用基于标准相关匹配的模板匹配方法实现字符识别。实验结果表明,所提方法的字符识别准确率达到99.51%,达到了预期的识别效果。     

基于双向长短期记忆网络的车牌识别算法

针对交通卡口车流量大、光照变化复杂等特点,提出一种新型车牌字符自动识别方法。首先,利用残差法计算出每帧图像的亮度、饱和度、颜色、帧间运动等信息的显著图,然后合成全通道显著图,可有效的适应光照、阴影、遮盖等动态环境,提高算法对于多车道内多车牌的检测覆盖能力。其次,利用双阈值法对图片中车牌的候选区域进行自适应阈值分割,提取图像感兴趣区域(ROI)。基于该ROI区域,搭建双向长短期记忆网络(BLSTM)模型,将车牌内整个字符串作为系统的识别目标,避开字符分割环节,最终在典型测试环境下系统正确识别率达98.58%。     

License Plate Recognition From Still Images and Video Sequences: A Survey

License plate recognition (LPR) algorithms in images or videos are generally composed of the following three processing steps: 1) extraction of a license plate region; 2) segmentation of the plate characters; and 3) recognition of each character. This task is quite challenging due to the diversity of plate formats and the nonuniform outdoor illumination conditions during image acquisition. Therefore, most approaches work only under restricted conditions such as fixed illumination, limited vehicle speed, designated routes, and stationary backgrounds. Numerous techniques have been developed for LPR in still images or video sequences, and the purpose of this paper is to categorize and assess them. Issues such as processing time, computational power, and recognition rate are also addressed, when available. Finally, this paper offers to researchers a link to a public image database to define a common reference point for LPR algorithmic assessment.      

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%.     

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。     

智能交通系统中车牌定位算法

对于智能交通系统(俗称"电子警察")来说,车牌自动识别技术是其中最核心最重要的技术,而从获取的汽车图像中定位车牌区域又是进行车牌识别的先决条件和关键步骤.本文对车牌定位算法进行了较为完整的阐述:首先,根据车辆牌照的自身特点,利用图像处理技术对初始图像进行预处理;然后,采用模糊模板匹配算法对车牌区域进行定位;最后,对发生倾斜的车牌图像使用改进的Hough变换算法进行校正.实验结果表明,该算法可以准确的定位车牌图像,使车牌区域较完整的显现出来.     

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。     

一种改进的神经网络车牌识别算法研究

根据实际应用要求,要求使车牌实时识别系统识别准确率高,提出了一种改进的神经网络车牌识别算法,基于标准的神经网络的识别算法上进行了改进,在标准神经网络算法中增加惯性冲量分批处理的方法进行改进,并通过训练大量样本进行了实验。实验结果表明,改进的神经网络识别算法与未改进的标准神经网络字符识别算法相比其识别率和处理速度有了很大的提高,已在小区停车场应用,达到了应用的要求,证明了改进后的神经网络车牌识别算法与标准神经网络算法相比在实时识别正确率上有了很大提高。