基于无线网络车牌识别系统识别算法的研究

字符识别是智能车牌识别系统研究的核心问题,针对有线网络车牌识别系统的缺点,将BP算法应用在基于无线网络的车牌识别系统上,重点讨论了用改进的BP神经网络方法对车牌字符的识别;根据我国最新机动车号牌GA36-2007标准,设计出了用于车牌识别的3个神经网络,用MATLAB完成了对车牌字母部分识别的模拟,采用隐层节点22,动量因子0.8进行训练,最后得出实验结果,达到目标误差小于0.001的要求;证明这种方法应用在基于无线网络车牌识别系统上是高效的.     

基于边缘颜色聚类和神经网络的车牌类型识别

汽车牌照自动识别系统是实现智能化道路车辆监控的基础,而车牌类型的识别率是车牌识别系统中重要的技术指标之一。提出了一种基于聚类和神经网络车牌类型识别算法。首先进行车牌的倾斜校正,其次提取车牌的有效区域,最后应用K-means边缘颜色聚类和两级BP神经网络进行车牌类型的识别。对各种条件下采集的500幅车牌图像进行实验,识别率在99%以上。实验结果表明,该算法对光照变化和噪声具有很好的鲁棒性。     

基于改进的BP神经网络车牌识别的研究

近年来,城市智能交通系统发展的很快,车牌识别系统作为城市智能交通系统中信息采集的一种重要手段,也引起越来越多关注.本文对车牌识别的形态进行深入研究,应用了改进的BP神经网络算法.实验结果显示这个方法可以更高效的识别车牌并且建立一个良好的未来车牌识别技术的基础.     

车牌提取与识别系统的研究与设计

针对现有的车牌识别方法的缺陷,改进了车牌识别系统中的多项关键技术;采用了基于图像二维能量与HSI彩色空间相结合的方法进行车牌定位与提取,并对现有的能量算法与彩色图像分割算法做了改进;在识别过程中,引人了特征提取与多级BP神经网络相结合的分类识别方法,对车牌中部分相似字符采用第二级神经网络进行精细识别;通过上述改进,提高了系统的整体性能;实验表明,这些关键技术的改进可以大大提高车牌识别系统的准确率与鲁棒性.     

车牌识别系统中关键技术的研究

针对现有的车牌识别系统中的多项关键技术做了改进。车牌定位与提取技术采用了基于图像二维能量与HIS彩色空间相结合的方法,并对现有的能量算法与彩色图像分割算法做了改进。在倾斜校正中,给出了一种基于车牌二值图像的密度重心的校正方法;在识别技术中,引入了特征提取与多级BP神经网络算法相结合的分类识别方法,对车牌中部分相似字符采用二级神经网络进行精细识别。实验表明,通过对车牌识别系统中关键技术的改进可以大大提高该系统的鲁棒性与准确率。     

一种基于BP神经网络的车牌字符识别算法

车牌识别系统是智能交通中的一个重要分支,本文针对传统的模板匹配算法存在识别准确率低的问题,提出了一种基于神经网络的车牌字符识别算法。该方法对分割、归一化后的字符进行特征提取获取其特征向量,把这个特征向量送到BP网络中进行训练,可以得到训练好的权值,以此权值对车牌字符进行识别。实验表明,本算法对车牌图像的识别率达90%以上。     

一种基于BP神经网络的车牌字符分类识别方法

目前,车牌字符识别算法主要是基于模板匹配、特征匹配或神经网络的方法。本文根据车牌字符的特殊性,提出一种采用特征提取与BP神经网络学习算法相结合的分类识别技术,选取字符的粗网格特征作为字符的识别特征,以改进后的归一化字符原始特征直接输入到BP神经网络分类器中进行车牌字符识别研究。对于易混淆和相似的字符、汉字笔划粘连、字符偏移现象等都提出了自己的解决方法。实验结果说明,本方法可大幅提高车牌识别系统的正确识别率和抗干扰能力。     

基于DSP嵌入式车牌识别系统的设计与实现

介绍一种基于TMS320DM642嵌入式的可用于电子警察、停车场、收费站等需要进行车牌识别场合的车牌识别系统的结构、硬件设计及软件设计。采用TMS320DM642进行图像采集,根据车牌的跳变特征提取车牌并使用改进的BP神经网络算法对车牌字符进行识别。系统运行稳定、可靠,识别率高。     

改进神经网络算法在车牌识别中的应用

研究现代智能交通管理中的车牌准确识别问题.由于车牌图像存在模糊不清、倾斜,分割后字符图像笔画粗细不均、断续不完整等特殊性,导致传统车牌识别算法识别速度慢、识别正确率低,不能适应车牌识别的实时性要求.为了提高车牌识别正确率,提出一种BP神经网络的车牌识别算法.该算法首先对车牌字符图像进行归一化处理,消除图像中无用信息,然后对车牌字符进行特征提取,消除笔画粗细不均、断续不完整等影响,再将提取车牌字符特征输入到BP神经网络进行学习和识别,并采用动量因子和自适应学习速率对BP神经网络进行改进,加快其收敛速度,从而提高识别的实时性.仿真结果表明,改进用BP神经网络提高了车牌识别正确率和识别速度,缩短了识别时间,适合于实时性强的智能交通管理系统应用.     

基于改进的LM-BP神经网络的车牌字符识别研究

车牌识别是智能交通系统中一个重要的环节,它可以应用到很多领域,如高速公路自动收费、交通监控系统、停车场管理等.提出一种改进的LM-BP神经网络车牌字符识别方法,该方法根据国内现行车牌编制的特点,结合LM算法改进传统BP神经网络,并增加σ参数修正LM-BP算法,避免传统BP神经网络收敛速度缓慢并容易陷入局部极小值的缺点,进行了大量实验,达到了预期的识别效果和收敛速度.     

基于改进BP神经网络的夜间车牌识别算法研究

为了提高夜间条件下车牌识别准确率,提出了一种基于改进BP神经网络的车牌识别算法.为了改善夜间环境下车牌图像的质量和清晰度,在图像预处理过程中采用了图像平滑处理增强技术;利用图像边缘检测技术实现了对图像正确定位,然后通过统计车牌图像白色像素个数的方法对字符分割;在此基础上,使用基于附加动量法和自适应学习速率改进的BP神经网络方法精确识别车牌.实验结果表明,该方法对夜间车牌的分割和识别是有效的.     

汽车牌照定位技术研究

在车牌自动识别系统中,车牌定位的准确度是决定系统性能的关键因素之一。该文提出了一种将彩色图像边缘检测技术与BP神经网络相结合的车牌定位方法。通过选取合适的预处理算法和抽取适当的特征使算法具有很好的准确性、适应性和实时性。     

基于深度学习模型LeNet-5-L的车牌识别算法

针对车牌中汉字识别率低和识别速度慢问题,提出一种基于深度学习的车牌识别网络LeNet-5-L,该网络把车牌识别分为两个阶段,运用OpenCV库函数对车牌图像预处理,结合垂直投影分割方法将车牌分割为7个独立字符图像,降低了图像特征提取难度,从而提高车牌中各个的字符识别率和整个车牌识别速度;运用卷积神经网络解决车牌字符识别问题,基于LeNet-L设计一种车牌字符识别网络LeNet-5-L,有效提高车牌中首字符汉字识别率;实验结果表明,该网络对车牌中各个字符的识别准确率均高于99.97％,单个车牌识别时间仅需0.83 ms,该方法有效的提高车牌识别的正确率和识别速度.     

基于BP人工神经网络的车牌字符识别优化算法

车牌识别是电子警察系统重要的功能模块, 字符识别是车牌识别的关键步骤。目前,BP（Back Propagation）人工神经网络因其优越的性能而广泛应用到车牌识别中,但是BP神经网络在局部极值、假饱和、收敛速度缓慢等方面存在着不足。针对这些局限性,从网络的层数、节点数、动量项、学习因子方面进行分析和改进,构建了一个优化的BP人工神经网络,进行字符识别。仿真结果表明,该优化的识别算法识别准确率高,具有良好的识别性能。     

一种基于GMP-LeNet网络的车牌识别方法

车牌识别技术是智能交通管理系统的核心,对它的研究与开发具有重要的商业前景。传统的车牌字符识别方法存在特征提取复杂的问题,而卷积神经网络作为一种高效识别算法,对处理二维车牌图像具有独特的优越性。针对传统卷积神经网络LeNet-5识别车牌图像时,存在训练数据较少、全连接层参数冗余以及网络严重过拟合等一系列的问题,设计了一种全局中间值池化(GMP-LeNet)网络,其使用卷积层代替全连接层,利用Network In Network网络中的1*1卷积核进行通道降维,全局均值池化层直接将降维后的特征图馈送到输出层。实验证明,GMP-LeNet网络能有效抑制过拟合现象,并具有较快的识别速度和较高的鲁棒性,车牌识别率达到了98.5%。     

基于梯度方向直方图与高斯金字塔的车牌模糊汉字识别方法

针对现有车牌识别方法中对模糊车牌识别率不高的问题,提出一种结合高斯金字塔与梯度方向直方图(HOG)特征的车牌识别算法。利用金字塔模型多尺度表达的方法,首先对车牌模糊汉字图像建立两层高斯金字塔模型,第一层描述了模糊汉字的细节特征,通过对第一层作平滑处理并向下采样得到第二层,在描述模糊图像细节特征的基础上突出主体特征;然后对两层高斯金字塔模型提取HOG特征,拓展图像的特征维数,提高特征对模糊汉字的识别能力;最后采用BP神经网络分类器进行模糊且互为形近字间的汉字分类识别。仿真结果显示,在相同的样本空间下,与HOG特征法、K-L变换法相比,所提算法在识别率方面均有提高,能提高视频监控中对模糊汉字的有效识别率。     

基于量子门神经网络的车牌字符识别

针对车牌字符在车牌图象质量退化时识别率较低以及识别时间较长的问题,提出一种基于量子神经计算的车牌字符识别方法。该方法将通用量子门组作为神经网络的激活函数来实现量子神经计算,同时把字符的粗网格特征作为字符的识别特征进行车牌字符识别。实验结果表明,该方法能有效提高“带噪”车牌的识别率以及抗干扰能力。     

轻量型多尺度注意力融合的车牌检测算法

车牌识别技术在交通管理中发挥着重要作用,其中车牌检测环节对后续识别性能有重大影响。现有的车牌检测系统容易受到外部环境的干扰,在自然场景下的检测性能差。提出一种基于多尺度注意力融合的车牌检测网络模型,利用金字塔网络特征图和CBAM（Convolutional Block Attention Module）注意力结构,提高小目标的检测精度。同时该方法不仅能够准确地检测定位出自然场景下的车牌,还能精确地定位出车牌的4个角点,有利于后续的车牌识别应用。实验中采用数据增强方法对CCPD数据集进行扩增,有效缓解了复杂环境变化对车牌检测造成的影响,增强了模型鲁棒性。通过对模型进行训练和测试,获得了98.05%的平均精确率和98.71%的召回率,优于其他车牌检测方法,并且帧率达到64?frame/s,实时性高。