基于Gabor滤波器组的车牌汉字特征提取

提出基于Gabor滤波器组的特征提取新方法.利用汉字图像的统计信息及归一化信息,提出针对车牌汉字的有效的Gabor滤波器组参数优化方法,并设计一组Gabor滤波器用于提取车牌汉字图像中不同中心频率和方位的笔画纹理特征,实现直接对灰度图像的特征提取.实验结果表明,相比传统二值化特征提取方法,采用基于Gabor滤波器组的小波变换提取特征能够获得更良好的识别性能.     

一种新的车牌字符快速识别方法

针对车牌字符图像的特点,在研究各种特征提取方法适用场合的基础上提出了改进的特征提取方法和字符识别方法。对于英文和数字,使用一种基于模板匹配和神经网络的车牌字符识别方法。该方法采用两级识别,第一级采用模板匹配识别差别明显的字符,第二级采用BP神经网络识别第一级不能确定的相似字符。对于汉字采用小波变换和LDA提取特征。该方法利用小波变换的特性最大程度地提取了字符图像的特征信息。实验结果表明此算法具有较高的识别率和较快的识别速度。     

基于Rough集理论的车牌汉字特征提取

车牌首位汉字特征提取和识别是一个难点。传统的车牌汉字的特征提取方法是在具有先验知识的情况下进行的,先验知识的好坏对结果有着非常重要的影响。Rough集,理论上可以从数据集中直接提取特征,不依靠先验知识。先用Rough集理论提取待识别汉字的特征,再用这些特征进行模板匹配。实验结果表明该方法有比较好的识别效果。     

基于Rough集理论的车牌汉字特征提取

车牌首位汉字特征提取和识别是一个难点。传统的车牌汉字的特征提取方法是在具有先验知识的情况下进行的,先验知识的好坏对结果有着非常重要的影响。Rough集,理论上可以从数据集中直接提取特征,不依靠先验知识。先用Rough集理论提取待识别汉字的特征,再用这些特征进行模板匹配。实验结果表明该方法有比较好的识别效果。     

一种有效的提高车牌首字符识别率的方法

针对车牌识别系统中由于低质车牌首字符特征提取困难而导致车牌首字符识别率不高的问题,提出了一种新的车牌汉字特征提取方法。该方法首先对车牌首字符的二值图像进行网格化处理,并对每一块网格区域提取字符笔画所在像素的占空比、散度和质心3个特征分量,接着将提取到的所有的特征向量用支持向量机分类器进行训练,最终可以得到一组鲁棒性很强的分类器。实验结果表明,该特征提取方法与支持向量机分类器结合可以较大地提高车牌首字符的识别率。     

车牌字符特征提取及识别方法研究

在社会经济高速发展的时代,智能交通系统的应用越来越普及。其中,车牌识别已经成为研究的热点。本文提出了一种基于模板匹配的车牌字符识别方法,对车牌中汉字和数字字母的特征提取进行了研究,并根据提取的字符特征利用模板匹配的方法对车牌字符进行识别。实验结果表明,该方法对车牌字符具有良好的识别效果。     

车牌字符多特征提取与BP神经网络的识别算法

在车牌图像字符识别问题的研究中,针对大部分单个特征提取方法在车牌字符识别上的局限性,提出一种车牌字符多特征提取与BP神经网络识别的算法.对车牌字符图像进行预处理后,提取字母和数字字符直线特征,字符笔画点特征,环数特征以及环面积特征,作为字母与数字字符的四类特征.因汉字结构复杂与笔画多,采用13点来提取汉字特征,提取的特征输入到网络进行学习和识别.针对BP神经网络算法的不足,采用附加动量法和自适应学习速率对其改进.MATLAB仿真结果表明改进算法能够有效的提高车牌字符的识别率,识别率达到了98.5％.     

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。     

基于小波变换的车辆牌照定位研究

车辆牌照的准确定位是智能交通中车辆牌照识别技术的关键,提出一种基于小波变换的车牌质心定位方法,该方法可以很好地解决复杂背景与光照下的车牌定位.经过小波分析的车牌图像利用数学形态学进行车牌特征提取,对特征提取后的车牌图像采用连通区域质心的方法对车牌进行定位,最终得到车牌的准确区域.实验结果表明,该方法能够实现车牌的快速准确定位,是一种有效的车牌定位方法.     

BP神经网络在车牌字符识别中的应用研究

研究车牌字符识别问题,针对传统神经网络在车牌字符识别存在识别准确率低、效率低的问题,提出了一种基于改进神经网络的车牌字符识别方法.该方法首先采用Gabor滤波器提取车牌字符的特征,PCA降维处理消除车牌字符特征之间的冗余信息,然后采用改进的神经网络对提取特征进行训练得到最优识别模型,最后利用最优模型对车牌字符进行识别.仿真实验表明,数字及字母的识别准确率达95.0%以上,汉字的识别准确率达93.1%,与传统识别方法相比,识别准确率和识别速度都有了较大的改进,该方法在车牌识别的应用有着广泛的前景.     

一种手写体汉字特征提取新方法—小波变换及弹性网络技术的应用

利用小波分析方法将汉字图象分解为横、撇、竖、捺４个方向的分量，然后结合弹性网络技术，提出了进行了手写体汉字特征提取的一种新方法，实验结果显示此方法是行之有效的。     

有限集手写汉字识别中的笔画分区矩描述特征

提出了一种笔画分区矩特征的提取方法。根据汉字笔画分布特点，利用小波变换将汉字分解为4个方向笔画分量，用分区矩分别描述4个笔画于图像，并采用K—L变换对特征进行降维处理。采用该特征对有限集手写体汉字进行识别，初步实验结果表明该方法十分有效。     

基于小波变换和分形维数的车牌汉字识别

提出一种基于小波变换与分形维数的车牌汉字识别方法.对字符图像进行预处理和小波变换,应用改进的微分盒维法计算图像分形盒维值,并构造特征向量,利用支持向量机分类器对字符进行分类与识别.实验结果表明,该方法对模糊字符的识别具有鲁棒性,可提高汉字识别率.     

一种基于数学形态学的汽车牌照提取算法

定位汽车牌照在车牌识别应用中是很关键的一步。作者提出一种基于数学形态学的新方法,以车牌宽度和高度,车牌字符高度及字间宽距等信息为依据来设计一种新的结构元,通过对汽车边缘图像进行形态学运算,能从图片中得到包含汽车牌照的侯选区域,最后基于汽车牌照纵宽比等固有特征,采用连通域体态分析,对包含车牌的多个侯选区域进行去伪,得到真正车牌区域。通过对大量汽车图片实验,验证了该方法的有效性。     

基于小波矩和主分量分析的车牌字符识别方法

随着物联网技术的发展,车联网的应用日益广泛,从而对车牌字符的识别提出了更高的要求,而字符识别的关键在于特征的提取和选择。提出了一种基于小波矩和主分量分析提取和选择特征向量的方法。该方法首先通过小波矩提取字符的特征,然后通过主分量分析对提取的特征进行选择,最后将特征向量送入BP神经网络进行字符识别。该方法能够很好的反映图像的全局特征和局部特征,并且具有较强的抗干扰能力。实验结果表明,该方法可以得到较好的识别效果。     

Multi-resolution approach to human activity recognition in video sequence based on combination of complex wavelet transform,Local Binary Pattern and Zernike moment

Human activity recognition is a challenging problem of computer vision and it has different emerging applications. The task of recognizing human activities from video sequence exhibits more challenges because of its highly variable nature and requirement of real time processing of data. This paper proposes a combination of features in a multiresolution framework for human activity recognition. We exploit multiresolution analysis through Daubechies complex wavelet transform (DCxWT). We combine Local binary pattern (LBP) with Zernike moment (ZM) at multiple resolutions of Daubechies complex wavelet decomposition. First, LBP coefficients of DCxWT coefficients of image frames are computed to extract texture features of image, then ZM of these LBP coefficients are computed to extract the shape feature from texture feature for construction of final feature vector. The Multi-class support vector machine classifier is used for classifying the recognized human activities. The proposed method has been tested on various standard publicly available datasets. The experimental results demonstrate that the proposed method works well for multiview human activities as well as performs better than some of the other state-of-the-art methods in terms of different quantitative performance measures.