基于HSV颜色空间和SVM的车牌提取算法

为了克服HSV算法在车牌提取中存在与车牌颜色相近的类似车牌区域的干扰,提出一种基于HSV颜色空间和 SVM 相结合的车牌提取算法,该方法能够较好的对多种车牌实现精确定位与提取。首先根据字符的边界特征和HSV颜色空间分别对蓝色和黄色车牌进行粗定位,获得几个车牌候选区;然后使用训练好的SVM分类器进行字符与非字符分类;最后根据车牌特征实现定位与提取。实验表明,该方法取得了良好的效果。     

基于嵌入式Linux和OpenCV的车牌定位方法

针对光照不均匀图像中的车牌定位问题,提出一种基于嵌入式Linux和OpenCV的车牌定位方法。根据车牌特征,分别在HSV和RGB颜色空间对原始图像做直方图均衡化、二值化等预处理,得到两幅二值图像;根据字符跳变规律,在HSV颜色空间得到的二值图像中定位含有车牌的候选区域,在RGB颜色空间得到的二值图像中逐个提取候选区域并进一步确定车牌边界,从而提取车牌。实验结果表明,该方法能够对复杂背景和光照不均匀时的车牌图像做准确定位,在抗干扰性和灵活性两个方面性能均有显著提高,具有一定实用价值。     

复杂背景下的混合特征车牌定位方法

针对各种复杂背景的车牌定位问题,提出一种复杂背景下基于车牌混合特征的车牌定位算法。首先对彩色图像进行预处理,并利用基于边缘检测方法进行二值化;然后结合横向数学形态学运算和车牌几何形状特征,提取出矩形车牌候选区域;最后根据车牌颜色特征在HIS空间下结合垂直和水平投影对车牌区域进行精确定位。实验表明,该算法适用于任意大小、位置和背景环境下的车牌定位,能有效解决仅仅依靠纹理信息或颜色信息车牌定位率低的问题,具有较强的鲁棒性。     

基于边缘检测和颜色纹理直方图的车牌定位方法

针对已有车牌定位算法在分辨率高、背景复杂图像上存在准确率下降的问题,提出了一种基于边缘检测和颜色纹理直方图的车牌定位算法。该定位算法分为两个阶段：首先利用结合了Canny和Sobel算法的改进边缘检测算法提取图像的垂直边缘,并结合滤波、投影等方法进行车牌粗定位;然后提取候选区域的颜色纹理直方图,与训练好的分类器进行匹配,实现车牌的精确定位。实验表明,该方法对于背景复杂、光照不均等情况均有良好的鲁棒性,在白天和晚上都能取得较好的定位效果。     

图像相似性改进算法

针对图像相似性度量问题,提出一种图像相似性改进算法。首先,分别得到源图像和候选图像的三个向量,包括HSV颜色空间H分量的颜色直方图向量、尺度不变特征转换（SIFT）算法局部特征向量以及图像颜色矩向量;然后,采用向量拼接的方法融合上述三个向量,借助主成分分析对融合后的向量降维,生成新的特征向量;最后,计算源图像和候选图像特征向量之间的欧氏距离,进行特征点匹配和图像相似度计算。实验结果表明,所提算法不仅提高了颜色直方图算法对于颜色分布接近图像的识别精度,而且减少了SIFT算法对于平坦区域较多图像的误判,平均查准率较颜色直方图算法和SIFT算法分别提高了23.8和9.6个百分点。所提算法能够有效提高识别图像相似性的准确度,判别结果更符合人眼观察结果。     

图像相似性改进算法

针对图像相似性度量问题,提出一种图像相似性改进算法。首先,分别得到源图像和候选图像的三个向量,包括HSV颜色空间H分量的颜色直方图向量、尺度不变特征转换（SIFT）算法局部特征向量以及图像颜色矩向量;然后,采用向量拼接的方法融合上述三个向量,借助主成分分析对融合后的向量降维,生成新的特征向量;最后,计算源图像和候选图像特征向量之间的欧氏距离,进行特征点匹配和图像相似度计算。实验结果表明,所提算法不仅提高了颜色直方图算法对于颜色分布接近图像的识别精度,而且减少了SIFT算法对于平坦区域较多图像的误判,平均查准率较颜色直方图算法和SIFT算法分别提高了23.8和9.6个百分点。所提算法能够有效提高识别图像相似性的准确度,判别结果更符合人眼观察结果。     

利用伴生与互补颜色特征的车牌定位新方法

车牌定位是车牌识别系统的关键技术,车牌定位的准确与否直接影响车牌识别的结果。车牌区域的颜色特征是车牌的重要信息,针对车牌区域的颜色特征,论文提出了一套利用车牌区域的伴生与互补特征进行定位的算法。该算法利用车牌区域的颜色特征,快速定位到与车牌颜色有关的区域;然后利用车牌区域伴生与互补特性快速去除具有与车牌区域相同颜色的其他非车牌区域;最后使用投影积分进行车牌的精确定位。通过对200幅从交通卡口获取的真实的彩色图像进行试验,准确定位率为98%。     

AdaBoost车牌检测算法的优化与实现

车牌自动定位是车牌识别中的关键环节。针对现有车牌定位方法中准确性及实时性不足的情况,文中提出了一种利用车牌自身颜色特征运用级联AdaBoost进行车牌自动定位的优化算法。该方法首先利用车牌自身颜色特征,在HSV色彩模型中进行颜色分割,获取车牌候选区域,然后在候选区域基础上采用级联AdaBoost进行车牌准确定位。通过采集不同场景、不同时间的500幅实际汽车图像数据进行实验,实验结果表明该方法具有快速、准确性高等特点,能达到较好的检测效果。     

基于车牌色彩变化特征的车牌定位方法*

针对复杂背景下的车牌定位问题,提出了一种基于车牌色彩变化特征的车牌定位方法。该定位方法将RGB彩色空间中的车牌图像转换到HSV彩色空间中进行颜色识别,分割出车牌底色及字符颜色相对应的颜色区域,同时通过边缘提取、二值化处理、与运算找到对应颜色边缘特征点,最后经纹理分析来定位车牌。     

基于纹理和颜色的模糊车牌的增强与定位

针对汽车牌照自动识别系统中图像效果差的问题,本文提出了一种基于盲解卷积的增强算法,并给出了一种纹理和颜色分析相结合的车牌定位方法.该方法利用车牌字符具有明显竖直纹理的特征,经边缘检测获取垂直边缘图,结合形态学及车牌固有特征,确定疑似牌照区域;同时在HSV颜色空间进行颜色分割,提取出满足车牌颜色特性的区域.实验结果表明,在车牌图像失真的情况下,该方法能够快速有效地实现图像恢复和车牌定位.     

融合颜色词袋特征的视觉词汇树图像检索

针对由图像灰度空间产生的传统词袋模型SIFT特征无法体现图像的颜色信息的问题,提出了一种融合颜色特征的视觉词汇树来对图像进行描述。提取SIFT特征并建立词汇树,获取图像的SIFT表示向量。利用K-means方法对图像库中的所有图像的HSV值进行聚类,获得基于HSV空间的颜色词袋表示向量,避免了传统颜色直方图方法所带来的量化误差。将SIFT特征与颜色词袋特征进行融合,完成了图像的全局特征和局部特征的融合。然后,计算融合特征的相似度,将相似度从高到低排序,完成图像检索。为了验证本方法的有效性,选择Corel图像库对算法性能进行实验分析,从主观评价和客观评价标准分别进行评价,并与传统方法进行了对比。结果表明,特征融合的检索性能与单一特征方法相比有较大提高。特征融合方法的平均检索查准率和查全率-查准率等评价指标,对比传统方法均有不同程度提高。     

基于神经网络和颜色特征的车牌字符分割方法

论文提出了一种基于神经网络和颜色特征的车牌字符分割方法。在颜色空间中利用树型判决结构,首先由亮度信息识别出车牌区域中的白色、黑色像素,然后利用网络对车牌区域中的蓝、红、黄色以及其他颜色进行识别。根据车牌的颜色特征,在判断出车牌的类型后,对车牌区域进行二值化处理。去除车牌边框和柳钉后,综合利用投影法和字符的连通性来分割车牌字符。实验结果表明,该方法是有效的。     

基于GMS和改进最佳缝合线的视差图像拼接算法

针对视差图像拼接时,拼接图像存在鬼影、亮度不均匀等问题,本文提出一种基于网格运动统计（Grid-based Motion Statistics, GMS）和改进最佳缝合线的视差图像拼接算法。算法首先利用快速特征点提取和描述（Oriented FAST and Rotated BRIEF, ORB）算法提取特征点,并采用GMS算法筛除误匹配点;然后引入HSV颜色空间和图像梯度差改进能量函数,避免缝合线穿过图像边缘;最后基于图切割法求取最佳缝合线,进行图像的梯度融合拼接。仿真实验结果表明,在图像存在较大视差的情况下,本文算法特征点匹配正确率较基于尺度特征不变（Scale Invariant Feature Transform, SIFT）算法和基于加速稳健性特征（Speeded Up Robust Features, SURF）算法最低和最高提高了2.01倍和4.73倍,图像自然度平均提高了22.6%,且拼接的图像亮度均匀、无透视畸变。     

基于局部特征过滤的快速火焰图像识别方法

传统的基于物理信号的火焰识别方法易被外部环境干扰,且现有火焰图像特征提取方法对于火焰和场景的区分度较低,从而导致火焰种类或场景改变时识别精度降低。针对这一问题,提出一种基于局部特征过滤和极限学习机的快速火焰识别方法,将颜色空间信息引入尺度不变特征变换（SIFT）算法。首先,将视频文件转化成帧图像,利用SIFT算法对所有图像提取特征描述符;其次,通过火焰在颜色空间上的信息特性进一步过滤局部噪声特征点,并借助关键点词袋（BOK）方法,将特征描述符转换成对应的特征向量;最后放入极限学习机进行训练,从而快速得到火焰识别模型。在火焰公开数据集及真实火灾场景图像进行的实验结果表明：所提方法对不同场景和火焰类型均具有较高的识别率和较快的检测速度,实验识别精度达97%以上;对于包含4301张图片数据的测试集,模型识别时间仅需2.19 s;与基于信息熵、纹理特征、火焰蔓延率的支持向量机模型,基于SIFT、火焰颜色空间特性的支持向量机模型,基于SIFT的极限学习机模型三种方法相比,所提方法在测试集精度、模型构建时间上均占有优势。     

基于边缘颜色对的车牌定位新方法

车牌定位是车牌自动识别系统中的一个关键问题．该文提出了一种新的基于边缘颜色对的车牌定位方法．首先进行彩色边缘检测，然后以每一边缘点为中心，垂直于边缘方向取一线形窗口，在窗口内检测边缘点两侧像素的颜色是否分别匹配车牌的底色与字符颜色，若是，则保留为候选车牌边缘点；然后进行形态滤波，剥离不符合车牌结构特征的区域，最后对候选车牌区域进行纹理特征的分析以确定真实车牌区域．该方法抓住了车牌背景与字符具有固定颜色搭配的重要特点，综合利用了车牌的结构特征和纹理特征，提高了车牌定位的可靠性．对各种条件下拍摄的163幅含有车牌的图像应用该算法，定位准确率达到98．2％。     

基于感兴趣区域特征提取技术的情感语义研究

提出一种基于感兴趣区域特征提取技术的图像情感语义识别模型.着重论述了感兴趣区域的获取、感兴趣区域与非感兴趣区域权重的确定、从RGB颜色空间到HSV颜色空间的转换算法、加权颜色直方图的统计算法以及最终情感聚类的方法.仿真实验结果表明,该模型所实现的底层特征到高层情感语义映射准确率比传统的颜色特征提取技术的图像情感语义识别模型有很大的提高.     

基于时序上下文的视频场景分类

以传统的词袋模型为基础,根据相邻镜头关键帧之间具有相关性的特点提出了一种用于视频场景分类的模型。将视频片段进行分割,提取关键帧,对关键帧图像归一化。将关键帧图像作为图像块以时序关系合成新图像,提取新图像的SIFT特征及HSV颜色特征,将图像的SIFT特征及HSV颜色特征数据映射到希尔伯特空间。通过多核学习,选取合适的核函数组对每个图像进行训练,得到分类模型。通过对多种视频进行实验,实验结果表明,该方法在视频场景分类中能取得很好的效果。     

基于车牌底色识别的车牌定位方法

提出了结合汽车车牌纹理特征分析和颜色特征分析实现车牌定位的方法。以往的车牌定位技术主要是利用了车牌的纹理特征和形状特征，该文提出的方法是先进行纹理分析和形状分析，再进行色彩分析，从而尽可能多地利用车牌模式识别空间中的各种条件。得到边缘清晰整齐的尽可能小的车牌区域。这种方法明显地克服了单用纹理和形状分析时难以解决的车牌区域变大的问题。