无需二值化的彩色车牌峰谷分割算法

车辆牌照图形的分割是车牌识别(VLPR)中的关键技术。对于通常采用的基于二值化结果的分割算法,车辆牌照图像的质量往往不佳,二值化后将会产生大量噪声,从而影响车牌分割,使系统整体识别率不高。文中提出了适合于户外流动车辆车牌分割的彩色车牌峰谷分割算法(CLCSA),不需对车牌进行二值化,通过对HIS空间的H分量和RGB空间的B分量适当调整,得到一个峰谷值差异较大的投影图像,从而为车牌正确切分提供了理想的位置。实验结果表明,蓝车牌和黄车牌的正确切分率达到97.5%,明显优于传统的对二值化图像的处理,特别是对于斜车牌和模糊车牌切分效果更加明显,更适用于实际应用。     

基于视频检测和颜色的车辆牌照提取方法

车辆牌照的快速提取是牌照识别技术实用的基础。本文给出了一种利用视频检测方法和车牌彩色信息快速提取车辆牌照的方法。该方法的主要思想是通过设定牌照检测区来检测并获取牌照的预定位区图像,然后选取合适的颜色空间将预定位区彩色图像直接转换为二值图像,再用空间聚类技术进行滤波消噪,最后利用二值图像的水平垂直投影来分割提取车牌区域。     

车牌自动识别方法中的关键技术研究

车辆牌照的自动识别是智能交通系统中一项很重要的技术。针对车牌识别的前期技术，即车牌定位、车牌图像的对比度判断和二值化、字符分割等技术进行了研究并提出了新的处理方法，实验结果表明提出的算法简洁、实时性好、处理正确率高，达到了实用的标准。     

基于小波一形态学的车牌图像分割算法

车辆牌照图像的分割是车牌识别的前提和基础。在车辆自动管理技术日益发展的今天,车牌图像的分割技术倍受瞩目。针对牌照与车身背景的分割问题,提出了基于小波变换和数学形态学方法的车辆牌照阈值分割算法。首先,对车牌图像进行小波去噪,然后利用数学形态学对去噪后的车牌图像进行闽值分割。此方法能够从含有较强噪声的车辆图像中获取车牌图像,通过构造适当的结构元素,可以达到比较理想的提取效果。     

偏暗或泛白背景的车牌图像二值化方法

在车辆牌照识别系统中,由于摄像机畸变、动态范围太窄、车辆牌照被污染等原因,灰度化的车辆牌照图像背景变得模糊,接近于字体的灰度或者动态范围不高,使得前景字体跟背景难以分开。该文采用高帽与低帽形态滤波增强车牌图像中的字体,去除背景对图像的影响,使用基于迭代的图像分块二值化算法进行二值化。实验表明,该算法可有效克服偏暗或泛白背景的影响,二值化效果良好。     

基于颜色特征的车牌定位

汽车牌照的自动定位是智能交通系统中的重要组成环节之一,是实现车牌识别（LPR）系统的一项关键技术。本文利用颜色特征对图像选取合适的二值化算法,并结合一种相对重要性滤波算法筛选车牌候选区域,最后根据牌照的特征对车牌进行准确定位。     

一种基于HSV颜色空间的车辆牌照提取方法

给出了一种根据车牌底的彩色信息，利用HSV颜色空间对输入的含有汽车牌照的彩色图像直接进行处理，从而快速提取车牌照的方法。该方法的主要思想是通过选取合适的彩色空间将输入的彩色图像直接转换为二值图像，再用空问聚类技术进行滤波消噪，最后利用二值图像的水平垂直投影来分割提取车牌区域。     

基于数学形态学边缘检测的车牌字符分割算法

汽车牌照字符分割是车牌识别过程中的关键步骤,直接影响到字符识别的效果。传统的方法对车牌图像质量要求较高,且抗干扰能力较差。提出一种基于Renyi熵和数学形态学边缘检测的车牌字符投影分割算法,首先用二维Renyi熵最大阈值法对车牌图像做二值化处理,然后用形态学腐蚀运算进行边缘检测,再去除车牌边框,最后通过投影分割提取车牌字符。仿真实验表明,基于Renyi熵最大阈值法和数学形态学边缘检测车牌图像预处理使得车牌字符边缘清晰,降低了噪声的干扰,有利于进行字符投影分割。该算法分割速度快,鲁棒性好,可获得比传统方法更好的分割效果。     

基于Gauss消元法的车牌图像变形矫正

车辆牌照识别是智能交通系统的重要组成部分，而车牌图像的分割定位与字符提取是车牌识别系统的关键步骤，定位提取效果直接决定了车牌识别系统的工作效率。斜向拍摄的车牌图像存在着透视变形，该情况下直接进行车牌旋转不能有效地矫正，必须进行变形矫正才能准确地提取出各个牌照字符。文中利用双线性空间映射来矫正变形车牌图像，采用高斯消元法来计算该映射方程组的解，从而较好地解决了车牌透视变形的矫正问题，提高了车牌图像变形矫正的运算精度与速度。     

一种利用颜色信息的车牌字符分割新算法

汽车牌照自动识别系统中由于拍摄得到的字符模糊经常造成分割效果不佳。通常采用的灰度处理方法也丢失了很多颜色信息。本文提出一种基于模糊神经网络的算法，充分利用车牌的颜色信息，根据车牌底色对不同分量进行加强，直接对彩色车牌进行字符分割。实验结果表明，该算法是有效的，尤其是对车牌上汉字的分割效果较以往算法有明显提高。