基于多颜色模型的车牌定位方法

提出了一种基于多颜色模型的车牌定位方法.首先把输入的RGB彩色图像转化到HSV和YIQ颜色空间,综合这两个颜色空间的信息进行颜色分割去除大量的背景干扰信息,得到了颜色为车牌照的一些区域.然后将颜色分割后的图像灰度化并分块,找出水平差分累加和最大的块确定车牌大致位置在原彩色图中实现车牌的粗定位.最后对粗定位图进行二次颜色分割得到车牌区域的信息利用投影法精确定位出车牌.实验结果表明该方法效果较好.     

多颜色模型和综合特征下的车牌定位新方法

提出了一种基于多颜色模型的车牌定位新方法。该方法在RGB和HSV两种颜色模型中,首先充分利用车牌图像的彩色信息对车牌图像进行颜色分割,将彩色图像转化为多级灰度图,从而确定出车牌所在的可能区域,完成车牌区域的粗定位。然后结合车牌特有的字频统计特征和几何结构特征进行分析和判断,进而精确定位出车牌区域。实验表明该方法定位准确率高,且适用于任意背景、位置和光照下的牌照定位,具有很强的鲁棒性。     

复杂背景中基于纹理和颜色的车牌定位研究

提出一种将车牌纹理和颜色相结合的车牌定位方法,即基于纹理粗定位得到车牌候选区域后,运用改进的自主确定聚类数和聚类中心的RGB空间k-means聚类算法,而不是定义颜色范围来分割车牌。该方法的优越性在于首先利用纹理排除了颜色干扰区域,其次利用颜色聚类去除了纹理干扰区域,又克服了量化定义颜色适应性不强、稳定性差的缺点。实验表明,该方法可以准确定位复杂背景中任意方向和不同光照下的车牌,具有很强的稳定性和鲁棒性。     

基于Log算子边缘检测的车牌定位方法

车牌定位是车牌自动识别系统中的关键技术之一,提出一种基于Log算子边缘检测的车牌精定位方法。首先对彩色车辆图片在多颜色空间内进行色彩分割去除大量的背景干扰信息,然后利用分块的思想实现车牌的粗定位,大大缩小车牌的搜索区域,最后对粗定位图用Log算子检测边缘突出车牌的纹理特征再结合投影的方一法准确定位出车牌。通过对静态车牌图像定位仿真实验和分析表明,该方法对于车牌定位准确率较高。     

基于边缘分析和颜色统计的车牌精确定位新方法*

针对车牌的边界定位不准确和伪车牌较多的问题,提出了一种边缘分析和颜色统计相结合的车牌精确定位的新框架。该框架主要分为预处理、粗定位、精确定位和伪车牌排除四个模块。对图像作边缘检测和二值化等预处理,用投影法粗定位出候选区域,利用候选区域及其周围的边缘和颜色的信息实现车牌的精确定位。对于定位结果有多个候选区域的情况,对候选区域进行排序,再将排序结果按顺序传入字符分割模块,从而有效排除非车牌区域的影响。实验结果表明,该方法精确度和准确率高、实时性强,适用于不同的应用场合。     

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。     

一种基于彩色图像分割的车牌检测方法

提出一种彩色图像车牌检测方法,主要包括三个步骤,首先对车牌图像执行多尺度区域生长分割,然后在分割结果中进行车牌区域的粗定位,最后对粗定位提取的车牌区域作精确定位分析.区域生长分割方法可以产生封闭的区域,容易提取其形状信息,而长矩形是车牌目标一个显著特征,因此可以通过形状信息检测车牌.在图像分割中,采取多尺度的分割方法,生成多个不同细节程度的分割结果.在每个分割图像中搜索具有车牌外形特征的图像区域,初步检测出候选车牌目标.根据车牌字符的大小和笔画特征,对候选车牌区域进行精确判别分析,得到最终的车牌检测结果.实验部分验证了车牌检测的有效性.     

基于HSI空间的车牌字符分割

本文提出了一种基于车牌的HSI颜色空间来识别车牌类型再分别进行切割的方法。本文在HSI颜色空间中利用树形判决结构,对车牌的类型进行判别,再基于投影法和车牌每符规则的分割方法。对车牌图像进行投影分割寻找边界．以定位字符区域。     

基于梯度与形态学的低质量车牌定位

针对低质量车牌的定位问题,提出一种水平梯度信息和数学形态学操作相结合的定位方法。利用自适应梯度图阈值分割算法分割出车牌部分的梯度信息;通过形态学和区域合并操作得到连通的候选区域;结合车牌自身特点进行区域搜索,粗定位出车牌;用扫描线法去除边框,实现车牌的精确定位。实验结果表明,该方法对光线昏暗、噪声严重、车牌区域污损、倾斜等条件下的车牌定位具有较强的鲁棒性,能满足实际交通场景中的车牌定位需求。     

基于单目视觉的车牌快速定位方法

提出了一种基于颜色空间理论和形态学结合的方法。首先对图像进行颜色空间转换,按要求提取出需要的特征颜色区域,再对颜色特征区域进行检测,对边缘进行灰度统计,按一定的比例进行筛选,并利用前方车辆位置变化的特点,对下一次车牌可能出现的区域进行粗定位,利于下一次更快速的定位。应用该算法对100幅车牌图像进行定位,定位准确率达90%,速度均在0.1s内。     

基于混合特征的车牌定位算法

车牌定位技术是汽车牌照自动识别和智能交通系统的用车牌的颜色、纹理和结构几何等多维特征,实现车牌定位.该算法利用车牌的彩色信息进行彩色分割,实现车牌图像的二值化,而后提取边缘增强,在此基础上利用数学形态学方法去噪并去除车牌边框,并利用车牌纹理特征利用投影实现车牌的最终定位.该算法克服了单一特征信息不完备引起的车牌定位误差,实验表明该方法具有较好的车牌定位效果.     

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。     

基于颜色和纹理分析的车牌定位方法

针对复杂背景的车牌定位问题，提出了一种颜色和纹理分析相结合的车牌定位算法。该算法采用基于适合彩色图象相似性比较的HSV颜色模型，首先在颜色空间进行距离和相似度计算；然后对输入图象进行颜色分割，只有满足车牌颜色特性的区域，才进入下一步的处理；最后再利用纹理及结构特征对分割出的颜色区域进行分析和进一步判断，并确定车牌区域。该方法不同于大多数的车牌定位方法，它不仅对车牌的大小、汽车在图象中的位置以及图象背景的限制较少，而且，综合特征定位要比单一特征定位更符合人的视觉要求，因而定位效果更好，应用范围更广。     

基于超像素分割与闪频特征判别的视频火焰检测

视频监控已经成为当今火灾防范的主要方法。视频火焰算法层出不穷,但多为训练各种分类器做最后的分类,这需要提前准备大量相关的视频火焰样本来做训练,在视频火焰样本不够的情况下往往不能达到很高的检测率。本文提出一种基于超像素分割并结合闪频特征进行判断识别的方法。首先在Lab颜色空间上利用超像素分割方法将待检测图像分割出近似均匀的若干个小区域,并以其形心点代表一个超像素,结合RGB颜色空间与Lab颜色空间中的静态特征,根据提出的一定规则提取出火焰候选区域,最终利用此区域内提取的闪频特征判别其是否为火焰。实验证明,该算法在样本较少的情况下检测率较高。     

基于神经网络和综合特征的车牌定位算法

文中提出一种基于神经网络．利用车牌颜色、字符分布特征来提取车牌的算法。与以前的神经网络定位车牌不同的是,本算法是用二值化后每个8-连接对象作为网络的输入。这样可以减少训练样本数目．有针对性地训练噪音。实验证明本算法对于复杂背景的车牌有较好的提取效果,并且有较快的执行速度和较好的鲁棒性。     

基于神经网络和综合特征的车牌定位算法

文中提出一种基于神经网络,利用车牌颜色、字符分布特征来提取车牌的算法.与以前的神经网络定位车牌不同的是,本算法是用二值化后每个8-连接对象作为网络的输人.这样可以减少训练样本数目,有针对性地训练噪音.实验证明本算法对于复杂背景的车牌有较好的提取效果,并且有较快的执行速度和较好的鲁棒性.