车牌识别技术研究

利用图像处理技术以及神经网络技术对汽车牌照自动识别系统进行研究.在所摄的含有车牌的汽车照片中,先获取车牌位置,再把车牌的各个字符分割,提取出各个字符的特征,再利用BP神经网络进行识别,从而获取车牌号码.     

一种新的车牌字符图像的提取方法

在车牌自动识别（LPR）系统中，从车牌图像中正确获得各字符有效信息的图像尤为关键。传统的车牌字符提取方法适应性不强，当不能拍摄车牌正面时获取的车牌图像存在着变形的问题，从而无法从中正确提取出字符。针对此问题，设计了一种基于Radon变换与最大全零列判决法相结合的车牌图像矫正算法来矫正车牌图像，再根据车牌字符分布特点使用了边界投影确定各个字符的边界，对车牌字符进行分割提取。实验证明，此方法能从各种情况下拍摄的车牌中准确分割出单个字符图像，并且计算量较小。     

An Approach based on Connected Components Analysis for Vehicle License Plate Location

复杂背景中车牌定位技术,是车牌识别过程中的技术难点,提出了一种基于连通域分析的车牌定位方法.该方法通过边缘检测方法进行车牌粗定位,再对粗定位图像进行连通域标记,然后利用级联分类器筛选车牌字符连通域,最后结合车牌模板确定车牌位置.实验表明,该方法定位车牌的准确率高,能够适用于国内现行的多种规格民用汽车牌照的定位.     

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.     

基于脉冲神经网络的车牌提取算法

在车牌识别系统中,主要包括车牌提取、字符分割和字符识别,其中车牌提取是非常关键的技术之一,是否精确提取车牌直接影响后阶段车牌图像处理的质量和处理速度、字符识别的精度和速度。本文提出基于脉冲神经网络的车牌提取算法。该算法主要分为两个部分:粗定位和精确定位。首先基于脉冲神经网络对车牌图像进行颜色特征提取,初步定位车牌区域;然后进行图像处理,此过程也是利用SNN进行边缘检测,能得到更好的车牌边缘图。此算法具有较高的定位率,能对各种底色车牌进行定位,有利于后面的字符分割和识别。     

基于投影和固有特征结合的车牌字符分割方法

根据车牌字符的固有特征,提出一种新的基于投影的车牌字符分割方法.该方法首先对车牌图像进行预处理,检测车牌倾斜角度,如果倾斜角大于指定角度则进行车牌倾斜校正,然后利用车牌的水平方向投影去除车牌的上下边框以及铆钉,对处理得到的图像进行二值化.再根据车牌字符的排列规则和字符间距的关系,利用车牌的垂直投影定位字符,先分割出第二个和第三个字符,从第三个字符开始分割出后五个字符,再利用已分割字符的知识来分割前两个字符,然后对分割出来的候选字符块进行处理,有效解决字符粘连和断裂的情况,最终实现车牌字符的准确分割.实验结果证明,该方法有较好的分割效果.     

基于OpenCV与SVM的车牌识别方法

为了提高车牌识别效率,论文提出了一种基于OpenCV与SVM的车牌识别方法.用Canny算子获取图像边缘轮廓信息,基于SURF算法对车牌进行特征提取,并结合HSV颜色空间来定位车牌位置;基于垂直投影方法来提取车牌字符特征,再利用SVM算法实现对车牌字符的识别.该方法利用计算机视觉库OpenCV实现,利用OpenCV封装的SURF算法和SVM算法实现车牌识别,实验表明,该方法有较高的识别效率.     

基于改进BP神经网络的车牌识别算法

车牌识别是智能交通系统的一项关键技术,可以有效实现车辆信息的获取.针对车牌图像的倾斜、模糊等干扰导致的识别错误,本文通过Radon变换算法实现车牌定位矫正,通过引入附加动量项以及自适应学习因子,改进BP神经网络,提高了字符的识别准确率.对102张拍摄距离较远或存在车牌倾斜等干扰的汽车图像进行车牌识别,识别准确率达到95%,表明本文算法具有较好的识别准确率与抗干扰性.     

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SVM与ANN神经网络的车牌识别系统

由于车牌识别系统中车牌位置精确定位难和车牌中字符识别率低等问题。本文提出了一种基于SVM与ANN神经网络的车牌识别算法。通过Soble边缘检测算法与形态学算法相结合来确定大致的车牌轮廓,结合车牌的外接矩形的面积与长宽比来筛选出符合车牌特征的候选区域,再利用SVM分类器来判断检测到的区域中是否是车牌,来最终筛选出是车牌的区域。对于筛选出的车牌利用ANN神经网络进行车牌字符的识别。经验证,该车牌识别系统能够适用于比较复杂的环境,且识别速度快,准确率相对较高。     

一种新的车牌定位与倾斜校正方法

为了在不同条件下对车牌进行定位与倾斜校正,提出了一种基于字符特征匹配的车牌定位与倾斜校正方法。该方法考虑到我国车牌首位字符为汉字的显著特征,利用标准车牌汉字库,采用特征匹配对车牌中的汉字进行定位。由于汉字在我国车牌中的位置严格固定,因此,对汉字的成功定位,也就实现了对整个车牌的定位与倾斜校正。对不同背景、不同光照条件下的车牌进行大量实验,结果表明该方法能够准确地进行车牌定位与倾斜校正,具有良好的鲁棒性。     

ICA和改进的SVM在有限集字符识别中的应用

介绍了独立分量分析(ICA)基本原理和算法，提出了一种基于独立分量分析和支持向量机的有限集字符识别新方法。对传统向量机解决多分类问题的“一对一”模式进行了改进，将传统向量机的“一对一”模式存在的不可分区域减小到可以忽略的程度，克服了不可分区域的影响。该算法可应用于车牌字符、手写体英文字母、手写体数字、印刷体字母、印刷体数字等有限集字符的识别。在大量的车牌汉字和手写体英文字母自动识别实验中，取得了高于95%的识别结果，证明该算法在有限集字符识别应用中的优越性。     

一种基于字符分割与字符识别的LPR方法

对车牌识别(LPR)系统中字符分割与字符识别方法进行探讨.根据车牌字符的特点,首先利用投影法采用水平扫描和垂直扫描进行字符分割,接着对字符图像进行归一化处理,实现对字符的完全分割.在此基础上,利用BP神经网络识别算法实现车牌字符的识别,从而提高系统的识别速度和识别率.数字仿真的识别结果验证了该方法的正确性和有效性.     

基于局部投影方差的快速车牌校正方法

车牌倾斜与错切校正作为车牌识别的重要环节,虽已提出不少方法,但仍存在准确度低、效率低等不足。鉴于现有方法的不足提出一种高效的车牌倾斜与错切校正方法。首先,根据车牌图像的投影方差存在着明显的局部性规律,提取车牌的局部特征图像用于角度检测。并提出一种基于坐标旋转的最大投影方差获取方法,快速得到车牌水平倾斜角度和垂直错切角度。此外,针对字符本身的结构对于垂直错切角度检测的影响,提出相应的解决策略。最终使用3000张情况各异的车牌进行实验。实验结果表明,在正确率比现有传统方法略高的情况下,算法效率也得到大幅提升。     

基于小波变换和神经网络的车牌识别系统

介绍了通过小波变换在复杂背景下对车辆图像进行去噪和对车辆牌照进行定位，并利用BP网络结合线性感知器来对车牌字符进行分类和识别。实验结果表明，该文提出的设计方案，算法简单、实时性好、识别率高，可适用于复杂背景环境中的车牌识别。     

汽车牌照号码识别中反色判断的新方法

根据彩色车牌的颜色特征和车牌的灰度图的几何特征，提出了一种将车牌灰度图颜色统一转换成黑底白字(或者白底黑字)的新方法。     

基于四旋翼无人机的车辆自主抄牌

针对传统车辆抄牌效率低的问题,提出一种基于四旋翼无人机的车辆自主抄牌方法。使用无人机采集大量车辆俯视图样本,对图像进行预处理和下采样,然后提取车辆图像的梯度直方图特征,将图像特征输入到卷积神经网络中,训练出车辆识别模型,最后使用模型识别车辆;根据车辆的形状特征估计车辆姿态;根据车辆的位姿信息计算无人机抄牌的位置和角度;搭建无人机实验平台测试无人机自主抄牌系统。实验结果表明无人机可以自主拍摄到清晰的车牌图像,实现了车辆抄牌的自动化。     

基于神经网络和支持矢量机的多机动车车牌在线检测方法

针对道路交通多车牌识别问题, 提出了一种快速鲁棒的多车牌检测识别方法, 包括多车牌检测和车牌字符识别两部分:构造BP (Back-Propagation)神经网络模型用于颜色识别, 结合图像形态学运算方法, 筛选候选车牌目标, 基于支持矢量机从候选车牌目标中判别真正的车牌目标; 通过轮廓尺寸判断, 并结合车牌尺寸特征, 依次分割提取城市代码字符块、省份代码字符块及5位机动车编码字符块, 最后基于BP神经网络识别字符块内容.基于上述原理, 开发了鲁棒的多机动车车牌自动检测识别系统, 并在真实场景中进行了实验测试, 结果表明: 1)车辆在正常速度行驶条件下, 系统依然可以保证90%以上的车牌检测识别正确率; 2)系统可实现同时多车牌检测识别; 3)文中实验硬件配置下, 系统单幅图像检测识别平均时间低于130 ms, 处理频率约8 Hz.     

一种基于机器学习的车牌识别系统的设计

以车牌识别的实用性为目的,设计一种鲁棒的车牌识别系统。首先提出了Sobel-Color算法,以Sobel边缘和颜色两种特征进行车牌定位,并结合MSER算法,设计了一种可靠的车牌定位方法来获取候选车牌区域,然后采用SVM算法对候选车牌区域进行车牌判断;最后根据车牌特征设计了一种车牌字符分割算法,能正确分割车牌的各个字符,并有效地去除车牌边缘部分的虚假字符,又根据分割出的车牌字符特征对LeNet-5深度网络模型进行改进,然后采用改进的LeNet-5网络对车牌字符进行识别。对设计的车牌识别系统进行了正常条件测试、恶劣条件测试以及效率测试等实验,实验结果表明设计的车牌定位和车牌判断方法具有较高的可靠性,车牌字符识别具有较高的准确率,因而设计的车牌识别系统具有较好的鲁棒性和实用性。     

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。