基于多特征和加权模式相似陛测度的车牌字符识别方法

针对嵌入式环境下车牌识别的问题,本文提出了一种基于多特征和加权模式相似性测度的车牌字符识别方法。首先获取车牌字符的结构、轮廓与笔划等多特征信息,建立车牌字符编码表;然后利用加权模式相似性测度进行特征匹配,完成字符识别。该方法不需要样本和模板,占用资源少,运算效率高,可以满足嵌入式环境下车牌识别对资源和效
效率的要求。实验表明,该方法鲁棒性好、识别率高。     

基于模板匹配和神经网络的车牌字符识别方法

本文提出了一种基于模板匹配和神经网络的车牌识别方法.该方法集成了模板匹配识别车牌字符和神经网络识别车牌字符的各自优势.对于字符可单独分割出来的一类车牌,本文提出了一种改进的神经网络来进行字符识别;对于字符不可分割或分割困难的另一类车牌,本文提出了一种基于四灰度加权相似函数模板匹配方法来识别字符.从而克服了单一方法很难同时识别这两类车牌中的字符的不足,同时可有效地提高车牌字符识别的识别率、识别速度或识别系统的泛化能力.实验结果表明:大多数情况下,该方法车牌字符识别率超过90%,识别时间不超过1 200毫秒,能更有效识别各种车牌中的字符,能更好地满足实际系统的要求.     

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.     

局部HOG和分层LBP特征融合的车牌字符识别

针对车牌字符识别中模板匹配法识别率低,尤其是无法准确识别相似字符的不足,提出了一种局部HOG和分层LBP特征融合的车牌字符识别方法. 首先利用模板匹配法对车牌所有字符进行初步识别,然后利用HOG算子提取车牌和模板相似字符中最具区分度的一小块边缘特征,接着利用LBP算子提取原始车牌和模板相似字符中相同区域块的分层纹理特征,将两种特征串行融合构建串行特征向量,最后根据特征向量之间的卡方距离来度量车牌字符和模板字符的相似性,进而完成二次识别. 通过实验比较了11种算法的识别性能,结果表明本文方法有效地解决了相似字符误识别的问题,在保证识别速率的同时识别率显著提高,达到99.52%.     

基于Trace变换和支持向量机的车牌字符识别新方法

为了提高车牌上的字符识别准确率,提出一种结合Trace变换和支撑矢量机（SVM）的字符识别方法.在字符识别方面,以Trace变换方法提取字符特征,并运用支持向量机对字符进行模式分类.将算法应用到实际的车牌字符识别中,识别结果表明,这种方法在提高识别速度的同时,有效提高了字符的识别精度.     

基于SIFT特征匹配的车牌识别方法

针对智能交通系统中基于视觉的车牌识别中存在的依赖于光学字符识别以及在复杂环境下准确率低的问题,提出了基于SIFT特征匹配的车牌识别方法。通过基于插值的超分辨率图像重建方法对车牌图像进行预处理,基于轮廓特征对车牌进行定位,通过SIFT特征匹配的方式,利用模板库中的车牌字符模板对车牌进行定位验证以及字符识别。实验结果表明该方法能有效提高车牌识别的效率。     

基于量子门神经网络的车牌字符识别

针对车牌字符在车牌图象质量退化时识别率较低以及识别时间较长的问题,提出一种基于量子神经计算的车牌字符识别方法。该方法将通用量子门组作为神经网络的激活函数来实现量子神经计算,同时把字符的粗网格特征作为字符的识别特征进行车牌字符识别。实验结果表明,该方法能有效提高“带噪”车牌的识别率以及抗干扰能力。     

基于模板匹配和局部HOG特征的车牌识别算法

针对车牌字符识别中模板匹配法识别率低,尤其是无法准确识别相似字符的不足,本文提出了一种模板匹配法结合局部HOG特征的车牌识别算法.首先利用模板匹配法对车牌所有字符进行初步识别,然后分别提取车牌和模板相似字符中最具区分度的一小块HOG特征进而构建特征向量,最后根据特征向量之间的欧氏距离来度量车牌字符和模板字符的相似性,进而完成二次识别.实验结果表明,本文方法有效地解决了相似字符误识别的问题,在保证识别速率的同时识别率显著提高.     

基于可变形卷积和自适应二维位置编码的鲁棒车牌识别方法

车牌识别是智能交通系统中的关键步骤,为提高在非可控和复杂场景下车牌的识别精度,提出了一种鲁棒车牌识别方法,该方法主要包括车牌检测和车牌字符识别2个核心部分。首先,采用YOLOv5网络实现车牌的检测;其次,基于递归卷积神经网络框架,提出了一种基于可变形卷积和自适应二维位置编码(A2DPE)的车牌字符识别方法。该方法针对车牌大小、倾斜角度和光照条件等动态变化的特点,采用了可变形卷积来更好地提取车牌字符的特征,并引入了A2DPE模块,根据输入自适应地获取车牌字符位置编码信息。最后,利用双向长短期记忆网络进行车牌字符的识别,无须分割车牌字符,可以实现不同长度车牌字符的准确识别。在自建数据集LPdata与公开数据集CLPD上的实验结果表明,与现有方法相比,该方法能够以较低的模型复杂度达到较高的准确率。     

基于支持向量机的车牌字符识别研究与应用

提出了一种基于支持向量机的车牌字符识别方法。该方法首先对车牌图像进行预处理,对车牌字符样本进行特征提取,然后用提取的特征训练支持向量机分类器。使用MATLAB R2007b和UBSVM工具箱完成了车牌字符识别的模拟。实验结果表明,该方法对车牌字符识别有一定准确性。具有良好的识别效果。     

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。     

基于多层感知机模型的车牌识别技术

车牌识别是对实时图像中的车牌区域进行感知和截取,进行光学字符识别的过程。针对人工检测效率低的弊端,设计了一种应用于Android移动平台的车牌识别检测系统,利用OpenCV视觉开发库进行二次开发,使用支持向量机对图像进行判断,截取有效车牌区,并使用人工神经网络中的多层感知机模型实现字符的识别。测试结果表明,该系统检测速度快,准确性能高,对硬件设备要求低,实现了在移动环境下对车牌信息的有效检测和采集。     

基于深度学习的含堆叠字符的车牌识别算法

车牌识别是构建智慧城市交通系统的重要技术,当前车牌识别系统对于单行车牌已经达到了较好的识别和应用效果,但无法满足对包含堆叠字符的车牌的识别需求。针对该问题,提出了一种基于深度学习且不依赖于字符分割的方法以识别含堆叠字符的车牌。首先对倾斜、扭曲的车牌进行投影矫正;然后使用MobileNet-SSD算法检测定位车牌中的单排字符和堆叠字符;之后将堆叠字符送入基于CTC损失的堆叠字符识别网络,进行非字符分割的端到端识别。实验结果表明,该算法不仅对含堆叠字符的车牌具有较高的识别精度,同时对倾斜、扭曲等复杂环境下的车牌具有鲁棒性,极大提高了车牌识别系统的通用性。     

结合GAN的轻量级模糊车牌识别算法

目的 模糊车牌识别是车牌识别领域的难题,针对模糊车牌图像收集困难、车牌识别算法模型太大、不适用于移动或嵌入式设备等不足,本文提出了一种轻量级的模糊车牌识别方法,使用深度卷积生成对抗网络生成模糊车牌图像,用于解决现实场景中模糊车牌难以收集的问题,在提升算法识别准确性的同时提升了部署泛化能力。方法 该算法主要包含两部分,即基于优化卷积生成对抗网络的模糊车牌图像生成和基于深度可分离卷积网络与双向长短时记忆（long short-term memory,LSTM）的轻量级车牌识别。首先,使用Wasserstein距离优化卷积生成对抗网络的损失函数,提高生成车牌图像的多样性和稳定性;其次,在卷积循环神经网络的基础上,结合深度可分离卷积设计了一个轻量级的车牌识别模型,深度可分离卷积网络在减少识别算法计算量的同时,能对训练样本进行有效的特征学习,将特征图转换为特征序列后输入到双向LSTM网络中,进行序列学习与标注。结果 实验表明,增加生成对抗网络生成的车牌图像,能有效提高本文算法、传统车牌识别和基于深度学习的车牌识别方法的识别率,为进一步提高各类算法的识别率提供了一种可行方案。结合深度可分离卷积的轻量级车牌识别模型,识别率与基于标准循环卷积神经网络（convolutional recurrent neural network,CRNN）的车牌识别方法经本文生成图像提高后的识别率相当,但在模型的大小和识别速度上都优于标准的CRNN模型,本文算法的模型大小为45 MB,识别速度为12.5帧/s,标准CRNN模型大小是82 MB,识别速度只有7帧/s。结论 使用生成对抗网络生成图像,可有效解决模糊车牌图像样本不足的问题;结合深度可分离卷积的轻量级车牌识别模型,具有良好的识别准确性和较好的部署泛化能力。     

轻量型多尺度注意力融合的车牌检测算法

车牌识别技术在交通管理中发挥着重要作用,其中车牌检测环节对后续识别性能有重大影响。现有的车牌检测系统容易受到外部环境的干扰,在自然场景下的检测性能差。提出一种基于多尺度注意力融合的车牌检测网络模型,利用金字塔网络特征图和CBAM（Convolutional Block Attention Module）注意力结构,提高小目标的检测精度。同时该方法不仅能够准确地检测定位出自然场景下的车牌,还能精确地定位出车牌的4个角点,有利于后续的车牌识别应用。实验中采用数据增强方法对CCPD数据集进行扩增,有效缓解了复杂环境变化对车牌检测造成的影响,增强了模型鲁棒性。通过对模型进行训练和测试,获得了98.05%的平均精确率和98.71%的召回率,优于其他车牌检测方法,并且帧率达到64?frame/s,实时性高。     

基于正交盖氏矩和SVM的车牌字符识别

针对传统字符特征提取算法中特征不稳定的缺点,提出一种基于正交盖氏矩的特征提取方法。采用支持向量机解决车牌字符识别问题,自动寻找对分类有较好区分能力的支持向量,由此构成的分类器可以最大化类间间隔,达到正确区分类别的目的。实验结果表明,该方法对于实时视频流中的车牌识别能取得理想效果,在解决有限样本、非线性及高维模式识别问题中表现出优越的性能,且具有适应性强和效率高的特点。     

一种分级的车牌颜色识别方法

针对复杂环境中车牌颜色识别率不高的问题,提出了一种分级的车牌颜色识别方法。首先将原始彩色图像投影到HSI空间,根据不同牌照在HSI空间的不同分布进行初步识别,接着提取出牌照的前景和背景,并根据各自的颜色信息再次进行识别,最后综合上述两个步骤得到最终的识别结果。大量实验结果表明,该方法颜色识别准确率高、适应性强。