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.     

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.     

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。     

车牌字符多特征提取与BP神经网络的识别算法

在车牌图像字符识别问题的研究中,针对大部分单个特征提取方法在车牌字符识别上的局限性,提出一种车牌字符多特征提取与BP神经网络识别的算法.对车牌字符图像进行预处理后,提取字母和数字字符直线特征,字符笔画点特征,环数特征以及环面积特征,作为字母与数字字符的四类特征.因汉字结构复杂与笔画多,采用13点来提取汉字特征,提取的特征输入到网络进行学习和识别.针对BP神经网络算法的不足,采用附加动量法和自适应学习速率对其改进.MATLAB仿真结果表明改进算法能够有效的提高车牌字符的识别率,识别率达到了98.5％.     

基于图像的车牌识别

基于图像的车牌识别是图像识别领域的重要研究课题之一。本论文采用MATLAB编程实现该车牌识别系统,综合使用多种方法提高系统的有效识别能力。首先,对图像进行预处理。其次,采用了一种结合字符边缘和形态学的车牌定位算法。接着,根据分割出的车牌区域,采用一种水平和垂直投影相结合的车牌字符分割法,完成单个字符的分割。最后,运用模板匹配的方法实现字符识别。     

一种基于BP神经网络的车牌字符识别算法

车牌识别系统是智能交通中的一个重要分支,本文针对传统的模板匹配算法存在识别准确率低的问题,提出了一种基于神经网络的车牌字符识别算法。该方法对分割、归一化后的字符进行特征提取获取其特征向量,把这个特征向量送到BP网络中进行训练,可以得到训练好的权值,以此权值对车牌字符进行识别。实验表明,本算法对车牌图像的识别率达90%以上。     

基于在线序列极限学习机的车牌字符识别方法

当前基于神经网络方法的车牌字符识别技术都使用固定的训练样本,学习的效果受初始样本限制,对于识别过程中新出现的不同角度、光线等特征的字符图片不能自适应地学习。本文针对这个问题提出了基于在线序列极限学习机(OS-ELM)的车牌字符识别方法。在样本实时更新中使系统自适应调整网络权值,不断提高识别准确率。本文设计了汉字、字母、字母混合数字三个字符分类器,根据车牌字符的排列特征识别相应的字符。通过与传统ELM方法和BP神经网络法对比,结果证明该字符识别技术达到了较高的识别率,在训练速度上也比BP神经网络法提高了2~3个数量级。     

汽车牌照自动识别系统算法研究

该文章研究基于计算机车牌自动识别的算法:图像预处理,车牌定位,字符分割,字符识别。运用模式识别、人工智能等技术,对采集到的汽车图像,实时准确的自动识别出车牌的数字、字母以及汉字字符,并以计算机可直接运行的数据形式给出识别结果。     

一种新的车牌字符快速识别方法

针对车牌字符图像的特点,在研究各种特征提取方法适用场合的基础上提出了改进的特征提取方法和字符识别方法。对于英文和数字,使用一种基于模板匹配和神经网络的车牌字符识别方法。该方法采用两级识别,第一级采用模板匹配识别差别明显的字符,第二级采用BP神经网络识别第一级不能确定的相似字符。对于汉字采用小波变换和LDA提取特征。该方法利用小波变换的特性最大程度地提取了字符图像的特征信息。实验结果表明此算法具有较高的识别率和较快的识别速度。     

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。     

基于多目标优化多任务学习的端到端车牌识别方法

本文针对多个车牌识别任务之间存在竞争和冲突,导致难以同时提高多个车牌的识别率的问题,提出基于多目标优化多任务学习的端到端车牌识别方法.首先,通过分析某些车牌识别任务容易占主导地位,而其他任务无法得到充分优化的问题,建立基于多任务学习的车牌识别模型.接着,针对字符分割造成车牌识别准确率较低、鲁棒性较差的问题,提出基于多任务学习的端到端车牌识别方法.最后,针对多个车牌识别任务间难以权衡的问题,提出一种基于多目标优化的多任务学习方法,以提高多个车牌识别的准确率.将本文所提方法在标准车牌数据集上进行测试,实验结果验证了该方法的有效性和优越性,其他代表性方法相比可以提高车牌识别的准确率、快速性和鲁棒性.     

基于ICA降维的车牌汉字识别研究

针对目前复杂环境下车牌汉字图像识别率较低,识别时间较长等问题,提出了一种基于伪Zernike矩和独立主成分分析(ICA)的改进概率神经网络(PNN)车牌汉字识别方法.该方法是将车牌汉字图像的伪Zernike矩通过独立主成分分析降维,再将降维后的特征输入所提出的一种基于代表点的改进概率神经网络中进行训练和识别,从而有效地实现车牌汉字的识别.将该方法应用于复杂环境下的车牌汉字图像识别实验,实验结果表明,该方法能有效地降低特征维数,减少识别时间,并能显著地提高车牌汉字的识别率.     

基于改进BP神经网络的夜间车牌识别算法研究

为了提高夜间条件下车牌识别准确率,提出了一种基于改进BP神经网络的车牌识别算法.为了改善夜间环境下车牌图像的质量和清晰度,在图像预处理过程中采用了图像平滑处理增强技术;利用图像边缘检测技术实现了对图像正确定位,然后通过统计车牌图像白色像素个数的方法对字符分割;在此基础上,使用基于附加动量法和自适应学习速率改进的BP神经网络方法精确识别车牌.实验结果表明,该方法对夜间车牌的分割和识别是有效的.     

车牌超分辨率重建与识别

为了从图片中快速准确地识别车牌,提出一种结合图像超分辨率技术的车牌识别方案。车牌图片具有明显的特定的模式特征,只是具体的字符编码不同。因此车牌图片非常适合做超分辨率重建。本文提出的系统主要由车牌检测定位、车牌超分辨率重建、字符分割、字符识别等模块组成。综合基于边缘、基于颜色和基于最大稳定极值区域三种车牌检测策略并采用并行编程方法来综合检测结果得到候选车牌。采用车牌图片正负样本来训练支持向量机分类器。得到分类器模型后对候选车牌判决得到真正的车牌。随后对真实车牌图片进行超分辨率重建。该部分主要由基于固定邻域回归的方法实现。这种方法综合了稀疏字典学习和领域嵌入的方法,比较好的兼顾了准确率和计算速度。运用OpenCV提供的图像处理库来对重建后的图片做字符分割。得到单独的字符图片后采用人工神经网络进行识别。识别前先使用一定数量的字符图片对网络进行有监督训练获取识别模型。采用一个单隐层的神经网络,运用反向传播算法进行训练得到识别模型。最后提取字符图片的特征并输入网络进行分类完成识别。为了测试系统的表现,在实际场景中采集了一百张车牌图片作为测试集。实验表明,该系统具有较高识别准确率和较快的处理速度。     

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。     

主动轮廓模型在车牌识别算法中的应用研究

提出了一种识别机动车辆牌照的算法。该算法首先利用车牌的纹理特征和区域形状特征检测车牌区域。为提高区域检测的正确性，利用新的改进的主动轮廓模型，利用先验知识确定精确的车牌边界。在精确确定车牌区域基础上，可以准确切割出车牌中的字符，从而提高识别率。