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。     

基于深度学习模型LeNet-5-L的车牌识别算法

针对车牌中汉字识别率低和识别速度慢问题,提出一种基于深度学习的车牌识别网络LeNet-5-L,该网络把车牌识别分为两个阶段,运用OpenCV库函数对车牌图像预处理,结合垂直投影分割方法将车牌分割为7个独立字符图像,降低了图像特征提取难度,从而提高车牌中各个的字符识别率和整个车牌识别速度;运用卷积神经网络解决车牌字符识别问题,基于LeNet-L设计一种车牌字符识别网络LeNet-5-L,有效提高车牌中首字符汉字识别率;实验结果表明,该网络对车牌中各个字符的识别准确率均高于99.97％,单个车牌识别时间仅需0.83 ms,该方法有效的提高车牌识别的正确率和识别速度.     

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。     

退化车牌字符的两级分割算法研究

为了准确进行车牌字符分割,提高车牌字符识别的准确率,提出了一种改进的车牌字符分割算法.对定位出来的车牌进行有效预处理,通过两级字符分割算法对车牌进行单字符分割.第一级字符分割是结合连通域分析法和垂直投影进行字符粗分割,第二级字符分割是基于车牌字符的先验知识通过多次判断进行车牌字符精分割.实验结果表明,该算法对受到光照不均、污迹、字符粘连和断裂、质量退化等严重影响的车牌字符能进行很好的分割.     

基于SVM模型的车牌识别应用研究

车牌识别是目前道路交通智能化管理的重要一环,提出了一种基于支持向量机(SVM)的车牌识别方法,通过边缘检测算法与颜色再定位相结合,实现车牌的定位;进行字符分割时将阈值选取推广到多阈值,提高分割的准确性;利用SVM模型进行车牌字符的识别,并且在检测到为易混淆字符时进行二次SVM分类.模型对中文字符、字母字符、数字字符识别率分别为93.2％、96.3％、95％,识别率较高且识别速度符合实时要求.     

基于MATLAB的车牌识别系统设计与实现

通过对车牌定位、车牌字符分割和车牌字符识别进行研究,提出了一种车牌识别系统的设计和实验仿真方法。该方法首先采用基于Canny算子边缘检测和数学形态学相结合的方法定位出车牌,进行二值化、滤波和形态学开运算后使用投影二分法分割出7个车牌字符,最后使用模板匹配和特征统计相结合的方法识别出车牌字符。试验表明该方法是有效的、可行的,与传统使用单一算法相比较,该方法大大提高了车牌识别系统的正确率。     

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.     

字符识别算法在车牌识别系统中的应用研究

本文以车牌识别系统定位后的车牌字符识别算法为研究对象,分析基于模板匹配的字符识别算法和基于神经网络的字符识别算法,将车牌字符进行分割处理,诠释字符识别算法在车牌识别系统中的应用。     

基于多尺度模板匹配和神经网络的车牌识别

针对现有车牌字符分割算法和识别问题的分析,本文采用一种多尺度模板匹配的车牌字符分割算法;并在此分割基础上采用小波神经网络算法识别车牌字符。实验表明该分割与识别方法的结合实现了切分准确、鲁棒性强、去伪性好和快速准确识别的高效性。     

基于MSER与SVM算法的车牌定位识别方法

针对实际车牌识别系统中车牌位置定位难、字符识别率低等问题,提出了一种基于MSER与SVM算法的车牌定位识别。该方法分为定位和识别两步,输入图像经过预处理,通过MSER与SVM算法直接提取出车牌的字符区域,然后将车牌字符图像裁剪送入识别阶段,识别阶段同样利用SVM算法对车牌字符进行识别。经验证,该车牌定位识别方法识别速度快、准确率高,能够适用于实际生活中较为复杂的交通环境。     

车牌识别中关键技术的研究与实现

介绍了车牌图像识别系统的现状,提出一种针对高速公路环境下的车牌定位与识别算法.在定位阶段,通过伪二值化方法消除路面产生的噪声,利用形态学闭运算定位车牌字符,并对车牌图像进行灰度交换,最终得到无边框、灰度对比强的车牌图像.字符分割采用基于字符连通域宽高检测和先验知识相结合的方法,很好地解决了字符粘连对分割的干扰,同时完成了对车牌图像的滤波.在识别阶段,先对车牌图像进行二值化和倾斜矫正,字符识别采用基于模板匹配的改进算法.对高速公路上300幅车辆图像进行测试,识别准确率高于80%.     

基于自适应差分进化极限学习机的车牌识别算法

针对目前车牌识别算法中存在的模型训练慢、字符识别准确率低等问题,研究了一种基于自适应差分进化极限学习机的车牌识别算法。综合利用边缘检测和颜色定位的优点来检测车牌区域,然后用改进后的垂直投影法对车牌区域进行分割,最后将自适应差分进化极限学习机用于字符识别。研究结果表明,所提出算法具有训练速度快、字符识别率高等优点,可以应用于复杂的交通场景。     

基于双边缘检测的车牌识别算法

随着智能交通的不断发展,车牌识别系统已经成为其中的重要组成部分。车牌识别分为车牌定位、字符分割以及字符识别三个部分。提出了一种新型车牌识别方法。在车牌定位方面,采用双边缘检测车牌定位方法;对于字符分割则提出了寻找连通域与传统投影分割相结合的方法;在字符识别上,将分类器分为三组,同时对于易混淆的字符进行了再次分类,这种做法缩短了训练时间,提高了准确率。实验结果表明,所提出的方法具有识别率高和速度快等特点。     

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。     

L_1和L_2混合范式超分辨率重建的车牌识别

针对视频中低分辨率图像的车牌识别准确率低的问题,提出一种结合L_1和L_2混合范式的序列图像超分辨率重建的车牌识别技术。首先对序列低分辨率图像进行L_1和L_2混合范式超分辨率重建,其次对重建后得到的一帧高分辨率图像进行基于HSV颜色模型车牌定位,然后对分割出的字符采用方向梯度直方图和支持向量机相结合的方法进行车牌识别。实验结果显示提出的算法对车牌中的字符识别效率高达96%,对比于传统的基于特征匹配和BP神经网络的车牌识别算法对字符的识别有明显的改善。结果表明,通过L_1和L_2混合范式的超分辨率重建处理,将方向梯度直方图和支持向量机相结合的识别方法对车牌中的字符有较好的识别效果。     

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.     

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。     

基于小波变换和反馈的车牌字符分割

提出一种基于小波变换和反馈的车牌字符分割算法.首先,对车牌图像进行预处理;其次,根据车牌图像的垂直投影进行字符粗分割;最后,通过两级反馈进行字符精分割.第一级反馈是字符个数与字符宽度反馈,第二级反馈是字符识别反馈.在字符识别反馈中,对字符区域图像的垂直投影进行小波变换,利用其低频系数重构垂直投影;最后根据纹理特征进行字...     

车牌识别系统中的字符分割技术研究

车牌字符分割是车牌识别系统的三大关键技术之一。准确的字符分割,既能提高字符识别的准确率,又能提高识别的速度。针对车牌图像背景复杂、光照多变、干扰较多的情况,文章在车牌区域预处理的基础上提出了一种基于先验知识的垂直投影字符分割方法。实验结果表明该算法简洁、实时性好、处理正确率高,达到了实用的标准。