基于图像处理的水位信息自动提取技术

为满足水尺量测水位自动化和实时性的需求,提出通过图像处理技术实现对水尺图像自动提取水位信息的技术方法。首先通过对水尺图像进行图像增强、二值化、边缘检测和去除噪声等处理定位出水尺;然后根据水尺上字符的特征实现字符分割,采用模板匹配法实现字符识别,并运用最长等差数列法对识别结果进行优化校正;最后根据识别结果,分不同情况计算出水尺读数。实验结果表明,该方法识别信息的正确性和精确性较高,可满足实际应用需求。     

基于传统图像处理算法和YOLOv4的水位识别方法研究

水位监测是水利建设的重点问题,为及时掌握水情、预防洪涝灾害,提出了一种智能图像水位识别系统解决方案。对多种情况下的水尺图片利用传统图像算法进行图像预处理后,使用基于YOLOv4的深度学习水位识别算法,对采集的图像进行训练,实现水位自动识别。实验结果表明,基于YOLOv4的深度学习水位识别算法能够有效的通过水尺图像读取当前的水位,算法误差仅在1~2cm左右,符合工程水位监测误差要求。     

基于图像处理的水位信息自动提取技术研究

为满足水位测量实时性与自动化的需求,本文从图像灰度化和增强、图像二值化、边缘检测、噪声处理四方面探讨水尺图像的预处理,然后深入探讨基于图像处理水位信息的获取,通过区域分割、数字识别实现了水位信息自动提取,进一步提高水位图像的质量,希望为技术实际应用提供科学参考。     

一种字符孔洞数的求法

提出一种新的求字符孔洞数目算法。根据字符图像形状特征,把要识别的字符图像用有向图表示,对有向图进行广度优先遍历而得出字符孔洞个数,用于字符识别。     

车牌图像的快速匹配识别方法

在车牌识别中,经常遇到车牌字符发生缺损、污染现象,统计识别、结构识别方法很难将它们准确识别出来。该文提出了一种快速匹配识别方法,根据图像放大和缩小原理构建多种字符模板,利用图像上、下矩对字符进行粗分类,然后根据图像自相关特性,构建了失配比例加权惩罚匹配模型,可以对车牌字符进行精确识别,该方法识别率达到了99%以上。     

标牌粘连字符自适应定位分割重建识别算法

针对仪表标牌上一些字符间距较小,传统分割方法不准确,字符识别率不高的问题,提出了一种标牌粘连字符自适应定位分割重建识别算法。首先对标牌图像进行中值滤波、二值化等预处理;其次运用数学形态学方法对预处理后的图像进行开运算及腐蚀,将字符间一些无用的信息去掉,增大字符间距;继而通过形心算法找出每个字符的几何中心坐标,并通过Sobel边缘检测算子根据几何中心坐标获取每个字符边框,建立ROI,再返回标牌原图利用已经建立的ROI从中分割字符,在分割的每个字符后加5像素宽的矩形间隔条后重建字符图像,再进行OCR字符识别。经过对993块标牌进行字符识别实验,算法的识别率达到95.7%,表明文中算法是对标牌字符识别的一种有效算法。     

一种视频中字符的集成型切分与识别算法

视频文本行图像识别的技术难点主要来源于两个方面: 1)粘连字符的切分与识别问题; 2)复杂背景中字符的切分与识别问题. 为了能够同时切分和识别这两种情况中的字符, 提出了一种集成型的字符切分与识别算法. 该集成型算法首先对文本行图像二值化, 基于二值化的文本行图像的水平投影估计文本行高度. 其次根据字符笔划粘连的程度, 基于图像分析或字符识别对二值图像中的宽连通域进行切分. 然后基于字符识别组合连通域得到候选识别结果, 最后根据候选识别结果构造词图, 基于语言模型从词图中选出字符识别结果. 实验表明该集成型算法大大降低了粘连字符及复杂背景中字符的识别错误率.     

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。     

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.     

标牌粘连字符自适应定位分割重建与识别

目的 针对仪表、电梯等标牌上一些字符间距较小,传统分割方法分割不准确,字符识别率不高的问题,提出了一种标牌粘连字符自适应定位分割重建识别算法。方法 首先对标牌图像进行中值滤波、二值化等预处理;其次运用数学形态学方法对预处理后的图像进行开运算及腐蚀,将字符间一些无用的信息去掉,增大字符间距;继而通过形心算法找出每个字符的几何中心,并通过Sobel边缘检测算子根据几何中心获取每个字符边框,建立ROI（region of interest）,再返回标牌原图利用已经建立的ROI从中分割字符,依据国家字符间距相关标准,在分割的每个字符后加一定像素宽的矩形间隔条后重建字符图像,再进行OCR（optical character recognition）字符识别。结果 经过对993块标牌进行字符识别实验,算法的识别率达到95.7%。结论 实验结果表明本文算法是对标牌字符识别的一种有效算法。     

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.     

结合HOG特征的车牌识别方法

针对路边停车的智能化管理程度较低的问题,以现行标准为依据,对车牌识别面临的问题进行分析.根据所捕获图像的特点,通过高斯滤波、顶帽运算、Otsu算法进行图像预处理,消除噪点,完成背景提取和图像二值化.运用闭运算结合车牌的外形特征完成车牌识别.结合投影法、字符间隔及尺寸的测定和轮廓分析法完成字符分割.最后,提取字符图片的HOG特征,设计了一个基于SVM的字符分类器,实现了一个准确率高、适应性强的车牌识别系统.     

亮度不均匀低质量图像中压印字符分割方法

字符分割效果,直接影响识别精度。在处理亮度不均匀低质量图像中的压印字符时,由于亮度分布不均匀、目标字符与背景区域对比度较低,传统基于二值化图像的字符分割方法在处理上述情况下的压印字符时,难以确定最优二值化阈值,分割准确率较低。提出基于分割效果评价函数的迭代闭环反馈分割方法,通过建立评价函数对分割效果进行评估,以提高分割效率及准确率。借助加权平滑滤波,去除灰度波形图中的畸变波形;并利用广义学习矢量量化算法,确定最优滤波权重因子;通过分析波形变化趋势,确定字符分割位置。实验结果表明,该算法在批量处理亮度不均匀低质量图像中的压印字符时,分割准确率可达98.5%。     

一种基于文本检测的书脊定位方法

书脊定位是实现图书管理自动化的重要技术,通过对定位分割出的书脊图像进行图像匹配或文本识别获得图书信息,可大大减小图书检索、整理的人力劳动。论文提出了一种基于文本检测的书脊区域粗选方法,首先通过序贯分割算法检测图像中的字符整体区域,然后根据字符宽度和距离将同属于一本书的字符加入相似字符集合,根据集合内的字符中心和字符宽度计算候选书脊区域,最后通过支持向量机分类器精选书脊区域。相比于已有的书脊定位方法,论文算法在光照敏感、相邻书脊颜色对比度敏感、书脊多角度倾斜检测等方面进行了改善,在实验中取得了较好的定位成功率。     

基于几何特征的IC芯片字符分割与识别方法

针对IC芯片字符的分割与识别问题,提出了一种基于字符几何特征的分割方法和一种基于字符最小外接圆的归一化与重定位方法,使用基于像素差分的模板匹配完成识别。首先,对芯片图像进行直方图均衡化处理,并利用辅助圆进行中线定位和图像校正,定位得到ROI区域并进行均值二值化处理。随后,对二值化ROI图像进行字符分割,以字符的几何特征作为判断条件,从而完成了对缺陷字符的正确分割。之后,对单字符图像提取最大轮廓,利用其轮廓的最小外接圆进行字符的归一化与重定位。最后,对归一化的字符进行差分识别。通过采集4种芯片样本进行实验,结果表明,该方法能够实现芯片字符的准确分割,对于缺陷字符的分割准确率达90%;能够快速精准地识别芯片字符,单字符平均识别时间为4.6 ms,识别准确率达到99.4%。     

基于安卓手机的液晶屏数字识别系统的设计与实现

针对带有七段码的数字液晶屏,设计了一种基于安卓手机的液晶屏数字识别系统。通过手机拍照获取液晶屏图像,利用安卓本地接口功能调用计算机视觉库,对图像进行处理;针对图像的倾斜问题,通过图像预处理和霍夫变换取得图像倾斜角,并进行倾斜矫正;利用直方图对数字字符进行分割,以网格法提取字符的特征值,用三层BP神经网络进行液晶屏数字字符的识别。实际检测结果表明识别率很高,而且识别速度很快,该系统基于安卓手机,使用方便,便于携带,可以实时操作。     

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。     

一种有效的基于图遍历的加权序列模式挖掘算法

为解决加权遍历模式挖掘问题,概括了加权有向图的种类,提出一种边加权有向图与顶点加权有向图间的变换模型,并基于该模型提出一种基于图遍历的加权序列模式挖掘算法GTWSPMiner.该算法根据遍历模式中的项的连续性特点,采用一种加权前缀投影序列模式增长方法,将原挖掘序列数据库的任务分解成一组挖掘局部投影数据库的小任务.对比实验结果表明"该算法能快速有效地挖掘加权频繁遍历模式.

     

复杂场景下遥感船舶的检测与分割定位

遥感图像船舶识别是目标识别的一个重要领域,在海防和救援方面具有重大应用价值.但遥感图像中的船舶普遍存在云雾遮挡、陆地背景干扰和体积小等因素所造成的识别难的问题.为了能准确识别复杂场景下船舶目标,在网络的特征提取部分加入了视觉注意机制,增强网络提取船舶特征信息的能力;并采用多级特征提取和去量化操作的学习方法来解决船舶体积小的问题;采用难样本重学习的学习策略来弱化云雾遮挡和陆地背景的干扰.通过上述方法,船舶识别的综合准确率达到了92.56%,召回率达到了89.26%,与相同实验环境(PyTorch)下其他常见目标检测算法相比,精确率和召回率都有明显提升.实验结果表明,文中方法在一定程度上解决了复杂场景下船舶分割和识别难的问题.实验中所使用代码和部分结果详见https://github.com/curioyang/First_paper.