基于Lab色彩空间和ANN神经网络的车牌识别系统

针对目前车牌识别中车牌区域定位处理过程复杂、车牌字符准确率低等问题,本文采用Lab色彩空间识别结合传统sobel算子边缘检测的方法对车牌区域进行粗定位,再利用SVM模型进行精确定位。而在字符识别方面,本文利用ANN人工神经网络进行车牌字符识别,提高字符识别精度,经测试,该车牌系统对车牌区域识别定位准确,速度较快,字符识别准确度较高,具有较强的鲁棒性和实用性。     

基于光照补偿和颜色统计的汽车牌照定位方法

基于车牌颜色相对固定,亮度易受光照条件影响的特点,提出一种车牌定位方法.把车辆图像从RGB空间转换到HSV空间,利用同态滤波对亮度分量进行光照补偿,保持色度和饱和度不变;转换回RGB空间,基于颜色统计进行车牌定位.实验结果表明,对于常见的蓝底车牌,该方法不仅能够实现光照不佳、背景复杂车辆的准确车牌定位,而且还能实现包括接近车牌颜色的各色车体的准确车牌定位.     

基于OpenCV的车牌定位方法

提出一种基于开源视觉库OpenCV从复杂环境中准确定位车牌的方法.利用车牌的颜色特征,将原图像分别在HSV颜色空间和RGB颜色空间下处理得到两幅二值图像;根据这两幅二值图像的纹理特点,在HSV颜色空间下得到的二值图像定位出车牌的上下边界,再按照定位出的上下边界坐标从RGB颜色空间下的二值图像上水平切割出车牌区域;根据车牌的几何特征,从切割出的水平区域中得到精确的车牌区域.实验结果表明,该方法能够快速、准确定位出车牌,还具有很强的抗干扰性.     

基于神经网络和颜色特征的车牌字符分割方法

论文提出了一种基于神经网络和颜色特征的车牌字符分割方法。在颜色空间中利用树型判决结构,首先由亮度信息识别出车牌区域中的白色、黑色像素,然后利用网络对车牌区域中的蓝、红、黄色以及其他颜色进行识别。根据车牌的颜色特征,在判断出车牌的类型后,对车牌区域进行二值化处理。去除车牌边框和柳钉后,综合利用投影法和字符的连通性来分割车牌字符。实验结果表明,该方法是有效的。     

基于车牌特征和底色识别的车牌定位算法研究

在车牌识别系统中,车牌定位是车牌自动识别系统中最重要的一步,车牌定位的准确程度直接影响车牌识别的精度。针对背景复杂,车牌区域模糊的图像,提出一种车牌结构特征和底色相结合的车牌定位方法。该算法首先利用彩色边缘算子提取图像的边缘,然后利用连通域算法找出不同的连通区域,最后结合车牌的结构特征(宽高比、车牌区域灰度跳变次数)和车牌底色特征(目前是黄色、黑色、白色和蓝色)选定最佳区域。实验结果表明,该算法简单,定位准确,满足实时性要求。     

车牌定位中宇符边缘色彩信息作用研究

研究了字符边缘色彩信息对车牌定位的作用.在HSV色彩空间中,字符边缘处色度、饱和度处于特定的较窄范围,分别提取出车牌底色色彩像素点和字符色色彩像素点,再利用图像水平方向纹理得到车牌底色纹理,最后排除没有字符色像素点相邻的底色纹理像素点.实验结果表明,该方法适应性强、定位速度快,可在定位的同时确定车牌颜色.     

基于HSV颜色空间和SVM的车牌提取算法

为了克服HSV算法在车牌提取中存在与车牌颜色相近的类似车牌区域的干扰,提出一种基于HSV颜色空间和 SVM 相结合的车牌提取算法,该方法能够较好的对多种车牌实现精确定位与提取。首先根据字符的边界特征和HSV颜色空间分别对蓝色和黄色车牌进行粗定位,获得几个车牌候选区;然后使用训练好的SVM分类器进行字符与非字符分类;最后根据车牌特征实现定位与提取。实验表明,该方法取得了良好的效果。     

基于字符边缘颜色多分量信息的车牌定位方法

针对复杂环境下的车牌定位,提出利用车牌字符边缘颜色多分量信息特征的定位算法,分别提取车牌底色像素点和字符色像素点,排除没有字符色像素点相邻的底色纹理像素点。由于字符色与底色的相互影响,字符边缘处色度、饱和度分量都有较窄的范围,可缩小车牌的搜索区域。结果证明该特征有助于车牌的准确定位,可确定车牌颜色,同时运算多在二值图上进行,速度快。     

基于色差的车牌快速定位算法研究

针对现有车牌定位算法的抗干扰能力弱和速度较慢问题,提出基于色差的车牌快速定位算法。设计了提取蓝色、黄色和白色像素点的色差公式,将车辆RGB图像转换到色差空间。利用迭代法对色差图像进行阈值分割得到二值图像,并利用形态学处理和标记连通域,最后结合车牌长宽比特征去除干扰定位车牌。对实际车辆视频定位处理结果表明,提出的算法可以实现白天和夜晚蓝牌车和黄牌车的车牌准确定位,定位准确率分别达到95.1%和92.5%,定位平均耗时0.026 s,优于传统的基于HSV、HIS和YUV车牌定位算法。处理结果表明该定位算法可在实际普通道路交通中实现实时准确定位。     

利用伴生与互补颜色特征的车牌定位新方法

车牌定位是车牌识别系统的关键技术,车牌定位的准确与否直接影响车牌识别的结果。车牌区域的颜色特征是车牌的重要信息,针对车牌区域的颜色特征,论文提出了一套利用车牌区域的伴生与互补特征进行定位的算法。该算法利用车牌区域的颜色特征,快速定位到与车牌颜色有关的区域;然后利用车牌区域伴生与互补特性快速去除具有与车牌区域相同颜色的其他非车牌区域;最后使用投影积分进行车牌的精确定位。通过对200幅从交通卡口获取的真实的彩色图像进行试验,准确定位率为98%。     

字符边缘颜色与逻辑在车牌定位中的应用研究

针对复杂背景下的车牌定位问题,提出了一种基于字符边缘颜色与逻辑的快速车牌定位方法。该定位方法将RGB彩色空间中的车牌图像,转换到HSV彩色空间中。根据像素点颜色进行二值化,得字符边缘颜色像素区,同时通过逻辑与,确定图像字符颜色边缘点,最后经纹理分析来定位车牌,解决了目前常用流行算法所不能处理的定位问题。     

一种蓝底车牌的快速定位技术

车牌定位是汽车车牌识别的一个重要的环节,在研究汽车车牌定位的过程中,发现了一种可以快速定位汽车车牌的新技术。针对蓝底车牌不反射蓝色光的特点,提出了一种基于彩色图像蓝色通道进行车牌定位的算法,算法首先根据蓝色通道数值过滤其它通道的颜色,使用几何形态检测技术对过滤后的图斑依次进行检测,最后剩余的区域极为车牌区域。实验证明该方法能够快速的查找到图像中车牌的位置,法计算量小,速度快。适合在实时性要求高的场合使用。     

基于颜色特征的车牌快速定位

提出了一种基于颜色特征的车牌快速定位算法,该算法充分利用车牌颜色相对固定的特点,首先根据原始图像得到一组特定的色彩距离图谱,通过自适应熵阈值的选取快速分割出车牌的候选区域,然后再根据车牌的纹理特征对候选区域进行筛选以得到车牌的精确位置。针对不同的背景和不同种类的车辆,抽取了3106幅图片进行测试,其中有69幅图片未定位出车牌,定位成功率为97.8%,平均定位耗时为29ms。     

适用于识别指定颜色的色调过滤视图

为便于快速识别RGB图像中的红、绿、蓝或黄颜色,提出一种用像素的色调和色调可信度定量地评估像素对于指定颜色的隶属度的方法和彩色图像的色调过滤视图的定义,推导出直接由图像的R、G、B色彩分量计算指定颜色的色调过滤视图的公式。实验结果表明,用色调过滤视图来识别图像中指定的颜色具有较好的效果,并且受拍摄光照条件的影响较小。     

一种基于HSI和YUV颜色模型的车牌定位方法

车牌定位是整个车牌识别模块实现的前提。针对车辆图像车牌位置定位不准等问题,采用HSI和YUV颜色模型,根据每个像素S值的分布,动态决定选用H值还是Y值,并经过水平垂直投影技术对车牌区域进行定位分割。实验表明,该方法提高了定位的精确性,克服了光照的影响和单一颜色空间的不足。     

Hue rotation (HR) and hue blending (HB): Real‐time image enhancement methods for digital component video signals to support red‐green color‐defective observers

The mutual understanding of color‐normal observers (CNOs) and color‐defective observers (CDOs) is now essential because personal color information display environments have been widely adopted. However, existing tools for CDOs offer only color discrimination; they fail to support color impression (ie, saturation and contrast). Therefore, we need a novel tool that offers help in distinguishing opponent colors, while preserving color saturation. We introduce two key techniques for realizing this difficult goal. The former is the repeated sequential display of the original and processed images to support the formation of unified correct percepts that provide discrimination of both red‐green and yellow‐blue opponent colors. One image, ie, original, exhibits correct yellow‐blue but distorted red‐green information for CDOs while the other, ie, processed, provides synthesized distinguishable red‐green but confusable yellow‐blue information for CDOs; here, hue rotation (HR) is useful for advanced users whereas hue blending (HB) is suitable for general. The latter is realized by the real‐time video processing available on smartphones; our algorithms support direct processing of the digital component video signal formats (eg, Y, C_R, and C_B). Subjective tests suggest that the two above‐mentioned algorithms will, along with embedding a lightweight real‐time dichromatic simulation facility for CNOs, greatly help the mutual understanding of CNOs and CDOs.