一种新的车牌字符图像的提取方法

在车牌自动识别（LPR）系统中，从车牌图像中正确获得各字符有效信息的图像尤为关键。传统的车牌字符提取方法适应性不强，当不能拍摄车牌正面时获取的车牌图像存在着变形的问题，从而无法从中正确提取出字符。针对此问题，设计了一种基于Radon变换与最大全零列判决法相结合的车牌图像矫正算法来矫正车牌图像，再根据车牌字符分布特点使用了边界投影确定各个字符的边界，对车牌字符进行分割提取。实验证明，此方法能从各种情况下拍摄的车牌中准确分割出单个字符图像，并且计算量较小。     

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.     

基于纹理分析的精确车牌定位算法

在车牌识别（LPR）系统的实现过程中,最关键的部分就是车牌图像的提取以及车牌字符图像的分割。介绍了一种基于车牌区域字符的纹理特征和统计规律的车牌定位方法。由于光照、复杂背景等因素都会对车牌定位产生不良影响,而利用车牌字符纹理丰富的特征寻找车牌区域就可以避开这些不良影响。这种算法不仅排除了光照、复杂背景等因素的影响,而且对于拍摄到车牌的大小、车牌在图像中的位置和倾斜角度没有太多限制。实验证明这种算法具有定位准、适应性强的特点。     

车牌识别系统研究与实现

车牌识别（LPR）系统是智能交通系统中的重要组成部分，该系统分为车牌定位、字符切分和字符识别3个模块。文中基于数学形态学方法和边缘特征分析来进行车牌定位，接着进行二值化、引入多指标联合评价函数判断反色等处理，然后基于连通体分析的方法切分字符。实验表明该系统设计方法是可行的。     

车牌识别系统研究与实现

车牌识别(LPR)系统是智能交通系统中的重要组成部分,该系统分为车牌定位、字符切分和字符识别3个模块。文中基于数学形态学方法和边缘特征分析来进行车牌定位,接着进行二值化、引入多指标联合评价函数判断反色等处理,然后基于连通体分析的方法切分字符。实验表明该系统设计方法是可行的。     

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。     

复杂背景下的车牌定位和字符分割研究

提出了一种综合边缘检测、投影特征的车牌定位方法和基于垂直投影及模板匹配的字符分割方法，提取车牌灰度图像边缘，实验结果显示该算法检测边缘的速度快，车牌区域轮廓清晰，采用投影法确定车牌区域，用HOUGH变换检测倾斜角度进而对倾斜的车牌进行矫正，通过字符分割算法对车牌字符进行切割，有效地解决了复杂环境的干扰、车牌尺寸变化等问题。对不同背景下的光照车牌进行了大量实验，结果表明该算法能准确地进行车牌定位以及字符分割，具有较好的鲁棒性。     

改进神经网络算法在车牌识别中的应用

研究现代智能交通管理中的车牌准确识别问题.由于车牌图像存在模糊不清、倾斜,分割后字符图像笔画粗细不均、断续不完整等特殊性,导致传统车牌识别算法识别速度慢、识别正确率低,不能适应车牌识别的实时性要求.为了提高车牌识别正确率,提出一种BP神经网络的车牌识别算法.该算法首先对车牌字符图像进行归一化处理,消除图像中无用信息,然后对车牌字符进行特征提取,消除笔画粗细不均、断续不完整等影响,再将提取车牌字符特征输入到BP神经网络进行学习和识别,并采用动量因子和自适应学习速率对BP神经网络进行改进,加快其收敛速度,从而提高识别的实时性.仿真结果表明,改进用BP神经网络提高了车牌识别正确率和识别速度,缩短了识别时间,适合于实时性强的智能交通管理系统应用.     

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。     

基于数学形态学边缘检测的车牌字符分割算法

汽车牌照字符分割是车牌识别过程中的关键步骤,直接影响到字符识别的效果。传统的方法对车牌图像质量要求较高,且抗干扰能力较差。提出一种基于Renyi熵和数学形态学边缘检测的车牌字符投影分割算法,首先用二维Renyi熵最大阈值法对车牌图像做二值化处理,然后用形态学腐蚀运算进行边缘检测,再去除车牌边框,最后通过投影分割提取车牌字符。仿真实验表明,基于Renyi熵最大阈值法和数学形态学边缘检测车牌图像预处理使得车牌字符边缘清晰,降低了噪声的干扰,有利于进行字符投影分割。该算法分割速度快,鲁棒性好,可获得比传统方法更好的分割效果。     

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分类识别方法

目前,车牌字符识别算法主要是基于模板匹配、特征匹配或神经网络的方法。本文根据车牌字符的特殊性,提出一种采用特征提取与BP神经网络学习算法相结合的分类识别技术,选取字符的粗网格特征作为字符的识别特征,以改进后的归一化字符原始特征直接输入到BP神经网络分类器中进行车牌字符识别研究。对于易混淆和相似的字符、汉字笔划粘连、字符偏移现象等都提出了自己的解决方法。实验结果说明,本方法可大幅提高车牌识别系统的正确识别率和抗干扰能力。     

基于小波变换和神经网络的车牌识别系统

介绍了通过小波变换在复杂背景下对车辆图像进行去噪和对车辆牌照进行定位,并利用BP网络结合线性感知器来对车牌字符进行分类和识别。实验结果表明,该文提出的设计方案,算法简单、实时性好、识别率高,可适用于复杂背景环境中的车牌识别。     

基于图论分析的车牌数字字符识别研究与应用

细化后的字符图像可以看作是一幅连通图，从图论的观点出发，在对车牌末尾三位数字字符图像识别中，选择闭合曲线作为其整体特征，将笔画端点所处字符图像中子区域的位置做为主要的细节特征，对车牌数字字符进行识别。试验结桌表明该方案是可行的和有效的。     

基于图论分析的车牌数字字符识别研究与应用

细化后的字符图像可以看作是一幅连通图,从图论的观点出发,在对车牌末尾三位数字字符图像识别中,选择闭合曲线作为其整体特征,将笔画端点所处字符图像中子区域的位置做为主要的细节特征,对车牌数字字符进行识别。试验结果表明该方案是可行的和有效的。     

基于电子鼻技术的热带农产品品质识别检测技术的研究

阐述电子鼻的发明和技术发展,以及国际、国内近年来的技术发展形势,提出基于电子鼻技术的基础上,通过对对芒果、香蕉、木瓜等为例进行了农副产品品质检测实验,对比PCA-BP及LDA-BP神经网络的识别效果,设计研究一种专门针对海南热带农产品品质检测的便携式系统的构想方案。     

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.     

机动车牌照自动识别技术的研究

设计了一种机动车牌照自动识别的解决方案,对牌照定位模块和字符识别模块进行了详细介绍,针对车牌字符分割提出了相应的算法,取得了较为理想的处理结果。识别部分采用相关性来表征字符和模板的相似程度,从而降低了对模板的准确性要求,并提高识别率。     

An automated vision system for container-code recognition

Automatic container-code recognition is of great importance to the modern container management system. Similar techniques have been proposed for vehicle license plate recognition in past decades. Compared with license plate recognition, automatic container-code recognition faces more challenges due to the severity of nonuniform illumination and invalidation of color information. In this paper, a computer vision based container-code recognition technique is proposed. The system consists of three function modules, namely location, isolation, and character recognition. In location module, we propose a text-line region location algorithm, which takes into account the characteristics of single character as well as the spatial relationship between successive characters. This module locates the text-line regions by using a horizontal high-pass filter and scanline analysis. To resolve nonuniform illumination, a two-step procedure is applied to segment container-code characters, and a projection process is adopted to isolate characters in the isolation module. In character recognition module, the character recognition is achieved by classifying the extracted features, which represent the character image, with trained support vector machines (SVMs). The experimental results demonstrate the efficiency and effectiveness of the proposed technique for practical usage.