基于数字图像处理的车牌定位方法研究

针对复杂背景的车牌定位问题,提出了一种二值图和纹理方向图相结合的车牌定位方法。采用GaussainHermite矩和方向场对原图像进行计算,从而得到纹理方向图;然后结合二值图和方向图通过查找边缘信息的方法确定车牌区域及候选区域;最后使用改进的区域标记法准确的定位车牌。实验证明此种方法定位效果好。     

复杂背景下的混合特征车牌定位方法

针对各种复杂背景的车牌定位问题,提出一种复杂背景下基于车牌混合特征的车牌定位算法。首先对彩色图像进行预处理,并利用基于边缘检测方法进行二值化;然后结合横向数学形态学运算和车牌几何形状特征,提取出矩形车牌候选区域;最后根据车牌颜色特征在HIS空间下结合垂直和水平投影对车牌区域进行精确定位。实验表明,该算法适用于任意大小、位置和背景环境下的车牌定位,能有效解决仅仅依靠纹理信息或颜色信息车牌定位率低的问题,具有较强的鲁棒性。     

一种复杂背景下的车牌快速定位算法

针对复杂环境下的车牌定位问题,提出一种基于提升小波与形态学相结合的快速定位方法。该方法首先对车辆图像进行预处理,包括图像灰度化,利用新的提升小波算法进行边缘检测以及二值化,然后对图像进行腐蚀、膨胀等一系列形态学处理,得到一些规则的连通区域,其次删除小连通区域,合并邻近区域,得到车牌的候选区域,最后采用可信度评价来度量候选区和车牌区的相似度确定车牌位置,最终实现车牌的快速定位。计算机仿真结果表明,对于背景复杂的车辆图像,该方法运行速度快,车牌定位准确率高。     

边缘特性筛选与多判定机制下的车牌定位方法

针对复杂背景下的车牌定位,利用目标区域的边缘梯度特性筛选出车牌边缘;选取合适的结构元素做数学形态学填充,得到车牌候选区域;融合车牌灰度纹理特征与颜色特征通过多判定机制剔除伪车牌区域,实现车牌的准确定位;通过实验对大量实拍的复杂背景下的车辆图像进行测试。结果表明,该方法准确率高、速度快,克服了传统算法对拍摄环境、光照条件、颜色、角度等较为敏感的问题,具有良好的定位效果。     

基于边缘颜色对的车牌定位新方法

车牌定位是车牌自动识别系统中的一个关键问题．该文提出了一种新的基于边缘颜色对的车牌定位方法．首先进行彩色边缘检测，然后以每一边缘点为中心，垂直于边缘方向取一线形窗口，在窗口内检测边缘点两侧像素的颜色是否分别匹配车牌的底色与字符颜色，若是，则保留为候选车牌边缘点；然后进行形态滤波，剥离不符合车牌结构特征的区域，最后对候选车牌区域进行纹理特征的分析以确定真实车牌区域．该方法抓住了车牌背景与字符具有固定颜色搭配的重要特点，综合利用了车牌的结构特征和纹理特征，提高了车牌定位的可靠性．对各种条件下拍摄的163幅含有车牌的图像应用该算法，定位准确率达到98．2％。     

基于边缘检测和颜色纹理直方图的车牌定位方法

针对已有车牌定位算法在分辨率高、背景复杂图像上存在准确率下降的问题,提出了一种基于边缘检测和颜色纹理直方图的车牌定位算法。该定位算法分为两个阶段：首先利用结合了Canny和Sobel算法的改进边缘检测算法提取图像的垂直边缘,并结合滤波、投影等方法进行车牌粗定位;然后提取候选区域的颜色纹理直方图,与训练好的分类器进行匹配,实现车牌的精确定位。实验表明,该方法对于背景复杂、光照不均等情况均有良好的鲁棒性,在白天和晚上都能取得较好的定位效果。     

基于数学形态学车牌定位算法仿真研究

研究车牌准确定位识别的问题,交通流量在高速条件下识别系统采集信息与数据有差异,同时在复杂背景中由于车牌的纹理区域面积太小造成车牌定位困难,传统的识别算法由于模板以及方向的选择困难,造成文字的识别率低的等问题.为解决上述问题,提出了一种利用数学形态学操作提取车牌和基于神经网络算法的车牌文字识别技术.首先将汽车图像进行边缘提取处理,提取候选区域,依据各个候选区域特性,进行形态学操作,从而可提取车牌图像,同时利用神经网络对车牌图像中的文字进行识别.实验结果显示改进的方法快速有效地提取车牌图像的边缘信息,所提取的车牌图像与真实车牌的位置吻合,提出的改进方法为车牌识别提供了参考.     

利用综合特征的车牌定位方法

车牌定位是车牌识别系统的关键技术之一.提出利用结构特征、纹理特征和颜色特征的车牌定位新方法.首先,利用顶帽变换抑制背景;其次,进行垂直边缘检测和形态滤波,通过结构特征进行车牌粗定位;再次,对候选区域的垂直投影应用一维小波分解滤噪,然后重构垂直投影,计算纹理统计量并构造纹理特征向量,应用BP神经网络识别车牌的字符纹理进行车牌的再定位;最后,对候选区域进行基于边缘颜色对的彩色边缘检测,根据其水平投影值进行车牌的精定位.对各种条件下拍摄的314幅含有车牌的车辆图像应用本算法,定位准确率达到98.7%.     

基于小波纹理分析的彩色车牌定位算法研究

针对传统的车牌定位算法是采用灰度图像的纹理特征的,由于灰度图像的纹理特征诸多特性和局限性,给车牌定位算法带来很大的困难;鉴于此,提出了基于小波纹理分析的彩色车牌定位算法;首先对图像进行二维小波分解,计算滑动窗内图像的小波纹理特征;然后同时将低频子图转化RGB色彩分量为HSV色品值,提取颜色特征并得到综合特征向量;其次利用小波变化定位出车牌区域;最后对定位出的车牌进行后期校正处理并输出定位结果;该算法采用综合特征定位,克服了采用单一特征定位的缺点和局限性,从实验结果可以看出该算法能够较准确的从背景图像中提取出车牌位置信息。     

基于低功耗嵌入式系统的车牌定位算法

文章给出了自行设计的在低功耗嵌入式平台上实现车牌定位检测的算法。首先通过Sobel水平算子对车牌图像进行垂直边缘检测,运用形态学方法对边缘图像进行闭运算得到连通图块。然后根据连通区域轮廓确定最小外接矩形,解决车牌位置断节问题,得到车牌候选区域。最后根据车牌特征对提取出的车牌候选区域进行筛选实现准确的车牌定位。实验结果证明了该算法的有效性,而且在复杂背景下也具有较好的鲁棒性和自适应性。     

基于灰度跳变的车牌定位算法及其实现

研究车牌识别定位算法问题。传统的车牌设识别定位算法的识别精确度难以满足现实在交通管理和流量监测中的应用,存在车牌图像定位的精度的不高等问题。为解决上述问题,在对车辆图像预处理基础上,提出了一种基于图像灰度跳变特性的车辆牌照定位算法。主要给出了粗定位和细定位两种定位算法,并用VC++设计实现定位算法。通过实验对实际交通中多幅车牌图像进行处理,对不同的车牌图像进行定位。实验结果表明,新算法能够对车牌图像进行高精度定位,并且具有较强的鲁棒性,为车牌字符的识别与分割奠定了一定的基础。     

一种基于小波的快速车牌定位算法研究

车牌定位在车牌自动识别系统中占有非常重要的地位.在对小波的一些特性进行分析的基础上,提出了一种基于多分辨率分析的快速车牌定位算法.将分解出的高频图像经过后继处理即可定位出车牌,这种算法不仅提高了车牌定位的速度,而且大大提高了定位的准确率.     

复杂背景中多车牌粗定位算法研究

提出了基于车牌分形维数特征进行复杂背景中车牌粗定位的方法。讨论了图像剪裁、灰度图转化以及图像增强时灰度转移函数的构造过程;给出了车牌图像分形维数的计算方法及车牌区域的确定。同时指出多车牌图像车牌区域的分形维数基本在2.65~2.80之间,其值高于车牌图像整体的分形维数,但是低于单车牌图像车牌区域的分形维数。该方法计算简单,不依赖车牌的颜色、形状、尺寸,具有极好的鲁棒性。通过对大量随机的实验图像进行计算表明：漏检率和误检率均为0,检出多于一个候选区域的为50%,正确检测率为100%。     

基于数学形态学和Hough变换的车牌定位算法

针对复杂环境下的车牌定位率较低的问题,提出了一种基于数学形态学和Hough变换检测车牌区域的方法。首先,对车牌图像进行图像预处理,然后,利用数学形态学的高帽变换突出车牌字符区域,并对图像进行边缘检测和连通区域分析;最后,结合Hough变换和车牌的先验知识实现车牌的精确定位。实验结果表明,针对不同复杂背景下采集到的车辆图像,该算法具有很强的鲁棒性,准确率达97.3%,能够满足现代智能交通系统对车牌定位准确性和实时性的要求。     

一种在低照度情况下自适应滤波牌照定位算法

提出一种在低照度情况下进行自适应滤波牌照定位算法.该方法首先设计一种×字形窗口的自适应中值滤波改进算法,对车牌灰度图像进行中值滤波滤除噪声.接着采用Sobel边缘检测器进行车牌边缘检测;再将Sobel算子卷积结果采用最大类间方差法阈值分割算法对图像进行预分割,将图像分割为目标和背景;接着采用模糊分割方法求得最终分割阈值...     

基于单目视觉的车牌快速定位方法

提出了一种基于颜色空间理论和形态学结合的方法。首先对图像进行颜色空间转换,按要求提取出需要的特征颜色区域,再对颜色特征区域进行检测,对边缘进行灰度统计,按一定的比例进行筛选,并利用前方车辆位置变化的特点,对下一次车牌可能出现的区域进行粗定位,利于下一次更快速的定位。应用该算法对100幅车牌图像进行定位,定位准确率达90%,速度均在0.1s内。     

基于颜色和纹理分析的车牌定位方法

针对复杂背景的车牌定位问题，提出了一种颜色和纹理分析相结合的车牌定位算法。该算法采用基于适合彩色图象相似性比较的HSV颜色模型，首先在颜色空间进行距离和相似度计算；然后对输入图象进行颜色分割，只有满足车牌颜色特性的区域，才进入下一步的处理；最后再利用纹理及结构特征对分割出的颜色区域进行分析和进一步判断，并确定车牌区域。该方法不同于大多数的车牌定位方法，它不仅对车牌的大小、汽车在图象中的位置以及图象背景的限制较少，而且，综合特征定位要比单一特征定位更符合人的视觉要求，因而定位效果更好，应用范围更广。     

结合双金字塔特征融合与级联定位的车牌检测

为了解决复杂环境中不同因素干扰车牌检测精确度的问题,提出了一种基于双金字塔特征融合的复杂环境下车牌检测算法。通过采用Mish激活函数的残差网络（ResNet101-M）对输入图像进行初级特征提取;在传统特征金字塔网络（feature pyramid network,FPN）的基础上,提出了一种改进的双金字塔特征融合网络（siamese feature pyramid network,SFPN）。被提取的初级特征被送入该网络进行多层特征融合。融合后的特征被送入基于形状先验的锚点设置网络来确定感兴趣区域。将所生成的感兴趣区域送入级联定位网络从而得到准确的车牌检测结果。实验结果表明,该算法在AOLP与CCPD车牌数据集上均能够有效提升检测性能。     

基于形态学梯度重建的车牌定位方法

准确定位车牌是车牌识别的重要基础。针对复杂环境下车牌图像容易受背景、光照等因素的影响而导致车牌定位精度较低的问题,提出了一种基于形态学梯度重建的车牌定位方法。该方法首先利用颜色信息确定车牌候选区域;然后利用矢量梯度算子获取候选区域中车牌图像的梯度,利用形态学梯度重建运算提取具有车牌特征的图像结构,同时抑制非车牌特征的图像结构;最后利用车牌固定的宽长比先验信息对矩形区域进行提取,最终得到准确的车牌定位结果。实验结果表明,提出的车牌定位方法能在复杂环境下快速、准确地定位车牌,且具有较高的鲁棒性和实时性。