蓝底白字汽车牌照的定位方法

汽车牌照的定位是牌照识别的第一步，定位的准确与否将对后续操作起关键作用。本文提出了一种基于多方法的车牌定位策略。首先利用颜色信息对输入图象进行彩色粗分割，得到了颜色为车牌照的一些区域。然后将分割结果中的伪目标区域分为两类：一类是与牌照颜色先进的背景，一类是可能和牌照颜色先进的汽车外壳，分别进行处理，最终利用投影法得到准确的车牌位置。实验结果表宁该方法效果较好。     

一种用于套色检测的图像分割新方法

提出一种基于HSI模型直方图以及颜色聚类的套色标记彩色分割方法.该方法将拍摄的RGB彩色图像转换到HSI颜色空间,并以H分量为主要依据,结合S与1分量进行粗分割,获取颜色初始聚类中心.然后对像素点进行颜色聚类,最后采用区域合并修复误分割的区域.实验表明,该方法能在较大范围内准确分割套色标记.     

基于视频检测和颜色的车辆牌照提取方法

车辆牌照的快速提取是牌照识别技术实用的基础。本文给出了一种利用视频检测方法和车牌彩色信息快速提取车辆牌照的方法。该方法的主要思想是通过设定牌照检测区来检测并获取牌照的预定位区图像，然后选取合适的颜色空间将预定位区彩色图像直接转换为二值图像，再用空间聚类技术进行滤波消噪，最后利用二值图像的水平垂直投影来分割提取车牌区域。     

足球机器人视觉系统光强自适应算法研究

研究足球机器人比赛问题,比赛环境的光强度变化严重影响足球机器人视觉系统的识别性能.为提高机器人视觉识别率,提出了一种基于HSI颜色空间模型的光强自适应算法.算法将比赛场地划分为若干区域,利用HSI颜色空间模型可以分离环境光强度信息的特点,在比赛中动态更新所有划分区域的HSI颜色空间,提高了机器人视觉系统对光强变化的自适应能力,实现了机器人对比赛场地信息的精确辨识.因此用算法优化机器人视觉识别系统进行仿真.结果表明,在实际比赛中,算法能够有效降低环境光强度变化,大大提高了对足球机器人视觉辨识性能.     

一种基于HSV颜色空间的车辆牌照提取方法

给出了一种根据车牌底的彩色信息，利用HSV颜色空间对输入的含有汽车牌照的彩色图像直接进行处理，从而快速提取车牌照的方法。该方法的主要思想是通过选取合适的彩色空间将输入的彩色图像直接转换为二值图像，再用空问聚类技术进行滤波消噪，最后利用二值图像的水平垂直投影来分割提取车牌区域。     

一种分级的车牌颜色识别方法

针对复杂环境中车牌颜色识别率不高的问题,提出了一种分级的车牌颜色识别方法。首先将原始彩色图像投影到HSI空间,根据不同牌照在HSI空间的不同分布进行初步识别,接着提取出牌照的前景和背景,并根据各自的颜色信息再次进行识别,最后综合上述两个步骤得到最终的识别结果。大量实验结果表明,该方法颜色识别准确率高、适应性强。     

空间模糊C均值聚类的神经切片图像分割方法

周围神经切片显微图像具有背景复杂、区域不连续和光照不均匀等特点,应用经典的图像分割算法难以取得有效的分割结果。通过结合初始隶属度概率函数和空间距离来设计空间函数而得到的SFCM聚类算法,并提出SFCM彩色图像分割方法。把图像从RGB颜色空间转换到HIS颜色空间。采用聚类有效性分析指标在直方图快速FCM算法中为HSI各分量确定分类数目和获取SFCM初始化参数。对HIS各分量分别进行SFCM聚类,合并各分量并转换回RGB彩色空间以显示结果。实验结果表明,与标准FCM聚类分割算法相比,新方法能更有效地分割区域不连续的神经切片显微图像。     

彩色视频运动目标自适应在线聚类提取算法

针对彩色视频图像序列的运动目标提取问题,提出一种彩色视频运动目标自适应在线聚类提取算法。首先给出一种改进的基于HSI空间欧氏距离的色差度量方法;然后提出一种阈值自适应的在线聚类彩色背景重构算法,并对重构的彩色背景进行客观评价;最后运用背景减除法提取出运动目标。     

基于邻域颜色矩直方图的胃窥镜图像检索

针对彩色胃窥镜图像丰富的颜色信息,在HSV颜色空间量化聚类后,利用多邻域颜色矩直方图和原始的量化聚类直方图的方法,再运用PCA算法降维,进行检索,最后利用相关反馈技术进行多次检索。实验表明,利用该方法在各种性能评价指标下都具有较好的效果。     

基于颜色搭配与纹理特征的车牌定位方法

牌照定位是牌照识别系统中的关键技术。目前在多数牌照定位方法中考虑到了牌照的颜色和纹理特征,但对不同环境的适应性不强。为解决这方面的问题,首先从机动车牌照具有固定颜色搭配的特点出发构造颜色搭配掩模矩阵,并利用此掩模矩阵对原边缘检测图像进行条件约束,得到约束二值边缘图像;然后应用具有去噪能力的形态学结构元,形成牌照粗定位候选区域;最后依据牌照的纹理特征从候选区域中提取出真正的牌照。采用了BP神经网络获得强适应性的HSI空间牌照颜色识别方法,并且只在边缘点邻域内实现颜色空间转换运算,能极大地缩减定位周期。经实验表明,该方法能在复杂的环境和不同光照条件下快速地实现不同牌照的精确定位。     

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。     

基于色彩分割与体态纹理分析的车牌定位方法

介绍了一种基于色彩分割、体态分析及数学形态学纹理分析的车牌定位方法。该方法利用车牌与背景的色彩特征．在HSV空间内根据车牌颜色的三分量取值范围和色彩距离阚值进行色彩分割以初步过滤背景。对分割后得到的与车牌底色相符合的连通区域再根据车牌体态特征和车牌字符纹理特征，应用数学形态学处理及连通域体态分析等手段，逐步过滤干扰区域，最终定位正确的车牌位置。该方法充分考虑了车牌与背景的色彩、体态及纹理特征的差别，实验证明在复杂背景下具有很强的适应性与鲁棒性。     

车牌识别系统中关键技术的研究

针对现有的车牌识别系统中的多项关键技术做了改进。车牌定位与提取技术采用了基于图像二维能量与HIS彩色空间相结合的方法,并对现有的能量算法与彩色图像分割算法做了改进。在倾斜校正中,给出了一种基于车牌二值图像的密度重心的校正方法;在识别技术中,引入了特征提取与多级BP神经网络算法相结合的分类识别方法,对车牌中部分相似字符采用二级神经网络进行精细识别。实验表明,通过对车牌识别系统中关键技术的改进可以大大提高该系统的鲁棒性与准确率。     

基于HSV 色彩空间与数学形态学的车牌定位研究

车牌识别系统在高速路收费口与住宅小区车库管理中得到越来越多的应 用,车牌定位是整个识别系统实现的前提。基于灰度图像的定位方法和基于彩色车牌图像的 定位方法,实现效果均不大理想。在充分利用车牌先验信息的基础上,提出基于HSV 色彩 空间与数学形态学的车牌定位方法。先利用色彩信息对可能包含车牌目标的区域进行过滤, 再利用数学形态学技术生成连通区域,判断并生成正确的车牌区域,最后,使用radon 变换进 行倾斜校正。     

基于像素分类的彩色车牌定位

车牌定位是车牌识别系统中的首要问题,车牌定位准确与否对整个系统的性能起着至关重要的作用.针对车牌定位困难,文章介绍了一种基于像素分类的车牌定位方法,该方法先利用车牌像素颜色RGB值不同,对像素分类,然后分析统计像素,确定车牌区域.实验表明,该方法定位准确率高,适用于任意背景、位置和光照下的车牌定位.     

复杂背景下基于HSV 空间和模板匹配的车牌识别方法研究

车牌识别技术作为交通管理自动化的重要手段,在交通监视和控制中占有很重要 的地位。车牌识别过程可分为车牌定位、车牌校正、字符分割和字符识别四个部分。在车牌定 位中,若单纯采用纹理特征或颜色特征来进行定位,往往适用于背景较为简单的场景,对复杂 背景的定位效果尚有待改进。在字符分割中,目前单行车牌的分割已比较成熟,但双行车牌的 分割仍不理想。提出一种在HSV 空间下两次颜色标定和纹理特征相结合的定位方法和一种单双 行车牌的字符分割方法。该定位方法利用车牌固定颜色搭配特性,对图片两次标记并利用投影 法定位车牌,对200 张不同背景图片测试,定位准确率达到98%。在字符分割部分,利用改进 的模板匹配方法对字符分割,可适用于单、双行车牌分割,准确率达到95%。     

基于车牌色彩变化特征的车牌定位方法*

针对复杂背景下的车牌定位问题,提出了一种基于车牌色彩变化特征的车牌定位方法。该定位方法将RGB彩色空间中的车牌图像转换到HSV彩色空间中进行颜色识别,分割出车牌底色及字符颜色相对应的颜色区域,同时通过边缘提取、二值化处理、与运算找到对应颜色边缘特征点,最后经纹理分析来定位车牌。     

一种基于视频流的多车牌定位方法

针对视频流中多个车牌的定位问题,提出了一种基于图像复原技术与HSV颜色空间的多车牌定位方法。该方法的主要思想是用改进的维纳滤波器对获取的视频图像进行复原,根据车牌的颜色特征,利用 HSV 颜色模型构造5级灰度图,对灰度图用形态学方法进行消噪和区域连通处理,最后利用水平、垂直投影技术,结合车牌先验知识,通过分析和判断来确定并分割出各个汽车牌照。实验表明,该方法能有效的从复杂的背景中准确定位并提取出多个运动中的车牌。     

自然场景下变形车牌检测模型DLPD-Net

目的 随着智能交通领域车牌应用需求的升级,以及车牌图像复杂性的提高,自然场景下的车牌识别面临挑战。为应对自然场景下车牌的不规则变形问题,充分考虑车牌的形状特征,提出了一种自然场景下的变形车牌检测模型DLPD-Net （distorted license plate detection network）。方法 该模型首次将免锚框目标检测方法应用于车牌检测任务中,不再使用锚框获取车牌候选区域,而是基于车牌热力值图与偏移值图来预测车牌中心;然后基于仿射变换寻找车牌角点位置,将变形车牌校正为接近于正面视角的平面矩形,从而实现在各种自然场景下变形车牌的检测。结果 一方面,基于数据集CD-HARD评估DLPD-Net检测算法的性能;另一方面,基于数据集AOLP （the application-oriented license plate database）和CD-HARD评估基于DLPD-Net的车牌识别系统的有效性。实验结果表明,DLPD-Net具有更好的变形车牌检测性能,能够提升车牌识别系统的识别准确率,在数据集CD-HARD上识别准确率为79.4%,高出其他方法4.4% 12.1%,平均处理时间为237 ms。在数据集AOLP上取得了96.6%的识别准确率,未使用扩充数据集的情况下识别准确率达到了94.9%,高出其他方法1.6% 25.2%,平均处理时间为185 ms。结论 本文提出的自然场景下的变形车牌检测模型DLPD-Net,能够实现在多种变形条件下的车牌检测,鲁棒性强,对遮挡、污垢和图像模糊等复杂自然环境下的车牌检测具有良好检测效果,同时,基于该检测模型的车牌识别系统在非受限的自然场景下具有更高的实用性。     

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。