一种新的基于灰度图像的车牌定位算法研究与实现

汽车牌照的自动定位是智能交通系统中的重要组成环节之一,是实现车牌识别（LPR）系统的一项关键技术。针对不同背景和光照条件下的车辆图像,提出了一种基于灰度图像灰度变化特征进行车牌定位的方法。依据车牌中字符的灰度变化,以峰、谷规律分布确定车牌上下边界,对扫描行采用灰度跳变法确定车牌左右边界。测试结果表明,该方法是可行和有效的。     

基于智能摄像机的高速视觉系统及其目标跟踪算法研究

设计了一种基于智能摄像机的分布式并行处理的高速视觉系统,并应用该系统跟踪快速运动的乒乓球;同时提出了一套针对灰度图像的快速、有效的乒乓球识别跟踪算法．该算法能够在变化的背景下跟踪运动的乒乓球,具有较小的运算量及较好的鲁棒性．为了进一步提高视觉系统的实时性,还运用了动态窗口．实验结果表明,本系统能够快速识别跟踪运动的乒乓球,对于640480像素的8位灰度图像,采集与处理速度最快可以达到6ms．     

基于视频的实时车辆检测系统

基于视频的交通监控系统具有直观明了,安装方便和维护费用相对较低等优点,成为最有前途的大范围采集交通数据的技术,以指导车辆的运行.该文提出一种高效的,实时的通过计算机视觉来进行车辆检测的方法, 结合动态背景刷新策略和动态阈值的选择技术,通过比较检测线上象素的灰度值变化来判断车辆是否通过,然后进行时空分析, 把一系列检测线图像按照时间序列进行重构,得到全景视觉图,然后进行图像处理,获得具体车辆的参数（宽度,通过检测线时间等）.试验结果显示了该方法的有效性,车辆通过检测线的识别率大于95%,满足了实际的要求.     

视频检测技术在智能交通系统中的应用

智能交通视频检测技术,是一项利用计算机视觉技术分析视频图像,对运动车辆检测及识别以获得交通信息的技术。在实际交通路况下,摄像机常处于静止状态,并且镜头焦距是固定的。本文以此情形下获取的车流量视频为对象,提出快速自适应灰度归类算法重构背景,即融合灰度归类算法与帧间差分算法,对前景像素采用灰度归类算法获取背景灰度值,以重构背景图像。仿真结果表明本算法在处理效果和处理时间上都大大优于传统算法。     

偏暗或泛白背景的车牌图像二值化方法

在车辆牌照识别系统中,由于摄像机畸变、动态范围太窄、车辆牌照被污染等原因,灰度化的车辆牌照图像背景变得模糊,接近于字体的灰度或者动态范围不高,使得前景字体跟背景难以分开。该文采用高帽与低帽形态滤波增强车牌图像中的字体,去除背景对图像的影响,使用基于迭代的图像分块二值化算法进行二值化。实验表明,该算法可有效克服偏暗或泛白背景的影响,二值化效果良好。     

基于多特征的车辆一致性检测的研究与应用

文中主要研究封闭区域内多摄像机间车辆跟踪时车辆的同一性识别问题,提出一种基于车辆多种特征的、多摄像机间的车辆目标一致性匹配方法。该方法采用背景减除法分割出感兴趣区域,对感兴趣区域采用灰度和彩色区间分割相结合的方法定位车牌,并识别车牌信息及车辆的HSI颜色信息;同时利用边缘检测算法和矩不变量技术对车型进行识别,最后采用特征加权法对车辆进行一致性匹配。实验结果表明这种匹配方法在外界条件良好时可以较好地检测出同一车辆目标。     

基于RFID和图像识别的城市ETC系统的设计

利用RFID技术识别距离远、速度快的性能优势,把车辆信息与电子标签唯一对应起来,实现车辆信息的实时动态数据采集和管理,并利用图像处理和识别技术加强对车辆的控制,通过对车辆物理信息识别来验证车辆身份合法性,对提高车辆的安全性和有效性起着非常重要的作用。系统一方面大大提高了城市车辆管理的形象,预防了人工操作的漏洞,另一方面大大地促进了城市的自动化建设。     

梯度与视觉显著度下的图像灰度重叠区域识别

采用目前方法识别图像中存在的灰度重叠区域时,没有构建图像的显著性图,存在识别精度低、查全率低和识别效率低的问题.提出梯度与视觉显著度下的图像灰度重叠区域识别方法,根据Gestalt前背景分离原则对图像中存在的梯度通道和颜色通道进行随机阈值化处理,获得对应的二进制布尔图,采用线性平均融合方法融合利用上述获取的二进制布尔图生成视觉注意图.通过分块区域分割技术识别显著性图中存在的空间位置信息,为图像灰度重叠区域的识别提供点云数据,在云计算模式中结合局部空间降噪方法消除噪声,定位去噪处理后显著性图空置区域中存在的特征点,提取灰度重叠区域的动态特征,建立对应的灰度直方图,最后利用云检测技术识别图像中存在的灰度重叠区域.仿真结果表明,所提方法的识别精度高、查全率高、识别效率高.     

智能交通系统中的计算机视觉技术应用

随着经济的发展,如何保障交通的顺畅与安全已成为世界性的热点研究课题之一。文章对智能交通系统进行了分析,并着重讨论了计算机视觉技术在智能交通系统中的应用。提出了一种基于背景差的车辆检测算法,在灰度图像序列中对六条车道同时进行监测,以统计各车道的车流量,并按大中小三种车型对过往车辆进行车型识别。     

智能交通信号控制中的动态背景更新的改进方法

提出一种改进的动态背景更新方法，用帧差法进行车辆检测，结合边缘检测对于边缘的敏感性，可以有效降低阴影对检测结果影响的优点，消除帧差法中阴影的影响。并且考虑光线的变化，对每帧图像的平均灰度值的过滤来减少光线影响带来的误判。实验表明，这种方法可以排除背景的干扰，有效检测车辆。     

视频交通流检测演示系统

提供了一个可以从网上下载的“视频交通流检测演示系统”。系统通过预先设置在屏幕上的视频检测线进行车辆的交通检测,可以测试车流量、车长及车速。系统采用狭缝技术、动态背景刷新原理、彩色图像的阈值选取以及MPFG压缩视频来实现视频交通检测。该系统提供了上海某交通路口的实时检测的范例。系统还可以拓展到其他视频监视系统中。     

基于灰色神经网络的汽车动态称重数据处理

针对目前汽车动态称重方法称量精度低和所需数据样本数量大的缺陷,提出了一种新的动态称重数据处理方法,通过GM（1,1）模型对车辆动态称重数据进行预处理,获得每个称重数据的误差补偿量,建立了以车辆速度、加速度、动态称重残差序列为输入变量的灰色神经网络模型,使系统称量误差小于1%,称量准确度等级达到1级指标。研究表明,该方法在动态汽车衡数据处理中的可行性强,实现了在贫信息、少数据情况下对动态称重数据的高精度处理,为汽车动态称重系统精度的进一步提高提供了理论与技术支撑。     

一种基于鲁棒局部纹理特征的背景差分方法

针对复杂场景下运动目标的精确检测这一问题,提出一种对噪声鲁棒并具备灰度尺度不变性的局部纹理特征描述子LBP_Center,将其与像素的颜色信息结合应用于背景建模中,采用随机抽样的机制更新模型,同时引入背景复杂度以去除多模态动态背景产生的噪点。在标准测试数据集上的实验结果表明,该算法对柔性阴影及光照缓慢变化具备良好的鲁棒性,综合性能更优。     

图像清晰度评价方法研究

数字图像的清晰度评价一直是各类数字成像系统的一个关键问题，而在已有的一些的评价参数中，由于评价方法不同，均存在一些局限性，为此，针对图像的清晰程度提出一种新的评价方法，目的在于能够快速、准确地评价数字图像的清晰度。该评价方法评价参数可通过改进边缘锐度算法(EAV)得到，然后与机测MTF值的变化趋势一起做曲线回归分析，以便和其他传统清晰度评价参数做对比。通过上百幅各类数字图像的测试，结果表明，该评价参数与数字成像系统的MTF值变化有着很好的正相关关系，其不仅能够更准确地反应数字图像清晰度变化的趋势，而且便于简捷、快速地应用于各类数字图像的清晰度评价。     

Direct extraction of topographic features for gray scale characterrecognition

Optical character recognition (OCR) traditionally applies to binary-valued imagery although text is always scanned and stored in gray scale. However, binarization of multivalued image may remove important topological information from characters and introduce noise to character background. In order to avoid this problem, it is indispensable to develop a method which can minimize the information loss due to binarization by extracting features directly from gray scale character images. In this paper, we propose a new method for the direct extraction of topographic features from gray scale character images. By comparing the proposed method with Wang and Pavlidis' method, we realized that the proposed method enhanced the performance of topographic feature extraction by computing the directions of principal curvature efficiently and prevented the extraction of unnecessary features. We also show that the proposed method is very effective for gray scale skeletonization compared to Levi and Montanari's method     

基于灰色理论的车辆分类统计与流量预测

在灰色理论基础上提出了一种自动车型识别与流量预测技术。该技术实现可分为三个步骤：第一步,测量车辆的三维信息,获得车辆的长、宽、高度特征;第二步,利用灰色关联分析对车辆进行分类识别;第三步,建立一阶单变量车辆预测模型即GM（1,1）,用于有关部门统计指标的预测。实验表明,该方法在车型识别中,具有比较高的识别精度,而灰色预测模型较传统的预测方法更具科学性与实用性。     

基于构造性学习方法的车牌定位

汽车牌照的定位是智能交通系统中的重要组成部分之一，其定位效果直接关系到后期的识别工作，应用前景广阔。为了有效实现车牌的准确定位，文中首先在灰度图像中基于提取部分怀疑区域，然后使用基于构造性学习的交叉覆盖算法，对区域样本进行学习后构造出对应的神经网络，然后使用该网络对新进样本进行定位，从怀疑区域中确定出牌照的位置。对不同背景和光照条件下的大量实验结果表明定位准确率较高，从而该方法可行有效，有较强的实用价值。     

前背景骨架区域随机点对策略驱动下的车标识别方法

目的 现有的车标识别算法均为各种经典的图像特征算子结合不同的分类器组合而成,均未分析车标图像的结构特点。综合考虑车标图像的灰度特征和结构特征,提出了一种前背景骨架区域随机点对策略驱动下的车标识别方法。方法 本文算法将标准车标图像分为前景区域和背景区域,分别提取前、背景的骨架区域,在其中进行随机取点,形成点对,通过进行点对的有效性判断,提取能表示车标的点对特征。点对特征表示两点周围局部区域的相似关系,反映了实际车标成像过程中车标图案部分与背景部分的灰度明暗关系。结果 在卡口系统截取的19 044张车标图像上进行实验,结果表明,与其他仅基于灰度特征的识别方法相比,本文提出的点对特征识别方法具有更好的识别效果,识别率达到了95.7%。在弱光照条件下,本文算法的识别算法效果同样优于其他仅基于灰度特征的识别方法,识别率达到了87.2%。结论 本文提出的前背景骨架区域随机点对策略驱动下的车标识别方法,结合了车标图像的灰度特征和结构特征,在进行车标的描述上具有独特性和排他性,有效地提高了车标的识别率,尤其是在弱光照条件下,本文方法具有更强的鲁棒性。