基于多特征和加权模式相似性测度的车牌字符识别方法

针对嵌入式环境下车牌识别的问题,本文提出了一种基于多特征和加权模式相似性测度的车牌字符识别方法。首先获取车牌字符的结构、轮廓与笔划等多特征信息,建立车牌字符编码表;然后利用加权模式相似性测度进行特征匹配,完成字符识别。该方法不需要样本和模板,占用资源少,运算效率高,可以满足嵌入式环境下车牌识别对资源和效率的要求。实验表明,该方法鲁棒性好、识别率高。     

基于多特征和加权模式相似陛测度的车牌字符识别方法

针对嵌入式环境下车牌识别的问题,本文提出了一种基于多特征和加权模式相似性测度的车牌字符识别方法。首先获取车牌字符的结构、轮廓与笔划等多特征信息,建立车牌字符编码表;然后利用加权模式相似性测度进行特征匹配,完成字符识别。该方法不需要样本和模板,占用资源少,运算效率高,可以满足嵌入式环境下车牌识别对资源和效
效率的要求。实验表明,该方法鲁棒性好、识别率高。     

一种字符组合词包模型的少约束车牌定位算法

针对如何在复杂背景、拍摄角度和车牌尺度发生变化等少约束条件下实现基于字符组合词包模型的车牌定位算法。本文首先构造包含车牌数字字符和英文字符的数据库;然后利用本算法识别提取车牌字符的SIFT特征,并精准计算识别特征点在字符识别区域的相对位置、物理方向等信息组成视觉识别词汇;最后把本车牌字符的视觉词汇聚合后搭建车牌字符视觉词包数据库。在识别阶段,提取待识别图像SIFT特征与视觉词包中的视觉词汇进行匹配,并聚合所有有效投票位置来实现车牌区域的准确识别定位。仿真结果表明,本文算法对于背景复杂下的车牌区域定位具有较好的效果。     

基于评分模型的车牌字符识别方法

现如今摄像头的普遍应用,使运用于监控视频中的车牌识别算法越来越受到重视。从监控视频中切割出来的车牌字符图片往往具有低像素、模糊、字符混淆严重或者边缘凹凸不齐等缺陷,针对传统的车牌字符识别算法对于这种类型车牌字符的低识别率,提出一种基于评分模型的车牌字符识别算法。该算法是将字符图片分成若干个方格,全部格子根据白点的数目划分为不同的等级,标准字符模板也是如此划分等级。在识别匹配时,待识别字符图片与字符模板相对应的方格分别进行等级匹配,按照该算法中的评分模型打出相应的分数,有加分、减分或者给零分,最后将分数相加,匹配得出最高分的字符模板将是最终的识别结果。实验结果验证了该算法的有效性。     

基于SIFT特征匹配的车牌识别方法

针对智能交通系统中基于视觉的车牌识别中存在的依赖于光学字符识别以及在复杂环境下准确率低的问题,提出了基于SIFT特征匹配的车牌识别方法。通过基于插值的超分辨率图像重建方法对车牌图像进行预处理,基于轮廓特征对车牌进行定位,通过SIFT特征匹配的方式,利用模板库中的车牌字符模板对车牌进行定位验证以及字符识别。实验结果表明该方法能有效提高车牌识别的效率。     

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。     

基于模板匹配和神经网络的车牌字符识别方法

本文提出了一种基于模板匹配和神经网络的车牌识别方法.该方法集成了模板匹配识别车牌字符和神经网络识别车牌字符的各自优势.对于字符可单独分割出来的一类车牌,本文提出了一种改进的神经网络来进行字符识别;对于字符不可分割或分割困难的另一类车牌,本文提出了一种基于四灰度加权相似函数模板匹配方法来识别字符.从而克服了单一方法很难同时识别这两类车牌中的字符的不足,同时可有效地提高车牌字符识别的识别率、识别速度或识别系统的泛化能力.实验结果表明:大多数情况下,该方法车牌字符识别率超过90%,识别时间不超过1 200毫秒,能更有效识别各种车牌中的字符,能更好地满足实际系统的要求.     

基于模板匹配和局部HOG特征的车牌识别算法

针对车牌字符识别中模板匹配法识别率低,尤其是无法准确识别相似字符的不足,本文提出了一种模板匹配法结合局部HOG特征的车牌识别算法.首先利用模板匹配法对车牌所有字符进行初步识别,然后分别提取车牌和模板相似字符中最具区分度的一小块HOG特征进而构建特征向量,最后根据特征向量之间的欧氏距离来度量车牌字符和模板字符的相似性,进而完成二次识别.实验结果表明,本文方法有效地解决了相似字符误识别的问题,在保证识别速率的同时识别率显著提高.     

改进的车牌相似字符分级分类识别算法研究

针对单一使用模板匹配车牌字符识别算法识别准确率低的缺陷,综合考虑到模板匹配方法的优劣,以及车牌字符集自身的特征,通过研究模板匹配方法的思想并对相似字符容易误识别的特点进行分析,采用改进的基于模板匹配车牌相似字符识别方法,并结合分级分类的思想,有效地提高了识别率.对不同环境下1030张高速卡口摄像头抓拍的车牌图像进行测试,提出的车牌字符识别方法准确率达到了系统的要求,并具有良好的鲁棒性和实时性.     

字符多特征提取方法及其在车牌识别中的应用

针对车牌字符识别中大部分单一特征提取方法在字符识别上的局限性,提出了一种车牌字符多特征提取方法。在经过预处理后的车牌细化字符基础上提取字符4个侧面的笔画特征、拐点特征、轮廓累积特征及字符内部像素特征,构建出一个维度较低的特征向量集,然后分别采用支持向量机、K近邻算法、BP神经网络、径向基神经网络对陆丰高速公路实地拍摄的车牌图片进行测试并分别与模板匹配方法、网格法、基于小波矩方法比较,实验结果表明提出的车牌字符多特征提取方法识别率高,鲁棒性好。     

基于BP网络的木刻藏文经书文字识别研究

木刻藏文经书文中出现字符间粘连、断裂、遮挡现象严重,为识别带来极大的困难。在字符切分、特征提取等文字识别方法基础上,增加了基于BP网络的训练方法,通过对大量的木刻藏文经书字符的训练,修正了数据,收敛了识别结果。实验结果显示,此方法有助于提高木刻藏文经书的文字识别正确率。     

基于MSER与SVM算法的车牌定位识别方法

针对实际车牌识别系统中车牌位置定位难、字符识别率低等问题,提出了一种基于MSER与SVM算法的车牌定位识别。该方法分为定位和识别两步,输入图像经过预处理,通过MSER与SVM算法直接提取出车牌的字符区域,然后将车牌字符图像裁剪送入识别阶段,识别阶段同样利用SVM算法对车牌字符进行识别。经验证,该车牌定位识别方法识别速度快、准确率高,能够适用于实际生活中较为复杂的交通环境。     

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.     

用VB实现手写文字模糊识别

探讨了手写文字模糊识别的基本原理，并给出了采用VB6.0实现手写模糊识别系统的方法。     

基于图像背景减除技术的步态识别研究

步态识别是一种新的生物特征识别技术,旨在根据人们走路的姿势进行身份识别。本文利用图像背景减除技术进行步态轮廓检测,然后利用傅立叶描述子对步态轮廓图像进行描述,进行维数压缩,得到模板匹配,最后,利用最邻近法进行识别。实验证明,该算法具有较高的识别率。     

基于图像背景减除技术的步态识别研究

步态识别是一种新的生物特征识别技术,旨在根据人们走路的姿势进行身份识别。本文利用图像背景减除技术进行步态轮廓检测,然后利用傅立叶描述子对步态轮廓图像进行描述,进行维数压缩,得到模板匹配,最后,利用最邻近法进行识别。实验证明,该算法具有较高的识别率。     

基于字符分割和LeNet-5网络的字符验证码识别

为了解决传统验证码识别方法效率低,精度差的问题,设计了一种先分割后识别的验证码处理方案。该方案在预处理阶段用中值滤波去噪,再利用霍夫变换对图像字符进行矫正;在字符分割阶段,利用垂直投影算法确定验证码字符块个数,以及字符坐标点,再用颜色填充算法对验证码进行初步分割,根据分割后的字符块数量对粘连字符进行二次分割;在识别阶段,我们对LeNet-5网络进行了改进,修改了输入层,并用全连接层替换了LeNet-5网络中的C5层,以此来对验证码字符进行识别;实验表明,对于非粘连验证码和粘连验证码,单张图片分割时间为0.14和0.15ms,分割准确率为98.75%和97.25%,识别准确率为99.99%和97.7%;结果表明,该算法对验证码分割和识别都有着很好的效果。     

文档识别中误切分字符拒识问题的研究

自动文档识别中字切分算法如果仅仅依靠大小位置等度量信息,很容易产生误切分图像块,需要字符分类器给出一定的反馈才能准确切分,为此提出了一个新的拒识算法,目标是尽可能准确地拒识非法字符。该文分析了基于距离的分类器的置信度和广义置信度,在此基础上改进了常用的广义置信度映射函数,并设计了一个基于样本学习的拒识规则,提高了拒识算法的适应性。在中日韩三种文档样本上的实验表明,该文算法明显改善了系统性能,对于较低质量的印刷文本识别具有一定的普遍意义。     

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SVM的数字识别技术研究

论文介绍了支持向量积的工作原理以及其在图像识别中的应用,指出了该方法与常规识别法的优势所在,并在以数字字符的识别为例进行实现,通过对各个字符样本特征提取来识别字符,并在MATLAB下给出识别结果,实验结果表明了该方法识别准确性较高,而且SVM(support vector machine)样本训练的收敛速度比较快。