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.     

车牌字符多特征提取与BP神经网络的识别算法

在车牌图像字符识别问题的研究中,针对大部分单个特征提取方法在车牌字符识别上的局限性,提出一种车牌字符多特征提取与BP神经网络识别的算法.对车牌字符图像进行预处理后,提取字母和数字字符直线特征,字符笔画点特征,环数特征以及环面积特征,作为字母与数字字符的四类特征.因汉字结构复杂与笔画多,采用13点来提取汉字特征,提取的特征输入到网络进行学习和识别.针对BP神经网络算法的不足,采用附加动量法和自适应学习速率对其改进.MATLAB仿真结果表明改进算法能够有效的提高车牌字符的识别率,识别率达到了98.5％.     

一种新的基于字符形状特征的高效车牌识别算法

提出了一种基于字符的凹凸性、弯曲度和交点数等形状特征的车牌字符识别方法,它无须对字符作归一化、细化、倾斜校正这些预处理,也不需要样本图像,降低了字符畸变所产生的误识和拒识,减少了处理时间,提高了识别率。实验结果表明这是一种高效的车牌识别算法,是对现有车牌识别技术的有益补充。     

基于量子门神经网络的车牌字符识别

针对车牌字符在车牌图象质量退化时识别率较低以及识别时间较长的问题,提出一种基于量子神经计算的车牌字符识别方法。该方法将通用量子门组作为神经网络的激活函数来实现量子神经计算,同时把字符的粗网格特征作为字符的识别特征进行车牌字符识别。实验结果表明,该方法能有效提高“带噪”车牌的识别率以及抗干扰能力。     

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.     

车牌识别系统中的字符分割技术研究

车牌字符分割是车牌识别系统的三大关键技术之一。准确的字符分割,既能提高字符识别的准确率,又能提高识别的速度。针对车牌图像背景复杂、光照多变、干扰较多的情况,文章在车牌区域预处理的基础上提出了一种基于先验知识的垂直投影字符分割方法。实验结果表明该算法简洁、实时性好、处理正确率高,达到了实用的标准。     

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。     

车牌识别系统中的字符分割技术研究

车牌字符分割是车牌识别系统的三大关键技术之一。准确的字符分割,既能提高字符识别的准确率,又能提高识别的速度。针对车牌图像背景复杂、光照多变、干扰较多的情况,文章在车牌区域预处理的基础上提出了一种基于先验知识的垂直投影字符分割方法。实验结果表明该算法简洁、实时性好、处理正确率高,达到了实用的标准。     

局部HOG和分层LBP特征融合的车牌字符识别

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,提出了一种局部HOG和分层LBP特征融合的车牌字符识别方法. 首先利用模板匹配法对车牌所有字符进行初步识别,然后利用HOG算子提取车牌和模板相似字符中最具区分度的一小块边缘特征,接着利用LBP算子提取原始车牌和模板相似字符中相同区域块的分层纹理特征,将两种特征串行融合构建串行特征向量,最后根据特征向量之间的卡方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. 通过实验比较了11种算法的识别性能,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,达到99.52%.     

基于CNN网络的带遮挡车牌识别

为提高存在遮挡的车牌识别准确率,基于数据驱动,利用形态学算法如腐蚀、膨胀、旋转等对标准化字符进行自动化处理,并自适应地加入高斯噪声构建带有遮挡的字符样本以代替常见的无遮挡标准车牌字符样本.结合图像边缘检测与HSV(Hue,Saturation and Value)模型对车牌实现正确定位;采取霍夫边缘检测对倾斜的车牌进行仿射校正,并归一化车牌尺寸对车牌进行规定比例的字符切分.在此基础上,使用卷积神经网络(Convolutional Neural Networks,CNN)对样本库进行训练并对车牌内容进行识别.实验结果表明,该方法对带遮挡物的车牌具有良好的识别效果,且对汉字的识别精度略高于字母及数字.通过不同网络中与无遮挡样本库的识别效果对比可知此样本库的整体识别精度确有明显提高,有一定的应用价值.     

基于梯度方向直方图与高斯金字塔的车牌模糊汉字识别方法

针对现有车牌识别方法中对模糊车牌识别率不高的问题,提出一种结合高斯金字塔与梯度方向直方图(HOG)特征的车牌识别算法。利用金字塔模型多尺度表达的方法,首先对车牌模糊汉字图像建立两层高斯金字塔模型,第一层描述了模糊汉字的细节特征,通过对第一层作平滑处理并向下采样得到第二层,在描述模糊图像细节特征的基础上突出主体特征;然后对两层高斯金字塔模型提取HOG特征,拓展图像的特征维数,提高特征对模糊汉字的识别能力;最后采用BP神经网络分类器进行模糊且互为形近字间的汉字分类识别。仿真结果显示,在相同的样本空间下,与HOG特征法、K-L变换法相比,所提算法在识别率方面均有提高,能提高视频监控中对模糊汉字的有效识别率。     

基于双边缘检测的车牌识别算法

随着智能交通的不断发展,车牌识别系统已经成为其中的重要组成部分。车牌识别分为车牌定位、字符分割以及字符识别三个部分。提出了一种新型车牌识别方法。在车牌定位方面,采用双边缘检测车牌定位方法;对于字符分割则提出了寻找连通域与传统投影分割相结合的方法;在字符识别上,将分类器分为三组,同时对于易混淆的字符进行了再次分类,这种做法缩短了训练时间,提高了准确率。实验结果表明,所提出的方法具有识别率高和速度快等特点。     

基于神经网络和支持矢量机的多机动车车牌在线检测方法

针对道路交通多车牌识别问题, 提出了一种快速鲁棒的多车牌检测识别方法, 包括多车牌检测和车牌字符识别两部分:构造BP (Back-Propagation)神经网络模型用于颜色识别, 结合图像形态学运算方法, 筛选候选车牌目标, 基于支持矢量机从候选车牌目标中判别真正的车牌目标; 通过轮廓尺寸判断, 并结合车牌尺寸特征, 依次分割提取城市代码字符块、省份代码字符块及5位机动车编码字符块, 最后基于BP神经网络识别字符块内容.基于上述原理, 开发了鲁棒的多机动车车牌自动检测识别系统, 并在真实场景中进行了实验测试, 结果表明: 1)车辆在正常速度行驶条件下, 系统依然可以保证90%以上的车牌检测识别正确率; 2)系统可实现同时多车牌检测识别; 3)文中实验硬件配置下, 系统单幅图像检测识别平均时间低于130 ms, 处理频率约8 Hz.     

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。     

基于MATLAB的车牌识别系统的设计与研究

汽车牌照自动识别系统是智能交通系统的重要组成部分,主要包括图像采集、图像预处理、车牌定位、字符分割、字符识别等五个核心部分,并提出了一套基于MATLAB的汽车牌照自动识别系统的方法。该方法具有很高的识别能力,能有效解决在有噪声和光照条件恶劣情况下车牌的定位、字符倾斜、字符分割提取等复杂问题,最后运用上述方法对汽车图像进行处理,表明MATLAB在车牌识别系统中的运用非常有效。     

车牌图像的快速匹配识别方法

在车牌识别中,经常遇到车牌字符发生缺损、污染现象,统计识别、结构识别方法很难将它们准确识别出来。该文提出了一种快速匹配识别方法,根据图像放大和缩小原理构建多种字符模板,利用图像上、下矩对字符进行粗分类,然后根据图像自相关特性,构建了失配比例加权惩罚匹配模型,可以对车牌字符进行精确识别,该方法识别率达到了99%以上。