一种基于字符分割与字符识别的LPR方法

对车牌识别(LPR)系统中字符分割与字符识别方法进行探讨.根据车牌字符的特点,首先利用投影法采用水平扫描和垂直扫描进行字符分割,接着对字符图像进行归一化处理,实现对字符的完全分割.在此基础上,利用BP神经网络识别算法实现车牌字符的识别,从而提高系统的识别速度和识别率.数字仿真的识别结果验证了该方法的正确性和有效性.     

基于改进BP神经网络的夜间车牌识别算法研究

为了提高夜间条件下车牌识别准确率,提出了一种基于改进BP神经网络的车牌识别算法.为了改善夜间环境下车牌图像的质量和清晰度,在图像预处理过程中采用了图像平滑处理增强技术;利用图像边缘检测技术实现了对图像正确定位,然后通过统计车牌图像白色像素个数的方法对字符分割;在此基础上,使用基于附加动量法和自适应学习速率改进的BP神经网络方法精确识别车牌.实验结果表明,该方法对夜间车牌的分割和识别是有效的.     

车牌识别中关键技术的研究与实现

介绍了车牌图像识别系统的现状,提出一种针对高速公路环境下的车牌定位与识别算法.在定位阶段,通过伪二值化方法消除路面产生的噪声,利用形态学闭运算定位车牌字符,并对车牌图像进行灰度交换,最终得到无边框、灰度对比强的车牌图像.字符分割采用基于字符连通域宽高检测和先验知识相结合的方法,很好地解决了字符粘连对分割的干扰,同时完成了对车牌图像的滤波.在识别阶段,先对车牌图像进行二值化和倾斜矫正,字符识别采用基于模板匹配的改进算法.对高速公路上300幅车辆图像进行测试,识别准确率高于80%.     

基于多尺度模板匹配和神经网络的车牌识别

针对现有车牌字符分割算法和识别问题的分析,本文采用一种多尺度模板匹配的车牌字符分割算法;并在此分割基础上采用小波神经网络算法识别车牌字符。实验表明该分割与识别方法的结合实现了切分准确、鲁棒性强、去伪性好和快速准确识别的高效性。     

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.     

基于条件随机场的低图像质量车牌字符分割

提出一种基于条件随机场的车牌字符分割算法,能够对光照不均、相机拍摄角度造成的低图像质量的车牌图像,特别是日益增多的车牌边框与字符相连接车牌图像进行有效的字符分割。算法首先进行车牌图像校正,然后利用标注车牌数据进行模型学习,对车牌图像像素列进行分类识别,最后组合成车牌字符分割结果。理论分析与实验结果验证了算法的有效性。     

应用于社区安防的车牌识别门禁系统关键技术研究

对应用于社区安防的车牌识别门禁系统关键技术,采用基于染色矩阵算法对门禁系统拍到的车牌图像进行边缘检测,可避免反复的数据建模过程,又能减少图像处理时间;针对我国车牌的汉字、字母和数字字符共存的特点,采用垂直投影字符分割与模板匹配相结合的方法分别对车牌图像中的字母、数字字符和汉字字符进行分割,提高了车牌字符分割精度;改进了应用于车牌识别上BP神经网络（Back Propagation Neural Network）识别技术,引入了陡度因子,使网络能够快速收敛,减少运算时间。实验表明,该车牌识别门禁系统关键技术可广泛应用在现代社区中,也可以为社区门禁系统生产厂家提供技术支撑。     

一种倾斜车牌字符提取方法

针对车牌字符提取中存在的问题,本文提出了一种针对倾斜车牌的字符提取方法.运用最大熵分割算法分割车牌图像,运用串并行扫描结合的方法细化图像,提取骨架.运用Hough变换法提取车牌边缘所在的直线,求出倾斜角度以矫正图像.对校正之后的骨架图像进行逐行扫描,确定整个车牌所在区域,并运用水平投影法分出每个字符所在区域,以便进行识别.实验证明,本文提出的车牌字符提取方法中对车牌倾斜有很好的适应性,行扫描的方法可以快速分辨出车牌字符区域,是一种鲁棒的字符提取方法.     

基于最小字符投影的车牌图像错切校正方法

为解决车牌图像倾斜对字符分割与识别带来的不利影响,提出一种基于字符投影的车牌图像错切校正方法.对旋转后的车牌字符区域向水平坐标上投影,利用最小投影距离获取水平错切角,采用二维几何变换对图像进行校正.试验结果表明,该方法不依赖车牌边框特征,抗干扰性强,具有较高的鲁棒性.     

基于数学形态学边缘检测的车牌字符分割算法

汽车牌照字符分割是车牌识别过程中的关键步骤,直接影响到字符识别的效果。传统的方法对车牌图像质量要求较高,且抗干扰能力较差。提出一种基于Renyi熵和数学形态学边缘检测的车牌字符投影分割算法,首先用二维Renyi熵最大阈值法对车牌图像做二值化处理,然后用形态学腐蚀运算进行边缘检测,再去除车牌边框,最后通过投影分割提取车牌字符。仿真实验表明,基于Renyi熵最大阈值法和数学形态学边缘检测车牌图像预处理使得车牌字符边缘清晰,降低了噪声的干扰,有利于进行字符投影分割。该算法分割速度快,鲁棒性好,可获得比传统方法更好的分割效果。     

汽车牌照定位与字符分割

基于数字图像处理和模式识别技术的汽车牌照自动识别技术是汽车牌照识别系统的关键技术。研究汽车牌照定位和字符分割技术,实现了汽车牌照图像的预处理、基于水平投影和垂直投影算法的汽车牌照定位和基于垂直投影特征值分割算法的汽车牌照字符分割。实验结果表明,该算法能有效快速定位汽车牌照和准确分割汽车牌照字符。     

An automated vision system for container-code recognition

Automatic container-code recognition is of great importance to the modern container management system. Similar techniques have been proposed for vehicle license plate recognition in past decades. Compared with license plate recognition, automatic container-code recognition faces more challenges due to the severity of nonuniform illumination and invalidation of color information. In this paper, a computer vision based container-code recognition technique is proposed. The system consists of three function modules, namely location, isolation, and character recognition. In location module, we propose a text-line region location algorithm, which takes into account the characteristics of single character as well as the spatial relationship between successive characters. This module locates the text-line regions by using a horizontal high-pass filter and scanline analysis. To resolve nonuniform illumination, a two-step procedure is applied to segment container-code characters, and a projection process is adopted to isolate characters in the isolation module. In character recognition module, the character recognition is achieved by classifying the extracted features, which represent the character image, with trained support vector machines (SVMs). The experimental results demonstrate the efficiency and effectiveness of the proposed technique for practical usage.     

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。     

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。     

A configurable method for multi-style license plate recognition

Despite the success of license plate recognition (LPR) methods in the past decades, few of them can process multi-style license plates (LPs), especially LPs from different nations, effectively. In this paper, we propose a new method for multi-style LP recognition by representing the styles with quantitative parameters, i.e., plate rotation angle, plate line number, character type and format. In the recognition procedure these four parameters are managed by relevant algorithms, i.e., plate rotation, plate line segmentation, character recognition and format matching algorithm, respectively. To recognize special style LPs, users can configure the method by defining corresponding parameter values, which will be processed by the relevant algorithms. In addition, the probabilities of the occurrence of every LP style are calculated based on the previous LPR results, which will result in a faster and more precise recognition. Various LP images were used to test the proposed method and the results proved its effectiveness.     

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.     

几何特征形态学车牌识别系统研究

优化识别车牌识别问题,由于图像中的环境背景受到天气、照明等因素的影响,车牌定位不清。为解决上述问题,提出了一种结合车牌图像自身几何特征的数学形态学车牌识别系统的方法。首先应用直方图的灰度增强和局部阈值算法对车牌图像进行的预处理,通过对比采用梯度算子Roberts对图像进行有效的边沿检测,再根据提出的几何特征形态学车牌定位识别方法对灰度车牌图像进行车牌区域精确定位,采用模板匹配和神经网络方法实现字符识别。通过对实际场景中车牌图像样本进行仿真,证明了上述方法的有效性,且借助于实时性好的LabVIEW平台,较好地实现车牌识别定位优化问题,为实际交通管理提供了依据。     

车牌识别系统的设计与实现

汽车牌照自动识别系统是制约道路交通智能化的重要因素,包括车牌定位、字符分割和字符识别三个主要部分。本文首先确定车辆牌照在原始图像中的水平位置和垂直位置,从而定位车辆牌照,然后采用局部投影进行字符分割。在字符识别部分,提出了在无特征提取情况下基于支持向量机的车牌字符识别方法。实验结果表明,本文提出的方法具有良好的识别性能。