基于改进的BP神经网络车牌识别的研究

近年来,城市智能交通系统发展的很快,车牌识别系统作为城市智能交通系统中信息采集的一种重要手段,也引起越来越多关注.本文对车牌识别的形态进行深入研究,应用了改进的BP神经网络算法.实验结果显示这个方法可以更高效的识别车牌并且建立一个良好的未来车牌识别技术的基础.     

基于改进BP神经网络的车牌识别算法

车牌识别是智能交通系统的一项关键技术,可以有效实现车辆信息的获取.针对车牌图像的倾斜、模糊等干扰导致的识别错误,本文通过Radon变换算法实现车牌定位矫正,通过引入附加动量项以及自适应学习因子,改进BP神经网络,提高了字符的识别准确率.对102张拍摄距离较远或存在车牌倾斜等干扰的汽车图像进行车牌识别,识别准确率达到95%,表明本文算法具有较好的识别准确率与抗干扰性.     

BP神经网络在车牌识别技术中的应用

车牌识别系统作为智能交通系统的重要部分,对车辆定位、交通流量的监控具有重要的意义。在车牌识别系统中,利用BP神经网络对车牌进行识别得到广泛的应用,如何提高车牌识别的准确率是车牌识别系统最根本的问题。在多路监控系统中,所采集的车牌图像大小比较小,严重影响了车牌的识别率。采用优化的BP神经网络结构以及根据环境差异进行识别的方法,对车牌识别进行研究,研究实现了对较小的车牌进行准确的识别。     

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.     

复杂环境中的车牌字母和数字识别研究

当前车牌识别的研究大都是针对正常环境进行的,对于复杂环境下的车牌难以达到识别要求。本文提出一种用BP神经网络构造并行神经网络的车牌字母和数字识别方法,利用PVM网络在虚拟并行平台上实现了并行神经网络,最后对复杂现场环境下获取的车牌进行了实验。实验结果证明,该算法具有良好的性能,能在28ms内实时准确的识别车牌字母和数字。     

基于并行神经网络的汉字识别系统

介绍了一种基于并行神经网络的汉字识别系统。该系统进行汉字图象的预处理后 ,针对汉字平移、旋转、尺度变化 ,提取三类相对稳定且抗噪、反映汉字结构信息的统计特征作为神经网络的输入。神经网络采用叠层BP网 ,用BP算法进行训练、学习和识别。本系统对标准BP算法做了若干改进 ,从速度和识别率上都得到了明显的提高 ;用PVM网络并行平台虚拟成并行机 ,实现叠层BP网的并行处理     

一种基于BP神经网络的车牌字符识别算法

车牌识别系统是智能交通中的一个重要分支,本文针对传统的模板匹配算法存在识别准确率低的问题,提出了一种基于神经网络的车牌字符识别算法。该方法对分割、归一化后的字符进行特征提取获取其特征向量,把这个特征向量送到BP网络中进行训练,可以得到训练好的权值,以此权值对车牌字符进行识别。实验表明,本算法对车牌图像的识别率达90%以上。     

车牌识别技术研究

利用图像处理技术以及神经网络技术对汽车牌照自动识别系统进行研究。在所摄的含有车牌的汽车照片中,先获取车牌位置,再把车牌的各个字符分割,提取出各个字符的特征,再利用BP神经网络进行识别,从而获取车牌号码。     

基于OpenCV和卷积神经网络的车牌识别研究

车牌识别在高速收费口、小区车辆出入口、停车场自动收费系统等方面得到越来越多的应用,这在一定程度上可以减少交通道路的拥挤,缓解交通压力.本文应用OpenCV库相关功能完成车牌的定位以及字符的分割,在此基础上利用TensorFlow框架的Keras模块搭建卷积神经网络,对车牌中的汉字、数字和字母分别进行识别,其中车牌汉字模...     

车牌识别技术研究

利用图像处理技术以及神经网络技术对汽车牌照自动识别系统进行研究.在所摄的含有车牌的汽车照片中,先获取车牌位置,再把车牌的各个字符分割,提取出各个字符的特征,再利用BP神经网络进行识别,从而获取车牌号码.     

基于深度学习的车牌相似字符识别

针对车牌相似字符难以识别的问题,提出了基于深度学习的特征提取和识别方法。该方法首先对字符图像进行归一化处理;然后以归一化后的图像为输入,构建5层深度网络对相似字符由低层到高层的特征表达。在激励函数定义上采用对字符边缘特征敏感的卷积函数,从而能够对相似字符的局部差异进行分析。在实验部分与支持向量机(SVM)算法的分类效果进行比较,结果表明所提算法的识别率提高了5%。     

神经网络在车辆牌照字符识别中的应用

在车辆牌照自动识别系统中,因自然因素或采用因素使得原本原则的印刷字符产生畸变,给字符识别带来了很大困难。本文在特征抽取的基础上,采用ＢＰ网络进行分类,并附加线性感知器来实现单字的有效识别。该方法算法简便,识别率高,可适用于多种高噪声环境中的印刷字体识别。     

基于无线网络车牌识别系统识别算法的研究

字符识别是智能车牌识别系统研究的核心问题,针对有线网络车牌识别系统的缺点,将BP算法应用在基于无线网络的车牌识别系统上,重点讨论了用改进的BP神经网络方法对车牌字符的识别;根据我国最新机动车号牌GA36-2007标准,设计出了用于车牌识别的3个神经网络,用MATLAB完成了对车牌字母部分识别的模拟,采用隐层节点22,动量因子0.8进行训练,最后得出实验结果,达到目标误差小于0.001的要求;证明这种方法应用在基于无线网络车牌识别系统上是高效的.     

一种基于GMP-LeNet网络的车牌识别方法

车牌识别技术是智能交通管理系统的核心,对它的研究与开发具有重要的商业前景。传统的车牌字符识别方法存在特征提取复杂的问题,而卷积神经网络作为一种高效识别算法,对处理二维车牌图像具有独特的优越性。针对传统卷积神经网络LeNet-5识别车牌图像时,存在训练数据较少、全连接层参数冗余以及网络严重过拟合等一系列的问题,设计了一种全局中间值池化(GMP-LeNet)网络,其使用卷积层代替全连接层,利用Network In Network网络中的1*1卷积核进行通道降维,全局均值池化层直接将降维后的特征图馈送到输出层。实验证明,GMP-LeNet网络能有效抑制过拟合现象,并具有较快的识别速度和较高的鲁棒性,车牌识别率达到了98.5%。     

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。