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。     

基于改进的BP神经网络的车牌字符识别方法

借助于计算机控制技术中PID增量式控制算法中“加速对给定值变化的响应”思想来改进传统的BP神经网络算法。经过网络训练之后,应用其进行车牌字符识别。实验表明改进后的神经网络收敛速度和精度方面都有所提高,能提高字符识别的速度与精度。     

基于改进BP网络的车牌字符识别方法研究

介绍了车牌自动识别的过程和原理、车牌识别中所需要的关键图像处理技术,并对BP神经网络算法进行了阐述.结合目前车牌编制的特点,基于BP神经网络原理对车牌自动识别技术中的字符识别技术进行了新探索,提出了适用于新<机动车登记规定>车牌编制方法的神经网络结构和识别算法.通过恰当设置BP网络隐层节点数,详细介绍了改进BP网络算法步骤,分析了易混字符,并用MATLAB进行了实验,实验结果表明,改进网络结构后的方法识别准确率高、识别过程速度快、系统鲁棒性强.     

一种基于灰度图像二值化的车牌定位算法

车牌定位是牌照自动识别系统中最为关键的环节,是智能交通系统中的核心技术。该文提出了一种利用车牌梯度特征,通过图像增强和闽值调整的方法来获得;住确的车牌区域定位的新方法。实验证明所提出的方法能简单快速地实现车牌定位。     

基于BP神经网络的车牌字符识别方法

汽车牌照自动识别是智能交通管理系统中的关键技术之一，本文介绍了用BP神经网络对车辆牌照字符进行识别,给出了算法和实验结果。     

基于改进BP网络的车牌字符识别方法研究

针对传统BP算法在车牌字符识别速度较慢和识别准确率较低的问题,提出一种改进的BP网络车牌字符识别方法。通过对BP算法的输入特征数优化,在不降低识别精度的情况下精简了输入层节点数,提升了识别速度。改进后的BP算法采用全参数自动调整,引入自适应学习率、动量因子、坡度因子,增加了BP算法的识别精度;同时通过更好的利用车牌字符特征和BP网络特征,降低了算法结构的复杂性,增强了算法的鲁棒性。实验结果表明,该算法在实际采集的自建整副车牌数据集上的识别率上比传统BP神经网络车牌识别算法提高近6.5%;在识别速度上提高近1.3 s。     

一种基于径向基神经网络的车牌字符识别方法

径向基函数神经网络具有局部逼近的能力和局部可调的特性,以车牌字符识别为例,构造了一种实用型的径向基神经网络,并与传统的BP神经网络作了对比.实验结果表明,在车牌字符识别中,径向基网络的识别能力、分类能力及识别速度等均优于BP网络.     

一种改进的文本图像二值化算法

分析了常用的局部阈值法-Bemsen算法中存在的问题，对此算法进行了有效的改进，提出了一种改进的文本图像二值化算法。由于改进后的算法考虑了图像的整体特征，并采用快速算法，因此具有更广泛的适应性和实用价值。实验结果表明了此算法的有效性。     

基于边缘算子的车牌图像二值化方法

提出一种基于Canny边缘算子的车牌图像二值化方法。该方法综合考虑了边缘信息和灰度信息,根据与边缘像素点相邻的像素点的灰度值变化特点,得到图像的高、低阈值,综合利用高、低阈值对原灰度图像进行二值化。实验表明,此方法对于车牌图像的二值化处理有令人满意的效果。     

一种区域收缩及分类的车牌二值化方法

对车牌区域进行二值化一直是车牌识别系统的一个关键问题。针对车牌区域的特征,提出了一种基于分类思想的二值化方法。该算法从统计判别分析的思想出发,将二值化问题看成是一个分类问题。首先对区域进行收缩取样,然后进行分类。为了提高二值化精度,其中还使用了迭代分类技术。另外为了评价车牌二值化效果,从车牌二值化应用角度出发提出了粘连度、字符断裂度、噪声颗粒数、运行消耗时间的指标体系,用来评价车牌二值化的效果。有了这套指标体系,就可以方便地对各种车牌二值化技术进行评价。实验结果表明,该二值化算法简单有效。     

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.     

一种基于BP神经网络的异步电动机转子速度辨识

针对异步电动机直接转矩控制系统,基于三相异步电机方程提出一种新型的采用人工神经网络辨识电机转速的方法.利用BP神经网络强大的函数逼近能力,对电机转速进行在线辨识.理论推导证明了其可行性,仿真和试验结果表明了该方法具有较好的静动态性能.     

基于Sauvola算法和神经网络的图像自适应二值化方法

二值化处理是文档图像OCR识别中非常重要的一个环节。针对目前主流Sauvola二值化算法存在参数需要人为确定、效果受设定的参数影响等问题，提出了基于Sauvola算法和神经网络的图像自适应二值化方法。在针对Sauvola算法的参数进行分析的基础上，阐述了开窗大小r与参数k对二值化结果的影响。使用SWT算法实现了开窗大小r的计算，将二值化视为对像素点的二分类问题，根据Sauvola算法的思想提取窗内的灰度均值、灰度标准差及当前像素点灰度值作为特征向量，并搭建全连接神经网络进行训练，训练后的神经网络可为每个窗生成特定的参数k，并判定各个像素点的二值化结果。实验结果表明，相较于使用人工精确调节的全局参数k的Sauvola算法，所提出的方法具有更好的自适应性和二值化效果，且具有较好的实用性和普适性。     

基于粗糙集和BP神经网络的天然裂缝识别

研究粗糙集理论和BP神经网络算法,以及如何结合两者构建天然裂缝智能识别的应用。选取与天然裂缝发育有关的测井曲线作为样本集．先用粗糙集理论约简样本信息,然后采用BP神经网络识别天然裂缝。给出了基于粗糙集和BP神经网络的天然裂缝智能识别的设计方案,通过长庆油田实际油井的应用,结果表明这种识别方法效果显著。粗糙集有效地约简样本信息．BP神经网络很好地识别天然裂缝,故基于粗糙集和神经网络的智能识别方法切实可行。     

一种改进的BP神经网络红外目标识别方法

红外目标的识别是红外跟踪、制导系统和预警系统等的一项核心技术。在红外目标模式识别系统中,对目标的识别效果直接影响到后续的跟踪、定位等过程。基于红外图像的特性分析,采用了一种人工神经网络算法对其进行目标识别,针对传统BP神经网络算法的一些缺陷,增加一个放大因子并自适应的调整学习速率来提高算法训练速度。基于这种改进后的BP算法,对三种军事目标（飞机、轮船、坦克）进行识别,证明算法的有效性。     

基于灰色关联度神经网络的雷达型号识别模型

针对现代电子战对雷达目标信号的复杂性和残缺性以及实用雷达目标识别系统的健壮性和扩展性等要求,提出一种基于灰色关联度和BP神经网络的灰色神经网络识别模型.首先采用比较成熟的BP神经网络对侦察雷达目标信号进行粗分,识别出雷达的体制;然后把模板数据库中该体制的雷达标准数据作为比较序列,建立差异信息空间,再把观测的数据和比较序列进行灰关联度分析,得出其对应的关联度,从而识别出雷达的具体型号.仿真结果表明在对参数残缺或畸变以及新体制的雷达辐射源进行识别时,取得良好的效果.表明综合灰色神经网络对辐射源进行识别是完全可行的,并且可以提高识别率、可靠性.     

基于BP神经网络的医保欺诈识别

医疗保险欺诈是指在参加医保的过程中,通过故意捏造、虚构事实等方法骗取医保基金或医保待遇,造成医疗保险基金损失的行为.有效地识别医保欺诈对医保基金的健康使用有重大意义.本文运用BP神经网络实现医保欺诈的主动识别,并利用Logistic回归分析对神经网络模型进行改进,降低弱因子对神经网络识别的干扰.此外,应对欺诈数据的稀缺问题,采用只取正常数据训练神经网络模拟函数曲线的模式.实证表明,该方法对医保欺诈具有较好的识别能力.     

基于边缘特征和神经网络的汽车牌照定位算法

汽车牌照定位是一个较难解决的图像分割问题,神经网络为此问题的解决提供了一个有力工具。文中提出了一种新的基于字符边缘特征的定位算法,它通过滑动窗口抽取样本并输入神经网络,对比其输出的特征向量来描述图像中以滑窗左上角顶点为标记的不同位置的边缘特性,结合统计优选的方法提取车牌。实验结果表明:该车牌定位算法识别精度高,速度快。     

基于填充函数法训练BP神经网络的车牌字符识别算法

字符识别是车牌识别系统的一个关键问题。常用方法收敛速度慢,易陷入局部最优,用全局优化填充函数法训练BP神经网络的车牌字符识别算法可以跳出当前局部极小点,得到一个更低的极小点,重复此过程得到全局极小点,从而提高算法全局寻优能力。实验表明,该算法具有识别率高、识别速度快、车牌定位准确的特点,取得良好的运行效果。