基于模糊边缘检测算法的车牌定位

车牌定位是自动车牌识别系统的一个关键步骤,车牌定位结果直接影响对车牌的最终识别效果。因此为了保证实际应用中车牌的识别准确率,文中提出了一种新的车牌定位算法,该算法利用一种改进的快速模糊边缘检测算法来进行车牌图像的边缘检测,得到整个原车牌图像的边缘图像,然后基于边缘图像的丰富的边缘信息设计一个高效、准确的车牌区域定位算法,检测出车牌区域。实验结果表明:算法定位速度较快、准确度较高,具有良好的应用前景。     

基于模糊边缘检测算法的车牌定位

车牌定位是自动车牌识别系统的一个关键步骤，车牌定位结果直接影响对车牌的最终识别效果。因此为了保证实际应用中车牌的识别准确率，文中提出了一种新的车牌定位算法，该算法利用一种改进的快速模糊边缘检测算法来进行车牌图像的边缘检测，得到整个原车牌图像的边缘图像，然后基于边缘图像的丰富的边缘信息设计一个高效、准确的车牌区域定位算法，检测出车牌区域。实验结果表明：算法定位速度较快、准确度较高，具有良好的应用前景。     

视频图像中的实时车牌识别

车牌识别在智能交通系统中起着重要作用。本文提出一种对视频图像进行实时操作的车牌识别方法。利用边缘特征，使用快速的边缘点连接算法生成连通区域，进行车牌的检测定位，结合字符小波特征实现准确的识别。算法平均消耗时间在40ms以内，定位准确率达99．5％，完全识别率在91％以上。实际采集数据实验结果证明，本方法速度快、准确率高、实用性好。     

基于边缘检测的车牌定位方法

根据图像处理理论基础知识和现有技术基础上,对现有定位的算法进行了分析,提出了基于边缘特征的车牌定位方法。经试验验证,结果表明所用方法是有效的,该方法提高了定位准确率,也缩短了定位所用时间,达到了预期目的。     

基于手持设备图像的车牌定位与车牌识别系统设计

自动车牌识别技术在智能交通系统中发挥着重要作用,针对智能手持设备拍照分辨率低、角度不定等问题,设计和优化了车牌识别中的步骤,包括:(1)基于形态学的车牌定位;(2)基于边缘检测的车牌倾斜校正;(3)基于人工神经网络的车牌字符分割与识别等步骤。对手机拍摄的车牌照片进行实验,所提出的算法利用神经网络匹配识别精度达到95.2%,平均运行时间为2.015 s,无论识别精度还是时间都能够达到应用需求。     

基于边缘检测的车牌图像分割技术

详述了用黑白图像处理方法对彩色车牌进行分割处理的过程,介绍了边缘检测理论以及迭代求分割阈值算法,并用于车牌的识别检测中,有效地分割目标和背景,实现了车牌的准确定化．     

复杂背景中多车牌粗定位算法研究

提出了基于车牌分形维数特征进行复杂背景中车牌粗定位的方法。讨论了图像剪裁、灰度图转化以及图像增强时灰度转移函数的构造过程;给出了车牌图像分形维数的计算方法及车牌区域的确定。同时指出多车牌图像车牌区域的分形维数基本在2.65~2.80之间,其值高于车牌图像整体的分形维数,但是低于单车牌图像车牌区域的分形维数。该方法计算简单,不依赖车牌的颜色、形状、尺寸,具有极好的鲁棒性。通过对大量随机的实验图像进行计算表明：漏检率和误检率均为0,检出多于一个候选区域的为50%,正确检测率为100%。     

基于混合特征的多车牌定位算法

本文提出了一种基于混合特征的多车牌定位的新方法,先根据车牌图像的边缘特征,利用数学形态学的方法生成连通区域,搜索全图得到连通区域的最小外接矩形.然后利用我国车牌本身的几何特征和颜色特征进行判别,提取出车牌的候选区域并判别出车牌的颜色.交通图像处理实验证明该方法具有限制条件少,速度快和准确率高的优点,并可进行多车牌定位.     

基于CNN彩色图像边缘检测的车牌定位方法

针对现有车牌定位算法准确率不高、步骤多和速度慢等问题, 提出一种彩色图像车牌定位方法(License plate locating based on CNN color edge detection, LPLCCED). 首先利用细胞神经网络(Cell neural network, CNN)模型导出一种与车牌颜色特征相结合的车牌定位专用边缘检测算法, 将车牌的颜色对约束条件融合到边缘检测算法中, 本文专用边缘检测算法可以大大缩小车牌初步定位的范围. 接下来提出一种针对车牌特征的边缘滤波算法, 最后根据车牌结构和纹理特征对候选区域进行判别验证. 该流程的各个环节都可以通过硬件实现, 为面向智能交通领域的实时车牌识别系统的前期车牌定位处理提供了依据.     

基于颜色特征和边缘检测的车牌识别算法

完整的车牌识别系统由车牌定位、字符分割和字符识别三部分组成,针对车牌定位和字符分割两项核心技术,对传统算法进行了改进,提出了一种新的车牌定位和字符分割的算法,解决了传统算法易受噪声干扰且识别率不高的问题.该算法利用颜色特征和边缘检测技术实现对车牌的精准定位,并利用倾斜校正和垂直扫描技术实现了对字符的分割,最后结合神经网...     

基于边缘检测和颜色纹理直方图的车牌定位方法

针对已有车牌定位算法在分辨率高、背景复杂图像上存在准确率下降的问题,提出了一种基于边缘检测和颜色纹理直方图的车牌定位算法。该定位算法分为两个阶段：首先利用结合了Canny和Sobel算法的改进边缘检测算法提取图像的垂直边缘,并结合滤波、投影等方法进行车牌粗定位;然后提取候选区域的颜色纹理直方图,与训练好的分类器进行匹配,实现车牌的精确定位。实验表明,该方法对于背景复杂、光照不均等情况均有良好的鲁棒性,在白天和晚上都能取得较好的定位效果。     

车辆牌照检测关键算法研究

对车牌识别系统中的图像预处理和车牌定位等环节涉及到的关键技术、算法进行了分析、设计和改进,提出了一种简单高效的车牌检测算法。     

基于波峰合并算法的汽车牌照定位方法

以实现汽车牌照的准确定位为目标,在充分利用牌照图像纹理特征和投影特征的基础上,提出一种基于投影波峰合并算法的车牌定位方法,并在VC 环境下编程实现,算法具有直观、流程简单的特点.经对实际采集的多幅图像进行处理后,证明这种方法简单、高效、定位准确.     

基于字符边缘颜色多分量信息的车牌定位方法

针对复杂环境下的车牌定位,提出利用车牌字符边缘颜色多分量信息特征的定位算法,分别提取车牌底色像素点和字符色像素点,排除没有字符色像素点相邻的底色纹理像素点。由于字符色与底色的相互影响,字符边缘处色度、饱和度分量都有较窄的范围,可缩小车牌的搜索区域。结果证明该特征有助于车牌的准确定位,可确定车牌颜色,同时运算多在二值图上进行,速度快。     

边缘检测算子在汽车牌照检测中的研究

图像边缘检测一直以来都是图像处理与分析领域的研究热点。本文对数字图像处理中几种具有代表性的边缘检测算子进行了理论分析，并通过VC＋＋编程用各种算子对车牌图像进行边缘提取，通过比较得出了各种算子的精度及在检测中算子选定的参考条件，为实际应用采用哪种算法提供对照和参考。     

基于颜色相似度的车牌定位算法

针对车牌图像分割困难、车牌位置定位不准确等问题,提出了一种新的车牌快速定位方法。该方法是在HSV模式下进行的,首先在颜色空间下,对车身的每一行颜色进行相似度的计算,再将相似度大于阈值的颜色去除,然后进行水平与垂直投影,同时利用车牌位置、长宽比例信息,精确地定位出车牌。这种方法对不同光照条件下,不同颜色的车辆,不同颜色的车牌均具有良好的适应性。实验表明该方法定位准确,运算速度快,能满足实时性要求。     

边缘检测算子在汽车牌照区域检测中的应用

文中介绍了常用的几种边缘检测算子,不同的微分算子对不同边缘检测的敏感程度是不同的,因此对不同类型的边缘提取,应该采用对此类边缘敏感的算子进行边缘提取。针对车辆牌照自动识别,通过Matlab6.5进行了仿真研究,并比较和分析了这些算子的特点和作用,从中选出了合适的方法。     

基于图像处理的车牌识别研究

针对智能交通管理系统中的车牌识别问题,提出应用图像处理技术对汽车的牌照进行识别。车牌定位（LPL,License Plate Location）、车牌分割（LPS,License Plate Segmentation）、车牌识别（LPR,License Plate Recognition）是实现车牌识别系统的最主要的三个部分。先采用HSV模型和RGB模型识别与分割彩色图像,并初步定位车牌图像;再采用radon变换实现车牌的倾斜校正,用投影法对车牌进行定位和分割;最后通过语音读出识别到的车牌信息。通过MATLAB编程进行实验仿真,结果表明利用图像处理技术能够快速地识别出汽车牌照,是一种研究车牌识别的有效方法。