基于特征投影和交叉覆盖神经网络的车牌识别

汽车牌照的自动识别在智能交通系统中占有重要地位，应用前景广阔。在自动识别过程中，牌照中的数字和汉字具有数量少和字体特征固定的特点，故其投影特征明显，利用此性质可以对车牌汉字进行快速分类，但精度不高。神经网络分类准确，且有很强的鲁棒性，但运算量大，识别时间太长且数据不易收敛。文中提出的基于投影和交叉覆盖神经网络的车牌识别方法充分融合利用了两者的优点，克服了各自的不足，达到了较好的结果。     

利用投影特征高速识别车牌中的汉字

基于在车牌中使用的汉字固定,且数量很少,其中的汉字字体均有国家标准确认等特点,该文提出了一种根据汉字的投影特征来识别车牌中的汉字的方法,它利用汉字图像投影图,找出汉字笔画数量、结构,以及其中长竖线长横线的数量等特征,用这些特征有效、高速地识别车牌中的汉字。     

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...     

基于车牌特征和底色识别的车牌定位算法研究

在车牌识别系统中,车牌定位是车牌自动识别系统中最重要的一步,车牌定位的准确程度直接影响车牌识别的精度。针对背景复杂,车牌区域模糊的图像,提出一种车牌结构特征和底色相结合的车牌定位方法。该算法首先利用彩色边缘算子提取图像的边缘,然后利用连通域算法找出不同的连通区域,最后结合车牌的结构特征(宽高比、车牌区域灰度跳变次数)和车牌底色特征(目前是黄色、黑色、白色和蓝色)选定最佳区域。实验结果表明,该算法简单,定位准确,满足实时性要求。     

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.     

基于投影的车牌字符分割方法

运用像素水平投影与竖直投影的方法,结合车牌字符的先验信息可以准确地对车牌字符进行切割。同时,针对某些汉字易被错误分割或漏割的情况。对汉字左右边界的起始位置进行标记,利用此标记获得该汉字的原始灰度图像,对其单独进行分割及二值化．避免汉字笔画退化为噪声。实验表明,该方法能够准确分割字符。     

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.     

基于并行模糊神经网络的车牌识别研究

车辆牌照的自动识别是目标自动识别的一种重要形式,针对车牌识别的后期技术,即牌照识别技术做了研究并提出了一种新的车牌识别方法,该网络由BP神经网络识别模块和模糊控制器构成,为了便于硬件实现,各模块相互独立,最后利用PVM网络在虚拟并行平台上实现了该识别网络,实验结果表明,和标准BP网络相比,该算法具有更加良好的性能,满足实时识别车牌的要求。     

神经网络在车牌识别中的应用

介绍了中国车牌识别的研究背景和现状,提出了一种基于神经网络的新方法,并设计了一种没有直接预处理的车牌像素图像的卷积神经网络结构。该图像变换适用于利用原始车牌来增加训练数据库。实验结果验证了本车牌识别方法的鲁棒性和有无车牌的识别效率。     

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。     

基于改进的LM-BP神经网络的车牌字符识别研究

车牌识别是智能交通系统中一个重要的环节,它可以应用到很多领域,如高速公路自动收费、交通监控系统、停车场管理等.提出一种改进的LM-BP神经网络车牌字符识别方法,该方法根据国内现行车牌编制的特点,结合LM算法改进传统BP神经网络,并增加σ参数修正LM-BP算法,避免传统BP神经网络收敛速度缓慢并容易陷入局部极小值的缺点,进行了大量实验,达到了预期的识别效果和收敛速度.     

基于小波和神经网络的车牌字符识别新方法

车辆牌照自动识别（简称车牌识别）是智能交通系统中一项重要的关键技术;首先简要介绍了车牌识别技术饷背景及意义,然后阐述了小波变换和BP神经网络的相关理论和实现细节,最后提出了一种基于小波和BP神经网络的车牌字符识别新方法,并采用了MATLAB数学工具进行仿真;实验结果显示,总的字符识别率为95．8％,平均识别时间21ms,表明该方法具有良好的实用价值,可应用于工程实践中。     

基于神经网络的车牌识别技术的研究

汽车牌照识别技术研究与实现一直是现代化交通发展中倍受关注的问题,也是制约交通系统智能化、现代化的重要因素。本文深入研究了基于神经网络的识别技术,提出了一种基于多个神经网络的字符识别方法,实现了车牌字符识别。     

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.     

基于字符检测的车牌定位方法

提取车牌字符的Haar特征作为输入,通过级联的神经网络分类器对其进行识别,以定位车牌字符的位置,并根据所得车牌字符位置的相对关系确定车牌位置。该方法不需要进行倾斜矫正,减少了车牌定位后进行字符分割时的工作量。实验结果表明,该方法能准确快速地定位并分割车牌。     

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.