字符识别算法在车牌识别系统中的应用研究

本文以车牌识别系统定位后的车牌字符识别算法为研究对象,分析基于模板匹配的字符识别算法和基于神经网络的字符识别算法,将车牌字符进行分割处理,诠释字符识别算法在车牌识别系统中的应用。     

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。     

BP神经网络在车牌字符识别中的应用研究

研究车牌字符识别问题,针对传统神经网络在车牌字符识别存在识别准确率低、效率低的问题,提出了一种基于改进神经网络的车牌字符识别方法.该方法首先采用Gabor滤波器提取车牌字符的特征,PCA降维处理消除车牌字符特征之间的冗余信息,然后采用改进的神经网络对提取特征进行训练得到最优识别模型,最后利用最优模型对车牌字符进行识别.仿真实验表明,数字及字母的识别准确率达95.0%以上,汉字的识别准确率达93.1%,与传统识别方法相比,识别准确率和识别速度都有了较大的改进,该方法在车牌识别的应用有着广泛的前景.     

改进神经网络算法在车牌识别中的应用

研究现代智能交通管理中的车牌准确识别问题.由于车牌图像存在模糊不清、倾斜,分割后字符图像笔画粗细不均、断续不完整等特殊性,导致传统车牌识别算法识别速度慢、识别正确率低,不能适应车牌识别的实时性要求.为了提高车牌识别正确率,提出一种BP神经网络的车牌识别算法.该算法首先对车牌字符图像进行归一化处理,消除图像中无用信息,然后对车牌字符进行特征提取,消除笔画粗细不均、断续不完整等影响,再将提取车牌字符特征输入到BP神经网络进行学习和识别,并采用动量因子和自适应学习速率对BP神经网络进行改进,加快其收敛速度,从而提高识别的实时性.仿真结果表明,改进用BP神经网络提高了车牌识别正确率和识别速度,缩短了识别时间,适合于实时性强的智能交通管理系统应用.     

基于AdaBoost分类器的车牌字符识别算法研究

提出了一种基于模板匹配的改进AdaBoost算法的字符识别方法。针对AdaBoost算法的退化现象，根据样本在权重上的分布情况，对权重进行适当的调整，较好地解决了经典AdaBoost算法中存在的退化现象：最后给出了实验结果及实现方案。     

车牌识别系统中的改进神经网络算法一例

交通管理中大量应用的智能抓拍取得了良好的效果,随着抓排量的扩大,由以往的仅抓拍违章到数据统计方面的抓拍,需要的车牌识别功能也更加强大.由于车牌本身易污损,高速情况下模糊不清以及不同光照情况下的反光不均匀,抓拍后的快速识别是需要不断追求新高度的技术.现在,一种BP神经网络算法正逐步取代传统的单机算法,这种网络神经算法将为我国的公路交通大数据工作奠定基础.     

一种基于Hausdorff距离的车牌字符识别算法

提出了一种基于Hausdorff距离的车牌字符识别算法，即先对待识别的字符图像进行细化，然后用改进的Hausdorff距离进行匹配识别。     

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。     

基于方向轮廓的小波分解车牌字符识别方法

字符识别是车牌识别的技术核心。本文提出了一种快速的车牌字符识别方法。首先提取字符的外轮廓。根据小波分解变换的性质,对字符轮廓进行多分辩分解,得到低分辨率下字符轮廓的近似,通过计算待识别字符与参考字符在多尺度下的轮廓之间的相似度,判别待识别字符与参考字符的匹配程度,最终确定匹配字符。本文对字符匹配算法进行了改进,加快了匹配速度,提高了匹配的可信度。利用本文算法,对1200幅车牌字符图像的识别,准确率达到95.4%,单字符识别平均耗时约为10ms。     

基于低质量图片的两级车牌字符识别算法

目前大多数道口的视频监控系统或图像采集设备都采用普通摄像头,车辆图片质量不高,容易受到光照不均、运动模糊及摄像角度的影响,图片中车牌字符小,字符混淆程度严重,大大降低了车牌字符的自动识别率.针对低质量车牌图片中车牌字符识别率低的问题,提出一种结合支持向量机(SVM)和字符局部特征提取的两级组合分类识别架构.第一级分类器采用核主成分分析(KPCA)对车牌字符进行特征提取,并利用SVM进行分类.如果是易混淆字符,则进入第二级分类器,针对易混淆字符的局部特征设计不同的分类方法加以区分,进而得到最终的识别结果.实验表明该两阶段分类方法能够在各种复杂场景下针对低质量图片达到较高的车牌字符识别率.     

基于AdaBoost的车牌字符快速识别方法研究

采用动态自适应权重裁剪方法快速训练AdaBoost集成网络,通过在迭代过程中动态地寻找最优裁剪系数,缩短网络的训练时间,减少其个体数目。实验表明,该方法能够快速构建神经网络集成分类器,并取得良好的识别效果。     

基于Log-Gabor和AdaBoost的人脸识别算法研究

随着模式识别和计算机图形处理技术的发展,人脸识别技术在公共安全、居所门禁、信息安全领域广泛应用,如何提高人脸识别算法的效率与准确度是首要问题。在运用基于Log-Gabor小波的滤波器实现提取人脸特征的基础上,采用AdaBoost迭代算法训练强分类器,以降低特征向量数,从而达到提高识别效率的目的。与通常的算法比较,在不损失准确度的基础上,可显著节约匹配时间。     

基于AdaBoost分类器的车牌字符识别算法研究*

提出了一种基于模板匹配的改进AdaBoost算法的字符识别方法。针对AdaBoost算法的退化现象,根据样本在权重上的分布情况,对权重进行适当的调整,较好地解决了经典 AdaBoost算法中存在的退化现象。最后给出了实验结果及实现方案。     

基于SVM和AdaBoost的人脸检测算法

提出了一种结合SVM和AdaBoost的人脸检测算法。该算法首先根据训练样本中的人脸和非人脸区域训练作为分量分类器的支持向量机（SVM）,然后通过AdaBoost算法把这些训练好的分量分类器组合成一个总体分类器;再利用该总体分类器来区分测试样本中的人脸和非人脸区域。实验结果表明,该算法不但提高了识别的正确率,而且大大提高了检测速度。     

基于模糊模式识别的车牌识别算法设计

介绍一种基于明暗度二值化的车牌模糊识别的算法.这种算法在车牌识别的使用可以有效避免因光照、车辆运动速度及车牌清晰度、光洁度而带来的误识别.介绍了这种算法的构建、实验平台、实验环境、实验处理结果,并对结果进行了讨论.     

AdaBoost算法在人脸检测中的应用

AdaBoost方法是目前较流行的一种图像检测方法．它是基于统计模型的检测方法。针对目前一些人脸检测方法误检率高、检测速度慢的问题,详细介绍AdaBoost算法的基本原理,并应用OpenCV程序的开发．实现检测速度快、检测率和鲁棒性高的人脸检测。     

AdaBoost算法在人脸检测中的应用

AdaBoost方法是目前较流行的一种图像检测方法,它是基于统计模型的检测方法。针对目前一些人脸检测方法误检率高、检测速度慢的问题,详细介绍AdaBoost算法的基本原理,并应用OpenCV程序的开发,实现检测速度快、检测率和鲁棒性高的人脸检测。     

基于AdaBoost的手势识别

手语是聋人使用的语言,是由手形动作辅之以表情姿势由符号构成的比较稳定的表达系统,是一种靠动作/视觉交际的语言。手语识别的研究目标是让机器看懂聋人的语言。手语识别和手语合成相结合,构成一个人-机手语翻译系统,便于聋人与周围环境的交流.手语识别问题是动态手势信号即手语信号的识别问题。将 AdaBoost 这一算法引入手势识别中,自行建立了实验用的小型手势图片库。在分类器训练前对训练用图像进行了较有效的预处理,缩短了 AdaBoost 算法的训练识别时间,提高了多层分类器的识别速度,最好测试结果其平均准确率可达到90%。     

基于AdaBoost的集成分类器在电信增值业务中的应用

为了解决数据挖掘技术较难有效地在电信行业挖掘出潜在增值业务用户的问题,针对当前单分类器分类精度低这一不足,提出一个基于BP神经网络与AdaBoost结合的集成分类器模型.选用BP神经网络作为基分类器,通过AdaBoost算法进行T轮迭代,每次迭代增加错分样本的权重,最终通过投票产生强分类器.通过对中国电信某地市用户消费数据进行实例仿真,证明该模型能有效地提升分类精确度,分类精度达到76.7%,并且拥有不错的鲁棒性,为以后的研究工作提供了新的研究思路.