基于条件随机场的低图像质量车牌字符分割

提出一种基于条件随机场的车牌字符分割算法,能够对光照不均、相机拍摄角度造成的低图像质量的车牌图像,特别是日益增多的车牌边框与字符相连接车牌图像进行有效的字符分割。算法首先进行车牌图像校正,然后利用标注车牌数据进行模型学习,对车牌图像像素列进行分类识别,最后组合成车牌字符分割结果。理论分析与实验结果验证了算法的有效性。     

基于小波一形态学的车牌图像分割算法

车辆牌照图像的分割是车牌识别的前提和基础。在车辆自动管理技术日益发展的今天,车牌图像的分割技术倍受瞩目。针对牌照与车身背景的分割问题,提出了基于小波变换和数学形态学方法的车辆牌照阈值分割算法。首先,对车牌图像进行小波去噪,然后利用数学形态学对去噪后的车牌图像进行闽值分割。此方法能够从含有较强噪声的车辆图像中获取车牌图像,通过构造适当的结构元素,可以达到比较理想的提取效果。     

利用反馈的车牌字符分割算法

字符分割是车牌识别系统的重要步骤。提出一种利用反馈的车牌字符分割算法。首先,对车牌图像进行预处理;其次,根据车牌图像的垂直投影进行字符粗分割;最后,通过两级反馈进行字符精分割。第一级反馈是字符个数与字符宽度反馈,第二级反馈是字符识别反馈。实验结果表明,算法对光照不均、对比度较小、倾斜、污迹、字符粘连和断裂等严重退化的车牌图像具有很好的字符分割性能。     

基于Robert算子的车牌图像边缘检测

车牌识别系统一般包括车牌定位、字符分割和字符识别三个模块。本文对车牌识别系统的三个模块中的图像定位进行分析。把采集到的图像进行灰度图转化,用Robert算子对车牌图像进行边缘检测,利用MATLAB实现车牌检测算法。     

基于数学形态学边缘检测的车牌字符分割算法

汽车牌照字符分割是车牌识别过程中的关键步骤,直接影响到字符识别的效果。传统的方法对车牌图像质量要求较高,且抗干扰能力较差。提出一种基于Renyi熵和数学形态学边缘检测的车牌字符投影分割算法,首先用二维Renyi熵最大阈值法对车牌图像做二值化处理,然后用形态学腐蚀运算进行边缘检测,再去除车牌边框,最后通过投影分割提取车牌字符。仿真实验表明,基于Renyi熵最大阈值法和数学形态学边缘检测车牌图像预处理使得车牌字符边缘清晰,降低了噪声的干扰,有利于进行字符投影分割。该算法分割速度快,鲁棒性好,可获得比传统方法更好的分割效果。     

一种基于彩色图像分割的车牌检测方法

提出一种彩色图像车牌检测方法,主要包括三个步骤,首先对车牌图像执行多尺度区域生长分割,然后在分割结果中进行车牌区域的粗定位,最后对粗定位提取的车牌区域作精确定位分析.区域生长分割方法可以产生封闭的区域,容易提取其形状信息,而长矩形是车牌目标一个显著特征,因此可以通过形状信息检测车牌.在图像分割中,采取多尺度的分割方法,生成多个不同细节程度的分割结果.在每个分割图像中搜索具有车牌外形特征的图像区域,初步检测出候选车牌目标.根据车牌字符的大小和笔画特征,对候选车牌区域进行精确判别分析,得到最终的车牌检测结果.实验部分验证了车牌检测的有效性.     

车牌识别(LPR)中的图像提取及分割

在车牌识别(LPR)系统的实现过程中,最关键的部分就是车牌图像的提取以及车牌字符图像的分割。本文详细介绍了一种实际应用的车牌识别系统中的图像提取及分割的过程。针对车牌的固有特点,设计了一个变换函数突出其特点从而进行车牌的提取;对车牌字的图像分割提出并解决了一些在实际中应该注意的地方。理论分析及实验结果表明文章中提出的方法是非常有效的。在我们的实验中,在Pentium Ⅱ300 ,内存64M的环境,从图像输入到识别结果输出的平均时间大概为0.6秒。     

无需二值化的彩色车牌峰谷分割算法

车辆牌照图形的分割是车牌识别(VLPR)中的关键技术。对于通常采用的基于二值化结果的分割算法,车辆牌照图像的质量往往不佳,二值化后将会产生大量噪声,从而影响车牌分割,使系统整体识别率不高。文中提出了适合于户外流动车辆车牌分割的彩色车牌峰谷分割算法(CLCSA),不需对车牌进行二值化,通过对HIS空间的H分量和RGB空间的B分量适当调整,得到一个峰谷值差异较大的投影图像,从而为车牌正确切分提供了理想的位置。实验结果表明,蓝车牌和黄车牌的正确切分率达到97.5%,明显优于传统的对二值化图像的处理,特别是对于斜车牌和模糊车牌切分效果更加明显,更适用于实际应用。     

车牌自动识别的算法研究与实现

基于MATLAB对车牌自动识别系统中的算法进行研究,详细阐述车牌自动识别过程中的车牌定位、字符分割、字符识别的算法思想及算法实现。通过对一些车牌图像进行测试,获得较高的车牌自动识别准确率,表明算法具有可靠可行性。     

无需二值化的彩色车牌峰谷分割算法

车辆牌照图形的分割是车牌识别（VLPR）中的关键技术。对于通常采用的基于二值化结果的分割算法，车辆牌照图像的质量往往不佳，二值化后将会产生大量噪声，从而影响车牌分割，使系统整体识别率不高。文中提出了适合于户外流动车辆车牌分割的彩色车牌峰谷分割算法（CLCSA），不需对车牌进行二值化，通过对HIS空间的H分量和RGB空间的B分量适当调整，得到一个峰谷值差异较大的投影图像，从而为车牌正确切分提供了理想的位置。实验结果表明，蓝车牌和黄车牌的正确切分率达到97．5％，明显优于传统的对二值化图像的处理，特别是对于斜车牌和模糊车牌切分效果更加明显，更适用于实际应用。     

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。     

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Tent映射CPSO和车牌纹理特征的车牌定位

针对现有车牌定位算法定位准确率不高和速度慢等问题,结合车牌纹理特征,提出了一种基于Tent映射混沌粒子群(CPSO)的车牌精确定位算法.首先用基于二维直方图区域斜分的OTSU方法对车牌图像做二值化处理;接着使用三组一维滤波器获取其二值纹理特征向量.然后利用基于Tent映射CPSO快速准确的全局搜索能力,结合二值纹理特征向量构造适应度函数,并引入车牌纹理的一致性度量作为判决条件,找到车牌区域的最佳定位参量.最后,与基于遗传算法(GA)和基本粒子群算法(BPSO)的定位方法进行了比较.实验结果表明,该方法适应性强,定位效果较好,运行时间更短.     

基于数字图像处理的车牌定位方法的研究

车牌识别是现代智能交通系统中的重要组成部分之一,其应用范围十分广泛。对车牌定位方法进行了初步研究,以模式识别、数字图像处理、计算机视觉技术为基础,使用M atlab软件对图像预处理、边缘检测等算法进行了必要的仿真实验,获取了车牌区域。对摄像机拍摄车辆的图像进行分析处理可以得到汽车的车牌号码,从而完成整个识别过程。     

基于灰度跳变的车牌定位算法及其实现

研究车牌识别定位算法问题。传统的车牌设识别定位算法的识别精确度难以满足现实在交通管理和流量监测中的应用,存在车牌图像定位的精度的不高等问题。为解决上述问题,在对车辆图像预处理基础上,提出了一种基于图像灰度跳变特性的车辆牌照定位算法。主要给出了粗定位和细定位两种定位算法,并用VC++设计实现定位算法。通过实验对实际交通中多幅车牌图像进行处理,对不同的车牌图像进行定位。实验结果表明,新算法能够对车牌图像进行高精度定位,并且具有较强的鲁棒性,为车牌字符的识别与分割奠定了一定的基础。     

基于DSP的车牌识别系统研究

介绍了一种基于TMS320DM6437硬件平台,运用数字图像处理的知识来实现汽车车牌的自动识别功能。对目前使用的车牌预处理、车牌定位技术与字符分割等算法进行了实验分析。     

数字图像处理技术在车牌识别中的应用

讨论了数字图像处理在车牌识别中所使用的各种技术,对于车牌边缘检测和车牌字符分割等关键处理技术进行了较为详细的论述。     

LPR系统车牌定位提取方法的研究

车牌定位在车牌自动识别中起着非常重要的作用,定位准确度直接影响车牌识别的正确率。文中使用了数学形态学和几何拓扑学相结合的方法对车牌区域进行定位提取。该方法首先采用Top-Hat变换以及开、闭运算对抓拍的车辆图像进行预处理;然后采用连通体态分析法（CCA）对图像进行粗定位;最后对计算得到的车牌候选区的欧拉数进行判别,最终提取真正的车牌区域。实验证明该方法能够很好的对牌照区域顶角进行快速搜索定位,将牌照从复杂背景图像中分割出来。     

自然场景下变形车牌检测模型DLPD-Net

目的 随着智能交通领域车牌应用需求的升级,以及车牌图像复杂性的提高,自然场景下的车牌识别面临挑战。为应对自然场景下车牌的不规则变形问题,充分考虑车牌的形状特征,提出了一种自然场景下的变形车牌检测模型DLPD-Net （distorted license plate detection network）。方法 该模型首次将免锚框目标检测方法应用于车牌检测任务中,不再使用锚框获取车牌候选区域,而是基于车牌热力值图与偏移值图来预测车牌中心;然后基于仿射变换寻找车牌角点位置,将变形车牌校正为接近于正面视角的平面矩形,从而实现在各种自然场景下变形车牌的检测。结果 一方面,基于数据集CD-HARD评估DLPD-Net检测算法的性能;另一方面,基于数据集AOLP （the application-oriented license plate database）和CD-HARD评估基于DLPD-Net的车牌识别系统的有效性。实验结果表明,DLPD-Net具有更好的变形车牌检测性能,能够提升车牌识别系统的识别准确率,在数据集CD-HARD上识别准确率为79.4%,高出其他方法4.4% 12.1%,平均处理时间为237 ms。在数据集AOLP上取得了96.6%的识别准确率,未使用扩充数据集的情况下识别准确率达到了94.9%,高出其他方法1.6% 25.2%,平均处理时间为185 ms。结论 本文提出的自然场景下的变形车牌检测模型DLPD-Net,能够实现在多种变形条件下的车牌检测,鲁棒性强,对遮挡、污垢和图像模糊等复杂自然环境下的车牌检测具有良好检测效果,同时,基于该检测模型的车牌识别系统在非受限的自然场景下具有更高的实用性。     

一种完整的汽车牌照识别算法

以快速准确识别汽车牌照号码为目的,在充分利用牌照纹理特征和投影特征的基础上,运用灰度变换、边缘检测、形态学处理、Hough变换、二值化处理等多种图像处理方法,分牌照定位、字符分割、字符识别三步实现汽车牌照的识别,在处理过程中考虑并解决了现实拍摄的图像中可能存在的噪声污染、牌照倾斜、牌照颜色多样化、光照不均等不利条件;整个识别过程在VC++环境下编程实现,经对多幅图片的处理实验表明,该系统运算速度快,识别率高。