基于小波矩的车牌字符识别研究

牌照字符识别是车牌识别系统中关键的一步,而字符识别的关键在于有效特征的选取.小波矩是小波多尺度分析与矩相结合的新的视觉不变量,图像的小波矩特征能很好地反映图像的局部和全局特征,并且具有较强的抗干扰能力.但不同的小波矩离散化方法在性能上有很大的差异.在分析小波矩和矩快速算法的基础上,引入了一种新的小波矩离散化算法用于车牌字符识别系统,以车牌字符图像的小波矩作为特征量,结合改进的BP神经网络实现了车牌字符的识别,获得了很好的识别效果.     

一种基于小波变换的车牌字符识别算法

提出了一种小波变换的方法对提取出的车牌字符进行识别.对标准字符和分割好的车牌字符进行正交小波变换获取低频系数和高频系数,构造低频系数矢量和高频系数矢量,定义隶属函数,设定阈值,并定义加权矩阵.先将待辨识字符的低频系数矢量与标准字符的低频系数矢量相比较,再比较高频系数矢量.从而最终获得识别结果.实验结果证明该算法比常规识别算法识别率更高.     

基于支撑向量机和小波的字符识别

为了提高车牌上的字符识别准确率，提出一种结合支撑矢量机(SVM)和小波的字符识别方法.通过对
字符图像水平和垂直两个方向的投影曲线分别进行小波分解，得到投影曲线的近似表示.在近似曲线中提
取字符的特征参数，用这些特征参数构成特征矢量作为SVM训练和分类的基本参数，再将特征矢量输入支
撑矢量机网络训练，最后通过树型分类识别模型识别字符.实验仿真表明，该字符识别方法的平均准确率
为97.15%，平均识别速度为每个字符19.15 ms.     

基于粗糙集和小波矩的车牌字符识别

文章首先提取车牌字符图像的小波矩特征,利用粗糙集理论进行属性约简,然后用神经网络对约简后的字符数据进行识别;实验结果表明,使用上述方法不仅使要处理的数据维数减小,从而降低了识别过程的复杂程度,而且有较高的识别率.     

一种基于小波变换的车牌字符识别算法

提出了一种小波变换的方法对提取出的车牌字符进行识别：对标准字符和分割好的车牌字符进行正交小波变换获取低频系数和高频系数，构造低频系数矢量和高频系数矢量，定义隶属函数，设定阈值，并定义加权矩阵。先将待辨识字符的低频系数矢量与标准字符的低频系数矢量相比较，再比较高频系数矢量。从而最终获得识别结果：实验结果证明该算法比常规识别算法识别率更高：     

随机分形维数和小波变换的车牌字符识别

运用随机分形特征描述了车牌字符的形态、复杂程度和不规则性特征,结合小波变换,使得车牌字符的分形特征描述更加丰富,同时避免了分形维数计算阈值选择带来的问题.模拟结果表明分形和小波结合使用的方法为车牌字符识别提供了新途径,但计算量较大.     

基于小波分析的车牌定位方法

根据图像中车牌的形态特征和横向纹理属性,运用分形盒维数来描述车牌字符的特征,并结合小波变换来定位车牌,该方法计算简单,且不依赖车牌的颜色、形状、尺寸,具有极好的鲁棒性和实时性.测试结果表明,该方法正确定位率超过93%.     

基于粗网格神经网络的车牌字符识别方法

目的为了进一步提高交通车牌字符自动识别能力.方法通过对车牌识别技术国内外现状的分析和对各类车牌识别技术的对比说明,提出了一种基于粗网格神经网络的车牌文字识别方法.该方法先将车牌字符进行预处理,用改进的粗网格法提取字符特征,并用神经网络识别车牌字符.结果在实验过程中所用的字符是从实际拍摄的车辆牌照图像中提取的汉字、英文大写字母和数字.人工提取的汉字种类覆盖了我国现有车辆牌照中出现的大部分汉字,而字母和数字的覆盖率为100%.从实验结果看:数字、字母的识别率比较高,尤其是数字,其识别率达到了99.16%.结论实验表明:数字、字母易于准确地提取特征,粗网格神经网络车牌字符识别方法具有较高的识别精度和实用价值.     

基于灰度跳变的车牌自动识别技术

探讨了汽车牌照识别系统的关键技术并介绍了一种实现该系统的简单方法:利用车牌字符与背景的灰度跳变实现车牌的快速提取,利用投影法进行字符分割,利用字符的层次轮廓特征分类别地识别车牌字符.     

一种基于特征点的车牌识别改进算法

车牌识别技术已经成为公路交通自动控制与管理(RTACM)以及智能运输系统(ITS)中的一个重要组成部分。提出一种基于特征点的车牌识别改进算法,利用车牌的纹理特征和形状特征定位车牌区域,采用垂直投影分割车牌字符,通过统计特征点进行字符识别。实验结果表明,该算法能显著提高由于拍摄角度引起的车牌图像中字符拉伸、变形等情况下的识别率,同时缩短了识别时间。