雾霾天气下的车牌识别

在雾霾天气下,图像采集设备拍摄的图片存在一系列问题,如饱和度低、细节失真、画质模糊等。文中探索了雾霾天气下的车牌识别算法,按照图像去雾、车牌定位、字符分割与识别等步骤来解决雾霾天气下传统车牌识别系统效率低、鲁棒性差等问题。该算法采用暗通道去雾,经去雾算法处理后,图像对比度、信息梯度和信息熵均得到提升;选择数学形态和边缘检测定位车牌的准确位置;利用仿射变换矫正车牌区域,结合投影法分割字符,最后使用基于支持向量机模式的识别算法来识别字符。经过处理后,车牌识别能达到较高的准确率。     

复杂天气条件下的车牌信息识别

在复杂天气条件下,由于大雾或者强光照射造成车牌成像的失真,使传统基于图像的车牌识别方法难以准确识别车牌信息。文中基于何恺明提出的Dark Channel Prior 和直方图均衡方法能有效消除天气带来的干扰。并通过形态学方法对被噪声影响的图像进行复原、修正,最后通过基于BP神经网络对车牌信息进行识别。实验证明,文中方法对恶劣天气条件下的车牌信息还原清晰,有着较好的识别效果。     

基于Zynq雾霾天气下的实时车牌识别系统

秋冬时节雾霾天气频发,严重影响了监控系统里的车牌识别精度,迫切需要能够进行实时处理的小型化的嵌入式车牌识别系统。图像去雾目前主要是在PC端进行,实时性低。本文提出一种基于Zynq雾霾天气下的实时车牌识别系统。通过改进去雾算法对颜色空间(HSV)中的亮度分量进行处理,然后通过中值滤波进行去噪,最后将处理后的图像利用车牌识别相关算法进行处理。该系统采用ARM+FPGA异构的方式,PS(ARM)端负责简单算法运算、IP核控制与驱动等,PL(FPGA)端负责需要大量并行运算的算法。通过实验结果对比,该系统能够达到预期的效果,具有实时性、可移植、可嵌入和功耗低等特点,能够满足在雾霾天气下的车牌识别的性能要求。     

基于暗原色先验去雾的改进算法

暗原色先验去雾方法在单幅图像去雾方面效果明显,但该方法算法复杂度高、处理耗时。针对该算法不足之处,在传统的暗原色先验去雾方法基础上,提出一种改进算法。改进算法通过高斯滤波和腐蚀对透射率图进行优化;同时,为避免原算法的冗余计算,采用了一种快速计算初始透射率方法;并且通过Gamma变换和对比度增强方法对去雾后图像进行亮度和对比度增强处理。实验结果显示,改进算法处理效果与原算法基本一致,算法效率得到显著提高,应用在视频增强领域可以达到准实时。     

复杂环境下的车牌识别

车牌识别在智能交通系统中有着广泛的应用,具有重要的意义,是图像识别领域一个重要而富有挑战性的研究课题.目前的许多方法只能适应在特定的环境下,才能完成正常的识别.而在现实复杂的场景中的鲁棒性不高.本文提出了一种在复杂的场景中鲁棒的车牌识别方法.首先,通过EfficientDet网络检测车辆所在的位置,从而缩小车牌位置的搜...     

基于暗原色优化算法的去雾研究

针对基于传统的暗原色先验去雾算法中,由于某些场景下的雾天图像存在大面积明亮区域无法满足暗原色先验的假设,导致去雾效果不佳。文中就此问题提出了一种改进的去雾算法,基于McCartnet的理论建立大气散射模型,根据暗通道理论粗略估计透射率,之后引入容差参数并设置阈值,重新计算明亮区域的透射率,从而实现对明亮区域透射率的自校正。针对于复原图像色彩较暗的问题,采用改进的线性亮度调整方法来调节图像的亮度。实验结果显示,相较于原算法而言,改进算法可以有效的对大气光值进行估计,降低明亮区域的色彩失真,复原的图像可以保持足够的亮度,同时不丢失图像的细节,视觉效果显著提高。     

基于BP神经网络的车牌识别技术研究

车牌识别（LPR）是智能交通中关键技术之一。针对目前车牌识别技术存在的一些问题,详细分析基于BP神经网络的车牌字符识别方法,对BP神经网络收敛速度慢且容易陷入局部极小点的缺陷进行改进。经仿真实验结果表明效果良好。     

基于暗原色先验与反图像的图像去雾算法

讨论了暗原色先验去雾算法的原理,指出其有去雾时在天空等明亮区域色彩失真的缺陷。针对这个缺陷提出了改进方法,该方法通过估算反图像的透射率修正透射率图以避免色彩失真。该算法可弥补传统算法在明亮区域透射率估算值较低导致色彩失真的不足。实验结果表明该算法有效。     

结合K均值聚类的暗通道去雾改进算法

针对暗通道先验去雾算法在处理单幅图像去雾时计算复杂度高且对于天空等高亮区域有局限性而易产生失真的问题,从暗通道模型出发,提出首先利用双暗通道拟合进行透射图估计,然后采用K均值聚类算法对有雾图像进行区域分类之后再针对天空区域估计出大气光强度的算法.该算法增强了图像的细节信息,并大大降低了计算复杂度,且提升了大气光强度估计值的准确性,有效抑制了高亮区域的失真.主观和客观评价表明,该算法能够取得比传统算法更好的去雾效果.     

基于暗原色与逆暗原色融合的含明亮区域图像去雾

针对暗原色先验模型对于图像明亮区域不适应,暗原色估计偏大,导致透射率估计偏小,出现色彩失真现象,本文介绍一种新的暗原色修正方法。提出一种逆暗原色概念,将雾化图像的暗原色与逆暗原色进行融合处理得到一种新的修正暗原色,从而获得比较真实的明亮区域透射率,有效消除了明亮区域的色彩失真。以有效细节强度、色调还原程度、结构信息及综合测评作为图像质量评价指标,与目前流行算法进行对比实验,本文算法的色调还原程度指标平均值提高41.1%,综合测评指标平均值提高48.7%。实验结果表明,本文算法在改善明亮区域色彩失真及提高去雾图像总体质量方面优于目前流行算法。     

基于图像的车牌缺损区域恢复识别算法研究

针对当外界天气、光照条件恶劣的时候,存在采集的车牌图像像素丢失的问题,导致无法准确识别车牌内容,文中提出一种基于改进高斯模型的残缺车牌图像像识别算法.首先对待检测图像进行亮度补偿、边缘检测、倾斜校正等预处理,通过将图像划分为若干个矩形子区域,计算各子区域的灰度平均值作为提取的图像初始特征,计算初始特征的先验概率并对后验概率进行修正,实现了对缺损区域特征值的校正,最后建立高斯模型完成车牌图像的识别,克服了传统方法无法准确识别残缺车牌图像的问题.实验证明:这种方法能够准确识别恶劣天气下的车牌图像像,取得了不错的效果.     

基于改进BP神经网络的车牌字符识别

在分析了BP网络学习算法的缺陷的基础上引入动量项和遗传算法对BP网络学习算法进行改进,大大提高了BP网络的收敛速度.对车牌字符图像进行分割并利用sobel算子进行边缘检测来提取字符特征.然后利用改进的BP网络来自动识别车牌字符,提高了识别的速度和正确率.     

一种基于分级神经网络的车牌字符识别新方法

为了进行车牌字符的有效识别,提出了一种分级径向基函数神经网络的车牌识别算法,识别网络由两级构成,一级径向基神经网络用于汉字、字母、混合和数字的粗分类;二级子网用于对字母网络、混合网络和数字网络内部易混字符再进行精确识别。实验结果表明,提出的方法有效地提高了识别的精度,而且平均运行时间减少。     

车辆牌照字符识别算法的设计

对当前典型的车辆牌照字符识别算法进行了研究和分析,在此基础上提出一种新型算法,通过提取一些具有表征性的字符结构特征构建合理的判决树进行有效识别.采用车牌识别系统中分割出的一些数字和字母进行识别仿真,实验结果表明该算法简单、快速、高效,在复杂的噪声环境下同样具有较高的识别率.     

基于EMD的车牌字符去噪校准算法

对典型的车辆牌照字符识别算法中的去噪校准算法进行了研究和分析,在此基础上提出一种新型去噪算法,通过提取分割字符的积分投影波形进行EMD与SG联合去噪后重构字符,克服了字符特征模糊的缺陷,为车牌字符识别提供了可靠的字符特征。     

基于Blackfin561的嵌入式车牌识别系统

介绍了一种基于双核DSP Blackfin561的嵌入式车牌识别系统。讨论了系统的硬件结构和软件实现流程,以及基于Hpofield神经网络进行车牌识别的方法及过程。首先对视频图像进行解码,以获取图像的亮度信号;然后通过图像处理方法对图像进行调整、定位、分割等处理;最终运用Hopfield神经网络识别出车牌上的字符信息。     

车牌识别系统技术的研究与应用

本文介绍车牌识别的两种主要方法(基于无线射频识别技术(RFID)的自动检测识别方法和基于图像处理技术的检测识别方法),并对两种技术的优缺点进行了比较,提出了一种双模式识别系统,重点阐述了主模式识别系统原理,并考虑了车载分机的安全性,给出了车载分机防移动的软硬件设计,可广泛用于各种门禁系统。     

基于混合神经网络的车牌字符识别技术

车牌识别是智能交通系统的重要组成部分,其关键是车牌字符识别技术。单一的神经网络难以识别模糊的车牌字符,文中提出了一种混合神经网络实现车牌字符识别技术。该混合神经网络结合联想记忆与BP神经网络,对输入的字符进行两次判别,经过训练、特征提取得到检测结果。通过在不同的噪声和不同的角度实验表明,采用混合神经网络具有更高的识别精度。