一种基于多重特征的车牌定位算法

车牌自动识别是现代智能交通的重要组成部分,而车牌定位技术又是车牌自动识别系统的核心之一,然而对于真实的复杂背景下的图像,现存的基于特征的定位算法依然存在适应性差、鲁棒性不强的问题。提出了一种基于多重车牌特征的行列扫描线的定位算法,突破了原有的基于特征的行,列扫描算法中容易出现车牌区域错误判断的瓶颈。对于真实的具有复杂背景的图像进行实验后,得到了理想的定位效果。     

基于多方法融合的车牌自动定位算法研究

提出了一种将模板匹配、形态学和投影法多方法融合的车牌定位算法.首先,对预处理后的车牌图像采用优化的模板匹配算法粗定位车牌区域;然后运用形态梯度方法对租定位后的图像进行边缘检测;最后,采用投影法进行精确定位,通过对投影的分析找到车牌的准确位置.实验结果表明,该算法对车牌定位的准确性和处理速度都有很大提高,满足了系统实时性和准确性的要求.     

基于多颜色模型的车牌定位方法

提出了一种基于多颜色模型的车牌定位方法.首先把输入的RGB彩色图像转化到HSV和YIQ颜色空间,综合这两个颜色空间的信息进行颜色分割去除大量的背景干扰信息,得到了颜色为车牌照的一些区域.然后将颜色分割后的图像灰度化并分块,找出水平差分累加和最大的块确定车牌大致位置在原彩色图中实现车牌的粗定位.最后对粗定位图进行二次颜色分割得到车牌区域的信息利用投影法精确定位出车牌.实验结果表明该方法效果较好.     

多特征融合的车牌定位算法

针对使用单一特征在复杂场景下车牌定位效果不佳的问题,提出了一种融合了边缘、颜色、纹理等多种特征的车牌定位算法。该算法将定位过程分为假设生成和假设检验两个阶段:在假设生成阶段,使用特征点检测、形态学作为主要技术手段,利用车牌的字符纹理和颜色特征生成候选车牌;在假设检验阶段,使用灰度投影作为技术手段,利用车牌结构的固有特征验证候选并实现定位。实验结果表明:在包含实际场景的车牌图像库中,定位成功率可以达到96.6%,精确度可以达到95.4%,验证了多特征融合算法的合理性和有效性。     

基于多模板匹配的车牌字符识别算法

在车牌识别系统中,传统的模板匹配算法处理时间长,对笔画缺失或断裂的字符识别效果不好。为此本文提出一种基于多模板的匹配算法,首先构建三种类型的模板库,并在构建好的多模板库上进行模板匹配,整个过程采用分块匹配的方法来加速模板匹配的过程。     

基于车牌色彩变化特征的车牌定位方法

针对复杂背景下的车牌定位问题,提出了一种基于车牌色彩变化特征的车牌定位方法。该定位方法将RGB彩色空间中的车牌图像转换到HSV彩色空间中进行颜色识别,分割出车牌底色及字符颜色相对应的颜色区域,同时通过边缘提取、二值化处理、与运算找到对应颜色边缘特征点,最后经纹理分析来定位车牌。     

基于特征显著性的多特征融合车牌定位算法

在分析已有车牌定位技术以及目标检测共有特性的基础上,提出了基于视觉显著性的特征选择方法.算法依据先验样本的统计学习,利用导致最小错误概率判决方法,得到目标的特征显著性分析.在车牌定位过程中,根据得到的特征显著性序列,依次赋予特征不同的权值,然后采用融合的方式得到所需要的车牌区域.实验结果表明,该算法提高了使用单一特征进行车牌定位的准确率.     

基于多颜色模型的车牌定位方法

提出了一种基于多颜色模型的车牌定位方法。首先把输入的RGB彩色图像转化到HSV和YIQ颜色空间,综合这两个颜色空间的信息进行颜色分割去除大量的背景干扰信息,得到了颜色为车牌照的一些区域。然后将颜色分割后的图像灰度化并分块,找出水平差分累加和最大的块确定车牌大致位置在原彩色图中实现车牌的粗定位。最后对粗定位图进行二次颜色分割得到车牌区域的信息利用投影法精确定位出车牌。实验结果表明该方法效果较好。     

基于车牌底色识别的车牌定位方法

提出了结合汽车车牌纹理特征分析和颜色特征分析实现车牌定位的方法。以往的车牌定位技术主要是利用了车牌的纹理特征和形状特征，该文提出的方法是先进行纹理分析和形状分析，再进行色彩分析，从而尽可能多地利用车牌模式识别空间中的各种条件。得到边缘清晰整齐的尽可能小的车牌区域。这种方法明显地克服了单用纹理和形状分析时难以解决的车牌区域变大的问题。     

基于灰度图像的车牌定位方法研究

研究了ITS系统中最基础、最重要的车牌定位技术。在已有的车牌定位理论和方法的基础上,提出了一种先使用数学形态学搜索车牌候选区域,然后根据车牌的长宽比和面积等特征对车牌候选区域筛选,最后统计二值图像中黑、白像素变化规律实现车牌精确定位的新方法。实验的结果表明,该方法能够有效地定位车牌区域,定位成功率达到91.3%具有较高的实用性。     

基于颜色相似度的车牌定位算法

针对车牌图像分割困难、车牌位置定位不准确等问题,提出了一种新的车牌快速定位方法。该方法是在HSV模式下进行的,首先在颜色空间下,对车身的每一行颜色进行相似度的计算,再将相似度大于阈值的颜色去除,然后进行水平与垂直投影,同时利用车牌位置、长宽比例信息,精确地定位出车牌。这种方法对不同光照条件下,不同颜色的车辆,不同颜色的车牌均具有良好的适应性。实验表明该方法定位准确,运算速度快,能满足实时性要求。     

基于统计特征的启发式车牌定位新方法

在研究现有车牌定位算法的基础上,提出了一种基于统计特征的启发式车牌定位算法。该算法利用图像金字塔结构将图像分级处理,将车牌区域字符密集特征量化为跳变特征,利用动态规划算法计算统计矩阵,根据事先实验得到的车牌跳变特征范围筛选统计矩阵得到候选矩形框。根据颜色特征,车牌尺寸特征,字符个数特征等筛选候选区域得到最终定位结果。大量实验表明,该方法能精确,高效地定位车牌并且对环境的适应能力比较好。     

基于分块投影和形态学处理的多车牌定位方法

针对多车牌定位中候选区域过多和结构元素选择不合理的问题,提出了一种基于分块投影和形态学分块处理的多车牌定位方法。对车牌图像进行预处理和水平差分处理,应用分块水平投影方法粗略定位车牌区域,用形态学分块处理确定车牌的候选区域,最后用车牌的特征去除伪车牌,定位出多个车牌。仿真实验结果表明,该方法能减少车牌候选区域,提高多车牌定位的效率。     

基于特征多样性的车牌定位方法

本文提出了一种基于结构特征和纹理特征的车牌定位方法:对车辆图像进行预处理,检测垂直方向的边缘,执行数学形态学操作,并利用车牌的结构特征粗定位车牌区域;提取车牌的纹理特征并构建特征向量,通过贝叶斯分类器来精确定位车牌区域。该方法不受车牌大小、位置等因素限制。对采集到的各种复杂背景、环境下的车辆图像进行了大量实验。实验证明:该方法定位率高,速度快,具有较好的鲁棒性。     

基于水平梯度和形态学分析的车牌实时定位方法

车牌图像定位是车牌照识别系统的关键,该文提出了一种在高速公路复杂背景下的车牌定位与车牌字符分割方法。该方法利用水平相关特征、车牌区域的梯度形态特征和车牌配色特征进行车牌定位,并利用车牌的结构特征采用多尺度模板匹配方法切分车牌字符。实验表明该方法在复杂背景下具有较好的定位切分效果和较强的鲁棒性。     

基于数学形态学及车牌综合特征的车牌定位算法

车牌定位是车牌识别系统中的关键步骤;利用车牌图像区域丰富的边缘信息以及车牌本身的特征,提出一种实用而有效的车牌定位方法;首先,将原始图像转换到灰度空间上,利用车牌丰富的图像边缘特征信息和数学形态学操作对图像进行粗定位;然后,根据车牌本身的特征量化5种不同的特征,通过贝叶斯分类器的训练,实现对车牌区域的精确定位;最后,通过实验对1500幅彩色图像进行测试,其有效率可达95.20%。     

复杂图像中基于综合特征的车牌定位方法

本文提出一种综合多种特征的车牌定位算法.在纹理与形状分析基础上充分利用色彩信息,纹理有效地解决了背景复杂的彩色图像中车牌定位问题.大量试验证明该方法准确率高,鲁棒性好.     

一种新的车牌定位与倾斜校正方法

为了在不同条件下对车牌进行定位与倾斜校正,提出了一种基于字符特征匹配的车牌定位与倾斜校正方法。该方法考虑到我国车牌首位字符为汉字的显著特征,利用标准车牌汉字库,采用特征匹配对车牌中的汉字进行定位。由于汉字在我国车牌中的位置严格固定,因此,对汉字的成功定位,也就实现了对整个车牌的定位与倾斜校正。对不同背景、不同光照条件下的车牌进行大量实验,结果表明该方法能够准确地进行车牌定位与倾斜校正,具有良好的鲁棒性。     

基于模板匹配和神经网络的车牌字符识别方法

本文提出了一种基于模板匹配和神经网络的车牌识别方法.该方法集成了模板匹配识别车牌字符和神经网络识别车牌字符的各自优势.对于字符可单独分割出来的一类车牌,本文提出了一种改进的神经网络来进行字符识别;对于字符不可分割或分割困难的另一类车牌,本文提出了一种基于四灰度加权相似函数模板匹配方法来识别字符.从而克服了单一方法很难同时识别这两类车牌中的字符的不足,同时可有效地提高车牌字符识别的识别率、识别速度或识别系统的泛化能力.实验结果表明:大多数情况下,该方法车牌字符识别率超过90%,识别时间不超过1 200毫秒,能更有效识别各种车牌中的字符,能更好地满足实际系统的要求.     

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。