基于运动车辆的摄像机自适应控制系统研究

在车牌识别系统的实际应用中,外部光照情况的变化对车牌识别效果有很大的影响,这是一个优良的车牌识别系统必须考虑的重要问题.通过长期的研究与大量的现场试验,设计了一种行驶车辆图像获取摄像机自适应控制系统AIACS(Acquiring Image Adaptive Control System)很好地解决了这个问题.AIACS采用共生矩阵的方法对车辆纹理进行分析,得出摄像机的调整参数,达到控制摄像机的目的,并可以根据需求调整算法,对图像中感兴趣的部分进行反馈,以此帮助摄像机摄取到清晰的运动车辆的图像.     

基于字符密度与聚类分析的多车牌定位方法

针对车牌定位受外界因素干扰较大的情况,文中提出一种基于密度判别与聚类分析的快速车牌定位方法。结合图像积分算法,采用车牌字符密度判别法缩小车牌搜索范围,利用车牌垂直投影统计规律确定出多个候选区域,最后结合聚类分析算法对候选区进行分析、选择合并策略、剔除假车牌,实现准确、快速的多车牌区域分割。试验结果表明,该方法适应性强,准确率高,实时性好,能够满足车牌识别系统应用的需要。与其他方法相比,该方法可在一定限度内自适应车牌的类型、大小、数量和方向,并对汽车在图像中的位置以及图像背景的限制较少,是一种适用性较强的方法。     

基于字符密度与聚类分析的多车牌定位方法

针对车牌定位受外界因素干扰较大的情况,文中提出一种基于密度判别与聚类分析的快速车牌定位方法.结合图像积分算法,采用车牌字符密度判别法缩小车牌搜索范围,利用车牌垂直投影统计规律确定出多个候选区域,最后结合聚类分析算法对候选区进行分析、选择合并策略、剔除假车牌,实现准确、快速的多车牌区域分割.试验结果表明,该方法适应性强,准确率高,实时性好,能够满足车牌识别系统应用的需要.与其他方法相比,该方法可在一定限度内自适应车牌的类型、大小、数量和方向,并对汽车在图像中的位置以及图像背景的限制较少,是一种适用性较强的方法.     

基于可变形卷积和自适应二维位置编码的鲁棒车牌识别方法

车牌识别是智能交通系统中的关键步骤,为提高在非可控和复杂场景下车牌的识别精度,提出了一种鲁棒车牌识别方法,该方法主要包括车牌检测和车牌字符识别2个核心部分。首先,采用YOLOv5网络实现车牌的检测;其次,基于递归卷积神经网络框架,提出了一种基于可变形卷积和自适应二维位置编码(A2DPE)的车牌字符识别方法。该方法针对车牌大小、倾斜角度和光照条件等动态变化的特点,采用了可变形卷积来更好地提取车牌字符的特征,并引入了A2DPE模块,根据输入自适应地获取车牌字符位置编码信息。最后,利用双向长短期记忆网络进行车牌字符的识别,无须分割车牌字符,可以实现不同长度车牌字符的准确识别。在自建数据集LPdata与公开数据集CLPD上的实验结果表明,与现有方法相比,该方法能够以较低的模型复杂度达到较高的准确率。     

汽车牌照定位的削峰填谷自适应算法

提出一种针对汽车牌照定位的削峰填谷自适应算法。该算法首先对获取的彩色图像进行灰度化、灰度拉伸、边缘检测等处理,以突出车牌所在区域;然后对检测结果进行垂直投影,针对投影进行削峰填谷的自适应操作,获得车牌所在区域的左右边界;再对左右边界内的图像进行水平投影,并对投影进行削峰填谷的自适应操作,获得车牌所在区域的上下边界,从而最终确定车牌在原图像中的具体位置。实验结果表明该方法定位速度快、准确率高,实用性强。     

遗传算法在车牌特征选择的应用研究

研究车牌自动识别系统中的车牌特征选择问题.车牌特征选择结果的优劣将直接影响车牌识别准确率,因此选择对车牌字符识别能力强的特征是车牌自动识别中一个关键问题.由于传统特征选择方法计算时间长及标准遗传算法过早收敛的缺点,导致车牌字符识别准确率低.为了提高车牌识别的准确率,提出一种改进遗传算法的车牌特征选择方法,把车牌特征作为遗传算的种群中个体,以车牌识别率为目标函数,在算法前期采用保优策略,保持最优特征的多样性,来避免局部最优;在进化后期,当特征最优信息陷入停滞时,自适应调整进化参数,加快进化速度.仿真结果表明,选择车牌特征的车牌自动识别系统识别准确率达到了92.36%,远远高于标准遗传算法和自适应遗传算法的86.53%和90.3%,说明,改进方法不仅提高了车牌字符识别率,而且克服了传统遗传算法在特征选择过程中出现的早熟现象,防止陷入局部最优的缺点.     

一种新的快速自适应车牌定位方法

针对现存车牌定位方法自适应性差和鲁棒性不强的情况。本文提出了一种新的快速自适应车牌定位算法．此算法结合图象中车牌区域的纹理特征、灰度和边缘投影信息定位车牌。经对不用场景、不同光照、不同车型的汽车图象的实验表明该算法具有快速，鲁棒性强，自适应性好的优点。     

自适应遗传算法在车牌定位中的应用

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识别系统的核心之一。由于传统的定位算法存在适应性差,鲁棒性不强的问题,提出一种基于自适应遗传算法的车牌定位方法。先用最大类间方差法(OTSU)对车牌图像进行二值化,然后利用遗传算法对全图进行车牌特征匹配搜索,结合区域特征向量构造的适应度函数,最终找到车牌区域的最佳定位参量。测试结果表明,该算法适应性强,定位效果很好。     

基于最近邻链的车牌检测算法

根据车牌字符的几何特征和空间排列规则,提出了一种基于最近邻链的自适应车牌检测算法. 首先,采用自适应阈值分割算法消除光照变化的影响,并采用连通体分析方法消除部分干扰目标; 其次,根据车牌字符连通体的区域特征,将宽度和高度都相近的连通体构造为最近邻连通体对, 并将最近邻对连接为最近邻链,从而检测出所有可能的车牌区域; 最后,利用两组不同长度的方波模板分别对车牌的水平和竖直投影进行匹配, 它能够验证候选车牌区域的有效性,并求解所有车牌字符的最佳切分位置. 实验表明,该算法能够自适应地处理光照不均匀、尺度变化、透视失真、背景干扰以及质量退化等因素的影响, 可以有效地检测出复杂背景中的车牌区域.     

基于自适应耦合PDE模型的车牌图像去噪研究

针对车牌识别预处理中的图像去噪问题,提出一种自适应耦合偏微分方程(PDE)去噪模型;该模型在各项异性扩散模型的基础上,构造一种新的去除椒盐噪声的扩散项,能够根据噪声图像特点自适应控制扩散速度,有效抑制椒盐噪声,并将新的扩散项与各向异性扩散模型进行耦合,并提出一种新的耦合系数计算方法,根据图像信息自适应计算耦合系数,使得新模型能够在新的扩散项和各项异性扩散模型间自适应转换,有效去除车牌图像中的混合噪声;为了抑制去噪引起的图像边缘模糊问题,引入振动滤波进行逆滤波,增强图像的边缘信息;实验结果表明,自适应耦合PDE模型能更有效去除车牌图像中的混合噪声,保护图像的边缘信息,提高图像的峰值信噪比(PSNR);去噪后的图像更有利于后续的字符分割与识别,有效提高车牌图像的识别准确率。     

基于树莓派开发板的车辆识别系统设计

本设计着手于具有较大实用价值的“车牌识别”,用小巧的嵌入式开发板接入互联网,实现物联网技术下的车辆识别.该系统主要由嵌入式开发板、摄像头、台式机组成.嵌入式开发板采用当下流行的树莓派开发板,负责调用外置的摄像头模块采集车牌照片,配合在云端的台式机,将采集好的相片通过互联网上传至台式机,台式机处理传送来的车牌照片,并返回识别结果,从而完成整个识别过程.     

一种字符组合词包模型的少约束车牌定位算法

针对如何在复杂背景、拍摄角度和车牌尺度发生变化等少约束条件下实现基于字符组合词包模型的车牌定位算法。本文首先构造包含车牌数字字符和英文字符的数据库;然后利用本算法识别提取车牌字符的SIFT特征,并精准计算识别特征点在字符识别区域的相对位置、物理方向等信息组成视觉识别词汇;最后把本车牌字符的视觉词汇聚合后搭建车牌字符视觉词包数据库。在识别阶段,提取待识别图像SIFT特征与视觉词包中的视觉词汇进行匹配,并聚合所有有效投票位置来实现车牌区域的准确识别定位。仿真结果表明,本文算法对于背景复杂下的车牌区域定位具有较好的效果。     

基于单字符注意力的全品类鲁棒车牌识别

复杂场景下的高精度车牌识别仍然存在着许多挑战,除了光照、分辨率不可控和运动模糊等因素导致的车牌图像质量低之外,还包括车牌品类多样产生的行数不一和字数不一等困难,以及因拍摄角度多样出现的大倾角等问题.针对这些挑战,提出了一种基于单字符注意力的场景鲁棒的高精度车牌识别算法,在无单字符位置标签信息的情况下,使用注意力机制对车牌全局特征图进行单字符级特征分割,以处理多品类车牌和倾斜车牌中的二维字符布局问题.另外,该算法通过使用共享参数的多分支结构代替现有算法的串行解码结构,降低了分类头参数量并实现了并行化推理.实验结果表明,该算法在公开车牌数据集上实现了超越现有算法的精度,同时具有较快的识别速度.     

Real-time automatic license plate recognition for CCTV forensic applications

We propose an efficient real-time automatic license plate recognition (ALPR) framework, particularly designed to work on CCTV video footage obtained from cameras that are not dedicated to the use in ALPR. At present, in license plate detection, tracking and recognition are reasonably well-tackled problems with many successful commercial solutions being available. However, the existing ALPR algorithms are based on the assumption that the input video will be obtained via a dedicated, high-resolution, high-speed camera and is/or supported by a controlled capture environment, with appropriate camera height, focus, exposure/shutter speed and lighting settings. However, typical video forensic applications may require searching for a vehicle having a particular number plate on noisy CCTV video footage obtained via non-dedicated, medium-to-low resolution cameras, working under poor illumination conditions. ALPR in such video content faces severe challenges in license plate localization, tracking and recognition stages. This paper proposes a novel approach for efficient localization of license plates in video sequence and the use of a revised version of an existing technique for tracking and recognition. A special feature of the proposed approach is that it is intelligent enough to automatically adjust for varying camera distances and diverse lighting conditions, a requirement for a video forensic tool that may operate on videos obtained by a diverse set of unspecified, distributed CCTV cameras.     

Smart camera adaptive optoelectronic system

Smart Camera is an adaptive optoelectronic system intended for recognizing automobile numbers. The system consists of a digital camera with an IR illuminator and IR filter combined with a PC-compatible computing module. In real-time mode, the illumination of a license plate of an automobile is analyzed in frames that arrive from the camera, after which the parameters of the camera are changed to reach the optimal illumination of the license plate of an automobile. The built-in computing module analyzes images and produces control decisions. The numbers are also recognized in the smart camera. Video and recognition results are transmitted via the network.     

基于深度学习模型LeNet-5-L的车牌识别算法

针对车牌中汉字识别率低和识别速度慢问题,提出一种基于深度学习的车牌识别网络LeNet-5-L,该网络把车牌识别分为两个阶段,运用OpenCV库函数对车牌图像预处理,结合垂直投影分割方法将车牌分割为7个独立字符图像,降低了图像特征提取难度,从而提高车牌中各个的字符识别率和整个车牌识别速度;运用卷积神经网络解决车牌字符识别问题,基于LeNet-L设计一种车牌字符识别网络LeNet-5-L,有效提高车牌中首字符汉字识别率;实验结果表明,该网络对车牌中各个字符的识别准确率均高于99.97％,单个车牌识别时间仅需0.83 ms,该方法有效的提高车牌识别的正确率和识别速度.     

一种基于机器学习的车牌识别系统的设计

以车牌识别的实用性为目的,设计一种鲁棒的车牌识别系统。首先提出了Sobel-Color算法,以Sobel边缘和颜色两种特征进行车牌定位,并结合MSER算法,设计了一种可靠的车牌定位方法来获取候选车牌区域,然后采用SVM算法对候选车牌区域进行车牌判断;最后根据车牌特征设计了一种车牌字符分割算法,能正确分割车牌的各个字符,并有效地去除车牌边缘部分的虚假字符,又根据分割出的车牌字符特征对LeNet-5深度网络模型进行改进,然后采用改进的LeNet-5网络对车牌字符进行识别。对设计的车牌识别系统进行了正常条件测试、恶劣条件测试以及效率测试等实验,实验结果表明设计的车牌定位和车牌判断方法具有较高的可靠性,车牌字符识别具有较高的准确率,因而设计的车牌识别系统具有较好的鲁棒性和实用性。     

基于多目标优化多任务学习的端到端车牌识别方法

本文针对多个车牌识别任务之间存在竞争和冲突,导致难以同时提高多个车牌的识别率的问题,提出基于多目标优化多任务学习的端到端车牌识别方法.首先,通过分析某些车牌识别任务容易占主导地位,而其他任务无法得到充分优化的问题,建立基于多任务学习的车牌识别模型.接着,针对字符分割造成车牌识别准确率较低、鲁棒性较差的问题,提出基于多任务学习的端到端车牌识别方法.最后,针对多个车牌识别任务间难以权衡的问题,提出一种基于多目标优化的多任务学习方法,以提高多个车牌识别的准确率.将本文所提方法在标准车牌数据集上进行测试,实验结果验证了该方法的有效性和优越性,其他代表性方法相比可以提高车牌识别的准确率、快速性和鲁棒性.     

基于颜色和纹理分析的车牌定位方法

针对复杂背景的车牌定位问题，提出了一种颜色和纹理分析相结合的车牌定位算法。该算法采用基于适合彩色图象相似性比较的HSV颜色模型，首先在颜色空间进行距离和相似度计算；然后对输入图象进行颜色分割，只有满足车牌颜色特性的区域，才进入下一步的处理；最后再利用纹理及结构特征对分割出的颜色区域进行分析和进一步判断，并确定车牌区域。该方法不同于大多数的车牌定位方法，它不仅对车牌的大小、汽车在图象中的位置以及图象背景的限制较少，而且，综合特征定位要比单一特征定位更符合人的视觉要求，因而定位效果更好，应用范围更广。