模板匹配联合特征法在车牌字符识别中的应用

针对当前车牌字符识别中相似字符易出错的问题,提出了模板匹配联合特征的车牌字符识别方法.在算法设计中,首先,根据车牌字符特征构建存在相似字符,识别时容易出错的特征字符库;初次识别时,对所有车牌字符采用模板匹配算法;初次识别的结果如不属于特征字符库,识别结束;否则进行二次特征识别.通过对4000张不同环境下的车牌图片进行测...     

深度卷积神经网络在水表字符图像识别上的应用

水表字轮半字符图像的识别是水表字符图像自动化识别的一个关键点。水表字符识别深度卷积神经网络基于深度卷积神经网络结构Inception,采用自制的水表字符图像数据集,利用Tensor Flow重新训练了Inception的输出层,实现了一个无监督的端到端水表字符自动识别方法。实验结果表明该方案具有识别率高、实用性强的优点。     

数字字符识别技术及应用

本文总结了常用的图像分割方法,特别是针对手写数字字符特点而提出的相关方法。介绍了数字字符特征提取及特征融合技术,分析了数字字符识别中多种分类器的特点,比较了它们在手写数字识别和车牌识别中的准确性。     

基于模板匹配和垂直投影的车牌字符分割算法

车牌识别(LPR)是智能交通系统中的一个重要环节,而字符分割又是车牌识别中的关键部分。针对车牌字符分割问题,提出了一种改进的车牌字符分割算法。首先,对于图像的滤波采用了"条状可变阈值滤波算法",分割环节则采用了垂直投影和模板匹配相结合的算法,并结合现实生活中车牌的一些不利因素的影响,做出相应改进,不仅提高了算法对不同环境下采集的车牌的适应性,而且增加了抗干扰能力。实验结果表明:该方法实现简单,分割质量好,便于下一步的字符识别。     

基于神经网络深度学习的车牌识别算法

当前收费系统使用的车牌识别设备识别车牌的方式普遍为模式识别,识别率基本在85%～90%,而且受到天气、车牌污损等因素的影响,无法满足"互联网+"收费系统对于精确车牌识别的要求。通过对车牌识别参数进行抽象和建模,运用成熟的人工智能技术,以基于神经网络的深度学习算法模型为基础,根据车牌识别的需求,对车牌特征进行建模,车牌模型在算法的支持下,通过深度学习认知车牌的颜色、文字、字符等属性,有望解决在强光照、大侧角、模糊等极难条件下无法识别车牌关键信息的问题,满足"互联网+"收费系统对于精确识别车牌的要求。     

一种车牌图像几何矫正的简易快速算法

<正>道路交通的快速发展对交通智能化管理的依赖越来越高,而车牌自动识别技术是交通智能化管理的一个重要组成部分,已经广泛应用于交通各个领域,例如高速公路的自动收费、停车场进出车辆的自动只别等。车牌识别通常有六个步骤:1、车牌定位;2、车牌倾斜及     

基于MATLAB的车牌识别系统设计

数字化、智能化的当今时代,车辆的大量使用在给人们带来便利的同时事故频发。由于诸多例如自然因素影响、车辆行驶轨迹与摄像头位置影响、车牌样式繁多等原因,相关技术人员无法及时准确获得所需车牌号码信息。运用MATLAB对所需车牌号码进行识别,可以提高获取车牌号码的准确性和速度,即使车牌本身有所遮掩或者缺损,也可以通过建立相关数学模型、扩大字符数据库等方法,并运用字符识别与数据库内容相互比对,最终得到所需要的车牌号码。     

基于数学形态学的车牌识别系统设计仿真

针对车辆牌照的自动识别问题,提出一种基于形态学的车牌识别系统设计。通过对采集到的原始彩色图像进行灰度化、滤波等预处理,并利用数学形态学方法对图像进行闭合、腐蚀等运算,进而实现了车牌定位,再使用投影法完成对车牌的字符分割,最后采用模板匹配法对字符进行识别。MATLAB仿真结果显示,设计具有较高的识别效果,识别速度较快。     

特征提取在图像处理中的应用

特征在图像处理中起着非常重要的作用。利用特征提取技术来提取图像的特性,通过这些特征可以快速的对字符图像进行分类和识别。我们通过对不同类型的特征和特征提取技术分析,研究在不同的特征类型中哪些特征提取技术最适合的,整个分析研究以字符识别为基础来进行。     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。