基于边缘颜色对的车牌定位新方法

车牌定位是车牌自动识别系统中的一个关键问题．该文提出了一种新的基于边缘颜色对的车牌定位方法．首先进行彩色边缘检测,然后以每一边缘点为中心,垂直于边缘方向取一线形窗口,在窗口内检测边缘点两侧像素的颜色是否分别匹配车牌的底色与字符颜色,若是,则保留为候选车牌边缘点;然后进行形态滤波,剥离不符合车牌结构特征的区域,最后对候选车牌区域进行纹理特征的分析以确定真实车牌区域．该方法抓住了车牌背景与字符具有固定颜色搭配的重要特点,综合利用了车牌的结构特征和纹理特征,提高了车牌定位的可靠性．对各种条件下拍摄的163幅含有车牌的图像应用该算法,定位准确率达到98．2％。     

基于字符边缘颜色多分量信息的车牌定位方法

针对复杂环境下的车牌定位,提出利用车牌字符边缘颜色多分量信息特征的定位算法,分别提取车牌底色像素点和字符色像素点,排除没有字符色像素点相邻的底色纹理像素点。由于字符色与底色的相互影响,字符边缘处色度、饱和度分量都有较窄的范围,可缩小车牌的搜索区域。结果证明该特征有助于车牌的准确定位,可确定车牌颜色,同时运算多在二值图上进行,速度快。     

基于Sobel垂直算子检测的车牌定位算法

提出一种新的车牌识别的定位算法,对已预处理增强的图像进行Sobel垂直算子检测,用阈值分割出前景,搜索出符合车牌字符特征的候选区域,对候选区域进一步分析定出牌照位置。算法定位速度快,准确率高,对夜间有反光的图片能有效确定牌照的位置。     

一种基于HSV空间的彩色边缘图像检索方法

结合重要的彩色图像边缘及人眼视觉特性,提出了一种基于彩色边缘直方图的图像检索方法。该方法首先利用Canny检测算子提取出原始图像的彩色边缘信息,然后将彩色图像边缘转换至符合人眼视觉特性的HSV空间并进行量化处理,再将彩色边缘划分成圆环区域和角形区域,并分别计算出圆环区域和角形区域的颜色直方图,最后综合利用上述圆环区域和角形区域的颜色直方图计算图像间内容的相似度,并进行彩色图像检索。仿真实验表明,该方法能够准确和高效地查找出用户所需内容的彩色图像,并且具有较好的查准率和查全率。     

基于HSI颜色空间的彩色图像边缘检测

为得到质量较高的彩色图像边缘信息,基于符合人眼视觉特性的 HSI颜色空间,提出一种新的彩色图像边缘检测算法。融合色度、饱和度和亮度分量得到新分量V,根据色度和饱和度的相关性改进色差度量方法,设计边缘生长方法以保证边缘连续性,结合4个分量的边缘信息得到最终边缘检测结果。实验结果表明,该算法可有效消除噪声影响,提高边缘信息的准确性。     

基于边缘检测的车牌定位方法

根据图像处理理论基础知识和现有技术基础上,对现有定位的算法进行了分析,提出了基于边缘特征的车牌定位方法。经试验验证,结果表明所用方法是有效的,该方法提高了定位准确率,也缩短了定位所用时间,达到了预期目的。     

基于改进形态学算子的木粉边缘检测算法

针对木粉显微图像边缘复杂、细节模糊等问题,提出一种基于HSV空间目标提取和改进数学形态学多尺度算子的边缘检测算法。基于HSV空间提取目标,排除背景噪声干扰;通过最佳方向检测改进传统多尺度形态学检测算子,避免了多方向检测的权重选择,以此获得较好的木粉边缘。实验结果表明：形态学检测算子优于传统canny检测算子;改进的形态学多尺度检测算子不但取得了较好的边缘检测效果,而且提高了边缘检测精度和定位能力。     

基于边缘颜色信息的车牌定位算法

车辆牌照的自动识别是智能交通系统中的一项重要技术,而车辆牌照的定位又是车牌识别的关键点之一.提出了一种基于边缘颜色点对与扫描线相结合的车牌定位方法.首先进行彩色边缘检测,然后以每一边缘点为中心,垂直于边缘方向取一条线段,在线段内检测边缘点两侧像素的颜色是否分别匹配车牌的底色与字符颜色,若是,则保留为候选车牌边缘点;通过扫描线搜索定位并分割出车牌区域.方法抓住了车牌背景与字符具有固定颜色搭配的重要特点,综合利用了车牌的结构特征和纹理特征,提高了车牌定位的可靠性.实验结果表明,算法能够实现车牌的快速精确定位.     

基于预测的自适应边缘检测新方法

图像的边缘是图像最基本的特征之一,边缘检测是提取图像特征的重要手段.首先利用梯度调节预测器(Gradient Adjusted Predictor:GAP)对图像进行预测,然后针对预测得到的误差图像,提出了一种基于梯度均值直方图的自适应阈值选取方法,利用得到的阈值来分类边缘与非边缘;为了获得单像素边缘,利用细化算法对边缘图像进一步细化,得到最后的边缘图像.仿真结果表明,与其它方法相比,本文方法检测到的边缘边界特征细腻、连续,定位精度较高,得到的实验结果比较理想.     

融合边缘检测与HSV颜色特征的车牌定位技术*

车牌定位是车牌识别系统的关键技术,定位的准确与否直接影响车牌识别的结果.车牌区域具有空间特征--边缘信息丰富,颜色空间信息--伴生与互补特性.若利用边缘特征丰富进行定位,受对比度及噪声影响较大;利用颜色信息受车身颜色及光照影响较大,误识率较高.针对这一特点,提出了一套融合灰度边缘检测与车牌区域特有的颜色特征,准确进行车牌定位的算法.对200幅各种情况下从交通卡口获取的实测彩色图像进行试验,准确定位率为99.5%.     

基于HSV色空间的车牌定位综合方法

提出一种基于HSV色空间的车牌定位的综合方法,该方法的主要优点是避开了以往车牌定位方法中无法寻到合适的全局阈值的缺点。在HSV色空间内,构造5级灰度图,直接根据车牌颜色的不同来进行灰度化处理,再利用灰度形态学平滑方法进行消噪,利用字频统计等方法进行分析和判断,最后用投影法分割出汽车牌照。该方法充分利用牌照的底色、纹理、以及几何特征等,实验表明该方法具有较好的精确度,并且在不同的背景下定位的有效性。     

基于OpenCV的车牌定位方法

提出一种基于开源视觉库OpenCV从复杂环境中准确定位车牌的方法.利用车牌的颜色特征,将原图像分别在HSV颜色空间和RGB颜色空间下处理得到两幅二值图像;根据这两幅二值图像的纹理特点,在HSV颜色空间下得到的二值图像定位出车牌的上下边界,再按照定位出的上下边界坐标从RGB颜色空间下的二值图像上水平切割出车牌区域;根据车牌的几何特征,从切割出的水平区域中得到精确的车牌区域.实验结果表明,该方法能够快速、准确定位出车牌,还具有很强的抗干扰性.     

基于Log算子边缘检测的车牌定位方法

车牌定位是车牌自动识别系统中的关键技术之一,提出一种基于Log算子边缘检测的车牌精定位方法。首先对彩色车辆图片在多颜色空间内进行色彩分割去除大量的背景干扰信息,然后利用分块的思想实现车牌的粗定位,大大缩小车牌的搜索区域,最后对粗定位图用Log算子检测边缘突出车牌的纹理特征再结合投影的方一法准确定位出车牌。通过对静态车牌图像定位仿真实验和分析表明,该方法对于车牌定位准确率较高。     

HSV与LBP特征融合的行人检测方法研究

提出一种融合HSV颜色空间特征与局部二元模式特征LBP的特征的HSV LBP行人检测方法。HSV特征是一种全局特征,它能简单地描述一幅图像中颜色的全局分布,LBP特征能很好地描述图像局部空间结构,所以该算法既考虑了全局特征也考虑了局部特征,且该算法具有维数少、计算速度快的优点。在Matlab环境下实验,利用Adaboost 分类器对算法的性能进行实验仿真,与经典的梯度方向直方图HOG特征、LBP特征、分层梯度方向直方图PHOG特征及HOG LBP特征进行对比,结果表明HSV LBP方法的识别性能较好。     

一种基于HSV颜色空间和SIFT特征的车牌提取算法

为了克服SIFT算法直接应用在车牌提取中表现出来的执行时间过长、误配率高的缺陷,提出了一种基于HSV颜色空间与SIFT特征的两级车牌提取算法,先使用HSV颜色空间确定车牌的候选区域,进行快速粗定位,再使用SIFT算法对候选区域进行精确定位与倾斜校正,在精确定位的同时也完成了对车牌汉字的辨识。这种方法不仅减少了SIFT特征的计算量,而且也避免了复杂背景对于SIFT特征匹配的干扰,大大提高了匹配准确率。最后通过编程实验证实本算法有良好的性能。     

车牌定位中宇符边缘色彩信息作用研究

研究了字符边缘色彩信息对车牌定位的作用.在HSV色彩空间中,字符边缘处色度、饱和度处于特定的较窄范围,分别提取出车牌底色色彩像素点和字符色色彩像素点,再利用图像水平方向纹理得到车牌底色纹理,最后排除没有字符色像素点相邻的底色纹理像素点.实验结果表明,该方法适应性强、定位速度快,可在定位的同时确定车牌颜色.     

基于颜色三角形信息量的彩色图像边缘检测

提出了一种利用构造三角形面积变化来检测彩色图像边缘的方法,它能够充分利用彩色图像中各像素的各个彩色分量,将颜色的向量度量转化为标量度量。与传统的边缘检测算法相比,这种方法检测到的边缘比较清晰,能提高边缘检测的准确性。     

基于小波变换的车辆牌照定位研究

车辆牌照的准确定位是智能交通中车辆牌照识别技术的关键,提出一种基于小波变换的车牌质心定位方法,该方法可以很好地解决复杂背景与光照下的车牌定位.经过小波分析的车牌图像利用数学形态学进行车牌特征提取,对特征提取后的车牌图像采用连通区域质心的方法对车牌进行定位,最终得到车牌的准确区域.实验结果表明,该方法能够实现车牌的快速准确定位,是一种有效的车牌定位方法.     

基于单目视觉的车牌快速定位方法

提出了一种基于颜色空间理论和形态学结合的方法。首先对图像进行颜色空间转换,按要求提取出需要的特征颜色区域,再对颜色特征区域进行检测,对边缘进行灰度统计,按一定的比例进行筛选,并利用前方车辆位置变化的特点,对下一次车牌可能出现的区域进行粗定位,利于下一次更快速的定位。应用该算法对100幅车牌图像进行定位,定位准确率达90%,速度均在0.1s内。