车牌识别中关键技术的研究与实现

介绍了车牌图像识别系统的现状,提出一种针对高速公路环境下的车牌定位与识别算法.在定位阶段,通过伪二值化方法消除路面产生的噪声,利用形态学闭运算定位车牌字符,并对车牌图像进行灰度交换,最终得到无边框、灰度对比强的车牌图像.字符分割采用基于字符连通域宽高检测和先验知识相结合的方法,很好地解决了字符粘连对分割的干扰,同时完成了对车牌图像的滤波.在识别阶段,先对车牌图像进行二值化和倾斜矫正,字符识别采用基于模板匹配的改进算法.对高速公路上300幅车辆图像进行测试,识别准确率高于80%.     

车牌自动识别的算法研究与实现

基于MATLAB对车牌自动识别系统中的算法进行研究,详细阐述车牌自动识别过程中的车牌定位、字符分割、字符识别的算法思想及算法实现。通过对一些车牌图像进行测试,获得较高的车牌自动识别准确率,表明算法具有可靠可行性。     

基于DCT域的公路车牌定位算法

车牌定位是将车牌区域从车辆图像中分割出来,是车牌识别的基础.本算法首先通过对图像进行离散余弦变换(DCT),得到DCT系数,之后计算提取出一种基于加权频率的新特征,采用自适应阈值法,实现车牌区、非车牌区的快速分割,再经平滑滤波之后,利用投影法实现车牌区域的定位.实验结果表明该算法准确率较高,有利于实现复杂背景中车牌区的快速定位.     

基于改进BP神经网络的夜间车牌识别算法研究

为了提高夜间条件下车牌识别准确率,提出了一种基于改进BP神经网络的车牌识别算法.为了改善夜间环境下车牌图像的质量和清晰度,在图像预处理过程中采用了图像平滑处理增强技术;利用图像边缘检测技术实现了对图像正确定位,然后通过统计车牌图像白色像素个数的方法对字符分割;在此基础上,使用基于附加动量法和自适应学习速率改进的BP神经网络方法精确识别车牌.实验结果表明,该方法对夜间车牌的分割和识别是有效的.     

基于改进Sobel算子的车牌定位方法

车牌定位作为车牌识别系统中的一个重要环节,定位算法的好坏直接影响到识别的效果.本文针对不同背景和光照条件下的车辆图像,提出一种改进Sobel算子的车牌定位算法,首先对已经过预处理的车牌图像进行改进的Sobel运算.然后使用迭代求图像最佳分割阈值的算法二值化出前景,根据车牌区域纹理丰富的特点.采用水平梯度算子求得图像的水平投影图,再运用数学形态学的开闭运算进行车牌垂直定位,最终定位车牌位置.经过大量试验证明,该算法准确率高、定位速度快.具有较好的实用价值.     

智能车牌识别系统中图像定位算法

在智能年牌识别系统中，从获取的汽车图像中定位车牌图像是一个关键的步骤，该文在研究了经典的图像分割和定位算法后，提出了一种新的割取车牌的算法即跳跃模板定位算法，此算法具有定位准、实时性强和鲁棒性好等特点。     

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MSER与SVM算法的车牌定位识别方法

针对实际车牌识别系统中车牌位置定位难、字符识别率低等问题,提出了一种基于MSER与SVM算法的车牌定位识别。该方法分为定位和识别两步,输入图像经过预处理,通过MSER与SVM算法直接提取出车牌的字符区域,然后将车牌字符图像裁剪送入识别阶段,识别阶段同样利用SVM算法对车牌字符进行识别。经验证,该车牌定位识别方法识别速度快、准确率高,能够适用于实际生活中较为复杂的交通环境。     

基于扫描线和特征筛选的车牌定位快速算法

以对车牌识别准确率影响最大的车牌定位技术为重点,研究并提出一种基于扫描线和特征筛选的车牌定位算法,该算法先记录并分析二值图像中相邻水平扫描线上的跳变点信息,确定出候选车牌区域,再根据车牌特征筛选,最终确定车牌区域.对113幅不同车型的图像进行测试,结果表明,去噪处理对定位准确率有很大影响,当车牌倾斜角度小于5°、且经过去噪处理时,定位准确率超过90%,定位时间小于0.9s.     

基于简化PCNN的车牌定位算法

为了提高车牌定位效率,提出一种混合简化脉冲耦合神经网络(PCNN)和快速连通域标记的车牌定位算法。基于简化PCNN进行图像增强,利用车牌字符的连通域特征、纹理特征和结构特征对增强后的二值图像进行过滤、筛选,得到图像中大致车牌区域,再对所得区域左边界起始的左扩展区域做垂直投影,确定车牌中汉字区域,从而定位车牌。实验结果表明,该算法性能优于其他车牌定位算法,其定位准确率为97.5%。