高斯差分的AdaBoost车牌定位方法

针对实际拍摄场景中的复杂光照条件以及不同车牌颜色对车牌定位造成的影响,提出了一种基于高斯差分图像的AdaBoost车牌检测算法.该算法首先对原始灰度图像进行高斯差分,得到其对应的高斯差分图像,然后利用基于DoG图像的DoG+AdaBoost分类器与基于灰度图像的Gray+AdaBoost分类器构成二级车牌检测器进行车牌检测,最后根据车牌中的车牌号码信息对车牌检测结果进行验证,得到最终的车牌定位结果.该算法利用高斯差分方法,很好地抑制了复杂光照和不同车牌颜色对车牌检测造成的影响,具有较快的定位速度和很高的检出率.实验表明,该算法能获得很好的车牌定位效果,具有较高的实用价值.     

基于FCM颜色聚类的车牌定位方法

提出了一种基于FCM颜色聚类的车牌定位方法。首先应用高斯差分算子对图像进行二值化;其次进行中值滤波;然后利用形态滤波,基于车牌的结构特征进行车牌的粗定位;最后基于FCM颜色聚类进行车牌的精定位。对各种条件下采集的250幅车辆图像进行实验,定位率在98%以上,同时该算法对光照影响有很好的鲁棒性。     

基于混合高斯和帧间差分的机场跑道入侵检测

入侵机场跑道的威胁目标检测,难点在于算法的高精度和实时性.针对传统混合高斯背景差分运动目标检测算法自适应性较差的缺点,提出一种混合高斯背景差分与帧间差分相结合的运动目标检测算法,将帧间差分的结果反馈到混合高斯模型中,实现光线突变时高斯模型快速收敛,再进行图像后处理以获得精准的运动威胁目标.在Matlab仿真平台上进行实验,结果表明,提出的算法兼顾了检测的速度和精度,分别可达l0-1秒级和像素级,满足了入侵机场跑道的威胁目标检测的需求,为机场终端区跑道入侵检测提供了有效的方法.     

基于改进混合高斯模型与六帧差分的目标检测算法

利用经典混合高斯模型进行目标检测存在耗时长、复杂度高的缺点,并且对噪声、光照和突发运动等干扰比较敏感。为此,提出一种改进的运动目标检测算法。基于混合高斯模型和六帧差分算法获得检测目标的基本轮廓,采用不同区域更新率的自适应选择策略提高算法准确性,同时通过形态学操作去除残余噪点,运用连通性检验提高检测目标完整性,获得轮廓较为完整清晰的运动目标二值化检测结果。仿真结果表明,该算法不仅能提高实时性,而且较好地解决了因目标状态变化、环境噪声以及光线变化等因素引起的误检问题。     

基于灰度图像的车牌快速定位和分割方法

基于灰度图像水平差分和垂直差分图像的相关特点,提出了一种能在复杂交通背景下实现车牌快速定位和分割的方法。该方法首先通过中值滤波对图像滤噪并进行直方图均衡化处理;然后运用一种水平差分和自适应阈值方法对图像进行二值化,接着在对所得二值图像存水平方向作形态学膨胀运算后,对其垂直、水下方向的扫描线长度先后进行滤波处理而粗分割出车牌的候选区域;最后通过车牌垂商差分图像在竖直方阳扫描投影的相关特征对所得候选区域进行筛选,得到车牌在水平和垂直方向的精确位置。该方法对于图像背景复杂度和车牌在图像中的位置限制较少,而且实现简单,定位速度较快,是一种简单、高技的车牌定位方法,实验结果证明了该方法的有效性。     

基于视频图像的车牌定位预处理算法

车辆图像的预处理效果的好坏直接影响着车牌定位的准确率和运算速度;为了去除复杂背景区域的影响,消除图像的噪声,提出了一种针对视频序列改进的预处理流程;基于混合高斯背景建模结合小波包多尺度去噪的思想,去除大量的背景信息,缩小了车牌定位的范围再继续后面的预处理工作;上述方法得到的图片,噪声干扰降低且含有较少的不规则连通区域,分别以文献[6]和文献[7]提供的车牌定位方法为例进行测试,效果良好。     

基于Harris角点和高斯差分的特征点提取算法

针对目前图像处理中的尺度不变特征点提取算法计算量较大、实时性较差的问题,本文提出一种非完整金字塔的尺度空间结构,并从理论上分析其对算法性能的影响.再以此为基础提出一种基于Harris角点和高斯差分的快速特征点提取算法.这种算法先在非完整金字塔尺度空间的各层图像上提取Harris角点,再利用高斯差分确定最终特征点.在保证性能的同时,算法的实时性得到明显改善.实验结果也证明该算法的有效性.     

核密度估计与高斯模型联级运动目标检测

高斯模型与核密度估计模型是两种有效的背景建模及目标检测方法。高斯模型运算简单,但对复杂背景的描述能力差;核密度估计模型对背景描述能力强,但运算复杂,难以实现实时性检测。提出了一种分层联级检测机制,由高斯模型对大部分相对稳定的像素进行分割与检测,对于高斯模型无法精确描述的小部分像素通过核密度估计模型完成分割与检测。实验证实了该方法在适应动态背景扰动与运行效率方面的有效性。     

高斯核函数卷积神经网络跟踪算法

针对深度学习跟踪算法训练样本缺少、训练费时、算法复杂度高等问题,引入高斯核函数进行加速,提出一种无需训练的简化卷积神经网络跟踪算法。首先,对初始帧目标进行归一化处理并聚类提取一系列初始滤波器组,跟踪过程中结合目标背景信息与前景候选目标进行卷积;然后,提取目标简单抽象特征;最后,将简单层的卷积结果进行叠加得到目标的深层次特征表达。通过高斯核函数加速来提高算法中全部卷积运算的速度,利用目标的局部结构特征信息,对网络各阶段滤波器进行更新,结合粒子滤波跟踪框架实现跟踪。在CVPR2013跟踪数据集上的实验表明,本文方法脱离了繁琐深度学习运行环境,能克服低分辨率下目标局部遮挡与形变等问题,提高复杂背景下的跟踪效率。     

基于差分进化算法的高斯混合模型参数估计

EM算法用于高斯混合模型参数估计时,具有对初始值敏感、易于陷入局部极小等缺点。将差分进化算法引入高斯混合模型参数估计问题,提出一种基于差分进化算法的高斯混合模型参数估计方法。该方法直接对模型参数进行编码,待优化目标函数简单且物理意义明显,具有算法实现容易、运行效率高及收敛速度快等优点。实验结果表明。新方法具有很强的全局搜索能力,参数估计精度更高、更稳定。     

一种在低照度情况下自适应滤波牌照定位算法

提出一种在低照度情况下进行自适应滤波牌照定位算法.该方法首先设计一种×字形窗口的自适应中值滤波改进算法,对车牌灰度图像进行中值滤波滤除噪声.接着采用Sobel边缘检测器进行车牌边缘检测;再将Sobel算子卷积结果采用最大类间方差法阈值分割算法对图像进行预分割,将图像分割为目标和背景;接着采用模糊分割方法求得最终分割阈值...     

复杂背景图像中的车牌定位算法

针对复杂背景中的车牌定位问题提出了一种新的算法,将定位过程分解为确定候选车牌区域和剔除伪区域两个部分。首先在图像的二值垂直边缘图中,利用车牌区域的边缘信息及车牌的纹理特征进行车牌候选区域的确定,在降低算法复杂度的同时提高了定位精确性。然后,利用滑动的条带窗口对候选区域二值化图像进行连通块提取,结合车牌句法特征对该区域进行评判筛选,有效地解决了复杂背景及模糊图像中车牌定位精度不高的问题。此外,定位过程中的评判结果为后续的字符分割提供了重要的先验信息。实验证明该方法定位速度快,定位正确率高,对于背景纹理复杂及模糊图像的车牌定位具有很强的抗干扰性能。     

基于纹理分析的精确车牌定位算法

在车牌识别（LPR）系统的实现过程中,最关键的部分就是车牌图像的提取以及车牌字符图像的分割。介绍了一种基于车牌区域字符的纹理特征和统计规律的车牌定位方法。由于光照、复杂背景等因素都会对车牌定位产生不良影响,而利用车牌字符纹理丰富的特征寻找车牌区域就可以避开这些不良影响。这种算法不仅排除了光照、复杂背景等因素的影响,而且对于拍摄到车牌的大小、车牌在图像中的位置和倾斜角度没有太多限制。实验证明这种算法具有定位准、适应性强的特点。     

基于色彩分割与体态纹理分析的车牌定位方法

介绍了一种基于色彩分割、体态分析及数学形态学纹理分析的车牌定位方法。该方法利用车牌与背景的色彩特征．在HSV空间内根据车牌颜色的三分量取值范围和色彩距离阚值进行色彩分割以初步过滤背景。对分割后得到的与车牌底色相符合的连通区域再根据车牌体态特征和车牌字符纹理特征，应用数学形态学处理及连通域体态分析等手段，逐步过滤干扰区域，最终定位正确的车牌位置。该方法充分考虑了车牌与背景的色彩、体态及纹理特征的差别，实验证明在复杂背景下具有很强的适应性与鲁棒性。     

基于梯度与形态学的低质量车牌定位

针对低质量车牌的定位问题,提出一种水平梯度信息和数学形态学操作相结合的定位方法。利用自适应梯度图阈值分割算法分割出车牌部分的梯度信息;通过形态学和区域合并操作得到连通的候选区域;结合车牌自身特点进行区域搜索,粗定位出车牌;用扫描线法去除边框,实现车牌的精确定位。实验结果表明,该方法对光线昏暗、噪声严重、车牌区域污损、倾斜等条件下的车牌定位具有较强的鲁棒性,能满足实际交通场景中的车牌定位需求。     

脉冲耦合神经网络在车牌定位中的应用

针对冗余边缘对基于边缘统计特征的车牌定位算法存在较严重干扰的问题,提出一种基于脉冲耦合神经网络(PCNN)的车牌定位方法。在借鉴传统算法的基础上,为抑制干扰性边缘,引入简化的PCNN模型,仅对候选区进行数次PCNN迭代运算,可大幅降低运算复杂度并提高车牌定位率。对300幅车辆图像进行仿真实验,取得了98.3%的定位率。     

基于数学形态学和Hough变换的车牌定位算法

针对复杂环境下的车牌定位率较低的问题,提出了一种基于数学形态学和Hough变换检测车牌区域的方法。首先,对车牌图像进行图像预处理,然后,利用数学形态学的高帽变换突出车牌字符区域,并对图像进行边缘检测和连通区域分析;最后,结合Hough变换和车牌的先验知识实现车牌的精确定位。实验结果表明,针对不同复杂背景下采集到的车辆图像,该算法具有很强的鲁棒性,准确率达97.3%,能够满足现代智能交通系统对车牌定位准确性和实时性的要求。     

一种基于GA和支持向量机的车牌字符识别方法

以高斯核为其核函数的支持向量机在实际应用中表现出优良的学习性能,被广泛应用于模式分类中。支持向量机的识别性能对参数的选取是敏感的,惩罚因子C和核函数参数σ对支持向量机性能会产生重要的影响。针对高斯核支持向量机在车牌字符识别问题中的应用,提出了一种基于遗传算法的参数选择方法。首先确定合适的遗传算法适应度函数,然后利用遗传算法对支持向量机的参数进行优化,最后在各个识别子网中分别采用参数优化后的支持向量机对车牌字符进行识别。实验结果表明,该方法取得了令人满意的识别率。     

基于数学形态学和颜色特征的车牌定位方法

为了解决单一车牌定位算法在复杂背景中定位效果不理想的现状,提出一种数学 形态学和颜色特征相结合的算法对车牌进行定位。首先利用最大类间方差法(Ostu 算法)找到一 个最佳的阈值,根据所得阈值把得到的灰度图像二值化,然后采用一种改进的数学形态学算法 对图像进行边缘检测,最终结合数学形态学和车牌颜色特征进行准确定位。实验表明该算法明 显优于传统或单一的车牌定位方法,定位准确率高,对背景限制少,应用范围广。     

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。