基于YOLO的无约束场景中文车牌检测与识别

传统中文车牌识别方法对场景约束有要求，算法实时性差，且无法被部署在边缘设备上。针对上述问题，文中提出一种基于YOLO(You Only Look Once)的无约束场景中文车牌检测与识别方法。该方法分为车牌检测和车牌字符识别两个模块。在车牌检测部分，使用改进的YOLOv5模型，在预测目标候选区域的基础上多预测4组关键点用于车牌矫正，并使用在COCO数据集上训练的预训练模型进行训练，减少了由环境复杂引起的误检问题，具有高实时性。在车牌字符识别部分，改进了CRNN(Convolutional Recurrent Neural Network)模型，减少了算法的参数量和计算量，使其能成功部署于各类边缘设备。实验结果表明所提出的车牌识别方法能在复杂环境中高效检测并识别车牌。文中提出的车牌检测模型在车牌检测数据集上的map值相较Retina-face提升了3.0%,车牌字符识别模型在车牌识别数据集上精确度相比LPR-Net提升了4.2%。     

基于模糊匹配的多级车牌匹配技术

在当前技术中,车牌之间的匹配一般采用的是精确匹配,其不足以满足旅行时间、OD调查等研究的需要。针对此问题,设计了一种基于模糊匹配的多级车牌匹配技术。该方法通过限定车牌经过上下游交叉路口的时间间隔、计算车牌之间的编辑距离进行车牌的模糊匹配,将匹配成功的车牌的旅行时间用四分位数法进行异常数据的剔除,并通过北京市某路段的实测数据进行验证。实验发现多级车牌匹配技术可以很好地提高车牌的匹配率,从而为基于车牌的其他研究提供更有效、可靠的数据。     

基于图像的车牌缺损区域恢复识别算法研究

针对当外界天气、光照条件恶劣的时候,存在采集的车牌图像像素丢失的问题,导致无法准确识别车牌内容,文中提出一种基于改进高斯模型的残缺车牌图像像识别算法.首先对待检测图像进行亮度补偿、边缘检测、倾斜校正等预处理,通过将图像划分为若干个矩形子区域,计算各子区域的灰度平均值作为提取的图像初始特征,计算初始特征的先验概率并对后验概率进行修正,实现了对缺损区域特征值的校正,最后建立高斯模型完成车牌图像的识别,克服了传统方法无法准确识别残缺车牌图像的问题.实验证明:这种方法能够准确识别恶劣天气下的车牌图像像,取得了不错的效果.     

基于计算机视觉的钢铁行业车牌识别算法

针对重新训练模型数据收集成本较高、模型鲁棒性较低等难点,在PP-OCRv3模型的基础上,对后处理方法进行优化改进,并提出了适用于钢铁行业场景的车牌模型训练方法。在中国城市停车数据集及钢厂场景数据集中进行实验,实验结果证明提出的车牌识别算法部署在边缘设备上时能够保证推理时间小于200 ms的同时取得99.6%的识别精度,足以满足钢铁行业场景中车牌识别的精度和性能需求。     

基于卷积神经网络的免字符分割车牌识别算法

随着智能停车场和自动收费系统的普及,智能交通管理系统在车牌识别方面对速度和精度提出了更高的要求.为了提高车牌识别的泛化能力,本文提出了一种基于改进的CRNN+CTC免字符分割车牌字符识别算法,在现有的卷积神经网络的CRNN+CTC网络模型基础上分别对CNN和RNN进行替换后引入CTC函数,并有针对性地增加训练数据集,在训练过程中使用了批量归一化算法来加快学习速度.实验结果表明,该算法的鲁棒性与通用性均有一定提升,在复杂环境下车牌识别的准确性更高,达到了改进效果.     

一种基于广义似然比检测的雷达目标识别新方法

为了实现发射周期内目标的实时识别,首先建立了E脉冲激励下目标回波的二元假设检验模型,在此基础上导出了识别目标的广义似然比检测量,并从理论上给出了计算目标识别概率的解析表达式.基于数值计算的三种细导线目标散射场数据的仿真实验以及理论计算结果表明,本文提出的基于广义似然比检测目标识别新方法的实验目标识别性能与其理论计算值是一致的,且其目标识别性能优于直接发射E脉冲目标识别方法.     

机载雷达空时自适应处理的实时实现

多通道机载雷达空时自适应 (STAP) 算法运算量巨大,不易实时实现。本文详细分析了部分自适应STAP的3个计算步骤,指出了其内在并行性。针对多片DSP系统提出了一种部分自适应STAP并行算法,给出了该算法的任务划分、执行模型、任务映射策略以及性能评价函数。该算法在不同的计算阶段之间进行数据重映射。通过数据试验证明这种基于多片DSP系统的STAP并行算法具有较高的实时性能。     

基于空间转换网络的端到端车牌检测与识别

在复杂场景中,许多现有的车牌检测和识别方面 的研究方法存在数据集单一且有限、算法复杂等问题。因此提出了一个端到端的统一网络: 残差-空间变换-连接时序分类融合的 车辆号牌检测识别网络(LPDR-RSCNet)。该网络结合残差神经网络、空间变压器网络和连 接主义者时间分类,联合训练检测和识别模块,以减少中间错误积累。通过在残差神经网络 提取特征过程中引入空间变换网络,使特征提取器具有平移不变性、旋转不变性和缩放不变 性;在分类器引入连接时序分类,可以自动识别图片标签和特征之间的关系。同时,还可以 适应可变长度序列的识别。在中国城市停车场数据集(CCPD)上进行了比较实验,CCPD是一 个大规模、多样的中文车牌数据集。实验证明LPDR-RSCNet模型在实际应用中可实现98.8％ 的识别精度和34 fps的速度,并且相较于YOLO9000、Faster-RCNN、SSD300, 具有更好的检测准确度,可满足智能交通系统中对移动车辆实时车牌检测和识别的要求。     

基于BP神经网络的车牌识别建模及实现

为更加准确的识别车牌信息,本文研究设计了基于BP神经网络的车牌识别模型.通过数字图像处理技术预处理车牌图像、定位车牌区域、分割车牌字符,最后采用BP神经网络技术实现车牌字符的识别.通过MATLAB软件仿真实验,取得了较好的识别结果.     

树形网格自适应调度模型研究

提出一种基于树形计算网格的自适应调度模型,实现对小粒度独立任务和用户大作业的自适应最优调度.通过对网格环境的实时检测,给出了基于节点负载状况、节点任务执行时间和任务特性的自适应调度算法.实验证明该任务调度模型在负载平衡和容错方面具有良好的性能.     

基于HALCON的车牌识别研究

为了实现车牌字符快速准确的识别,基于Halcon软件提出了一种二次阈值的车牌定位方法,根据车牌在HSV颜色模式中S通道的纹理特征进行一次阈值,获取车牌候选区域,其次校正车牌候选区域,最后进行第二次阈值,通过字符区域的最大(小)行(列)值确定出精确的车牌区域;在字符分割模块提出了一种汉字分割与其他字符连通域法相结合的方法。实验结果表明,这两种方法简单快捷、识别正确率高。     

雾霾天气下的车牌识别

在雾霾天气下,图像采集设备拍摄的图片存在一系列问题,如饱和度低、细节失真、画质模糊等。文中探索了雾霾天气下的车牌识别算法,按照图像去雾、车牌定位、字符分割与识别等步骤来解决雾霾天气下传统车牌识别系统效率低、鲁棒性差等问题。该算法采用暗通道去雾,经去雾算法处理后,图像对比度、信息梯度和信息熵均得到提升;选择数学形态和边缘检测定位车牌的准确位置;利用仿射变换矫正车牌区域,结合投影法分割字符,最后使用基于支持向量机模式的识别算法来识别字符。经过处理后,车牌识别能达到较高的准确率。     

基于彩色数字图像的车牌识别研究

车牌识别是图像识别技术在智能交通领域应用的重要研究之一,是实现交通管理智能化的重要环节。我国交通管理部门对汽车牌照的样式制定了严格的规范,这些规范将为车牌自动识别技术的实现提供重要的技术依据。车牌识别研究充分利用这些规范进行设计,采用彩色数字图像模式识别方法,针对彩色为24位,大小为640×480,以及蓝底白字车牌的图像进行识别研究,并具体描述图像车牌的预处理、车牌特征提取和车牌识别三个连续的过程。在Visual C++环境下实现对汽车牌照自动识别功能。实验结果表明,车牌识别自动技术识别效果可靠,具有很好的实用性。     

利用改进的半正定规划的支持向量机识别车牌

针对现有车牌识别系统效率低的问题,提出了一种改进的支持向量机算法。首先对车牌进行预处理和定位,将每个特征区域构建一个多核心组合。以半定规划求解最佳的权系数。使用改进的半定规划来解决多核学习算法,降低搜索空间。最后构建车牌识别模型。仿真实验表明,该算法效率高,稳定性好。     

车牌识别系统设计与实现

通过对车牌定位、车牌字符分割和车牌字符识别进行研究,提出了一种车牌识别系统的设计和实验方法。车牌定位模块中,提出了采用基于小波变换的车牌边缘提取和数学形态学相结合的方法定位出车牌,进行二值化、滤波后使用垂直投影法分割出车牌字符,最后使用多模板匹配和二次细分识别相结合的方法识别出车牌字符。经实验验证,基于该算法的车牌识别系统能够达到较高的车牌识别率。     

基于LabVIEW Vision的车牌识别系统设计

文中设计了一种基于LabVIEW Vision的车牌识别系统。该系统根据车牌颜色在HSL色彩空间上的特征,采用色彩阈值分割、腐蚀等图像处理方法将车辆图像转化成二值图,并在二值图中进行边缘检测,再根据检测到的车牌与背景间的边缘线的信息组建方程组,求出车牌边缘特征点的坐标,以确定车牌在图像中的位置。然后,以车牌在图像中的位置是否在指定区域内作为是否进行车牌识别以及当前车辆图像是否保存为车牌识别输入图像的触发条件。如果条件不满足,则系统将重新采集车辆图像,否则会根据车牌位置抓捕车牌,并采用均匀性度量法等方法对抓捕到的车牌进行二次处理,并将其转化成车牌二值图,再由OCR函数对该图进行字符识别。经实验验证,该系统具有较高的识别精确度与稳定性。     

基于图像理解的LPR系统研究

设计了一种基于图像理解的智能车牌识别系统,利用水平和垂直投影进行车牌区域定位。通过基于垂直投影和模板匹配的字符分割方法有效地解决了背景变化、车牌尺寸变化、字迹模糊等问题,在对120幅472×332大小的车辆图像采用基于模板匹配的ORC识别方法,在Hausdorff距离分类器上进行了相关匹配测试实验。识别率达96.7%,识别时间稳定在0.3~1.2 s之间。     

基于MATLAB的车牌识别系统的研究

汽车牌照识别是图像识剐领域的重要研究课题。这里运用MATLAB研究车牌识剐技术中的图像预处理、车牌定位、字符分割与字符识别等核心部分,并提出一种基于MATLAB的车牌识别系统的实现方法．综合使用多种方法提高系统的有效识别能力。该方法解决了在自然背景的图像中定位分割牌照区域、车牌倾斜和提取分割的字符等问题。通过对一定数量的图像进行处理,结果表明MATLAB在车牌识别方面的运用非常有效。     

基于OpenCV的行驶车辆车牌定位实现

车牌定位是车牌自动识别系统中的一个关键问题。系统从两方面进行了设计。一是视频中移动车辆的定位,采用高斯背景建立模模块。二是静态图像中车牌提取系统,采用顶帽变换、能量滤波、寻找联通区域等多模块结合精确定位出车牌区域。该移动车牌定位算法在QT平台上采用OpenCV和C++编程,实现了综合利用车牌结构特征和纹理特征,提高了车牌定位可靠性。实验结果表明,该方法速度快、准确度高,可满足实时监控的需求。     

一种基于连通域分析的车牌定位方法

复杂背景中车牌定位技术,是车牌识别过程中的技术难点,提出了一种基于连通域分析的车牌定位方法。该方法通过边缘检测方法进行车牌粗定位,再对粗定位图像进行连通域标记,然后利用级联分类器筛选车牌字符连通域,最后结合车牌模板确定车牌位置。实验表明,该方法定位车牌的准确率高,能够适用于国内现行的多种规格民用汽车牌照的定位。