一种简易车牌识别算法及其实现

车牌识别在智能交通及停车场管理中有着非常重要的作用。车牌识别与处理的速度直接影响到其应用场合．尤其在高速公路的快速抓拍中,对处理速度要求更高。本文避免采用复杂的图像处理算法,而改用常规图像处理技术加模版匹配算法,提出了一套简易快捷的车牌识别算法,能大大提高车牌的识别处理速度,特别适合于需要快速识别车牌的场合。本文最后采...     

基于新模板的算法在车牌字符分割中的应用

针对以往车牌字符分割算法在复杂情况下分割准确率低的问题,提出了一种基于新邻域模板的连通域算法的车牌字符分割算法。采用基于新模板的连通域算法粗分割字符;通过自适应阈值投影法进行字符细分割;同时使用区域合并算法保证字符的完整性。实验结果表明,该算法将连通域法与投影法有效结合,能够同时解决汉字不连通、字符粘连和边框粘连等复杂情况,该算法对车牌字符进行分割正确率达99.5%。     

基于颜色特征和边缘检测的车牌识别算法

完整的车牌识别系统由车牌定位、字符分割和字符识别三部分组成,针对车牌定位和字符分割两项核心技术,对传统算法进行了改进,提出了一种新的车牌定位和字符分割的算法,解决了传统算法易受噪声干扰且识别率不高的问题.该算法利用颜色特征和边缘检测技术实现对车牌的精准定位,并利用倾斜校正和垂直扫描技术实现了对字符的分割,最后结合神经网...     

最大类间方差车牌字符分割的模板匹配算法

提出一种基于模板匹配的最大类间方差车牌字符分割算法。根据字符串的结构和尺寸特征，设计了车牌字符串模板，该模板在车牌区域滑动匹配进行分类，并结合最大类间方差判决准则，确定最佳匹配位置，分割车牌字符。实验表明，该方法自适应性强，可以获得最优的分割效果。     

模板匹配算法在车牌字符识别中的应用

车牌字符一般由汉子、字母和数字组成,本文采用模板匹配的方法对其进行识别,并与神经网络方法进行了对比,该方法实现简单,运算速度快,提高了字符的识别率,是一种有效地字符识别方法。     

一种车牌字符快速分割算法

在深入研究了大部分常用的车牌字符分割算法的前提下,根据车牌区域图像的特征,文章提出了一种综合了连通区域法和先验知识相结合的车牌字符分割算法,该算法经过大量实验证明了其在准确率方面的优越性.     

投影和模板匹配相结合分割车牌字符

提出了一种解决断裂、粘连、污损和部分遮挡车牌字符的分割算法.结合字符牌照的特征,对校正后的车牌图像进行投影,处理断裂和粘连的字符,实现字符初次分割.在初次分割的基础上,设计匹配模板对初次分割下来的车牌图像进行模板匹配,寻求误差最小的模板对字符重新分割.实验结果表明,该方法自适应性强,有很强的鲁棒性,可以获得最优的分割效果.     

基于共享最近邻的离群检测算法

为识别混合属性数据集中的离群点,提出了一种基于共享最近邻的离群检测算法,通过计算增量聚类结果簇间的共享最近邻相似度,不但能够发现任意形状的簇,还可以检测到变密度数据集中的全局离群点。算法时间复杂度关于数据集的大小和属性个数呈近似线性。在人工数据集和真实数据集上的实验结果显示,提出的算法能有效检测到数据集中的离群点。     

融合特征和先验知识的车牌字符图像检测算法

提出一种融合车牌字符切割后的二值字符图像的结构特征及对应的彩色小字符图像的颜色信息对车牌分割后的小字符图像进行真伪字符图像区分,以此达到检测字符图像目的的算法。为满足实时车牌对时间响应的要求,对车牌字符切割得到的灰度图像作快速二值化,在二值化的图像上提取结构信息,结合车牌字符分布的特点去除了大部分非颜色车牌的伪字符图像。对于难以从结构上进行字符检测的颜色车牌伪字符图像,在结构特征分析的基础上再次通过从彩色图像提取的颜色信息进行相似性分析,排除伪字符图像。对候选字符图像融合大间隔这个先验知识得到输出的字符图像。实验结果表明算法有良好的字符检测效果,可以用于实时车牌识别系统中作为字符切割后期处理一部分。     

基于双边缘检测的车牌识别算法

随着智能交通的不断发展,车牌识别系统已经成为其中的重要组成部分。车牌识别分为车牌定位、字符分割以及字符识别三个部分。提出了一种新型车牌识别方法。在车牌定位方面,采用双边缘检测车牌定位方法;对于字符分割则提出了寻找连通域与传统投影分割相结合的方法;在字符识别上,将分类器分为三组,同时对于易混淆的字符进行了再次分类,这种做法缩短了训练时间,提高了准确率。实验结果表明,所提出的方法具有识别率高和速度快等特点。     

一种基于自然最近邻的离群检测算法

任何涉及k近邻求解问题的算法被应用于处理不同特征的数据集时,参数k值的选择都会明显影响算法的性能和结果。因而,如何选择k近邻算法中敏感参数k值一直是一个研究难点。提出了一种新的近邻关系———自然最近邻,它不需要设置参数k,每个节点的邻居是由算法自适应计算而形成的。针对离群点检测的特殊性,通过确定自然最近邻居搜索算法的终止条件,提出一种基于自然最近邻的新的离群检测算法ODb3N。实验表明,该算法不仅避免了k近邻中参数的选择问题,而且能够更有效地发现离群簇。     

基于单字符注意力的全品类鲁棒车牌识别

复杂场景下的高精度车牌识别仍然存在着许多挑战, 除了光照、分辨率不可控和运动模糊等因素导致的车牌图像质量低之外, 还包括车牌品类多样产生的行数不一和字数不一等困难, 以及因拍摄角度多样出现的大倾角等问题. 针对这些挑战, 提出了一种基于单字符注意力的场景鲁棒的高精度车牌识别算法, 在无单字符位置标签信息的情况下, 使用注意力机制对车牌全局特征图进行单字符级特征分割, 以处理多品类车牌和倾斜车牌中的二维字符布局问题. 另外, 该算法通过使用共享参数的多分支结构代替现有算法的串行解码结构, 降低了分类头参数量并实现了并行化推理. 实验结果表明, 该算法在公开车牌数据集上实现了超越现有算法的精度, 同时具有较快的识别速度.     

质量退化的车牌字符分割方法

提出一种车牌字符分割方法．首先,进行光照不均校正、对比度增强和倾斜校正;其次,对字符外轮廓垂直距离采用尺度自适应三次B样条小波变换进行字符的粗分割;最后,应用基于目标占有率模板匹配的字符识别反馈进行字符的精分割．实验结果表明,文中方法对光照不均、对比度较小、倾斜、污迹、字符粘连和断裂等严重退化的车牌图像具有很好的字符分割性能．     

一种基于彩色图像分割的车牌检测方法

提出一种彩色图像车牌检测方法,主要包括三个步骤,首先对车牌图像执行多尺度区域生长分割,然后在分割结果中进行车牌区域的粗定位,最后对粗定位提取的车牌区域作精确定位分析.区域生长分割方法可以产生封闭的区域,容易提取其形状信息,而长矩形是车牌目标一个显著特征,因此可以通过形状信息检测车牌.在图像分割中,采取多尺度的分割方法,生成多个不同细节程度的分割结果.在每个分割图像中搜索具有车牌外形特征的图像区域,初步检测出候选车牌目标.根据车牌字符的大小和笔画特征,对候选车牌区域进行精确判别分析,得到最终的车牌检测结果.实验部分验证了车牌检测的有效性.     

基于SIFT和最邻近匹配的商品图像相似度算法

在互联网电子商务领域中,随着电商用户量的激增,各种问题不断涌现。其中,同行业的卖家抄袭复制其他店铺信息的事件也经常发生,而抄袭的图像信息相较于文字信息更难以检测出相似性,因为抄袭者往往有可能会将图像信息进行剪裁、旋转、加滤镜,或者用PS等技术进行处理,使得处理后的图像不容易检测出与原图相似。而人工比对效率低下,且成本高,这就需要一个以能快速计算出商品图像相似度的算法为基础的系统来解决这个问题。SIFT(Scale-invariant Feature Transform)描述子具有尺度不变性,能够解决传统算法对于旋转后图像相似度较低的局限性,且该描述子所描述的特征信息量大。本文在介绍传统图像哈希算法的基础上,提出使用基于SIFT描述子的近似最邻近匹配算法用于电钻商品图像相似度比较。对电钻商品原图进行剪裁、增加滤镜、增加对比度、旋转和增加水印等操作生成新的图片,将这些新的图片分别和原图进行相似度对比。实验结果表明,基于SIFT描述子的近似最邻近匹配算法与哈希算法、原始SIFT算法相比有比较好的精度,能够比较准确地识别出抄袭的图像信息。     

基于主成分分析网络的车牌检测方法

车牌识别是智能交通系统的核心技术,车牌检测是车牌识别技术中至关重要的一步。传统的车牌检测方法多利用浅层的人工特征,在复杂场景下的车牌检测率不高。基于主成分分析网络的车牌检测算法,能够无监督地逐级提取车牌深层特征,可有效提高算法的鲁棒性。算法首先采用Sobel算子边缘检测和边缘对称性分析获取车牌候选区域;然后将候选区域输入到主成分分析网络中进行车牌深度特征提取,并利用支持向量机实现对车牌区域的判别;最后采用非极大值抑制算法标记最佳车牌检测区域。利用收集的复杂场景下的车辆图像对所提方法的参数进行分析,并将其与传统方法进行比较。实验结果表明,所提算法的鲁棒性高,性能优于传统的车牌检测方法。     

基于自适应最近邻的局部线性嵌入算法

局部线性嵌入算法是一个优异的非线性维数约减方法,但是算法本身是一个无监督学习算法,对于有监督问题的学习效果不是很好。这主要是因为算法使用了K-近邻方法来求解最近邻点。针对这个缺点,提出了一种改进的、基于自适应最近邻法的局部线性嵌入方法,数值实验证明算法对于有监督的学习问题,具有较好的适应性。     

基于EM的模糊-粗糙集最近邻算法

针对由类的重叠引起的训练样本模糊不确定性,以及属性不足引起的类边界粗糙不确定性,提出一种基于期望-最大化(EM)的模糊-粗糙集最近邻分类算法——EM-FRNN。利用UCI数据库的突发性水污染事件案例进行实验,实验结果表明,与朴素的KNN、模糊最近邻算法、模糊粗糙最近邻算法相比,该算法的运算精度高且计算成本较低。     

基于K近邻一致性的特征匹配内点选择算法

宽基线图像特征匹配是计算机视觉应用中一项极具挑战性的工作。由于图像之间存在较大的差异,宽基线图像初始特征匹配的结果中不可避免地包含大量的外点。提出了K近邻一致性算法来实现从宽基线图像初始匹配结果中快速选出高可靠性的点对。该算法采用仿射不变的结构相似度来衡量两组K近邻特征点的结构相似性。K近邻一致性算法采取由粗到精的策略,通过K近邻对应一致性检测和K近邻结构一致性检测两个步骤来选择内点。实验结果表明,提出的算法在查准率、查全率和运行速度等方面接近或优于当前几种最新的内点选择算法,可适用于存在大范围的视点、尺度和旋转变化的宽基线图像。