多信息融合的快速车牌定位

目的车牌定位是车牌识别的关键步骤之一,为提高车牌定位的准确率和定位速度,降低误检率,提出一种基于多信息融合的快速车牌定位方法。方法首先,通过边缘密度信息快速排除大量背景区域,有效提高定位速度;其次,根据车牌字符的分布信息精确定位车牌;最后使用基于模板匹配的车牌字符分割方法进行车牌字符分割,通过验证所分割出的字符是否是数字或字母来验证所定位区域是否车牌,去除误检车牌区域。结果在9 980幅图像上进行测试,定位准确率为97.9%,平均定位时间为16.3ms。实验结果表明,本文方法可以在各种条件下快速而准确地定位车牌。结论融合多种特征的车牌定位方法,通过提取车牌对应的环境信息,排除了大量的背景区域,加快了车牌定位的速度;根据车牌的结构信息定位车牌,并通过车牌的部件信息,实现合法性验证,提高车牌定位的准确率。通过多种信息的融合,有效改善了车牌定位的效果。     

基于纹理特征的车牌定位方法

提出了一种基于纹理的车牌定位方法。首先提取汽车图像的边缘,再连接水平方向上距离较近的边缘点,通过数学形态学操作形成若干候选区域,然后根据水平方向边缘线段长度和投影直方图进行精确定位,最后根据尺寸判断候选区是否为车牌。实验结果表明,该算法定位准确率能达到93.7%,平均定位时间为435 ms。     

基于混合特征的车牌定位算法

车牌定位技术是汽车牌照自动识别和智能交通系统的用车牌的颜色、纹理和结构几何等多维特征,实现车牌定位.该算法利用车牌的彩色信息进行彩色分割,实现车牌图像的二值化,而后提取边缘增强,在此基础上利用数学形态学方法去噪并去除车牌边框,并利用车牌纹理特征利用投影实现车牌的最终定位.该算法克服了单一特征信息不完备引起的车牌定位误差,实验表明该方法具有较好的车牌定位效果.     

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。     

License plate detection based on multistage information fusion

Adaboost detector has been successfully used in object detection. In this paper, we propose a new License Plate (LP) detection technique based on multistage information fusion, which is adopted to reduce high false alarm rate in the conventional Adaboost detector. The proposed multistage information fusion system is composed of an enhanced Adaboost detector, a color checking module and an SVM detector, where the latter two stages further check whether the image patch that gets through the Adaboost detector is an LP. Test results of the dataset that consists of 950 real-world images show that the fusion reduces the false alarm rate. The proposed Fusion detector outperforms the conventional Adaboost detector throughout the ROC (Receiver Operating Characteristic) curve. The AUC (Area Under the Curve) of the best Fusion detector reaches 0.9081; however, the AUC of the best Adaboost detector is only 0.8441, which shows that the modification on feature extraction and the multistage information fusion significantly improve the LP detection performance.     

结合HOG特征的车牌识别方法

针对路边停车的智能化管理程度较低的问题,以现行标准为依据,对车牌识别面临的问题进行分析.根据所捕获图像的特点,通过高斯滤波、顶帽运算、Otsu算法进行图像预处理,消除噪点,完成背景提取和图像二值化.运用闭运算结合车牌的外形特征完成车牌识别.结合投影法、字符间隔及尺寸的测定和轮廓分析法完成字符分割.最后,提取字符图片的HOG特征,设计了一个基于SVM的字符分类器,实现了一个准确率高、适应性强的车牌识别系统.     

License plate localization using a statistical analysis of Discrete Fourier Transform signal

License Plate Recognition (LPR) is a well-known problem and it has developed as a coherent framework. Research continues on the topic due to the diversity of license plates and outdoor illumination conditions which require attention. One of the most important steps in LPR is the localization part where license plates are extracted from video captured images. In this article we introduce a new approach of plate localization using a statistical analysis of Discrete Fourier Transform of the plate signal. The plate signal is represented by five statistics: strength of the signal, normalized maximum amplitude, frequency of maximum amplitude, frequency center and frequency spread. Combining with the color-based histogram thresholding, the method achieves 97.27% accuracy using plate signals from binary images. Comparative analysis is also reported.     

基于多类别特征信息融合的车牌检测

自然场景下复杂多变的影响因素给车牌检测带来困难,为检测并定位自然场景下移动车辆的车牌区域,通过分析信息融合和多类特征提取的特点,提出基于多类别特征信息融合的车牌检测方法.该算法在两种不同场景数据集上的测试效果验证了信息融合和多类特征提取能显著提高车牌检测的检测率和场景鲁棒性.     

基于免疫克隆选择优化的车牌定位

车牌定位是车牌识别系统中的关键环节,针对传统方法用于车牌定位的种种缺陷和遗传算法过早收敛的确定,提出了一种基于免疫克隆选择的车牌定位算法。该方法将具体车牌特征与免疫克隆选择算法所具有的全局搜索特性、解的多样性和不易早熟等特点相融合,在大多数测试图像上取得了较满意的结果。仿真实验表明,该算法能自动搜索到车牌区域,且受图像质量变化的影响较小,具备良好的抗噪性。     

基于神经网络集成的汽车牌照识别

对基于神经网络集成的汽车牌照识别的原理和方法进行了研究,并着重分析了现有技术的积极因素和潜在问题,提出了一种基于神经网络集成进行车牌文字识别的方法.在特征提取时采用了多种特征提取的方法,对提取的每种特征构建一个BP神经网络分别进行训练.最终待识别的字符将被神经网络集成进行识别.实践证明,利用该方法比单个神经网络识别有更高的识别率,具有较高的使用价值.     

亮度—梯度联合约束的车牌图像超分辨率重建

目的 受成像距离、光照条件、动态模糊等因素影响,监控系统拍摄的车牌图像往往并不具备较高的可辨识度。为改善成像质量,提升对车牌的识别能力,提出一种基于亮度与梯度联合约束的车牌图像超分辨率重建方法。方法 首先充分结合亮度约束和梯度约束的优势,实现对运动位移和模糊函数的精确估计;为抑制重建图像中的噪声与伪影,基于车牌图像的文字化特征,进一步确定了亮度与梯度联合约束的图像先验模型。结果 为验证该方法的有效性,利用监控系统获得4组车牌图像,分别进行模拟和真实的超分辨率重建实验。在模拟实验中将联合约束图像先验重建结果与拉普拉斯、Huber-Markov（HMRF）以及总变分（TV）先验的处理结果进行对比,联合约束先验对车牌纹理信息的恢复效果优于其他3种常见图像先验;同时,在模拟和真实实验中,将本文算法与双三次插值、传统最大后验概率、非线性扩散正则化和自适应范数正则化方法的超分辨率重建结果进行比较,模拟实验的结果表明,在不添加噪声情况下,该算法峰值信噪比（PSNR）和结构相似性（SSIM）指标分别为35.326 dB和0.958,优于其他4种算法;该算法在真实实验中,能够有效增强车牌图像纹理信息,获得较优的视觉效果,通过对重建车牌图像的字符识别精度比较,本文算法重建结果的识别精度远高于其他3种算法,平均字符差距为1.3。结论 模拟和真实图像序列的实验结果证明,基于亮度—梯度联合约束的超分辨率重建方法,能够降低运动和模糊等参数的估计误差,有效减少图像中存在的模糊和噪声,提高车牌的识别精度。该算法广泛适用于因光照变化、相对运动等因素影响下的低质量车牌图像超分辨率重建。     

基于形态学微分的车牌字符分割算法

提出了基于形态学微分的车牌字符分割算法。首先运用形态学微分算法获取车的边界,然后通过巧妙选择连通区域进行深度搜索即可直接获得车牌每个字符的矩形区域。本方法省去了一般车牌识别中的车牌定位部分,对有一定倾角的车牌也有一定的适应能力。     

基于改进遗传算法的车牌图像分割

为了解决简单遗传算法存在的早熟、收敛到全局最优解难问题,提出了适应度标定公式,提高选择压力;定义相似度概念,保留相似性差的个体,剔除相似性个体.在不增加群体规模的前提下,增加了群体的多样性.改进遗传算法能够避免简单遗传算法所存在的问题.为了解决车牌图像识别率低问题,提出基于改进遗传算法的车牌图像分割方法,进行车牌图像识别.实验证明利用此方法进行车牌图像识别效果较好.     

State dependency probabilistic model for fault localization

ContextFault localization is an important and expensive activity in software debugging. Previous studies indicated that statistically-based fault-localization techniques are effective in prioritizing the possible faulty statements with relatively low computational complexity, but prior works on statistical analysis have not fully investigated the behavior state information of each program element.ObjectiveThe objective of this paper is to propose an effective fault-localization approach based on the analysis of state dependence information between program elements.MethodIn this paper, state dependency is proposed to describe the control flow dependence between statements with particular states. A state dependency probabilistic model uses path profiles to analyze the state dependency information. Then, a fault-localization approach is proposed to locate faults by differentiating the state dependencies in passed and failed test cases.ResultsWe evaluated the fault-localization effectiveness of our approach based on the experiments on Siemens programs and four UNIX programs. Furthermore, we compared our approach with current state-of-art fault-localization methods such as SOBER, Tarantula, and CP. The experimental results show that, our approach can locate more faults than the other methods in every range on Siemens programs, and the overall efficiency of our approach in the range of 10–30% of analyzed source code is higher than the other methods on UNIX programs.ConclusionOur studies show that our approach consistently outperforms the other evaluated techniques in terms of effectiveness in fault localization on Siemens programs. Moreover, our approach is highly effective in fault localization even when very few test cases are available.     

基于DSP和ARM的车牌识别系统设计

研究了一种基于DSP和ARM的嵌入式车牌识别系统,通过DSP实现视频图像数据采集、车牌识别算法处理、网络传输等任务;ARM处理器使用Linux系统调度和管理视频接收、视频显示、识别结果显示等控制任务。整个系统通过网络实现通信与同步。     

基于低功耗嵌入式系统的车牌定位算法

文章给出了自行设计的在低功耗嵌入式平台上实现车牌定位检测的算法。首先通过Sobel水平算子对车牌图像进行垂直边缘检测,运用形态学方法对边缘图像进行闭运算得到连通图块。然后根据连通区域轮廓确定最小外接矩形,解决车牌位置断节问题,得到车牌候选区域。最后根据车牌特征对提取出的车牌候选区域进行筛选实现准确的车牌定位。实验结果证明了该算法的有效性,而且在复杂背景下也具有较好的鲁棒性和自适应性。     

基于自适应差分进化极限学习机的车牌识别算法

针对目前车牌识别算法中存在的模型训练慢、字符识别准确率低等问题,研究了一种基于自适应差分进化极限学习机的车牌识别算法。综合利用边缘检测和颜色定位的优点来检测车牌区域,然后用改进后的垂直投影法对车牌区域进行分割,最后将自适应差分进化极限学习机用于字符识别。研究结果表明,所提出算法具有训练速度快、字符识别率高等优点,可以应用于复杂的交通场景。     

基于四元数特定颜色对边缘检测的车牌定位

车牌定位是车牌识别系统中的一个关键问题。提出了一种基于四元数特定颜色对边缘检测的车牌定位算法。首先将输入彩色图像用同色调全饱和度四元数形式表示;然后借助四对模板检测特定颜色对边缘,结合形态学膨胀运算提取潜在车牌区域;最后根据车牌形状约束条件定位车牌区域。该方法综合利用了车牌的颜色、边缘和形状特征,具有较好的鲁棒性。对各种情况拍摄的485幅车牌图像应用该算法,查全率达到96.8%,查准率超过93.2%。     

非正交haar小波变换的车牌定位技术研究

车牌定位技术是车牌识别系统的关键技术之一,在haar小波变换的基础上,提出非正交haar小波概念,改进了haar小波不连续性特点。基于非正交haar小波变换,结合线扫描法快速性特点与数学形态学准确性特点,研究一种车牌快速定位算法,在此基础上运用visual C++ 6.0编程进行实验验证。实验结果表明,此算法车牌定位准确率达到95%以上,对倾斜车牌的检测鲁棒性较强。     

基于孪生网络的车牌检测与跟踪算法

针对交通监控视频场景下车牌检测性能较低的问题,提出一种车牌检测与跟踪框架.为进一步改善面向监控视频中的车牌检测,一种合理的方法是利用相邻帧之间的上下文信息.通过车辆跟踪,间接为视频序列中的每个车牌分配一个唯一的ID.基于此扩展当前最先进的车牌检测模型,进一步提高检测性能.提出一种具有深度特征的孪生网络目标跟踪算法实现稳...