基于神经网络的车牌字符识别算法研究

提出了一种基于神经网络的车牌字符自动识别算法。用本文提出的方法对车牌图像进行实验,对车牌字符样本进行特征提取,用特征来训练有效分类器,用MATLAB完成了对车牌照数字识别的模拟,结果证实此算法对车牌字符识别有一定准确性,具有良好的效果。     

基于Fisher准则特征融合策略的PNN车牌汉字识别

为克服图像二值化预处理的不利影响,提高汉字字符图像特征的表征能力,降低传统算法的训练复杂度,在此直接应用车牌字符灰度图像,基于Fisher准则对提取的Pseudo—Zernike矩特征和Gabor变换特征进行融合,在最佳鉴别矢量方向上求得表达能力更强的融合特征。训练结构简单、速度较快的概率神经网络作为识别器,实现车牌汉字的正确、快速识别。试验表明,此算法无需对车牌汉字图像二值化,与所采用的概率神经网络识别器相比,传统BP,SVM等的训练复杂度降低,速度提高,经表征能力更强的融合特征训练后,具有更高的识别准确率。     

基于边缘检测的车牌识别算法的实现

针对传统车牌识别的不足,本文提出了基于边缘检测的车牌识别的算法.该算法首先对摄像头获取的车牌图像预处理,去除图像无用信息,然后运用Robert算子检测车牌边缘,并对车牌区域进行图像较正,用高斯滤波法去除噪声并且提取车牌信息特征,接着对车牌区域水平和竖直方向运用触点定位法分割字符,对车牌分割后与相应字符模版匹配,利用预测模型预测识别结果,最后识别出车牌字符.     

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.     

基于伪zernike矩的车牌字符识别

基于伪zernike矩的不变性,提出了基于伪zernike矩特征提取的车牌字符识别方法。在车牌区域定位的基础上,通过对图像的二值化过程和字符图像分割等一系列处理,在进行归一化处理后分别提取伪zernike的高阶矩。将提取的伪zernike矩作为字符的特征描述输入到BP神经网络进行训练,最后进行车牌字符分类识别。通过实验证明了该方法的的可行性。测试结果表明,这种方法实用有效,识别效果优于HU矩和zernike矩。而且可以计算出错误率和可识别的最佳矩,减小了计算量且增强了字符识别的实时性。     

基于深度神经网络和迁移学习的高精度车辆识别系统研究

近年来,我国大力推进智慧城市和智慧交通建设,在车牌识别领域所要求的识别精度、场景适用性和反映灵敏性也越来越高。文章提出了一种基于深度神经网络算法的高精度车辆识别系统,利用开源图形化视觉处理库OpenCV和数据分析处理库NumPy对车牌进行图像预处理。基于预处理后的数据,利用深度神经网络学习框架TensorFlow进行学习训练,实现了对车牌的快速精准识别。系统首先对车牌所在位置进行定位,其次对锁定后的车牌图像进行切割,再次将车牌背景和文字通过像素点移位算法由彩色图像转换为灰度图像,最后实现字符的切割与识别,得到所要识别的车牌数据。实验结果表明,与传统识别系统相比,基于深度学习的识别系统准确率更高,识别速度更快。     

License Plate Localization Algorithm Based on Features of Character Connected Component

车牌定位是整个车牌识别系统的关键技术,传统方法普遍存在实时性差、适应性不强等问题.强调硬件系统构架,固定部分图像输入环境,引入大量先验知识,并最终利用车牌字符连通域的显著特征,将车牌定位与车牌字符的显著性特征相联系,缩短了车牌识别的流程,实现了可适应性强、定位准确的车牌定位.实验结果证实,该算法准确率高,效果明显且具有较好的稳健性.     

基于混合神经网络的车牌字符识别技术

车牌识别是智能交通系统的重要组成部分,其关键是车牌字符识别技术。单一的神经网络难以识别模糊的车牌字符,文中提出了一种混合神经网络实现车牌字符识别技术。该混合神经网络结合联想记忆与BP神经网络,对输入的字符进行两次判别,经过训练、特征提取得到检测结果。通过在不同的噪声和不同的角度实验表明,采用混合神经网络具有更高的识别精度。     

车牌图像特征提取及改进神经网络的识别算法研究

针对车牌字符图像进行特征提取与识别算法的研究。使用BP神经网络识别算法建立车牌字符图像的识别。由于常规BP神经网络算法本身存在训练过程容易陷入局部最小值、收敛效率低以及网络结构参数不易确定等缺点。另外,BP网络结构参数的选取对算法的性能影响很大,而参数的选取通常是根据经验公式选取的,存在很大的随机性和盲目性,使算法的性能无法得到保证。因此该文使用收敛速度快、适用于全局搜索的PSO优化算法对BP神经网络算法的性能进行优化,研究一种双粒子群优化的改进BP神经网络算法。最后通过车牌识别实验对识别算法进行研究,结果表明,通过对神经网络算法进行改进,使用其建立汉字识别模型、字母识别模型以及混合识别模型的识别准确率均优于常规神经网络算法建立的模型,具有较好的识别性能。     

基于卷积神经网络的复杂光照变化车牌图像识别

为解决车牌图像识别因复杂光照变化,导致车牌图像识别质量差的问题,提出基于卷积神经网络的复杂光照变化车牌图像识别方法。先采用复杂光照变化下车牌图像核心目标增强方法,对车牌图像核心目标进行有效聚类增强;再将复杂光照变化下核心目标增强后的车牌图像,作为基于深度可分离卷积网络的车牌图像识别方法的输入样本,导进卷积神经网络中,获取车牌图像特征图,然后将其变换为特征序列,通过双向循环神经网络,学习与预测车牌图像特征序列,实现对复杂光照变化下车牌图像的识别。实验结果表明,所提方法的识别精度高达0.99,比同类方法的识别精度高;在车牌图像数量逐渐增多时,该方法识别耗时仍低于2 s,识别效率显著。     

A super-resolution-based license plate recognition method for remote surveillance

With the continuous development of deep learning, neural networks have made great progress in license plate recognition (LPR). Nevertheless, there is still room to improve the performance of license plate recognition for low-resolution and relatively blurry images in remote surveillance scenarios. When it is difficult to enhance the recognition algorithm, we choose super-resolution (SR) to improve the quality of license plate images and thereby provide clearer input for the subsequent recognition stage. In this paper, we propose an automatic super-resolution license plate recognition (SRLPR) network which consists of four parts separately: license plate detection, character detection, single character super-resolution, and recognition. In the training stage, firstly, LP detection model needs to be trained alone and then its detection results will be used to successively train the three subsequent modules. During the test phase, for each input image, the network can get its LP number automatically. We also collect an applicable and challenging LPR dataset called SRLP, which is collected from real remote traffic surveillance. The experimental results demonstrate that our method achieves comprehensive quality of SR images and higher recognition accuracy compared with state-of-the-art methods. The SRLP dataset and the code for training and testing SRLPR network are available at https://pan.baidu.com/s/1vnhRa-c-dBj6jlfBZV5w4g.     

License Plate Recognition System Using Artificial Neural Networks

A high performance license plate recognition system (LPRS) is proposed in this work. The proposed LPRS is composed of the following three main stages: (i) plate region determination, (ii) character segmentation, and (iii) character recognition. During the plate region determination stage, the image is enhanced by image processing algorithms to increase system performance. The rectangular license plate region is obtained using edge‐based image processing methods on the binarized image. With the help of skew correction, the plate region is prepared for the character segmentation stage. Characters are separated from each other using vertical projections on the plate region. Segmented characters are prepared for the character recognition stage by a thinning process. At the character recognition stage, a three‐layer feedforward artificial neural network using a backpropagation learning algorithm is constructed and the characters are determined.     

基于SVM和BP神经网络的车牌识别系统

针对车牌识别系统的车牌精确定位和车牌字符准确识别问题。提出一种基于SVM(支持向量机)和BP神经网络的车牌定位与识别算法。通过将HSV颜色空间和形态学方法相结合确定候选轮廓,以判断轮廓外接矩形的面积和长宽比筛选符合车牌特征的区域,并利用训练好的SVM模型对候选车牌区域进行测试判断,最终精确定位车牌的位置。此外,还可使用了BP神经网络进行车牌字符识别。经验证,该系统适用于复杂的车牌定位环境,且识别速度快,准确率高。     

基于字符密度的车牌识别方法研究

针对车牌识别系统的开发,提出一种基于二值图像的字符识别算法.在该算法中,采用了新的特征向量,字符的水平密度和垂直密度,分类器采用基于误差反响传播的人工神经网络算法(BP神经网络).采用这种方法可提高系统的字符识别率和系统的实时性,实验表明此算法非常有效.     

基于Blackfin561的嵌入式车牌识别系统

介绍了一种基于双核DSP Blackfin561的嵌入式车牌识别系统。讨论了系统的硬件结构和软件实现流程,以及基于Hpofield神经网络进行车牌识别的方法及过程。首先对视频图像进行解码,以获取图像的亮度信号;然后通过图像处理方法对图像进行调整、定位、分割等处理;最终运用Hopfield神经网络识别出车牌上的字符信息。     

小波变换和神经网络在车牌识别中的应用

介绍了车牌识别的背景、意义和一般实现过程，阐述了小波变换和神经网络的基本理论，详细地分析和论述了小波变换和神经网络在车牌识别四个核心阶段（即图像预处理、车牌定位、字符分割和字符识别）中的应用，最后总结并对两者在车牌识别技术中的应用前景进行了展望。     

基于BP神经网络的汽车图片车牌识别

高速公路的不断发展和车辆管理体制的不断完善,为以图像处理为基础的智能交通管理系统进入实际应用领域提供了契机。主要是对该系统中采集的车辆图片进行车牌识别的研究,主要分为牌照区域提取、图像二值化、牌照字符分割和牌照字符识别几个步骤。其中前三步是图像预处理部分,主要为后面的牌照识别提取特征向量,核心部分的字符识别部分采用BP神经网络。通过大量数据训练调整网络权值,达到理想的识别效果。     

基于SVM的车牌字符分割和识别方法

文章研究了车牌识别系统中的字符分割和识别技术.提出一种投影法粗分割结合先验知识后处理的字符分割方法,该方法简单、容易实现,取得了很好的分割效果.对于字符识别,本文采用SVM(Support Vector Ma-chine)方法,并根据车牌字符特征将子分类器分为四组,提高了识别率、缩短了训练时间,实验表明,用该方法识别车牌字符具有较高的识别率和识别速度,并避免了神经网络局部极值等问题.     

基于一维离散周期小波变换的实时车牌识别方法

利用扫描窗口和一维离散周期小波变换以及BP人工神经网络进行车牌识别.被扫描的图像通过一维离散周期小波变换来选择图像的低频系数,这样可以提高执行车牌识别的速度.文中方法是直接对车牌进行扫描,不对单个字符进行识别,并通过MATLAB编程实现.新方法是一种实时识别,车牌识别的实验结果可高达94.7％.