车牌字符分割新方法

根据车牌字符的排列规律和字符的几何特征,本文提出了一种基于第三字符定位的车牌字符分割方法。首先．该方法在车牌定位图像上定位出车牌的第三字符,再进行字符区域的分裂和合并,针对字符缺损情况,进行了字符区域扩展,而且对字符区域高度进行了调整,最终实现了车牌字符的精确分割。     

复杂背景下基于HSV 空间和模板匹配的车牌识别方法研究

车牌识别技术作为交通管理自动化的重要手段,在交通监视和控制中占有很重要 的地位。车牌识别过程可分为车牌定位、车牌校正、字符分割和字符识别四个部分。在车牌定 位中,若单纯采用纹理特征或颜色特征来进行定位,往往适用于背景较为简单的场景,对复杂 背景的定位效果尚有待改进。在字符分割中,目前单行车牌的分割已比较成熟,但双行车牌的 分割仍不理想。提出一种在HSV 空间下两次颜色标定和纹理特征相结合的定位方法和一种单双 行车牌的字符分割方法。该定位方法利用车牌固定颜色搭配特性,对图片两次标记并利用投影 法定位车牌,对200 张不同背景图片测试,定位准确率达到98%。在字符分割部分,利用改进 的模板匹配方法对字符分割,可适用于单、双行车牌分割,准确率达到95%。     

基于投影和固有特征结合的车牌字符分割方法

根据车牌字符的固有特征,提出一种新的基于投影的车牌字符分割方法.该方法首先对车牌图像进行预处理,检测车牌倾斜角度,如果倾斜角大于指定角度则进行车牌倾斜校正,然后利用车牌的水平方向投影去除车牌的上下边框以及铆钉,对处理得到的图像进行二值化.再根据车牌字符的排列规则和字符间距的关系,利用车牌的垂直投影定位字符,先分割出第二个和第三个字符,从第三个字符开始分割出后五个字符,再利用已分割字符的知识来分割前两个字符,然后对分割出来的候选字符块进行处理,有效解决字符粘连和断裂的情况,最终实现车牌字符的准确分割.实验结果证明,该方法有较好的分割效果.     

基于垂直投影与卷积相结合的车牌字符分割算法

字符分割是车牌自动识别系统中的关键步骤.提出了一种利用投影和卷积相结合的方法来实现字符分割,先对车牌图像进行中值滤波,再进行竖直差分,减小左右边框的影响;根据车牌的先验知识形成一个可变长的字符模板匹配的脉冲波形,用这个脉冲波形和投影图对应的数组做卷积,定位出第一个字符位置,随着模板长度的不断变大,得出每个字符的坐标.实验表明,该方法能够使得字符分割的结果定位更精准,为字符识别创造了良好的条件.     

退化车牌字符的两级分割算法研究

为了准确进行车牌字符分割,提高车牌字符识别的准确率,提出了一种改进的车牌字符分割算法.对定位出来的车牌进行有效预处理,通过两级字符分割算法对车牌进行单字符分割.第一级字符分割是结合连通域分析法和垂直投影进行字符粗分割,第二级字符分割是基于车牌字符的先验知识通过多次判断进行车牌字符精分割.实验结果表明,该算法对受到光照不均、污迹、字符粘连和断裂、质量退化等严重影响的车牌字符能进行很好的分割.     

基于水平梯度和形态学分析的车牌实时定位方法

车牌图像定位是车牌照识别系统的关键,该文提出了一种在高速公路复杂背景下的车牌定位与车牌字符分割方法。该方法利用水平相关特征、车牌区域的梯度形态特征和车牌配色特征进行车牌定位,并利用车牌的结构特征采用多尺度模板匹配方法切分车牌字符。实验表明该方法在复杂背景下具有较好的定位切分效果和较强的鲁棒性。     

基于深度学习的车牌定位和识别方法

针对现有的基于车牌字符分割的车牌识别方法,在光照,阴暗等特定自然场景下存在无法定位且车牌字符无法正确分割,直接影响车牌字符识别效果的问题,提出一种基于深度学习的车牌定位和识别方法.首先采用深度学习FasterR-CNN算法进行车牌定位,利用k-means++算法来选择最佳车牌区域尺寸,解决现有车牌定位方法在某些自然场景下无法正确定位车牌的问题;然后在AlexNet网络模型的基础上进行改进和重新构建,提出一种增强的卷积神经网络模型AlexNet-L,该模型是一种针对车牌字符识别的端对端网络模型,可提高车牌识别准确率,避免现有的基于车牌字符分割的车牌识别方法中因无法正确分割车牌字符对车牌字符识别的影响.实验结果表明,该方法可以更有效地提高车牌定位和车牌字符识别的准确度和效率.     

复杂背景下的车牌定位和字符分割研究

提出了一种综合边缘检测、投影特征的车牌定位方法和基于垂直投影及模板匹配的字符分割方法,提取车牌灰度图像边缘,实验结果显示该算法检测边缘的速度快,车牌区域轮廓清晰,采用投影法确定车牌区域,用HOUGH变换检测倾斜角度进而对倾斜的车牌进行矫正,通过字符分割算法对车牌字符进行切割,有效地解决了复杂环境的干扰、车牌尺寸变化等问题。对不同背景下的光照车牌进行了大量实验,结果表明该算法能准确地进行车牌定位以及字符分割,具有较好的鲁棒性。     

基于MATLAB的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仿真方法。该方法首先采用基于Canny算子边缘检测和数学形态学相结合的方法定位出车牌,进行二值化、滤波和形态学开运算后使用投影二分法分割出7个车牌字符,最后使用模板匹配和特征统计相结合的方法识别出车牌字符。试验表明该方法是有效的、可行的,与传统使用单一算法相比较,该方法大大提高了车牌识别系统的正确率。     

基于水平垂直灰度开运算的车牌字符分割算法

采用Hough变换检测车牌的倾斜角度进行车牌的矫正。提出了一种基于水平垂直结构元素开运算的数学形态学方法,对字符分割前的车牌进行预处理。该方法能够在车牌定位不精确的情况下有效地去除车牌边框、铆钉及其他噪声,消除干扰突出字符。运用传统的投影法以及车牌的先验知识进行字符间的分割,有效地提高了字符分割的效果。实验结果证明,该方法有效可行。     

一种新的车牌定位与倾斜校正方法

为了在不同条件下对车牌进行定位与倾斜校正,提出了一种基于字符特征匹配的车牌定位与倾斜校正方法。该方法考虑到我国车牌首位字符为汉字的显著特征,利用标准车牌汉字库,采用特征匹配对车牌中的汉字进行定位。由于汉字在我国车牌中的位置严格固定,因此,对汉字的成功定位,也就实现了对整个车牌的定位与倾斜校正。对不同背景、不同光照条件下的车牌进行大量实验,结果表明该方法能够准确地进行车牌定位与倾斜校正,具有良好的鲁棒性。     

基于MSER与SVM算法的车牌定位识别方法

针对实际车牌识别系统中车牌位置定位难、字符识别率低等问题,提出了一种基于MSER与SVM算法的车牌定位识别。该方法分为定位和识别两步,输入图像经过预处理,通过MSER与SVM算法直接提取出车牌的字符区域,然后将车牌字符图像裁剪送入识别阶段,识别阶段同样利用SVM算法对车牌字符进行识别。经验证,该车牌定位识别方法识别速度快、准确率高,能够适用于实际生活中较为复杂的交通环境。     

一种基于机器学习的车牌识别系统的设计

以车牌识别的实用性为目的,设计一种鲁棒的车牌识别系统。首先提出了Sobel-Color算法,以Sobel边缘和颜色两种特征进行车牌定位,并结合MSER算法,设计了一种可靠的车牌定位方法来获取候选车牌区域,然后采用SVM算法对候选车牌区域进行车牌判断;最后根据车牌特征设计了一种车牌字符分割算法,能正确分割车牌的各个字符,并有效地去除车牌边缘部分的虚假字符,又根据分割出的车牌字符特征对LeNet-5深度网络模型进行改进,然后采用改进的LeNet-5网络对车牌字符进行识别。对设计的车牌识别系统进行了正常条件测试、恶劣条件测试以及效率测试等实验,实验结果表明设计的车牌定位和车牌判断方法具有较高的可靠性,车牌字符识别具有较高的准确率,因而设计的车牌识别系统具有较好的鲁棒性和实用性。     

基于可变形卷积和自适应二维位置编码的鲁棒车牌识别方法

车牌识别是智能交通系统中的关键步骤,为提高在非可控和复杂场景下车牌的识别精度,提出了一种鲁棒车牌识别方法,该方法主要包括车牌检测和车牌字符识别2个核心部分。首先,采用YOLOv5网络实现车牌的检测;其次,基于递归卷积神经网络框架,提出了一种基于可变形卷积和自适应二维位置编码(A2DPE)的车牌字符识别方法。该方法针对车牌大小、倾斜角度和光照条件等动态变化的特点,采用了可变形卷积来更好地提取车牌字符的特征,并引入了A2DPE模块,根据输入自适应地获取车牌字符位置编码信息。最后,利用双向长短期记忆网络进行车牌字符的识别,无须分割车牌字符,可以实现不同长度车牌字符的准确识别。在自建数据集LPdata与公开数据集CLPD上的实验结果表明,与现有方法相比,该方法能够以较低的模型复杂度达到较高的准确率。     

基于边缘与SVM的车牌自动定位与提取

提出了一种将边缘与SVM相结合的车牌定位与提取的方法。首先根据字符的边界特征进行粗筛选,获得几个车牌候选区;然后使用SVM分类器进行字符与非字符分类;最后根据车牌特征实现定位与提取。实验表明,该方法取得了良好的效果。     

A novel license plate location method based on wavelet transform and EMD analysis

Although various license plate location methods have been proposed in the past decades, their accuracy and ability to deal with different types of license plates still need to be improved. A robust license plate location method can raise the accuracy of the whole license plate recognition procedure. This paper proposes a robust method based on wavelet transform and empirical mode decomposition (EMD) analysis to search for the location of a license plate in an image to deal with some challenging problems in practice such as illumination changes, complex background and perspective change. By applying wavelet transform on a vehicle image and projecting the acquired details of the image, a wave crest that indicates the license plate will be generated. In order to locate the desired wave crest in the nonlinear and non-stationary projection dataset, EMD analysis is applied. Using the reconstructed projection data and the Hilbert transform of intrinsic mode function components, the position of the license plate is detected. Comprehensive experiments show that this method can locate the positions of various types of license plates with a high accuracy of 97.91% and a relatively short running time.     

车牌定位方法的研究

车牌定位是车牌识别系统的重要组成部分。由于车牌颜色、大小、位置的不确定性以及环境因素的干扰,因此车牌很难准确地定位。研究了一种基于灰度跳变定位车牌区域的新方法,引入跳变点密度概念。对于预处理以后的车牌图像进行一阶差分运算,得到车牌图像的跳变点,利用阈值滤去部分跳变点,判断相邻跳变点之间的间距与跳变点密度的大小关系,同时根据车牌区域的特征完成车牌的初步定位。然后进行车牌的精确定位     

基于局部小波分形特征的车牌定位研究

提出了一种新的车牌定位算法.车牌定位是车牌识别系统中最为关键的处理之一,分形特征能较好地反映牌照区“粗糙”的特性.首先提取牌照图像灰度图的分形维数,再充分利用小波与分形的密切联系,以二次B-样条小波对车牌局部图像进行小波变换后,提取各个子图的分形维数.这些分形维组成的特征矢量能有效地标示车牌区域和非车牌区域,根据这些局部分形维特征,以改进的BP神经网络作为分类器,有效地实现了车牌的快速准确定位,定位时间在0.7s左右,比同类方法更优.     

A new and robust method for character segmentation and recognition in license plate images

This paper provides a new and fast method for segmentation and recognition of characters in license plate images. For this purpose, various methods have been proposed in literature. However, most of them suffer from: sensitivity to non-uniform illumination distribution, existence of shade in license plate, license plate color and the need for receiving an exact image of the license plate. In the proposed algorithm, non-uniform illumination and noise are reduced by a Gaussian lowpass filter and also by an innovational Laplacian-like transform and characters are segmented by a set of indigenous and relative features. To be prepared for recognition, the segmented characters are normalized by a local algorithm. Two feed-forward neural networks with back-propagation learning method are employed for character recognition. The principal component analysis (PCA) is used to decrease input data and, consequently, computational complexity. The proposed algorithm does not necessarily need an exact plate image and can receive a band from the vehicle original image as an input, which includes the plate. Our proposed method is completely robust to the disturbances such as non-uniform brightness distribution on the various positions of a license plate image and the plate color. In order to evaluate our algorithm, we applied it on a database including 120 vehicle images with different backgrounds, plate colors, brightness distributions, distances and viewing angles. The results confirm the robustness of the proposed method against severe imaging conditions.     

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.