基于数学形态学的实用车牌定位算法及实现

由于车牌图像分割困难、车牌位置定位不准确等问题,为了快速准确地得到车牌的准确位置,数学形态学具有速度快、方法简单等特点,使用数学形态学进行车牌的识别.通过预处理,采用最佳阈值分割的迭代算法进行车牌图像的二值化处理,然后主要利用数学形态学腐蚀运算进行车牌边缘检测,精确度高.结合车牌先验知识,利用连通区域法对车牌字符进行切分定位,通过大量实验,结果表明该算法具有一定的实用性.形态学边缘检测相对于边缘检测算子具有算法简单、速度快、定位准确和抗干扰能力强的优点.通过对不同车牌图像进行试验,算法具有较好的识别结果.     

基于扩展数学形态学的车牌定位算法

在汽车牌照识别系统中,车牌定位是整个识别模块实现的前提,目前车牌定位的方法多种多样,各有所长,但存在着计算量大或定位准确率不高等问题。边缘检测是常用的车牌定位方法,边缘检测的质量决定了车牌图像的最终定位结果。一般人们习惯于用基于梯度和基于模板的算子提取边缘,但这类算子都不能很好地滤除噪声,因而给噪声图像边缘检测带来了困难。根据数学形态学原理与方法,提出一种扩展数学形态学车牌图像边缘检测算子,并结合水平和垂直投影进行车牌定位。实验结果表明,该算法不仅能成功提取车牌图像边缘,而且能很好地滤除噪声,从而实现准确车牌定位。     

基于数学形态学的车牌分割算法

该文提出一种基于数学形态学的车牌图像分割算法。首先,对原始车牌图像进行预处理;然后,利用一种抗噪型数学形态学边缘检测算子进行车牌边缘检测;最后,去除图像水平噪声,结合水平、垂直投影进行定位。实验表明,该方法不仅算法简单、准确度高,且适于对有噪声及背景复杂的车牌图像进行分割。     

一种实用的多车牌快速定位系统

针对车牌定位计算量大、定位时间长问题,设计了一套快速实用的定位系统。对车牌进行直方图均衡的预处理,通过改进的Prewitt边缘检测算子、投影和数学形态学方法确定候选区域队列,利用车牌的几何和颜色特征排除候选车牌区域中的干扰区域,对各种环境下定位效果进行了比较,给出了相应的实现结果,具有一定的研究价值和社会经济效益。     

基于Matlab的车牌图像预处理的研究与实现

车牌图像预处理是车牌识别系统中一个非常重要的环节,预处理效果的好坏直接影响到后续的识别过程。本文介绍了车牌图像的灰度化,图像去噪,边缘检测,二值化处理,腐蚀处理,车牌定位,字符分割等预处理算法,并基于计算机Matlab平台对车牌图像预处理的过程加以实现,实现效果好。     

边缘检测算子在汽车牌照检测中的研究

图像边缘检测一直以来都是图像处理与分析领域的研究热点。本文对数字图像处理中几种具有代表性的边缘检测算子进行了理论分析，并通过VC＋＋编程用各种算子对车牌图像进行边缘提取，通过比较得出了各种算子的精度及在检测中算子选定的参考条件，为实际应用采用哪种算法提供对照和参考。     

基于二维小波变换的车牌边缘检测的研究

在Matlab环境下运用基于二维小波变换边缘检测方法提取车牌信息的边缘。实验证明这种方法对车牌边缘信息提取的效果比传统的边缘提取算子提取车牌信息边缘的效果要好,特别是对伪边缘和图片噪声的过滤作用比较明显。     

基于Log算子边缘检测的车牌定位方法

车牌定位是车牌自动识别系统中的关键技术之一,提出一种基于Log算子边缘检测的车牌精定位方法。首先对彩色车辆图片在多颜色空间内进行色彩分割去除大量的背景干扰信息,然后利用分块的思想实现车牌的粗定位,大大缩小车牌的搜索区域,最后对粗定位图用Log算子检测边缘突出车牌的纹理特征再结合投影的方一法准确定位出车牌。通过对静态车牌图像定位仿真实验和分析表明,该方法对于车牌定位准确率较高。     

基于边缘特征和颜色特征的车牌定位方法

针对交通违法检测系统中数码相机所拍摄到的图片,提出一种车牌定位方法:首先对图像进行灰度化和边缘检测等预处理,然后根据边缘二值图中车牌区域的边缘特征,利用行扫描方法寻找可疑线段,通过合并可疑线段确定车牌位置,再根据车牌颜色特征判断车牌类型,修正车牌的边界.实验表明,这种方法取得了较好的效果,具有较高的实用性.     

边缘检测技术

边缘检测是一种重要的图像预处理技术,介绍了几种图像轮廓提取技术,如Roberts、Sobel、Prewitt、LOG、Canny等边缘检测算子,比较了这几个边缘检测算子的处理结果。     

基于模糊边缘检测算法的车牌定位

车牌定位是自动车牌识别系统的一个关键步骤,车牌定位结果直接影响对车牌的最终识别效果。因此为了保证实际应用中车牌的识别准确率,文中提出了一种新的车牌定位算法,该算法利用一种改进的快速模糊边缘检测算法来进行车牌图像的边缘检测,得到整个原车牌图像的边缘图像,然后基于边缘图像的丰富的边缘信息设计一个高效、准确的车牌区域定位算法,检测出车牌区域。实验结果表明:算法定位速度较快、准确度较高,具有良好的应用前景。     

Automatic License Plate Recognition via sliding-window darknet-YOLO deep learning

Automatic License Plate Recognition (ALPR) is an important research topic in the intelligent transportation system and image recognition fields. In this work, we address the problem of car license plate detection using a You Only Look Once (YOLO)-darknet deep learning framework. In this paper, we use YOLO's 7 convolutional layers to detect a single class. The detection method is a sliding-window process. The object is to recognize Taiwan's car license plates. We use an AOLP dataset which contained 6 digit car license plates. The sliding window detects each digit of the license plate, and each window is then detected by a single YOLO framework. The system achieves approximately 98.22% accuracy on license plate detection and 78% accuracy on license plate recognition. The system executes a single detection recognition phase, which needs around 800 ms to 1 s for each input image. The system is also tested with different condition complexities, such as rainy background, darkness and dimness, and different hues and saturation of images.     

车牌定位常见方法介绍与分析

车牌定位是车牌自动识别系统中的一个关键问题,是近年来研究的热点。许多国内外学者研究发展了许多车牌定位算法,大体可分为基于纹理特征分析方法,基于边缘检测方法,基于数学形态学定位方法,基于小波分析方法以及基于彩色图像定位方法。本文对目前比较常见的几种车牌定位方法进行了简要的介绍,并对它们各自的优点、缺点进行了分析和比较。     

自然场景下变形车牌检测模型DLPD-Net

目的 随着智能交通领域车牌应用需求的升级,以及车牌图像复杂性的提高,自然场景下的车牌识别面临挑战。为应对自然场景下车牌的不规则变形问题,充分考虑车牌的形状特征,提出了一种自然场景下的变形车牌检测模型DLPD-Net （distorted license plate detection network）。方法 该模型首次将免锚框目标检测方法应用于车牌检测任务中,不再使用锚框获取车牌候选区域,而是基于车牌热力值图与偏移值图来预测车牌中心;然后基于仿射变换寻找车牌角点位置,将变形车牌校正为接近于正面视角的平面矩形,从而实现在各种自然场景下变形车牌的检测。结果 一方面,基于数据集CD-HARD评估DLPD-Net检测算法的性能;另一方面,基于数据集AOLP （the application-oriented license plate database）和CD-HARD评估基于DLPD-Net的车牌识别系统的有效性。实验结果表明,DLPD-Net具有更好的变形车牌检测性能,能够提升车牌识别系统的识别准确率,在数据集CD-HARD上识别准确率为79.4%,高出其他方法4.4% 12.1%,平均处理时间为237 ms。在数据集AOLP上取得了96.6%的识别准确率,未使用扩充数据集的情况下识别准确率达到了94.9%,高出其他方法1.6% 25.2%,平均处理时间为185 ms。结论 本文提出的自然场景下的变形车牌检测模型DLPD-Net,能够实现在多种变形条件下的车牌检测,鲁棒性强,对遮挡、污垢和图像模糊等复杂自然环境下的车牌检测具有良好检测效果,同时,基于该检测模型的车牌识别系统在非受限的自然场景下具有更高的实用性。     

基于CNN网络的带遮挡车牌识别

为提高存在遮挡的车牌识别准确率,基于数据驱动,利用形态学算法如腐蚀、膨胀、旋转等对标准化字符进行自动化处理,并自适应地加入高斯噪声构建带有遮挡的字符样本以代替常见的无遮挡标准车牌字符样本.结合图像边缘检测与HSV(Hue,Saturation and Value)模型对车牌实现正确定位;采取霍夫边缘检测对倾斜的车牌进行仿射校正,并归一化车牌尺寸对车牌进行规定比例的字符切分.在此基础上,使用卷积神经网络(Convolutional Neural Networks,CNN)对样本库进行训练并对车牌内容进行识别.实验结果表明,该方法对带遮挡物的车牌具有良好的识别效果,且对汉字的识别精度略高于字母及数字.通过不同网络中与无遮挡样本库的识别效果对比可知此样本库的整体识别精度确有明显提高,有一定的应用价值.     

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。     

基于边缘颜色对的车牌定位新方法

车牌定位是车牌自动识别系统中的一个关键问题．该文提出了一种新的基于边缘颜色对的车牌定位方法．首先进行彩色边缘检测,然后以每一边缘点为中心,垂直于边缘方向取一线形窗口,在窗口内检测边缘点两侧像素的颜色是否分别匹配车牌的底色与字符颜色,若是,则保留为候选车牌边缘点;然后进行形态滤波,剥离不符合车牌结构特征的区域,最后对候选车牌区域进行纹理特征的分析以确定真实车牌区域．该方法抓住了车牌背景与字符具有固定颜色搭配的重要特点,综合利用了车牌的结构特征和纹理特征,提高了车牌定位的可靠性．对各种条件下拍摄的163幅含有车牌的图像应用该算法,定位准确率达到98．2％。     

车牌超分辨率重建与识别

为了从图片中快速准确地识别车牌,提出一种结合图像超分辨率技术的车牌识别方案。车牌图片具有明显的特定的模式特征,只是具体的字符编码不同。因此车牌图片非常适合做超分辨率重建。本文提出的系统主要由车牌检测定位、车牌超分辨率重建、字符分割、字符识别等模块组成。综合基于边缘、基于颜色和基于最大稳定极值区域三种车牌检测策略并采用并行编程方法来综合检测结果得到候选车牌。采用车牌图片正负样本来训练支持向量机分类器。得到分类器模型后对候选车牌判决得到真正的车牌。随后对真实车牌图片进行超分辨率重建。该部分主要由基于固定邻域回归的方法实现。这种方法综合了稀疏字典学习和领域嵌入的方法,比较好的兼顾了准确率和计算速度。运用OpenCV提供的图像处理库来对重建后的图片做字符分割。得到单独的字符图片后采用人工神经网络进行识别。识别前先使用一定数量的字符图片对网络进行有监督训练获取识别模型。采用一个单隐层的神经网络,运用反向传播算法进行训练得到识别模型。最后提取字符图片的特征并输入网络进行分类完成识别。为了测试系统的表现,在实际场景中采集了一百张车牌图片作为测试集。实验表明,该系统具有较高识别准确率和较快的处理速度。     

Sobel算法在车牌识别系统中的改进与实现

经典Sobel算法是图像边缘检测中常用的方法之一,但在车牌识别系统中也检测出了很多的噪声点和造成了车牌字符的断裂,加大了后期车牌提取和字符识别的难度,降低了车牌定位的精确度。针对车牌识别系统,对Sobel算子进行了改进,在实际运行中取得了良好的车牌定位效果和很强的抗干扰能力,并能在最大程度上保持字符的完整性。     

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。