基于边缘颜色分布的车牌定位新方法

根据车牌的综合特征,提出了一种新的基于边缘颜色分布的车牌定位算法.该算法抓住了车牌背景与字符具有固定颜色搭配的重要特点,利用车牌区域内特有的边缘颜色分布信息并结合车牌的纹理特征,有效地滤除了大量的背景和噪声边缘,然后利用车牌的结构特征和边缘信息,并结合形态滤波的方法,以进一步确定车牌区域.实验结果表明,该算法定位准确率高、鲁棒性好,而且适用于对复杂背景下的多车牌图像进行分割.     

一种复杂环境中的车牌定位算法

提出了一种结合车牌区域边缘特征和梯度方向特征的新型车牌定位算法,该算法将车牌图像变换为灰度图像后,首先利用Sobel算子和Gradienffaces方法分别获取车牌图像的垂直边缘图像和梯度方向图像,然后根据边缘长度、边缘点密度去除垂直边缘图像中的干扰,并根据梯度方向图像中的梯度方向消除更多的干扰边缘,最后利用一个矩形窗扫描边缘图像完成车牌区域的定位和分割.实验结果表明,该方法的定位准确度可达93.7％,同时对复杂背景或弱光环境下的车牌图像具有很好的鲁棒性.     

自然背景下车牌定位算法研究

提出一种综合边缘检测、形态学、扫描行法的车牌定位算法,该方法利用边缘检测获取车牌区域垂直边缘,利用形态学运算得到车牌候选区域,最后结合车牌特征,采用双扫描行法定位车牌,解决了自然背景中车牌定位困难的问题.实验表明,该算法定位准确,鲁棒性强,适用于多车牌情况.     

基于数学形态学和投影法的车牌定位方法

在车牌定位系统中,针对图像中存在的复杂背景、车辆自身的车灯或标志这些因素的影响,提出了车牌初步定位和精确定位的方法.首先,对车牌图像进行灰度化、灰度拉伸、边缘检测后,运用数学形态学运算和车牌自身的宽高比例初步定位出车牌区域.然后,运用投影法分别进行水平方向和垂直方向的定位,得到准确的车牌区域.该方法能够很好地排除干扰因素,精确定位出车牌.     

基于多尺度小波模极大值的猪体图像分割

为了在复杂背景下准确地分割出猪体,文中提出基于多尺度小波模极大值的猪体图像分割算法。首先对猪图进行小波模极大值多尺度边缘检测得到猪体的准确边缘;然后利用基于梯度的边缘生长法,完成边缘封闭修复;最后通过二值数学形态学处理得到猪体区域。结果表明,在猪舍复杂背景下,文中算法能够较好地分割出光滑、完整的猪体,提高了分割的有效性。     

复杂背景下的自适应车牌检测算法的研究

车牌识别技术在现代智能交通系统中有越来越重要的应用(如收费站、停车场的车辆检测系统).为了有效的检测一个车牌,寻找车牌的位置是最关键的一步,本文提出了一种基于边缘的复杂背景下车牌的检测算法.该方法综合利用图像对比度增强、边缘检测、形态学处理、连通域分析、矩形性质分析等多种方法,解决了复杂背景中车牌定位难的问题,能够准确定位杂乱背景中的车牌,对天气、光照变化、车牌在图像中的移动和旋转等具有良好的适应能力,该方法为后续的字符分割和字符区域定位信息、车牌的超分辨率重建带来了方便.     

基于纹理特征和垂直投影的车牌定位算法研究

车牌定位是车牌识别中的关键步骤。为了能在复杂背景和不同光照条件下快速、准确定位车牌位置,提出了一种基于车牌纹理特征和垂直投影的车牌定位方法。该方法先根据车牌区域的纹理特性确定出多个水平候选区域,再利用车牌区域垂直投影的统计规律对候选区域进行筛选,并确定出车牌左右边界。实验结果表明,该方法定位速度快、准确率高,具有较好的实用性。     

一种复杂背景下车牌定位算法

车牌定位是车牌识别技术的第一步,车牌定位的准确与否直接影响着车牌识别的准确率。通过对现有的车牌定位方法进行研究,提出了一种复杂背景下的车牌定位算法,即利用车牌先验知识和灰度跳变结合来确定车牌位置,算法先对图像进行相应预处理,再结合纹理特征以及车牌区域的几何特征来粗定位车牌。粗定位时会得到对应的候选区域,如果候选区多于一个,就结合候选区的纹理特征和几何特征,利用算法来判断候选区是否是真实车牌区域;如果候选区只有一个,该候选区即是真实车牌,直接输出结果。实验结果表明,这种方法对复杂背景下的车牌定位比较准确,对噪音的抗干扰性强,定位速度快,符合实时性的要求。     

基于彩色边缘检测及综合特征的车牌定位算法

针对车牌区域难以定位的问题,本文提出了一种基于彩色边缘检测及综合特征的车牌定位方法。该算法利用车牌底色与字符颜色有几种固定搭配的特点,对彩色图像进行边缘提取,然后利用车牌区域的结构与纹理特征定位车牌,有效减少了车牌大小、位置以及背景复杂等方面的限制。实验证明该算法耗时少,准确率高,鲁棒性好。     

基于图像预处理和纹理特征的车牌定位算法

为了解决车牌定位过程中拍摄图像背景复杂,噪声大,检测准确率偏低的问题,提出简便有效抗干扰强的车牌定位算法.首先将彩色图像转换为灰度图像,其次设定灰度门限区分图像目标和背景,进行二值化处理,然后使用Sobel边缘检测算子计算图像梯度幅度值,检测图像边缘点,采用局部图像平滑技术中值滤波对图像去除干扰,最后根据车牌区域纹理信息较其它区域丰富的特征,采用投影法,通过水平和垂直方向上投影分布特征的反复提取,准确检测定位车牌.实验结果表明,该方法定位出的车牌区域图像清晰度和准确度较高.     

基于边缘检测和形态学的车牌定位算法

针对车牌自动识别系统的车牌定位方法进行了研究分析,提出一种结合边缘检测和数学形态学的车牌定位算法。利用边缘检测和形态学分析得到车牌候选区域,对候选区域进行连通域分析,实现了对车牌区域的定位。实验结果表明,该方法降低了各种背景噪声对图像中目标区域判别的影响,降低了车牌定位时间,有效地实现了车牌定位。     

一种新型车牌定位算法的研究

车牌定位过程中,由于光照变化、视点和距离变化、复杂背景等原因,图像传感器很难获取到高质量的图像。为了克服这些问题,本文在融合滤波的基础上,将一种基于模糊算子的彩色图像边缘检测方法用于车牌定位中,结合数学形态法和改进后的4-邻域标记法,以及车牌文本区的先验知识找到车牌的准确位置。本文用影像传感器对不同环境条件下获取的300多幅图像进行实验,结论验证了这种方法有效地克服了非车牌区域噪声的干扰,提高了图像质量,而且车牌定位准确率达到98.3%,证明了算法的有效性和鲁棒性。     

基于OpenCV的行驶车辆车牌定位实现

车牌定位是车牌自动识别系统中的一个关键问题。系统从两方面进行了设计。一是视频中移动车辆的定位,采用高斯背景建立模模块。二是静态图像中车牌提取系统,采用顶帽变换、能量滤波、寻找联通区域等多模块结合精确定位出车牌区域。该移动车牌定位算法在QT平台上采用OpenCV和C++编程,实现了综合利用车牌结构特征和纹理特征,提高了车牌定位可靠性。实验结果表明,该方法速度快、准确度高,可满足实时监控的需求。     

基于LabVIEW Vision的车牌识别系统设计

文中设计了一种基于LabVIEW Vision的车牌识别系统。该系统根据车牌颜色在HSL色彩空间上的特征,采用色彩阈值分割、腐蚀等图像处理方法将车辆图像转化成二值图,并在二值图中进行边缘检测,再根据检测到的车牌与背景间的边缘线的信息组建方程组,求出车牌边缘特征点的坐标,以确定车牌在图像中的位置。然后,以车牌在图像中的位置是否在指定区域内作为是否进行车牌识别以及当前车辆图像是否保存为车牌识别输入图像的触发条件。如果条件不满足,则系统将重新采集车辆图像,否则会根据车牌位置抓捕车牌,并采用均匀性度量法等方法对抓捕到的车牌进行二次处理,并将其转化成车牌二值图,再由OCR函数对该图进行字符识别。经实验验证,该系统具有较高的识别精确度与稳定性。     

采用二次定位的车牌图像定位算法研究

提出了一种二次定位的车牌图像定位方法.在第一次定位中首先对车辆图像进行灰度化、边缘检测及直线检测处理,根据车牌区域的特征初步找出包含车牌边框的车牌图像区域;再根据车牌边框对车牌图像进行倾斜校正;在此基础上,对车牌图像采用投影法进行二次定位,最终获得精确的车牌区域.测试证明,提出的二次定位方法能够适应不同背景,对光照、环境及车牌种类不敏感,得到的车牌图像不会包含车牌边框等无用的信息,为后续的车牌字符识别打下良好的基础.     

一种基于数学形态学和投影的车牌定位方法

车牌定位是车牌识别系统的关键步骤,定位的准确与否直接影响车牌识别的结果。为了能在复杂背景和不同光照条件下快速、准确定位车牌位置,本文根据车牌及拍摄效果等特点及因素,提出了一种结合数学形态学和水平、垂直投影法的定位方法。首先对图像进行预处理,利用数学形态学将预处理过的图像进行处理,滤去一部分伪车牌区域,然后利用水平和垂直扫描进一步精确定位车牌,最后结合车牌的先验知识最终确定车牌区域。实验结果表明,该方法定位率高,速度快,具有良好的鲁棒性。     

车辆牌照识别中车牌定位的研究

车牌定位是车牌识别系统的第一步,也是非常重要的一步,对车辆牌照的特征及几种常用的定位方法进行简要介绍,对车牌图像进行图像预处理之后,用微分算子对图像进行边缘提取,并且针对Sobel算子的缺点用形态学出来进行弥补。根据图像行、列像素点灰度值累加和对车牌图像进行定位,最后给出定位出的车牌图像。     

基于图像分解的车牌定位算法

针对车牌图像背景复杂和定位准确率低的问题,提出基于图像结构纹理分解的车牌定位方法。将图像中的小尺度细节分到纹理图,车牌部分划分到结构图,从而去除噪声,再结合边缘检测和形态学方法对结构图进行车牌定位。结果表明,该方法可以显著提高车牌定位的准确率。     

一种基于能量滤波和小波的车牌定位方法

提出一种基于能量滤波和小波的车牌定位方法。根据车牌在水平方向能量高且集中的特点构造能量函数．并将沿垂直方向变化的能量反映到投影图上,能量滤波后获取车牌的大致位置。再由小波分析获取车牌的水平细节图像和垂直细节图像,然后利用形态学对小波分解后的细节图像进行一系列处理,进一步消除无用信息和噪声,最后由投影法准确确定车牌位置。实验结果表明,定位准确率为96．2％．平均定位时间为3．62s。