基于修正思想的车牌图像定位与二值化处理

车牌图像定位和二值化是车牌识别系统中一个关键的部分。传统的处理方法是使用单一的算法,以便能够满足实时性的要求。但是算法本身的缺陷性使其不能适应一些具有独特特点的车牌,不能正确地识别出结果。基于提高算法的适应范围考虑,在满足识别速率要求的前提下,该文提出了基于修正思想的“去粗取精”处理模式,可以大大改善定位和二值化处理的效果,为后续的处理提供了一个良好效果的输入。     

基于分形维数的车牌识别二值化算法

针对当前常用车牌识别二值化算法存在的问题,提出了基于分形维数的二值化的方法。根据分形维数反映图像复杂程度的定义,通过计算两次突变的分维数,来确定图像的灰度值范围,并利用该灰度值范围确定阈值。并通过实验,表明利用分形维数所得到的阈值进行二值化处理较传统方法有较大改进,且该方法解决了在自然光和不同光照背景下对车牌识别的干扰问题,也可以从复杂背景中提取出倾斜的车牌。     

一种精确高效车牌定位算法

车牌自动识别是现代智能交通的重要组成部分,而车牌定位技术又是车牌识别系统的核心技术之一。本文提出一种精确高效的车牌字符定位算法,该算法采用差分来描述灰度变化进行初步定位,并对不同类型的车牌使用不同的二值化处理方法。实验表明,该算法快速有效。     

机动车牌照图像二值化提取的研究

为了能自动识别机动车牌照,除了车牌区域定位以外,还有一个非常重要的步骤就是要得到一个满意的二值化图像以便字符的分割和识别。文章比较了多种灰度转换算法,归纳出适合我国机动车牌照颜色及搭配特点的算法,在分析全局阈值法和局部阈值法优缺点的基础上,提出了两种方法相结合的图像二值化算法。该算法不仅能较好地保留图像的细节,还能有效地消除伪影的干扰。     

基于纹理特征的车牌定位方法

为了提高车辆牌照定位成功的概率以及定位精度,提出了一种基于纹理特征,采用自适应二值化的车牌定位方法。该方法首先利用小波分析对图像进行预处理,提取车牌图像字符区域的纵向纹理特征,然后利用边缘检测算子对图像纹理特征进行二次提取,再进行自适应二值化。该方法克服了直接对小波分析后图像进行二值化时,阈值选取非常困难的缺陷。实验结果表明,该方法能够达到提取有效车牌图像的目的,适用于各种复杂条件下拍摄的车牌图像定位。     

基于颜色信息定位车牌及其校正

车牌定位是车牌识别中的关键技术之一。本文对传统基于边缘检测的车牌定位算法做了改进,根据彩色图像R、G、B三者的分布特点,采用直接二值化定位车牌。在车牌区域提取之后,针对传统灰度化再二值化进行字符分隔对光线敏感的缺点,本文跳过灰度化过程,基于R颜色分量进行二值化,这种方法很好减少了阳光照射的影响。基于Hough变换,提出了基于双线性插值的两步法的校正方式。本文提出的方法运算过程较简便,代价低,可应用于嵌入式系统低成本硬件上,实现实时车牌识别。     

基于车牌识别的二值化算法研究

二值化是车牌识别系统中图像预处理的关键一步。由于车牌图像摄取环境的多变使得不同光照条件下车牌亮度也不同,这给采用限定阈值二值化算法来进行图像预处理带来了困难。本文通过对车牌灰度图像的特点的分析与研究,提出了一种限定阈值二值化改进算法,即利用遥感图像处理的灰度拉伸技术,使得二值化需要的阈值得到控制。对不同光照下的车牌进行这种优化处理,实验结果表明此算法是快速有效的。     

基于信息粒度的聚类分析及其应用

在处理复杂问题时,通过改变问题所在的粒度空间,不仅可以有效获取对象的特征,而且可去除干扰和非本质属性,使问题易于分析解决。所谓从粒度计算的观点来讨论聚类分析问题,就是认为聚类是在原问题的粒度下(同一问题的最细粒度空间)进行问题分析。为了简化处理,引入不同的聚类相似性函数,其实质就是得到不同粒度空间的等价类。在实际问题求解中,可以根据问题需要取不同相似性函数,以便将问题变换到所需的粒度空间进行处理。为推广其应用,将该思想应用于车牌二值化,提出了基于信息粒度的聚类变换的二值化算法,实现了从彩色3维空间到黑白1维空间的粒度变换。实验结果表明,该算法所得结果更加切合实际图像,不仅具有普适性,而且有利于下一步的识别操作,尤其对于各种斜车牌、光照不均车牌更具有一定的优越性。     

基于车牌识别的二值化算法研究

二值化算法在车牌识别系统中的车牌定位方面有着很重要的作用,但是光照条件的影响,使得二值化算法中的阈值T确定较为困难。该文提出了一种灰度值拉升的改进算法,可以降低二值化算法过程中的阈值的确定难度,并通过实例证明了这种算法的可行性。     

二值化算法在车牌识别中的应用

详细研究了二值化的经典算法，并将它运用到车牌识别系统的开发过程中；同时针对车牌边界定位难的问题，提出了一种彩色二值化方法，弥补了纹理分析的不足，有助于提高车牌的识别率。     

基于演化算法的图像二值化算法研究*

针对传统二值化方法的搜索时间长、图像保真度差等缺陷,利用演化算法具有搜索速度快、图像保真度高、全局寻优等特点,来解决图像二值化阈值难以选取的问题。以车牌图像的二值化为例,针对图像的复杂特征设计出图像演化染色体的编码、交叉、变异等演化操作算子,进而建立求解图像二值化阈值的适应值函数。数据实验表明,与传统的算法相比,利用演化算法求解车牌图像二值化阈值时,其搜索速度快、图像保真度高,能够更有效地进行图像识别和图像处理。     

基于图像分块的局部阈值二值化方法

针对目前局部阈值二值化结果存在目标虚假或断裂的缺陷,提出了一种基于图像分块的局部阈值二值化方法。首先,将图像分成若干子块并分析每个子块像素灰度变化情况;接着,取一定大小的局部窗口在图像中移动,比较该局部窗口内与包含窗口自身且比窗口更大区域内的像素灰度变化情况,更大区域由窗口模板当前覆盖的所有子块组成,以此判断窗口内是否为灰度变化平坦（或剧烈）区域;最后,根据不同的区域,给出具体的二值化方案。利用7种不同算法对4种不同类型的4组图像进行了二值化实验。实验结果表明该算法在屏蔽背景噪声和保留目标细节方面表现最优,特别地通过对车牌图像的二值化结果进行定量分析后发现该算法能够得到最高召回率和准确率。     

一种基于灰度图像二值化的车牌定位算法

车牌定位是牌照自动识别系统中最为关键的环节,是智能交通系统中的核心技术。该文提出了一种利用车牌梯度特征,通过图像增强和闽值调整的方法来获得;住确的车牌区域定位的新方法。实验证明所提出的方法能简单快速地实现车牌定位。     

一种基于全局阈值二值化方法的BP神经网络车牌字符识别系统

本文针对车牌字符识别系统在工程应用中存在识别准确率不高、效率低的问题,从工程实践的角度描述了一种新的基于BP神经网络的识别系统在车牌字符识别中的应用。详细介绍了车牌字符识别中的样本集和测试集的组织、图像二值化、归一化、图像去噪、神经网络构建和训练。实践结果表明,本系统适用于自然场景中的车牌自动识别问题,并且具有较强的适应性。     

自适应遗传算法在车牌定位中的应用

车牌自动识别是现代智能交通的重要组成部分,而车牌定位技术又是车牌识别系统的核心之一。由于传统的定位算法存在适应性差,鲁棒性不强的问题,提出一种基于自适应遗传算法的车牌定位方法。先用最大类间方差法(OTSU)对车牌图像进行二值化,然后利用遗传算法对全图进行车牌特征匹配搜索,结合区域特征向量构造的适应度函数,最终找到车牌区域的最佳定位参量。测试结果表明,该算法适应性强,定位效果很好。     

基于数学形态学和颜色特征的车牌定位方法

为了解决单一车牌定位算法在复杂背景中定位效果不理想的现状,提出一种数学 形态学和颜色特征相结合的算法对车牌进行定位。首先利用最大类间方差法(Ostu 算法)找到一 个最佳的阈值,根据所得阈值把得到的灰度图像二值化,然后采用一种改进的数学形态学算法 对图像进行边缘检测,最终结合数学形态学和车牌颜色特征进行准确定位。实验表明该算法明 显优于传统或单一的车牌定位方法,定位准确率高,对背景限制少,应用范围广。     

An adaptive local binarization method for document images based on a novel thresholding method and dynamic windows

Binary image representation is essential format for document analysis. In general, different available binarization techniques are implemented for different types of binarization problems. The majority of binarization techniques are complex and are compounded from filters and existing operations. However, the few simple thresholding methods available cannot be applied to many binarization problems. In this paper, we propose a local binarization method based on a simple, novel thresholding method with dynamic and flexible windows. The proposed method is tested on selected samples called the DIBCO 2009 benchmark dataset using specialized evaluation techniques for binarization processes. To evaluate the performance of our proposed method, we compared it with the Niblack, Sauvola and NICK methods. The results of the experiments show that the proposed method adapts well to all types of binarization challenges, can deal with higher numbers of binarization problems and boosts the overall performance of the binarization.