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.     

复杂背景图像中的车牌定位算法

针对复杂背景中的车牌定位问题提出了一种新的算法,将定位过程分解为确定候选车牌区域和剔除伪区域两个部分。首先在图像的二值垂直边缘图中,利用车牌区域的边缘信息及车牌的纹理特征进行车牌候选区域的确定,在降低算法复杂度的同时提高了定位精确性。然后,利用滑动的条带窗口对候选区域二值化图像进行连通块提取,结合车牌句法特征对该区域进行评判筛选,有效地解决了复杂背景及模糊图像中车牌定位精度不高的问题。此外,定位过程中的评判结果为后续的字符分割提供了重要的先验信息。实验证明该方法定位速度快,定位正确率高,对于背景纹理复杂及模糊图像的车牌定位具有很强的抗干扰性能。     

基于深度学习的车牌图像识别数据可视化平台的设计与实现

随着汽车数量逐年上升,如何提高车辆管理水平成为难题,其中车牌识别成了智能交通领域中一项重要课题。设计了基于深度学习和图像识别技术开发车牌识别数据可视化系统,系统主要有图像识别、图像裁剪、记录查询和信息可视化等功能。先将上传的车辆图像进行识别从而得到车牌信息并将其输入系统,系统能有效地管理和查询所有输入的车牌数据,然后通过可视化界面直观展示系统中的车牌数据信息,经过测试,能有效识别车牌信息,提高车辆管理效率。     

基于深度学习的复杂背景下目标检测

目标检测是计算机视觉领域的重要研究方向.传统的目标检测方法在特征设计上花费了大量时间,且手工设计的特征对于目标多样性的问题并没有好的鲁棒性,深度学习技术逐渐成为近年来计算机视觉领域的突破口.为此,对现有的基础神经网络进行研究,采用经典卷积神经网络VGGNet作为基础网络,添加部分深层网络,结合SSD(single shot multibox detector)算法构建网络框架.针对模型训练中出现的正负样本不均衡问题,根据困难样本挖掘原理,在原有的损失函数中引入调制因子,将背景部分视为简单样本,减小背景损失在置信损失中的占比,使得模型收敛更快速,模型训练更充分,从而提高复杂背景下的目标检测精度.同时,通过构建特征金字塔和融合多层特征图的方式,实现对低层特征图的语义信息融合增强,以提高对小目标检测的精度,从而提高整体的检测精度.仿真实验结果表明,所提出的目标检测算法(feature fusion based SSD,FF-SSD)在复杂背景下对各种目标均可取得较高的检测精度.     

基于深度学习和颜色边缘特征的车牌定位算法

为降低车牌定位过程中背景、天气、图像倾斜等复杂环境下干扰因素对车牌定位算法性能的影响,提出一种将颜色边缘特征提取和深度学习相结合的车牌定位算法。采用颜色分割、边缘检测和形态学操作提取感兴趣区域,将感兴趣区域输入到卷积神经网络中提取车牌的深层特征并去除伪车牌,标记出检测到的车牌。实验利用在复杂环境下收集到的车辆图像对所提算法进行分析,将其与其它算法进行比较,实验结果表明,该算法拥有更好的鲁棒性,在复杂的环境下能保持良好的性能。     

遗传算法在车牌定位中的应用

在对遗传算法应用和车牌定位识别系统中车牌定位、字符分割和字符识别相关技术的研究基础上,借助郑州圣兰电子科技公司的电子警察监控平台,提出了一套适用国内车牌特点的车牌定位识别系统。     

复杂性算法在汽车车牌定位中的应用研究

本文利用非线性方法中的复杂性测度来量度图像中含有的信息量,实现车牌定位。其方法是先选定一个大小合适的窗口,然后计算窗口取出区域的复杂性KC特征值,计算结束后滑动窗口,每滑动一次计算一次窗口取出区域的KC特征值。结果根据所计算的KC特征值的高低,可以得出车牌区。针对车牌内部图像的复杂度与背景有较大差异的特征,将复杂性测度应用到汽车车牌定位技术中,有广泛的应用前景。     

基于深度学习的含堆叠字符的车牌识别算法

车牌识别是构建智慧城市交通系统的重要技术,当前车牌识别系统对于单行车牌已经达到了较好的识别和应用效果,但无法满足对包含堆叠字符的车牌的识别需求。针对该问题,提出了一种基于深度学习且不依赖于字符分割的方法以识别含堆叠字符的车牌。首先对倾斜、扭曲的车牌进行投影矫正;然后使用MobileNet-SSD算法检测定位车牌中的单排字符和堆叠字符;之后将堆叠字符送入基于CTC损失的堆叠字符识别网络,进行非字符分割的端到端识别。实验结果表明,该算法不仅对含堆叠字符的车牌具有较高的识别精度,同时对倾斜、扭曲等复杂环境下的车牌具有鲁棒性,极大提高了车牌识别系统的通用性。     

复杂环境下基于角点回归的全卷积神经网络的车牌定位

车牌定位是车牌识别系统中核心部分,具有较高的研究和应用价值。尽管近些年来该研究取得了很大的进展,但仍无法很好地解决低亮度、低分辨率和车辆倾斜等环境下的定位问题。本文提出了一种新的全卷积神经网络,通过回归车牌角点的方式准确地进行车牌定位。为了保证训练的有效性,对45 000幅含有车牌的图像进行人工标注。同时,对标注的图像随机进行平移、缩放、旋转和加噪,提高训练样本的数量和多样性。在本文构建的卡口图像数据集和复杂环境数据集上与两种方法进行了比较,验证了本文方法的有效性。     

LPR系统车牌定位提取方法的研究

车牌定位在车牌自动识别中起着非常重要的作用,定位准确度直接影响车牌识别的正确率。文中使用了数学形态学和几何拓扑学相结合的方法对车牌区域进行定位提取。该方法首先采用Top-Hat变换以及开、闭运算对抓拍的车辆图像进行预处理;然后采用连通体态分析法（CCA）对图像进行粗定位;最后对计算得到的车牌候选区的欧拉数进行判别,最终提取真正的车牌区域。实验证明该方法能够很好的对牌照区域顶角进行快速搜索定位,将牌照从复杂背景图像中分割出来。     

一种新的车牌定位方法及应用

针对现有车牌定位方法的局限性,提出了一种基于灰度图像求取卷积能量极值区域的车牌定位新方法。该方法充分利用车牌的纹理复杂、对比度鲜明、外型规则等特征构造车辆图像的能量图,然后通过选取能量区域定位车牌。其明显优点是,避免了常见方法中直接对图像进行二值化时阈值难以确定的问题。大量实验表明该方法计算简单,准确率高,鲁棒性好。最后说明了如何应用该方法进行车速测量。     

复杂背景中多车牌粗定位算法研究

提出了基于车牌分形维数特征进行复杂背景中车牌粗定位的方法。讨论了图像剪裁、灰度图转化以及图像增强时灰度转移函数的构造过程;给出了车牌图像分形维数的计算方法及车牌区域的确定。同时指出多车牌图像车牌区域的分形维数基本在2.65~2.80之间,其值高于车牌图像整体的分形维数,但是低于单车牌图像车牌区域的分形维数。该方法计算简单,不依赖车牌的颜色、形状、尺寸,具有极好的鲁棒性。通过对大量随机的实验图像进行计算表明：漏检率和误检率均为0,检出多于一个候选区域的为50%,正确检测率为100%。     

基于车牌底色识别的车牌定位方法

提出了结合汽车车牌纹理特征分析和颜色特征分析实现车牌定位的方法。以往的车牌定位技术主要是利用了车牌的纹理特征和形状特征，该文提出的方法是先进行纹理分析和形状分析，再进行色彩分析，从而尽可能多地利用车牌模式识别空间中的各种条件。得到边缘清晰整齐的尽可能小的车牌区域。这种方法明显地克服了单用纹理和形状分析时难以解决的车牌区域变大的问题。     

超分辨率重建在车牌定位中的应用

针对车牌识别系统中由于采集图像分辨率低而造成的车牌定位效果较差这一问题,提出了一种基于凸集投影(POCS)的车牌定位超分辨算法,该方法能够提高图像的分辨率,保留原始图像的细节信息,准确地定位出车牌区域,为接下来的车牌识别提供了有力保障.     

多特征融合的车牌定位算法

针对使用单一特征在复杂场景下车牌定位效果不佳的问题,提出了一种融合了边缘、颜色、纹理等多种特征的车牌定位算法。该算法将定位过程分为假设生成和假设检验两个阶段:在假设生成阶段,使用特征点检测、形态学作为主要技术手段,利用车牌的字符纹理和颜色特征生成候选车牌;在假设检验阶段,使用灰度投影作为技术手段,利用车牌结构的固有特征验证候选并实现定位。实验结果表明:在包含实际场景的车牌图像库中,定位成功率可以达到96.6%,精确度可以达到95.4%,验证了多特征融合算法的合理性和有效性。     

基于统计特征的启发式车牌定位新方法

在研究现有车牌定位算法的基础上,提出了一种基于统计特征的启发式车牌定位算法。该算法利用图像金字塔结构将图像分级处理,将车牌区域字符密集特征量化为跳变特征,利用动态规划算法计算统计矩阵,根据事先实验得到的车牌跳变特征范围筛选统计矩阵得到候选矩形框。根据颜色特征,车牌尺寸特征,字符个数特征等筛选候选区域得到最终定位结果。大量实验表明,该方法能精确,高效地定位车牌并且对环境的适应能力比较好。     

基于单目视觉的车牌快速定位方法

提出了一种基于颜色空间理论和形态学结合的方法。首先对图像进行颜色空间转换,按要求提取出需要的特征颜色区域,再对颜色特征区域进行检测,对边缘进行灰度统计,按一定的比例进行筛选,并利用前方车辆位置变化的特点,对下一次车牌可能出现的区域进行粗定位,利于下一次更快速的定位。应用该算法对100幅车牌图像进行定位,定位准确率达90%,速度均在0.1s内。     

基于神经网络的视频序列车牌定位算法

在研究静态汽车牌照定位算法的基础上,利用时间序列多帧图像信息量大的优势弥补以往单幅图像牌照定位的不足,研究了视频序列下的汽车牌照定位方法.针对静态图像的牌照定位问题,提出了一种新的基于字符边缘特征和神经网络的汽车牌照定位算法.将上述定位算法应用到视频单帧图像中的牌照定位,并依此为基础,在动态视频序列中,对连续抽取的帧图像进行定位检测,各得到若干候选牌照区,比较相邻帧之间对应候选区的匹配程度,以得到真正的牌照位置.实验结果表明,该方法的定位精度高,实用性强.