基于Gabor特征和协同神经网络的车牌识别方法

研究了车牌字符识别问题,针对车牌识别系统易受天气及光照变化影响的实际应用,将Gabor特征和协同神经网络应用在车牌字符识别中,提高了识别率.首先对车牌字符进行二值化和切分,然后利用Gabor滤波器提取车牌字符的特征参数;再利用协同模式训练特征参数,进而得出训练样本;最后根据协同神经网络进一步识别车牌字符.通过大量仿真实验表明,该方法在不同场景、光照条件下,与传统方法相比,识别率有了较大改进,该方法在车牌识别领域有较强的实用性.     

车牌识别系统中的关键技术研究

针对目前车牌识别系统中的多项关键技术做了改进。车牌识别系统主要包括车牌定位、字符分割和字符识别。首先提出了基于图像转换和数学形态学的车牌定位技术;然后结合垂直投影和连通域算法对车牌进行字符分割;最后采用13点特征法提取字符特征和改进BP网络神经算法对车牌字符进行识别。实验结果表明,本算法能大大提高了车牌识别系统的准确性和鲁棒性,具有较强的实用性。     

基于Faster R-CNN的车牌识别算法

针对传统车牌检测方法定位不准确、检测结果易受环境影响的问题,提出一种基于Faster R-CNN和Inception ResNet_v2的车牌检测算法:通过迁移学习的方式实现精确的车牌定位,用像素点统计法处理车牌图像,实现单个字符的有效提取;mLeNet5卷积神经网络模型用于对单字符进行识别。结果表明,算法对有遮挡及角度倾斜的车牌字符能实现高效、高精确度的识别.      

改进深度学习的车牌字符识别技术

针对传统车牌字符检测方法存在效率低、可靠性差的情况,提出应用Haar级联检测结合深度学习方法的卷积神经网络车牌字符识别法.首先采用Haar级联分类器提取出图片中车牌的位置,通过灰度、阈值、腐蚀、膨胀等预处理提取出车牌字符;然后收集字符数据,对CNN神经网络在角度倾斜、光照变化和噪声污染复杂条件下进行训练,使用训练后得到的模型对车牌字符图片进行识别.实验结果表明,该方法识别车牌字符正确率较高,在角度倾斜、光照变化等噪声污染条件下的准确性和稳定性较好,能够有效地降低车标识别的错误率.     

基于并行特征匹配的车牌定位与识别算法

针对智能交通系统中车牌定位速度慢,信息识别准确度低的问题,提出了一种高性能的车牌定位及字符识别算法.进行车牌图像预处理,在彩色图像中搜索边缘密度快速突起的矩形域,在搜索后的矩形区域内采集相似走向的双边曲线,筛选出双边走向具有突出相似特征的区域,以此定位出包含字符的真实车牌区域,通过改进的神经网络模型进行多模板同位权值匹配,将待匹配模板逐层剔除,接着进行相似模板的异位权值匹配,准确识别出车牌图像里的字符信息.该算法抓住了车牌的矩形特征和字符具有的并行双边走向的重要特点,利用新型的同异位并行模板剔除方法,提高了车牌定位的速度和字符识别的准确度.     

基于字符行特征的车牌倾斜矫正算法

针对Hough算法在识别白色反光车牌时的不足,提出了基于车牌字符行特征的倾斜矫正算法.该方法采用通过字符行倾斜度恢复车牌原貌的机理,即从多个角度来对图像倾斜的方向扫描,分别记录各扫描平行线组中具有车牌字符信息的行数,对应字符行数目最多的扫描角度就是图像倾斜的角度.实验表明,该算法能较理想地减少车牌倾斜给车牌字符分割及识别带来的负面影响,运算量小且易行可靠.     

基于模板匹配的车牌字符识别算法研究

针对车牌识别中的字符识别问题,提出了一种改进的模板匹配方法,首先把字符模板根据某种特征进行粗分类,特征类似的分到同一组,识别时首先提取字符的这种特征,根据特征提取相应分组的模板进行匹配,最后给出识别结果。     

基于改进LeNet-5的车牌识别算法

传统的车牌识别算法包括模板匹配、特征统计等方法,但是这些算法依赖于人工提取图像特征,识别准确率低。卷积神经网络LeNet-5算法能够自动提取车牌图像的特征,提高车牌识别准确率。但是目前基于LeNet-5网络结构的车牌识别算法存在识别不完整,运算时间长等缺点。提出基于改进的LeNet-5网络的车牌识别算法,该算法将输入车牌字符图像归一化为32×16大小,并通过删除传统LeNet-5网络中的C5层、修改输出层中神经元个数等,将车牌字符按照汉字和数字/字母的形式识别输出。通过采集大量车牌数据进行训练验证,结果表明:与前人改进的LeNet-5网络结构相比,本文算法在识别率和时间效率上均得到了提高。     

一种基于混合神经网络的车牌字符识别方法

针对单一种类的神经网络在识别严重污损的车牌字符时很难达到理想效果的问题,提出了一种基于联想记忆算法与BP算法相结合的混合神经网络.该网络将Hopfield神经网络与BP神经网络级联,对输入的字符样本进行两次判别.通过对加噪、旋转和切割情况下的车牌字符样本进行识别实验,证明该方法可有效地提高车牌字符的识别率.     

基于模板匹配和垂直投影的车牌字符分割算法

车牌识别(LPR)是智能交通系统中的一个重要环节,而字符分割又是车牌识别中的关键部分。针对车牌字符分割问题,提出了一种改进的车牌字符分割算法。首先,对于图像的滤波采用了"条状可变阈值滤波算法",分割环节则采用了垂直投影和模板匹配相结合的算法,并结合现实生活中车牌的一些不利因素的影响,做出相应改进,不仅提高了算法对不同环境下采集的车牌的适应性,而且增加了抗干扰能力。实验结果表明:该方法实现简单,分割质量好,便于下一步的字符识别。     

用于卡口系统的车牌遮挡检测方法

驾驶员通过遮挡车牌的方式使得卡口系统无法自动识别其车牌,以达到掩盖车辆身份的目的.针对此问题,本文提出一种车牌遮挡违法检测方法,可对遮挡车牌的行为进行报警,也可用于公安视侦中的嫌疑车辆排查.本方法基于车牌识别技术,对于能够定位到且能正常分割字符的遮挡车牌,使用特定特征对字符进行识别,然后对识别到的多个字符的置信度进行曲线分析,将明显处于波谷的置信度对应字符判断为遮挡字符,判断该车牌轻微遮挡;对于不能够定位到或不能正常分割字符遮挡车牌,则结合车辆检测技术,将其判断该车牌严重遮挡.实验结果表明:本方法能检测到大多数遮挡或者无车牌的车辆.     

基于粒子群优化的车牌识别算法研究

针对环境噪声严重影响车牌的识别问题,基于字符特征向量和粒子群优化设计一种车牌识别算法。借助垂直投影法、自适应阈值方案、方向梯度直方图法等,对车牌字符进行分割和提取字符的特征向量。依据字符特征向量样本和支持向量机建立字符识别准确率模型,并基于粒子群优化算法建立求解该模型的车牌识别算法。比较性的数值实验显示,该算法能有效提升车牌识别的准确率,且字符特征向量对车牌识别有极大影响。     

基于改进深度学习的车牌字符识别技术研究

为解决传统车牌字符检测方法可靠性差、效率低的问题,提出采用haar级联检测结合深度学习方法的卷积神经网络车牌字符识别方法。采用haar级联分类器提取出图片中车牌的位置,通过灰度、阈值、腐蚀、膨胀等预处理技术提取出车牌字符;通过收集字符数据,对CNN神经网络在角度倾斜、光照变化和噪声污染条件下进行训练,使用训练后得到的模型对车牌字符图片进行识别。实验结果表明, 该方法识别车牌字符正确率较高,在角度倾斜、光照变化和噪声污染条件下的准确性和稳定性较好,能够有效地降低车标识别的错误率。     

基于字符块提取的车牌字符分割算法

为了解决车牌图像倾斜、背景复杂、分割过程中出现的字符间粘连、断裂等问题,提出简便有效抗干扰强的基于字符块提取的车牌字符分割算法,以此提升车牌字符的识别效果.通过车牌图像二值化处理、倾斜矫正、去除干扰以及字符块提取一系列步骤,实现车牌识别前对车牌字符的准确有效分割.实验结果表明,该车牌字符分割方法可靠、准确度高,为后续车牌字符的正确识别奠定基础.     

一种实用快速的车牌字符分割方法

针对车牌自动识别系统中的字符分割问题,提出了一种基于车牌字符几何特征的分割字符算法。该方法先用数学形态学对二值化后的车牌图像进行一系列的形态运算,去除掉一些无用信息,使得字符与车牌左右边框、字符与字符之间空懈变大,便于划出字符间的垂直分割线,然后使用一种新的快速测量车牌倾斜度的方法进行校正。实验结果表明,该算法原理简单实用,分割速度快,分割的质量好,便于下一步的识别。     

车牌识别技术的研究与实现

在车牌自动识别系统中,因自然因素或采样因素使得原本规则的印刷体字符产生畸变,给字符识别带来了很大困难.考虑到识别的实际应用及实时性要求,采用改进的模板匹配方法先将字符细化,再结合字符的全局特征,与模板的特征矢量进行匹配,误差最小的作为识别结果.实验结果表明,该算法具有较高的识别率及较好的抗噪性能,能够实现较好的车牌识别效果.     

一种模板匹配和神经网络的车牌字符识别方法

提出了一种基于模板匹配和神经网络的车牌识别方法。该方法集成了模板匹配识别车牌字符和神经网络识别车牌字符的优势,可有效地提高车牌字符的识别率、识别速度和识别系统的泛化能力。实验结果表明：大多数情况下,该方法的识别率超过90%,识别时间不超过1200ms,能有效地识别各种车牌中的字符,满足实际系统的要求。     

车牌定位系统中关健技术的研究与实现

针对车牌识别系统中由于分割不准确而造成识别率低的问题,提出一种基于一阶水平差分算子的自适应边缘检测的分割方法,以便更好的将汽车图像从复杂的背景中分割出来,同时用优化投影法对车牌进行定位,并在字符识别中利用改进15特征点提取法实现了车牌字符的识别.实验结果表明,该算法对车牌识别的准确性高,识别速度快,鲁棒性好.     

基于BP神经网络的车牌识别系统

车牌识别系统是智能交通领域的重要组成部分,在现代交通管理中的作用举足轻重。基于VC++6.0进行实验,针对中国的车牌进行研究,用BP神经网络来实现车牌识别。车牌识别分为图像预处理、车牌定位、字符分割和字符识别四个步骤。利用车牌的先验知识进行定位,引进双阈值进行字符分割,利用13段特征提取法提取特征向量,实验表明该识别算法行之有效。     

基于FPGA的车牌识别算法研究

车牌自动识别系统在实现智能交通系统方面发挥着重要作用,整个系统包括车牌定位、字符分割和字符识别三部分.本设计先确定车牌在获取图像中的具体位置,从而把车辆牌照定位出来,进而对车牌用局部投影的方法进行字符分割,最后采用模板匹配法进行车牌字符的识别.本文提出的方法具有实时采集视频图像,车牌定位准确,分割及识别效率高的优点.