基于HSV空间的车牌定位方法

车牌区域的颜色特征是车牌的重要信息.针对车牌区域颜色的伴生与互补特性,提出了一套在HSV空间利用颜色特征进行定位的算法.该算法利用车牌区域固定的颜色特征,快速定位到与车牌颜色有关的区域,然后利用车牌区域伴生与互补特性快速去除具有与车牌区域相同颜色的其他非车牌区域.最后使用投影积分进行车牌的精确定位.通过对200幅从交通卡口获取的真实的彩色图像进行试验,准确定位率为98%.     

基于差分与对称性检测相结合的车标定位方法

提出了基于边缘颜色均值对的车牌定位算法,此方法充分利用车牌的底色与车牌字符颜色的固定搭配,在RGB颜色空间中求取相邻像素的RGB各分量的均值,然后转换到HSV颜色空间,如果出现符合颜色搭配的则认为是车牌可能在的区域．该方法既能保证尽可能多地提取出车牌区域像素,又极大地清除非车牌区域像素,使后续处理得到一定程度的简化．在此基础上利用车牌与车标的位置关系进行车头定位,并结合差分及对称性检测进行车标的精定位．     

基于HSV颜色空间的候选车牌区域筛选算法

提出了在HSV颜色空间中,利用车牌区域的颜色特征,筛选车牌区域的新算法.该算法根据车牌4种不同底色对应的3个分量,分别统计出底色平均密度的阈值范围,并利用该范围,对候选区域进行筛选,以确定车牌区域.在筛选车牌区域时,重点讨论了车身颜色与车牌底色相近或相同、候选车牌区域的纹理和边缘特征及宽高比都接近的情况.实验结果表明,该算法能较好地对车牌进行准确定位.     

基于车牌颜色特征的定位方法研究

针对车牌自动识别中车牌定位问题,提出了一种基于颜色信息的车牌定位算法。该算法基于HSV颜色模型,对车牌图像进行颜色分割找出候选车牌区域,然后利用车牌自身的两种颜色特征剔除伪车牌,最终正确定位出车牌,实验证明该算法的正确性和可行性。     

基于改进的SIFT算法交通标志牌的检测与识别

提出了一种针对自然场景下的标志牌的检测和识别算法,首先对获取的视频进行帧提取,采用图像增强算法对图像进行预处理,进而转换到HSV颜色空间,利用其颜色和形状特征进行检测定位,再根据感兴趣区域的面积特征排除多余目标,最后根据改进的SIFT特征匹配算法,利用最近邻分类器算法进行识别,样本库选用的是自然场景下的道路交通中的数据,通过对比实验发现,该算法在保证检测率的同时大大提高了算法的实时性。     

一种基于Adaboost的车牌定位算法

针对成像过程的光照影响以及车辆的污损对车牌定位影响较大的情况，提出了一种基于Adaboost的车牌定位算法.该算法首先将车牌彩色图像进行预处理，然后使用Adaboost算法进行车牌定位，最后使用车牌颜色模型对车牌定位结果进行校验.相对于目前用于车牌定位的方法，该算法具有较快的定位速度和较高的准确率.实验证明，采用该算法能获得较好的车牌定位效果，鲁棒性强，具有较大的实用价值.     

基于Adaboost算法的车牌检测在OpenCV上的研究与实现

Adaboost是一个构建精确分类器的学习算法,在目标检测领域有着广泛的应用。OpenCV是Intel开源计算机视觉库。该文给出了在OpenCV上利用Adaboost算法,实现车辆车牌检测的完整实验过程,包括样本的建立、训练级联分类器、以及利用训好的分类器进行目标检测。     

基于加速度时域特征和Adaboost-SVM级联分类器的跌倒检测研究

为了提高对跌倒检测的准确性和可靠性,提出了一种基于三轴加速度时域特征和Adaboost SVM级联分类器的跌倒检测方法.首先,利用滑动窗口法提取加速度信号的时域特征作为唯一特征向量,以提高系统检测的实时性;然后,对传统Adaboost算法的样本初始权值部分进行改进,使分类器学习到更多跌倒样本的信息,从而增强系统对跌倒的识别能力;最后,针对日常活动动作类(ADL)的数目远多于跌倒类而导致的数据集不平衡问题,构建了用于跌倒检测的Adaboost-SVM级联分类器,根据级联结构中每个Adaboost分类器所包含的弱分类器数量自动决定是否由SVM替换Adaboost分类器.利用UCI数据库中人体运动数据集进行了实验,结果表明:文中所提方法具有最高的跌倒检测率以及较为优秀的误报警率和准确率,并且证明了放置于胸部和腰部的加速度计能够对跌倒检测产生较好效果.     

视频图像车牌颜色辨别方法

在实际应用环境的视频图像中,车牌颜色极易受到天气、光照、粉尘、车牌污垢等的影响．传统的车牌颜色辨别方法主要是通过判断车牌颜色分量的阈值来实现的．在视频图像中,由于车牌颜色变化大,很难找到恰当的阈值,因而传统的车牌颜色辨别方法已不具有普遍的适用性．针对这个问题,该文提出了一种全新的基于AdaBoost算法的车牌颜色辨别方法,通过提取车牌字符和背景在RGB和HSV空间的颜色特征,训练出AdaBoost分类器,从而对车牌颜色进行判断．实践证明,该方法不仅可以很好地判断出视频图像车牌的颜色,对于一些非车牌区域的排除也可以达到很好的效果,     

一种改进的快速车牌定位算法

文章提出了一种基于纹理特征和颜色特征的车牌定位算法.算法首先利用车牌的纹理特征对车牌进行了初步定位,其中主要有图像预处理、边缘检测、数学形态学处理等步骤.最后利用车牌区域的颜色特征对车牌区域进行精确定位,主要包括空间转换、边界确定等步骤.对80张相片进行测试的结果表明,该方法准确率高、速度快.     

基于彩色分割的车牌自动识别技术

提出一种采用彩色分割及多级混合集成分类器的车牌自动识别方法．该方法由彩色分割、目标定位、字符识别及后处理模块组成．采用多层感知器网络（ＭＬＰＮ）对输入彩色图象进行彩色分割,通过投影法分割出潜在的车牌区域并进一步切割出字符,由多级混合集成分类器给出字符识别的初步识别结果及置信度,经后处理得到最终结果．该方法识别正确率高、鲁棒性好,车牌定位正确率达９８．６％,字符识别正确率达到９５％以上,具有很好的实用技术指标．     

基于车牌检测的前方车辆识别方法

为解决前方车辆识别过程中的实时性问题,提出了一种基于车牌检测的前方车辆识别方法。首先,利用图像中的路面或车道线等细节提取感兴趣区域。其次,利用HSV( Hue-Saturation-Value) 色彩空间转换与矩形图像检测从感兴趣区域中过滤光照变化,阴影和杂乱背景,从而检测出车辆的车牌信息。同时,在初次检测失败的情况下进行二次定位和验证。最后,利用检测出的车牌信息识别前方车辆。该方法在自建与公共数据库视频上进行评估。实验结果表明,识别率超过90% ,并且具有较高的实时性,证明了该方法的有效性。     

lab颜色空间和形态学处理相结合的双行车牌定位方法

车牌定位是车牌识别系统的前提和关键。针对双行车牌均是黄色车牌,且比较脏的特点,首先将图像由RGB颜色空间转换成Lab颜色空间;再利用Lab颜色空间的通道a提取出图像中的红色和绿色区域,通道b提取图像中带干扰的黄色区域,然后将二者相减,提取出图像中的黄色区域,并可同时去除背景及车身的大部分干扰;最后利用形态学处理滤除噪声等影响,粗略定位出车牌候选区域,再结合图像的纹理特征如面积、长宽比和连通域内像素个数最终定位出车牌区域。该方法对复杂环境下的双行车牌能实现快速准确定位,受光线、背景环境影响较少,同时对脏牌、污牌也能达到准确定位的目的。     

基于多种特征的车牌定位方法

根据中国车牌的特点,提出一种主要是基于颜色相似度和纹理特征相结合的车牌定位方法,这种方法把采集到的车牌图像转化到HSV颜色空间,通过计算当前颜色与中心颜色之间的距离相似度,结合中值滤波进行车牌的粗定位,再结合车牌纹理特征进行车牌的精定位．     

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。     

多尺度积角点检测和视觉颜色特征的鲁棒车牌定位算法

车牌图像包含的尺度、仿射变化及其复杂的背景是影响车牌定位准确度的重要因素。在高斯差（DOG）尺度空间框架下,笔者提出了一种基于多尺度乘积的角点特征和视觉颜色特征提取及其相融合的车牌定位算法。基于高斯差尺度空间的图像边缘信息,应用多尺度乘积分别提取具有尺度和仿射不变特性的角点和颜色特征,并在两特征融合结果基础上确定车牌位置候选区域;最后通过车牌区域特征点之间的距离及密集关系实现车牌的准确定位。对大量实拍的复杂环境下的车辆图像进行测试表明,该算法对车牌定位具有快速、高效的定位效果,且在噪声、仿射变换等方面的鲁棒性表现较好。     

基于颜色特征和改进Canny算子的车牌图像定位

针对目前车牌定位算法准确率较低、 定位速度慢等问题, 提出一种基于颜色特征和改进Canny算子的车牌图像定位方法. 该方法先利用彩色图像的颜色特征对车牌图像进行初步定位, 提取该颜色特征时不包含亮度信息, 有效克服了光照变化的影响; 再对Canny边缘检测算法进行改进, 提出一种新的梯度幅值和梯度方向一阶偏
导数计算方法及高、 低双阈值自适应确定方法; 最后利用多组车牌图像对所提算法的性能进行验证, 验证结果证明了所给方法的正确性和有效性.     

基于字符角点信息的车牌定位方法

车牌定位是车牌识别的基础．文中提出了一种准确快速的车牌定位方法．该方法利用三级阈值，由粗到细，首先剔除大量非角点像素，提高角点的定位速度，用大阈值突出显示车牌区域的角点，再根据车牌纹理的角点特性，利用滑动窗粗选车牌区域，然后对粗选车牌区域用小阈值，对车牌区域进行精确定位．试验证实该方法的车牌定位准确率达到98％，平均耗时约20ms．