复杂场景下车牌识别新方法

针对复杂场景下车牌识别问题,提出了一种新的车牌识别方法.该方法通过颜色空间划分预分割车牌目标,然后采用矩形特征匹配定位符合车牌形状的候选块,并对候选块进行几何校正和自适应分割,再将分割出来的每个字符进行归一化特征提取,最后通过字符的积分特征逐一对每个候选块进行识别,识别成功者即为真实的车牌.实验表明,该方法能适应大多数复杂的场景,不局限于图像的分辨率,以及拍摄的角度,保证了车牌识别的准确率.     

基于图像特征的车牌字符分割方法研究

根据车牌图像具有不同颜色和车牌字符中字母和数字具有连通性的特点,提出将灰度自适应二值化和基于神经网络的彩色图像二值化相结合.用这种方法对一系列定位后的各种车牌图像进行二值化,然后利用投影法和数学形态学对二值化后的车牌进行准确的字符分割.实验结果表明:该方法二值化效果好,字符分割准确率较高.     

一种应用机器学习的车牌定位方法

提出了一种基于Adaboost算法与最小同值分割吸收核法角点验证的车牌定位方法. 该方法采用Adaboost算法排除明显的非车牌区域,从而减少车牌候选区域的数量. 在验证阶段,采用SUSAN角点检测方法计算每个经过初筛的候选区域属于车牌区域的概率,并根据该概率值对候选区域进行排序. 最终输出概率值最大的区域作为车牌检测结果. 实验结果表明,使用该方法进行车牌定位无需调整参数也能适应光照变化的应用环境.     

直升机桨叶图像中圆形标记点圆心检测及修正方法

视觉测量直升机高速旋转桨叶形变常采用基于圆形标记点的测量方法,但该方法中圆形标记点具有低曝光、小目标和投影不对称等特点,极易产生标记点漏检和圆心坐标误差的问题。为减小漏检、修正圆心坐标误差,提出了一种直升机桨叶图像中圆形标记点圆心检测及修正方法。首先,提取图像中局部极值中心的像素坐标,并依据阵列排布结构滤除干扰,获得所有圆形标记点极值中心的像素坐标;其次,以各极值中心的像素坐标为圆心,与相邻极值的最小距离为直径,建立圆形ROI(region of interest)区域,在ROI区域内并行分水岭变换和最小二乘法圆拟合得到圆心;再次,采用透视变换建立该图像与垂直相机光轴的同相位桨叶图像（正面图像）的投影映射关系,再采用LM(levenberg-marquardt)优化求解投影映射矩阵;最后,将该图像转换为正面图像进行圆心检测,再将该圆心坐标逆变换得到精确圆心坐标。实验结果表明,本文检测方法准确率和精度分别达98.89%和0.191 mm,已应用于直升机高速旋转桨叶运动轨迹和形变的高精度视觉测量。     

直升机桨叶图像中圆形标记点圆心检测及修正方法

视觉测量直升机高速旋转桨叶形变常采用基于圆形标记点的测量方法,但该方法中圆形标记点具有低曝光、小目标和投影不对称等特点,极易产生标记点漏检和圆心坐标误差的问题。为减小漏检、修正圆心坐标误差,提出了一种直升机桨叶图像中圆形标记点圆心检测及修正方法。首先,提取图像中局部极值中心的像素坐标,并依据阵列排布结构滤除干扰,获得所有圆形标记点极值中心的像素坐标;其次,以各极值中心的像素坐标为圆心,与相邻极值的最小距离为直径,建立圆形ROI （region of interest）区域,在ROI区域内并行分水岭变换和最小二乘法圆拟合得到圆心;再次,采用透视变换建立该图像与垂直相机光轴的同相位桨叶图像（正面图像）的投影映射关系,再采用LM （levenberg-marquardt）优化求解投影映射矩阵;最后,将该图像转换为正面图像进行圆心检测,再将该圆心坐标逆变换得到精确圆心坐标。实验结果表明,本文检测方法准确率和精度分别达98.89%和0.191 mm,已应用于直升机高速旋转桨叶运动轨迹和形变的高精度视觉测量。     

基于Hausdorff距离的车牌字符识别方法研究

根据车牌区域的固有特征,提出了一种高效、快速、实用的车牌字符识别算法．该方法先对车牌中的单个字符进行归一化和细化,然后采用Hausdorff距离模板匹配方法识别．实验表明,该方法有效可行．     

一种基于2DPCA训练的形状先验提取方法

面向噪声图像分割问题提出了一种基于二维主成分分析(two-dimensional principal component analysis,2DPCA)训练的形状先验提取方法. 首先对无噪声形状进行训练,得到一组标准正交投影方向并张成2DPCA空间. 将噪声图像投影到该空间,并在张成的空间中应用最小二乘法找到跟该投影点距离最近的点. 该点的原象未必是原来的训练形状,而可能是它们的线性组合. 最后在原来的空间中找到该原象,重构出先验形状.实验结果表明利用所得形状先验对含噪声以及含遮挡和缺失内容的图像分割具有明显效果.     

基于深度学习的车检图像多目标检测与识别

为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。     

高效快速车牌定位算法研究

车牌定位是车牌识别(LPR)系统中的关键技术之一,通过对车牌区域的各种固有特征的研究和探讨,提出了一种高效快速的车牌字符定位算法,该算法基于二值边缘图像的频率变化特征,在整个车辆图像中搜索到车牌的精确位置,得到牌照图像,为车牌的进一步识别打下良好的基础.现场实验表明,该算法快速准确,对提高整个识别系统的正确率起到了关键的作用.     

基于特征统计的车牌非汉字字符识别方法

字符识别技术是模式识别领域非常活跃的一个分支,同时也是汽车车牌识别系统中的一项关键技术．该文结合汽车牌照自身的特点,以数字图像处理技术为依托,详细讨论了车牌字符识别技术的原理,并重点研究了车牌字符中非汉字字符的处理．     

医用内窥镜图像校正的BP神经网络方法

用传统的畸变校正法对内窥镜图像进行校正存在畸变模型复杂、计算量大、易产生误差等问题. 该文利用标准模板,提取样本点在标准图像和内窥镜拍摄的畸变图像中的坐标,分别作为BP神经网络训练的输入和目标,通过神经网络的训练拟合成像镜头的畸变模型,从而确定标准图像和畸变图像上像素点的位置关系. 再通过图像插值的方法进行图像恢复,实现图像校正. 实验结果表明该方法简单有效,具有精确性.     

一种改进的基于边界跟踪的粘连目标分离算法

在颗粒图像的自动分割中,经常遇到颗粒粘连、重叠在一起的现象,需要将它们分离为单个颗粒目标.基于边界跟踪的分离算法能够克服聚堆目标连接处的凹陷比较明显并且/或者在连接处存在灰度局部最小边缘的要求,取得了较好的分离效果.但对于某些中轴方向不是垂直或水平的聚堆目标,分割仍然不理想.为此,提出了一种改进的分离算法,该算法通过自动旋转聚堆目标区域使其中轴方向成垂直或水平来实现这种情况下的分离.实验结果表明该算法进一步提高了分离效果.     

基于数学形态学和综合颜色特征的车牌定位方法

车牌定位是车牌自动识别系统的关键步骤.算法首先对图像进行预处理,然后进行数学形态学操作,得到若干个候选区域,最后根据车牌颜色特征选取真正的车牌区域.实验表明该方法定位速度快,定位效果好.     

机器视觉系统中摄像机的神经网络定标

将传统摄影测量定标和神经网络相结合,克服传统摄像机定标中因像差等非线性因素造成稳定性不好且算法复杂的缺点。采用基于神经网络的计算机视觉定标方法,用5步法计算未知点的物方坐标。在传统摄影测量定标方法中,需要先制作定标块,其上布置一些控制点,准确测定它们的三维坐标。为保证定标精度,这些控制点必须在三维空间均匀分布,对定标块的制作和加工要求很高。本文提出采用定标板沿法线方向移动的方式代替定标块,既能达到三维效果,显著增加控制点数量,也使制作容易。实验结果表明,以该模板基于神经网络的摄像机定标方法可以获得很高的精度和稳定性。     

改进的多任务学习方法的眼底视盘分割与定位

提出了一种改进的多任务学习方法,网络的主结构由特征提取网络和分别进行视盘分割与视盘定位的双路径网络组成,通过端到端的训练与测试可以实现眼底图像视盘自动分割与定位相结合的多任务目的。在特征提取网络的编码阶段利用密集连接提取眼底图像视盘的上下文特征。视盘分割任务是依靠解码阶段逐步恢复原来的图像分辨率并获取整个视盘轮廓,视盘中心定位任务由空洞空间金字塔模块和金字塔池化模块来进一步提取视盘抽象特征,得到精准的视盘中心坐标。对350幅眼底图像进行了视盘分割和中心定位,实验结果表明:该方法自动分割的视盘结果与手动标注视盘区域的Dice系数为0.965,自动定位的视盘中心坐标与手动标记的视盘中心的平均绝对距离为0.191 mm(34.7像素)。