一种新的车牌数字及字母字符识别方法

车牌字符识别是车牌自动识别系统的关键环节．车牌数字及字母字符识别是车牌字符识别的重要组成部分．传统的模板匹配法的缺点是在车牌图像质量退化时识别率较低．提出一种新的改进的模板匹配法．该方法定义前景匹配度、背景匹配度和整体失配度3种匹配测度进行模板匹配,匹配成功则直接获得识别结果,否则,对相似字符情形应用特征区域模板匹配法,对其他情形应用空心模板匹配法．实验结果表明,该方法对车牌字符褪色、污迹、断裂、模糊、光照不均等质量退化车牌图像具有较好的识别效果．     

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.     

一种有效的车牌字符识别法——模板匹配—特征点匹配相结合的车牌字符识别法

汽车车牌字符的识别是车牌自动识别系统中的最后一个环节,采用模板匹配—特征点匹配相结合的车牌字符识别法有效地利用了传统模板匹配法方法简单的特点,同时利用特征点匹配的方法克服了其对图像质量要求很高的缺点,最后结合车牌的语法校验使得正确率和适应性都得到提高,取得比较好的效果。     

基于模板匹配和神经网络车牌识别技术的研究

提出了一种基于模板匹配和神经网络相结合的车牌字符识别算法.采用二维经验模式分解算法(BEMD)对图像进行去噪处理,用Sobel算子进行边缘检测,使用累计直方图和低分辨率图进行特征提取,利用模板匹配法对车牌进行粗识别,对于模板匹配不可识别或难于识别的字符改用BP神经网络进一步识别.实验结果表明,车牌的识别率和识别速度都有所提高.     

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.     

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。     

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.     

基于Rough集的车牌字符识别方法

提出了基于Rough集理论的车牌字符识别方法。该方法根据训练样本的特征向量建立决策表,应用Rough集理论对决策表属性进行约简,从约简后的决策表中获取决策规则,按照规则可信度的大小进行规则的匹配。实验表明该方法有效减少了决策属性的个数,提高了规则的泛化程度,简化了规则匹配算法,在车牌字符识别中取得了较好的识别效果。     

基于字符笔画斜率特征的车牌识别算法研究

车牌字符识别是车牌智能识别系统中的关键技术之一,为了提高车牌字符识别准确率和实时性,提出了一种基于车牌字符笔画斜率特征的字符识别算法,新算法在对准确分割后的车牌字符图像进行归一化、二值化和细化等预处理后,提取车牌字符笔画像素点的斜率值,再将斜率值构造成识别向量,进而通过计算特征向量的夹角值实现待识别字符与标准模板字符的相似度判断;实验结果表明,新的算法与已有的传统字符识别算法相比,既提高了识别准确率,又降低了识别耗时,结果满足实际工程应用需要.     

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。     

有限字符集的模糊识别方法

本文讨论了有限字符集的模糊识别方法.设此有限字符集合为X,它含有26个英文字母、10个阿拉伯数字以及30个中国的省市地名,总共有66个字符.文中采用了模糊模板匹配的方法识别字符集合X中每个元素的特征;使用合成矩阵与最大隶属原則做最后判决.可以证明,这种识别方法是符合最小距离原則的.实验表明,上述方法切实可行,我们准备将这个模糊识别有限字符集的方法用于中国汽车牌照识别系统中.     

一种车牌字符位置侦测的新方法

提出一种快速可行的鲁棒性车牌图像二值化算法,实现了对不同质量车牌图像有普遍适用性的车牌图像二值化方法;结合设计的快速连通体标记方法、二值图像简化算法及动态车牌模板搜索算法,实现了从车牌图像中快速定位车牌字符及车牌本身并同时获得车牌字符轮廓信息的新方法.实验证明,该方法对车牌及其字符定位准确率高,且对不同条件下获得的不同质量的车牌图像有较好的适应性.     

车牌字符分割算法的比较研究

字符分割是车牌照自动识别系统中的关键步骤，通过对比3种车牌字符的分割方法，即水平投影法、模板匹配法、聚类分析法，提出了一些新的观点。经过对不同背景、光照条件下采集到的车辆图像进行实验，可以较好地解决在复杂背景条件下车牌字符分割的问题。     

基于有效鉴别特征抽取的有限汉字集识别

在模式识别领域，基于Fisher鉴别准则函数的最佳鉴别矢量集技术有着重大的影响，根据统计不相关性最优鉴别变换，提出了在汽车牌照二值化图像中抽取汉字字符的有效鉴别特征方法，并将其应用于沪宁高速公路收费口处实拍的车牌图像库中，其识别率达97.13%，实验结果表明，此文所提出的牌照图中汉字字符集的有效鉴别特征方法是有效的。     

基于模糊判别准则和特征加权模板匹配的字符识别

字符识别算法的设计作为光学字符识别的最关键步骤,直接影响到字符识别的精度和速度。运用特征加权模板匹配算法并结合基于模糊原理的判别准则,设计了一个字符识别算法。该算法从当前应用最广泛的模板匹配法入手,对标准模板匹配算法加以改进。在此基础上利用模糊理论作为判断标准来进行字符识别。所提算法能够充分区分开字符笔画和非笔画部分对字符识别的影响大小,从而有效地提升了识别率和鲁棒性。从实验结果来看,该算法性能较优。