基于Wiener滤波,K-L变换和BP网络的数字识别

研究基于传统模板匹配的识别灰度图像中数字的方法.在对大量样本图像模板进行Wiener滤波的基础上,利用K-L变换进行特征提取,用低维子空间描述高维空间中的图像.将低维子空间中的向量加载到BP网络的输入端进行训练,调整神经网络权值.权值稳定后,在网络输入端加载经过预处理的待识别灰度数字图像,在输出端即可得到识别结果.该方法有效地利用了Wiener滤波器以最小方差对原始信号的恢复能力、K-L变换的降维特性和BP学习网络所擅长的数据映射处理能力.     

文本区域字符颜色极性判断方法

文本区域的字符存在着不同的颜色极性.为了能够正确地把文本区域的灰度图像转换成OCR识别软件可以识别的二值图像,提出了一种判断文本区域字符颜色极性的方法.首先计算文本区域的灰度-梯度共生矩阵,并根据目标函数快速地找到分割的灰度和梯度最佳阈值;然后在此基础上提取特征向量,送入神经网络进行分类;最后根据颜色极性判断的结果,分割出字符.实验结果表明,提出的方法在复杂度不同的背景下,正确地识别出了不同类别的字符颜色极性.     

径向基神经网络算法在车牌字符识别中的应用

提出一种基于径向基网络的汽车车牌字符识别算法.在预处理阶段,采用灰度化、自适应阈值分割去除图像噪声并增强图像对比度;在字符分割阶段,采用极限元素位置确定法实现独立字符分割;在字符识别阶段,利用自行构建的字符子块图像库对径向基神经网络进行训练.选取基于反向传播(BP)神经网络的字符识别算法和基于支持向量机(SVM)的字符识别算法与文中方法进行比较.实验结果表明:文中方法在识别准确率上具有明显优势,更适用于汽车车牌的字符识别.     

基于萤火虫BP神经网络的车牌识别算法

为了提高车牌识别的精确度,提出一种萤火虫反向传播(back propagation, BP)神经网络车牌识别算法.首先,采用原始图像的色相饱和度(hue saturation value, HSV)模式定位车牌并切割出字符,再提取字符的局部二值特征和像素统计特征作为BP神经网络的输入;然后,利用萤火虫算法优化BP神经网络的初始权值和阈值训练BP神经网络;最后,对萤火虫BP神经网络与原始BP神经网络算法进行对比分析.结果表明,萤火虫BP神经网络算法对字符的识别精度高于原始BP神经网络,该算法可用于车牌识别.     

一种基于特征的BP神经网络车牌字符识别

字符识别是自动车牌识别系统中很关键的一步.字符识别有以下几步,首先,对车牌图像进行预处理.其次,通过竖直方向投影分割字符.最后,将提取的字符特征输入网络进行训练.在实验中,利用该方法对光照不均、字符大小不一、运动背景的图像,特别是相似字符的识别获得了较高的识别率,并且将其与字符输入BP神经网络进行对比分析.实验结果表明,该方法对字符识别有很好的鲁棒性、有效性.     

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.     

基于多DSP混合结构的Gabor小波神经网络图像目标识别

提出了一种基于多DSP混合结构的Gabor小波神经网络图像目标识别新方法.利用TMS320C5409设计了多DSP混合结构系统,根据并-串结构系统的特点,设计了Gabor小波神经网络算法.算法被分成不同的并-串结构进行运算,利用串行的DSP-1进行Gabor小波变换提取图像目标的特征向量,并输入到采用不同网络结构的并行多DSP进行BP网络运算,串行的DSP6对BP网络输出的后验概率进行加权平均,给出分类结果.对9种飞机目标进行了分类识别仿真实验.实验结果表明,该方法应用于多目标识别时,识别时间为2.8 ms,识别率达到98%.     

高速公路收费系统图像识别技术的研究

本论文主要完成对于车辆牌照的图像识别,车辆牌照的识别是基于图像分割和图像识剐理论,对含有车辆号牌的图像进行分析处理,从而确定牌照在图像中的位置,并进一步提取和识别出文本字符。识别步骤概括为：车牌定位、车牌提取、字符识别。     

基于BP神经网络的行人和自行车交通识别方法

研究了基于BP神经网络的行人和自行车识别方法.首先对图像提取4个特征,形成特征向量作为BP神经网络的输入;然后设计BP神经网络的结构,网络输出为对行人和自行车的识别;为了确定BP神经网络合理的隐层神经元数目,分别对不同隐层神经元数目的神经网络进行了实验分析.最后利用实测的数据对BP神经网络进行训练、仿真实验,并对实验结果进行分析;结果表明:最佳网络的正确识别率为84%,行人和自行车的正确识别率分别为89%和71%.     

数字图像处理应用于车辆牌照识别的研究

探讨了将数字图像处理技术应用于机车车辆牌照识别的基本方法.在图像预处理部分,选用灰度差倒数加权平均算法对源图像进行滤波处理;应用分段线性变换算法增强图像对比度.通过边缘检测算法对车辆牌照进行准确地定位及对文字进行分割,完成对车牌上的字符的识别是利用各个字符的图像和字体的特征值,对其中每个字符进行有效、准确的识别.     

一种基于BP神经网络的车牌字符识别方法

就机动车牌照的字符识别与处理进行了详细的讨论,重点讨论了BP神经网络方法在机动车牌照字符识别中的应用,用Visual C++完成了对机动车牌照字符识别的模拟,最后给出实验结果。     

基于中心投影变换的车牌字符识别

传统的运用分形理论对车牌进行识别的方法不能有效地解决字符的平移性和旋转性．在对车牌字符矩形区域进行切分基础上首先运用中心投影变换方法,然后求出字符分形曲线的分形维数,进行识别．试验结果表明,此方法更有效,识别率更高．     

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．     

车牌字符分割前的颜色预处理

介绍了车牌字符分割前的颜色处理过程．车牌字符分割是车牌识别系统的第二步，是在车牌定位之后进行的，因为定位出的牌照一般来说是彩色的，这些彩色信息对字符分割及最后的识别均没有帮助，所以首先将图像转换成灰度图，然后进行一定范围的灰度拉伸，最后进行二值化，为字符分割做好准备工作．     

基于车牌颜色变化剧烈特征的彩色车牌定位新方法

车牌定位是车牌识别的首要问题,目前已实现的定位主要局限于灰度图像,且定位效果较易受阴影和光照等条件的影响.为解决此问题,笔者提出加强车牌区域、找出变化点并扩大的方法.该方法首先根据HLS模型对车牌区域进行了颜色加强,然后根据车牌区域颜色变化频率快、车牌宽高信息等特征对车牌进行判断.该方法定位准确率高,适于各种光照条件.     

基于神经网络的铅酸蓄电池剩余容量预测

为有效地对电动车电池剩余容量进行预测,在分析了铅酸蓄电池充放电过程的反应机理的基础上,应用改进算法的BP神经网络,建立了铅酸蓄电池的神经网络模型,用于预测铅酸蓄电池放电过程中某一状态下的剩余容量。结果表明,通过该网络模型可以方便快速地得到电池剩余容量及荷电状态的预测值,所得结果满足要求,为电池管理系统提供了一种新的预测方法。     

字符特征的可分性量化分析

选择字符识别的特征时要进行特征的可分性量化分析.文中分析了5种在汽车号牌识别中用到的字符特征提取方法,进行了可分性测度量化计算.采用主成分分析法对特征降维处理,可以简化可分性测度的计算,使结果更加直观清晰.测度图谱的表示方法,能较好地对字符特征进行确定及取舍.采用其中3种特征的组合,即有较好的可识别性,又可降低计算工作量.     

图像处理技术在机动车车牌自动识别技术中的应用

主要分析了图像处理技术在机动车车牌自动识别技术中的应用。按照车牌定位由彩色图转化到灰度图、车牌区域分割、车牌位置校正等步骤,对车牌字符的识别进行了分析,并对自动识别技术进行了改进。基于图像处理技术设计的机动车辆车牌自动识别系统,在保障交通顺畅运行方面发挥着巨大作用。从实际应用效果看图像处理技术在机动车车牌自动识别技术实际运用中效果良好,具有一定的推广价值。     

基于阈值分割和区域生长的车牌识别方法

【目的】改善车牌定位的质量,提高车牌识别的正确率和效率。【方法】联合使用阈值分割和区域生长算法进行车牌定位,使用垂直投影法进行字符分割,并使用字符模板匹配方法实现车牌字符的识别。【结果】基于阈值分割与区域生长的车牌识别方法能准确地识别出车牌号,识别率高,运行速度快。【结论】该方法实时性较好,具有一定的实用价值。     

基于灰度跳变与形态学的车牌定位法

车牌定位是车牌识别系统的关键步骤,定位的准确与否直接影响车牌识别的结果.提出了一种基于灰度跳变与形态学的定位方法.对于车牌候选区的二值图像,根据车牌的水平分布特点,从长宽之比、面积之比等多个方面进行综合分析,从而可以更加精确地对车牌进行识别.实验验证表明,基于该算法的车牌识别系统能够达到较高的车牌识别率.