一种CIELab颜色空间中的车牌定位方法

提出了在CIELab颜色空间中进行车牌定位的方法.首先将图像从RGB颜色空间转换到CIELab颜色空间;然后通过数学形态学增强和图像连通体分析提取出候选区域;最后通过分析候选区域的面积、宽高比及灰度阶跃次数提取出真实的车牌区域.大量的车牌定位实验表明:所提算法适用于不同尺寸的车牌图像,定位准确率较高.     

基于改进同态滤波的光照补偿车牌定位

为了更有效地提高车牌定位准确率,文章对传统同态滤波器进行了改进,在提升光照补偿效果的同时,减少了滤波器的参数,提高了计算机的运行速度。将车辆图像从RGB颜色空间转换到HSV颜色空间,对HSV颜色模型进行3通道分离,保持色调分量不变,对饱和度分量进行拉伸,利用改进的同态滤波对亮度分量进行光照补偿;按蓝、黄车牌颜色对应的H、S、V值的范围进行阈值化,把得到的3幅二值图进行与操作,得到HSV空间下二值图,接着进行数学形态学除噪,再结合车牌的纹理特征定位出车牌区域。实验结果表明,该方法不仅能够快速、准确定位出车牌,而且对夜晚及光照不均的车辆图像也能有效地定位。     

基于颜色与结构特征的车牌定位算法

针对车牌具有稳定的颜色特征和形状特征,提出基于颜色与结构特征的车牌定位算法.利用OTSU自动阈值化技术将灰度车牌图像转化为二值化图像,通过对每一个连通区域提取形状参数,粗划分出候选车牌区域,最后利用颜色特征确定车牌.实验表明,这种车牌定位方法具有一定的优越性.     

自然场景图像中基于视觉显著性的文本区域检测

从自然场景图像中抽取文本信息有利于场景图像的内容分析.文中根据图像中文本通常在局部区域具有显著性的特点,提出多尺度包围盒视觉显著性模型,并利用该模型设计一种可以融合边缘和纹理信息的候选文本检测方法.首先在Lab颜色空间构造基于边缘和纹理信息的图像同质性,并利用它将图像映射到同质性空间;然后根据多尺度包围盒视觉显著性模型求Lab颜色空间的同质性均值图像;最后求同质映射图像与同质性均值图像的加权欧氏距离,将其作为显著性度量,以提取文本区域.自然场景图像的实验表明:与单纯利用边缘检测或同质性映射进行文本检测的方法相比,文中提出的方法能够更好地抑制背景的干扰,这有利于进一步将文本区域与背景剥离,进行更精确的文本定位.     

基于相位一致性和字符纹理特征的车牌定位算法

针对在光照变化和光线不足环境下车牌定位困难的问题, 将相位一致性应用于车牌定位, 提出了基于相位一致性和字符纹理特征的车牌检测算法。利用相位一致性不受亮度和对比度变化影响的特点, 提取图像边缘信息; 在获得的图像相位一致性边缘上, 扫描车牌图像。将扫描区域垂直投影为一维信号, 并利用小波多分辨率的特性滤除噪声的干扰, 再根据车牌中的字符纹理的统计量特征进行车牌提取。实验表明, 该算法在光照变化和光线不足的环境下, 能获得96%的车牌识别准确率。     

基于颜色和纹理特征相结合的车牌定位方法

车牌定位是车牌自动识别系统中的关键技术.目前多数的车牌定位方法考虑车牌的颜色以及纹理特征,但针对复杂背景下的车牌定位问题,其适应性不强.针对现实生活中复杂背景下的车牌定位,提出综合使用纹理信息及颜色信息等多种特征的分层次车牌快速定位方法.首先在图像的二值垂直边缘图中,利用车牌区域的边缘信息及车牌的纹理特征进行车牌候选区域的确定,在降低算法复杂度的同时提高了定位精确性,然后结合先验知识,运用四元数主成分分析及K-means聚类方法,提取候选区域图像特征并分类,最终得到精确车牌定位.试验证明该方法正确率高、鲁棒性强,对于背景复杂的车牌定位具有很强的抗干扰性能,在复杂的环境和不同光照条件下实现车牌的精确定位.     

复杂背景下结合颜色和分形特征的多目标检测

针对复杂自然背景下的多目标检测,提出了结合颜色和分形特征的多目标检测算法.将RGB颜色空间转换到Lab颜色空间,采用改进K-means聚类算法,去除大片背景区域,计算区域分形维数和分形拟合误差.两种分形特征相结合能够准确排除小面积背景奇异区域的干扰,检测出待测图像中的多个目标.仿真结果表明:该算法能够正确检测出复杂自然背景下的多个目标,对彩色图像分割后的保留区域求分形特征,避免了搜索目标带来的计算量.相比于对全图提取分形特征的方法,本算法在时间上缩短约80%.     

基于金字塔变换和形态学的车牌定位算法研究

车牌定位是车牌识别系统的关键技术之一。为了快速准确地定位车牌,文章提出一种改进的金字塔变换和数学形态学的车牌定位算法。首先通过金字塔变换进行预处理,增强图像的细节信息,减弱环境和光照等条件变化对车牌定位的影响;然后利用图像二值化和数学形态学技术形成包含车牌的若干候选区,在此基础上设计了一种"先周边后中心"的车牌提取算法;最终准确定位出车牌位置,提取出车牌图像。通过对不同地点、不同自然条件下采集的图像进行测试,得出定位准确率为99.2%、平均定位时间为0.309s,证明了该车牌定位算法准确可行,具有良好的性能。     

基于HSV和HE的复制粘贴篡改检测算法

针对块匹配检测算法不能准确提取图像面积较小区域、自然相似区域以及平滑区域特征的问题,提出一种基于HSV(hue,saturation,value)颜色空间和直方图均衡化算法的复制粘贴篡改精确检测与定位的方法。将待测图像从RGB(red,green,blue)颜色空间转换到HSV颜色空间,并通过直方图均衡化算法对图像HSV颜色空间的V通道进行特征增强;提取基于圆谐波变换的特征构建特征向量;使用最近邻搜索算法对构建的特征向量进行快速随机搜索得到稠密的偏移场;采用稠密线性拟合的方法滤除错误匹配,并通过形态学操作标识定位出篡改区域。实验结果表明,所提方法能够有效降低面积较小区域、自然相似区域和平滑区域的误检与漏检像素,从而提升检测结果并准确定位出图像的篡改区域。     

基于最大稳定极值区域与主要旋转不变局部二值模式的复杂场景车牌检测方法

为了解决在复杂场景中进行车牌定位的问题,提出了一种基于MSER与DRLBP特征的车牌定位方法。首先对输入图像进行预处理,然后在多个通道上进行MSER候选区域提取;接着利用所设计的基于车牌字符合并的车牌定位方法进行车牌字符合并;最后利用DRLBP纹理特征对合并后的区域进行验证从而得到最终的车牌区域。实验结果表明该方法具有较好的定位能力。由于方法是通过寻找车牌字符进而定位车牌位置,因此其受车牌颜色、车牌格式的影响较小,在复杂环境中对国内外不同车牌均有较好定位效果。     

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．     

基于边缘检测及灰度跳变的车牌定位算法研究

为了能在复杂背景及不同光照条件下准确地定位出车牌,提出了一种基于边缘检测和灰度跳变的车牌定位算法．该算法首先对获取的图像进行灰度化、图像二值化等预处理操作,提高图像质量,突出车牌信息,接着对车牌图像进行边缘检测,在此基础上采用水平方向和垂直方向上的灰度跳变统计来确定车牌区域的上下边界和左右边界,从而实现车牌定位。实验结果表明,该方法可以比较准确、快速地实现车牌区域的定位．     

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。     

基于区域统计特征的车牌定位与分割算法研究

通过分析车牌区域与背景区域的不同特征,采用车牌的统计特征与图像滤波相结合的方法,针对图像背景区域中不同特征的背景信息,采取相应的措施,逐步滤除车牌背景,实现了对车牌区域的准确分割.实验结果表明,本文所提出的算法能够快速、完整地提取车牌区域的字符信息.     

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．     

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,     

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HSV和MB_LBP特征的级联Adaboost车牌检测算法

车牌检测作为车牌识别系统中的重要环节,直接影响着车牌识别的准确度.为提高车牌的检测率和检测速度,提出了一种基于HSV颜色模型和多分块局部二值模式(MB_LBP)特征的级联Adaboost车牌检测方法.首先将车牌图像由RGB颜色空间转换到HSV颜色空间,统计蓝色像素占车牌总像素的比例,来构建第一层强分类器;其次对车牌字符样本提取MB_LBP特征,利用Adaboost分类器训练方法进行特征选择及分类器训练,最后利用Cascade结构检测法形成一种新的车牌检测算法.实验表明,本文算法有效的提高了车牌检测率和检测速度.