笔划宽度变换直方图在车牌识别中的应用

对于很多车牌识别中使用的算法而言,主要存在两种车牌类型:深色文字浅色背景车牌和浅色文字深色背景车牌。这两种车牌主要是二值化结果不同,进而导致后续字符分割和识别处理的图像类型不同。因此,判断车牌的二值化类型对于车牌识别来说是基础且重要的工作。提出了一种基于字符笔划宽度变换直方图的二值化算法,根据正色图像和反色图像计算比较两者笔划宽度变换直方图的最大值来判别车牌类型。同时,根据判别结果还可以估计笔划宽度,为局部二值化算法的邻域窗口大小的选择提供依据。使用多样式的美国车牌作为实验对象,与其他算法相比,实验结果表明该算法具有更好准确率,但也有更高的复杂度。     

面向车辆牌照的L快速二值比算法

就车辆牌照灰度图像的二值化问题，比较Otsu算法和全局动态阈值算法，讨论将字符从车牌背景中分割出来的最佳阈值选取问题。从汉字字符识别角度出发，通过引入光照强度因子L，对全局动态阈值算法进行改进，提出L快速二值化算法。实验结果表明，L快速二值化算法的处理效果，优于Otsu算法和全局动态阈值算法。二值化处理后的车辆牌照字符笔划清晰、饱满、无断裂，克服了光照因素的影响，更有利于汉字字符的识别。     

基于字符块提取的车牌字符分割算法

为了解决车牌图像倾斜、背景复杂、分割过程中出现的字符间粘连、断裂等问题,提出简便有效抗干扰强的基于字符块提取的车牌字符分割算法,以此提升车牌字符的识别效果.通过车牌图像二值化处理、倾斜矫正、去除干扰以及字符块提取一系列步骤,实现车牌识别前对车牌字符的准确有效分割.实验结果表明,该车牌字符分割方法可靠、准确度高,为后续车牌字符的正确识别奠定基础.     

改进背景补偿的车牌图像二值化算法

针对车牌自动识别系统中二值化车牌图像时常出现字符光照不均等复杂特征,提出一种新的解决方法.首先使用同态滤波减弱车牌图像光照不均等带来的影响,然后通过改进的背景补偿算法对车牌图像进行二值化.实验表明,该方法能有效克服光照不均等带来的影响,二值化效果良好.     

一种新改进的otsu算法

图像的二值化是车牌识别过程中的重要环节,图像的二值化直接影响定位的准确性。由于字符的分割和识别是在车牌区域二值化结果的基础上进行的,因此车牌图像的二值化是非常关键的一步。本文对传统的otsu算法和新改进的otsu算法进行了试验比较,通过对otsu算法基本原理的研究,提出了一种新改进的灰度图像二值化的方法,该算法能够更好的确定最佳阈值点,实验表明上述方法能够得到较理想的二值化图像。     

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.     

汽车牌照字符分割的自适应算法

本文提出一种针对汽车牌照字符分割的自适应算法.该算法首先对获取的彩色车牌图像进行灰度化、灰度拉伸、边缘检测、Hough 变换、旋转变换、二值化等一系列处理,以突出车牌文字、矫正车牌位置;然后对预处理结果的水平投影进行削峰填谷操作,以获得车牌字符的上下边界,再对上下边界内子图像的垂直投影进行削峰填谷操作,以获得车牌每个字符的左右边界.进而最终确定车牌每个字符的具体位置.实验结果表明该方法字符分割准确、运算速度快、适应能力强,有很好的实用性.     

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.     

一种基于车牌特征信息的车牌识别方法

提出一种基于车牌特征信息分析的车牌识别方法，它充分利用车牌定位和字符分割过程中得到的信息对车牌识别过程进行反馈，将二值化、车牌定位和字符分割紧密结合，注重车牌与车辆背景图像分离特征，以连通域分析为字符分割特点，结合局部二值化算法，提高正确率。实际应用结果表明，本方法具有很强的环境适应性和鲁棒性。     

一种实用快速的车牌字符分割方法

针对车牌自动识别系统中的字符分割问题,提出了一种基于车牌字符几何特征的分割字符算法。该方法先用数学形态学对二值化后的车牌图像进行一系列的形态运算,去除掉一些无用信息,使得字符与车牌左右边框、字符与字符之间空懈变大,便于划出字符间的垂直分割线,然后使用一种新的快速测量车牌倾斜度的方法进行校正。实验结果表明,该算法原理简单实用,分割速度快,分割的质量好,便于下一步的识别。     

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。     

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Gabor特征和协同神经网络的车牌识别方法

研究了车牌字符识别问题,针对车牌识别系统易受天气及光照变化影响的实际应用,将Gabor特征和协同神经网络应用在车牌字符识别中,提高了识别率.首先对车牌字符进行二值化和切分,然后利用Gabor滤波器提取车牌字符的特征参数;再利用协同模式训练特征参数,进而得出训练样本;最后根据协同神经网络进一步识别车牌字符.通过大量仿真实验表明,该方法在不同场景、光照条件下,与传统方法相比,识别率有了较大改进,该方法在车牌识别领域有较强的实用性.     

复杂背景下字符提取算法的分析与实现

为了在复杂背景下提取字符,采用了基于图像理论的降维算法和彩色游程算法,对复杂图像进行颜色聚类,通过阈值控制相近颜色的聚类,同时生成平均颜色的彩色游程信息,有效地合并了颜色种类,为字符区域的二值化奠定了良好的基础.实验结果表明,采用以上算法在复杂背景下提取字符,其识别率达到89%.     

基于改进差分边缘检测法的车牌字符二值化算法

针对车牌字符光照和污损的复杂特征,对车牌图象的二值化算法进行了深入的分析和研究,提出了一种基于差分边缘检测算法的改进图象二值化算法.实验结果表明,改进算法能够有效地将字符清晰地从背景中分割出来,分割速度快并且有助于提高字符识别的正确率.     

车辆牌照自动识别系统预处理算法研究

车辆牌照自动识别系统是近几年国内外模式识别应用研究领域的一个热点。本文对系统中图象预处理环节涉及的新算法、新技术做了一个比较全面的论述 ,对一些关键的技术问题进行了深入探讨 ,实现了复杂背景中牌照的自动分割与字符切分     

基于改进KPCA算法的车牌字符识别方法

针对核主元分析(KPCA)用于提取车牌字符特征不足的情况,提出了一种采用多组均值矢量来代替原始图像矢量进行核矩阵计算的方法,该方法使得核矩阵维数大幅降低,同时有效地保留了字符图像信息.实验结果表明,该方法在不降低识别精度的基础上对输入数据实现了有效的降维,大大缩短了计算时间,有效地满足了车牌实时识别系统技术要求.通过实验对比可知,该方法比目前常用的PCA及FLD算法具有更高的性能指标.