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。     

基于图像处理的车牌定位方法的研究

对智能交通系统的核心技术——汽车牌照识别技术进行了研究,在图像处理技术的基础上,着重研究了车牌区域定位技术,分析了目前有代表性的车牌定位方法,介绍了利用粒子图像测速关联PIV（Particle Image Velocimeter）算法原理,提出了一种采用车牌字符笔画2个边缘互相关值最大的方法进行车牌定位的算法,准确而快速地检出了车牌区域,为后续车牌字符识别打下了很好的基础。     

基于最大梯度差和边缘搜索的车牌定位方法

车牌定位是车牌识别系统的关键技术,定位的准确与否直接影响车牌识别的结果.为了实现车牌的准确定位及车牌识别,依据车牌区域具有丰富的边缘信息,提出了一种改进的车牌定位算法.利用最大梯度差缩小车牌图像范围和矩形匹配法粗定位车牌,根据搜索车牌的边缘信息来精确定位车牌.实验结果证明了该方法的可行性及定位的准确性,并且比单一使用最大梯度差法的定位准确率有较大的提高.     

基于MSER和CNN的彝文古籍文献的字符检测方法

彝文古籍中字符的检测是古彝文字符识别的重要基础,检测的准确性直接影响着古彝文识别的精准程度。针对彝文古籍文献版面结构复杂、排版缺乏规范、存在图文混排等情况,提出一种基于最大极值稳定区域(MSER)和卷积神经网络(CNN)的彝文古籍文献字符检测方法。首先对彝文古籍扫描图片用非局部均值滤波进行了预处理,然后采用一种改进的局部自适应二值化方法得到二值图像,实现对图像的前景和背景的分割;再采用基于启发式规则的方法对非文本区域进行去除,从而得到文本区域;最后采用MSER和CNN相结合的方法对古籍中的单个字符进行检测。实验结果表明,该方法对古籍中文本和非文本区域进行了有效的分离,并在单字符检测实验中取得了较高的准确率和召回率,能有效地解决古籍文献字符识别中的字符检测问题。     

基于数字图像处理的车牌定位与分割技术研究

针对车牌识别系统中参数选择的问题,提出一种基于数字图像处理的车牌定位与分割技术.采用基于数学形态学和边缘检测以及颜色相结合的方法实现了车牌定位.通过垂直投影法、模板匹配法实现了车牌字符图像的分割.实验结果表明,该方法能够有效、准确地实现车牌图像的定位与分割.     

基于字符角点信息的车牌定位方法

车牌定位是车牌识别的基础．文中提出了一种准确快速的车牌定位方法．该方法利用三级阈值,由粗到细,首先剔除大量非角点像素,提高角点的定位速度,用大阈值突出显示车牌区域的角点,再根据车牌纹理的角点特性,利用滑动窗粗选车牌区域,然后对粗选车牌区域用小阈值,对车牌区域进行精确定位．试验证实该方法的车牌定位准确率达到98％,平均耗时约20ms．     

基于形态学原理的车牌定位方法

在智能交通系统中,车牌自动识别是一个重要的组成部分.本文展示了一个实时、有效的车牌识别方法.首先增强图像并利用车牌中字符的特点,用形态学的原理构成一系列算法,将汽车图像中车牌区域于其它部份分离,随后依据车牌的比例作一个掩模,利用形态学重构算法,在汽车图像中最终定位车牌并返回原图像分割出汽车牌照.实验证明这是一个非常有效的方法.     

基于纹理特征与颜色对信息的车牌定位方法

介绍了利用纹理特征和颜色对信息建立了对车牌进行定位的算法,阐述了其算法流程,并探讨了该方法的优势与不足之处。     

基于边缘检测与分层的车牌定位

车牌识别是智能基础设施的一个主要组成部分,本文针对车牌本身特征,在分析了目前车牌定位方法的一些特点及不足,提出一种基于Canny边缘检测和分层相结合的车牌定位方法。实验表明,该方法是有效的、可行的,便于下一步的字符分割。     

一种有效的车牌定位方法——数学形态学和字符边缘特征相结合的车牌定位方法

汽车车牌的定位是车牌自动识别系统中的关键环节。采用数学形态学和字符边缘特征相结合的方法对车牌进行定位,首先对车牌图像进行图像的预处理,然后利用数学形态学进行粗定位,最后利用字符边缘特征进行车牌的精确定位。从而实现了车牌图像的准确定位。     

范围最近邻查询方法研究

范围最近邻(RNN)查询检索到一个区域内每个点的最近邻(NN),它是点和连续最近邻查询的推广.本文将范围看作矩形,分析了二维空间中范围最近邻查询的性质,描述了算法处理过程,并对提出的算法进行了性能分析.     

基于数学形态学和垂直投影的车牌定位

车牌定位是车牌识别系统中的关键环节。根据车牌固有特征,利用数学形态学和垂直投影技术相结合进行车牌定位。该方法可以有效地去除车牌附近噪声的干扰,进而准确定位出真正的车牌区域,对有部分字符遮挡的车牌也能较好地定位,具有实际应用价值。     

基于二值图像的车牌精确定位方法

提出一种基于二值图像灰度变化特征进行车牌精确定位的方法.在车牌粗定位的基础上,对分割出的车牌图像进行二值化,对二值车牌图像进行逐行扫描,利用每一行像素的黑、白跳变规律确定车牌的上下边界;对二值车牌图像进行处理得到特征图像,通过对特征图像进行垂直投影确定车牌左右边界.测试结果表明,该方法精确定位的准确率达到99%.     

一种对于K-means算法的改进

数据聚类是一个功能强大的技术,它能够把数据特征相似的对象划分为一类,但是并不是所有的聚类算法的实现都能产生相同的聚类结果;并且K均值算法的结果很大程度上依赖它的初始中心的选择;提出了一种新颖的关于K均值初始中心选择的策略;该算法是基于反向最近邻(RNN)搜索,检索一个给定的数据集,其最近的邻居是一个给定的查询点中的所有点;使用这种方法计算初始聚类中心结果发现是非常接近聚类算法所需的迭代聚类中心;对提出的算法应用到K均值聚类中给予了证明;用几种流行的数据集的实验结果表明了该算法的优点。     

无索引空间数据库的基于最优点的集合最近邻查找算法

针对度量空间中的无索引空间数据库,提出一种基于最优点的集合最近邻查找算法及其改进算法.采用真实数据集与人工生成的数据集对算法进行测试,评估所提出算法的效率.实验结果表明,所提算法的效率优于组最近邻居查询算法,并且对于高维数据空间,所提出的算法有较高的稳定性.由于查询区域中数据点的数量比较少,改进的基于最优点的集合最近邻...     

不同维数下空间对象的反最近邻查询

反最近邻查询是在最近邻查询基础上提出的一种新的查询类型,是空间数据库的应用拓展,在不同维数下,根据不同的索引结构,反映出空间对象的反最近邻查询差异性较大,从不同索引结构的特性出发,分析了低维环境下基于R*-树的反最近邻查询优势,提出高维环境下一种新的基于SRdnn-树索引结构的空间对象反最近查询方法,优化了不同维数下空间对象的反最近查询性能,提高了查询效率.     

融合相对密度与近邻关系的密度峰值聚类算法

密度峰值聚类算法(density peaks cluster,DPC)是一种基于密度的聚类算法,该算法可以聚类任意形状的类簇.在类簇间有密度差距的数据集上,DPC不能准确地选择聚类中心.DPC的非中心点分配策略会引起连续错误,影响算法的聚类效果.模糊k近邻密度峰值算法(fuzzy k-nearest neighbor DPC,FKNN-DPC)是一种改进的DPC算法,该算法采用边界点检测并结合2步分配策略来避免连续错误.当类簇间有密度差距时,FKNN-DPC的边界点检测效果不理想,此外,其非中心点分配策略缺乏对样本近邻信息的考虑.定义相对密度(relative density)并结合近邻关系(nearest neighbor relationship)提出RN-DPC算法解决上述问题.针对DPC因为类簇间的密度差距而不能准确选择聚类中心的问题,定义相对密度用于消除类簇间的密度差距.基于反向k近邻关系检测边界点并且引入共享最近邻关系来对FKNN-DPC的分配策略进行改进.RN-DPC算法在人工数据集和真实数据集上分别与不同的聚类算法进行了对比,实验结果验证了RN-DPC算法的有效性和合理性.     

边缘点颜色分布结合车牌自身结构的车牌检测

提出了一种基于边缘点颜色分布结合车牌自身结构的二次车牌定位方法。首先,根据牌照区域的纵向纹理特性,提取灰度图像的竖直边缘突出车牌特征,然后计算边缘点的颜色分布,滤除不满足车牌特定颜色搭配的背景边缘点,最后通过形态学运算、滤波、矩形区域覆盖等得到候选目标。在验证模块中,依据车牌的结构特征对候选区域进行验证分类,最终确定车牌位置。本文对实际收集的样本车牌图像进行试验,结果表明,算法对车牌目标定位具有较高的准确率。     

图像处理在汽车牌照识别中的应用

随着自动化和交通工程的发展,汽车牌照识别技术成为一个热点。以识别一张汽车牌照的图片为例,阐明了车牌自动识别的原理,处理过程由预处理、边缘提取、车牌定位、字符分割、字符识别五大模块组成,采用MATLAB编程实现。经过实例证明,所提方法对牌照识别率很高,且识别方式简单易行,可以应用于实际。     

关于回归函数的最近邻估计的渐近性态

讨论了回归函数的最近邻估计的渐近性质。证明了回归函数的最近邻估计量是渐近正态的。