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.     

lab颜色空间和形态学处理相结合的双行车牌定位方法

车牌定位是车牌识别系统的前提和关键。针对双行车牌均是黄色车牌,且比较脏的特点,首先将图像由RGB颜色空间转换成Lab颜色空间;再利用Lab颜色空间的通道a提取出图像中的红色和绿色区域,通道b提取图像中带干扰的黄色区域,然后将二者相减,提取出图像中的黄色区域,并可同时去除背景及车身的大部分干扰;最后利用形态学处理滤除噪声等影响,粗略定位出车牌候选区域,再结合图像的纹理特征如面积、长宽比和连通域内像素个数最终定位出车牌区域。该方法对复杂环境下的双行车牌能实现快速准确定位,受光线、背景环境影响较少,同时对脏牌、污牌也能达到准确定位的目的。     

基于边缘颜色对特征及笔画穿越双层检测车牌定位算法

针对现有车牌定位算法鲁棒性不够、准确度不高以及参数设置困难等问题,提出基于边缘颜色对特征以及笔画穿越双层检测车牌定位算法,不但充分利用车牌边缘颜色搭配信息,而且有效利用了车牌字符结构信息。粗检测阶段:首先进行边缘检测,人工收集所有搭配的彩色边缘特征数据,利用机器学习模型建立车牌边缘颜色对覆盖分类学习模型,然后利用车牌边缘颜色对覆盖分类学习模型,并利用先验信息进行形态学处理形成车牌候选区域。验证阶段:针对粗检测车牌候选区域,扫描车牌边缘穿越信息,最后利用车牌区域整体边缘分布覆盖分类模型进行候选区域验证处理。该方法利用车牌背景与字符具有固定颜色搭配的重要特点,综合利用了车牌的结构特征和纹理特征,提高了车牌定位的可靠性。实验采用100幅含有不同颜色搭配的车牌图像进行实验,定位准确率达到96%以上。     

基于HSV空间的车牌定位方法

车牌区域的颜色特征是车牌的重要信息.针对车牌区域颜色的伴生与互补特性,提出了一套在HSV空间利用颜色特征进行定位的算法.该算法利用车牌区域固定的颜色特征,快速定位到与车牌颜色有关的区域,然后利用车牌区域伴生与互补特性快速去除具有与车牌区域相同颜色的其他非车牌区域.最后使用投影积分进行车牌的精确定位.通过对200幅从交通卡口获取的真实的彩色图像进行试验,准确定位率为98%.     

基于改进的HSV颜色模型及颜色均值对的车牌检测与定位

针对目前车牌的定位中存在的难题,提出了基于改进的HSV模型及边缘颜色均值对的车牌检测方法,此方法充分利用了人的视觉特性,以及车牌本身的特征,采用边缘颜色均值对后检测到的边缘点数大大减少,同时若具有与车牌相似结构和纹理特征但不满足边缘颜色对颜色要求的区域的边缘点也被剔除了,这使后续处理简单快速.     

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。     

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。     

基于HSV颜色空间的候选车牌区域筛选算法

提出了在HSV颜色空间中,利用车牌区域的颜色特征,筛选车牌区域的新算法.该算法根据车牌4种不同底色对应的3个分量,分别统计出底色平均密度的阈值范围,并利用该范围,对候选区域进行筛选,以确定车牌区域.在筛选车牌区域时,重点讨论了车身颜色与车牌底色相近或相同、候选车牌区域的纹理和边缘特征及宽高比都接近的情况.实验结果表明,该算法能较好地对车牌进行准确定位.     

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．     

基于视觉注意机制与支持向量机结合的车标定位方法

针对环境复杂的车标区域难以定位的问题,提出了一种基于视觉注意机制(Visual Attention Theory,VAT)与支持向量机(Support Vector Machine,SVM)结合的车标定位算法.首先采用多信息融合特征对车牌进行综合定位,利用车标和车牌的相对位置关系确定车标感兴趣区域(Area of Interest,ROI),对该区域进行边缘检测处理,并对边缘所在位置进行显著性分析,利用支持向量机方法训练车标显著性模型选择分类器,然后利用模型选择分类器选取最优模型进行显著性区域提取,最后对显著性区域设计了一套离散车标前景合并机制进行最终的车标区域定位.实验表明:该方法能够有效地进行车标区域定位,与其他车标定位方法相比,具有检测率高、鲁棒性好、时效性快等特点,能够较好地定位不同天气不同场景的车标,具有较好的实用价值.     

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.     

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。     

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。     

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。     

车牌定位算法的研究

通过比较多种车牌定位的方法,提出了一种基于车牌纹理及颜色特征的综合车牌定位方法.把车牌定位分为两步进行,首先对车牌进行初定位,然后再精确定位车牌区域.     

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.