基于改进深度学习的车牌字符识别技术研究

为解决传统车牌字符检测方法可靠性差、效率低的问题,提出采用haar级联检测结合深度学习方法的卷积神经网络车牌字符识别方法。采用haar级联分类器提取出图片中车牌的位置,通过灰度、阈值、腐蚀、膨胀等预处理技术提取出车牌字符;通过收集字符数据,对CNN神经网络在角度倾斜、光照变化和噪声污染条件下进行训练,使用训练后得到的模型对车牌字符图片进行识别。实验结果表明, 该方法识别车牌字符正确率较高,在角度倾斜、光照变化和噪声污染条件下的准确性和稳定性较好,能够有效地降低车标识别的错误率。     

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.     

基于Faster R-CNN的车牌识别算法

针对传统车牌检测方法定位不准确、检测结果易受环境影响的问题,提出一种基于Faster R-CNN和Inception ResNet_v2的车牌检测算法:通过迁移学习的方式实现精确的车牌定位,用像素点统计法处理车牌图像,实现单个字符的有效提取;mLeNet5卷积神经网络模型用于对单字符进行识别。结果表明,算法对有遮挡及角度倾斜的车牌字符能实现高效、高精确度的识别.      

基于CNN的车牌识别系统

针对现有的车牌识别系统在遇到复杂条件,例如暗光、遮挡、多车牌、能见度低等情况时,难以有效地定位并识别车牌,提出了一种基于卷积神经网络的车牌自动识别系统.在车牌定位阶段综合应用3种定位方式对车牌进行初步定位检测,然后使用CNN模型对检测到的候选车牌进行判断;在车牌字符识别阶段,将分割出的字符输入到设计好的卷积神经网络模型中进行训练,得到的输出结果即为识别的车牌字符.在5906张车牌图像和非车牌图像以及36261张字符图片上的实验结果表明:提出的车牌识别系统对车牌和字符的识别率分别达到了94%和96.4%,明显优于传统的车牌识别方法,具有极高的实用性,可以满足绝大多数场景的使用需求.     

基于Caffe深度学习框架的车牌数字字符识别算法研究

在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染.针对被强噪声污染的数字字符,提出一种基于Caffe深度学习框架的字符识别算法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构.实验结果表明,在低噪声、中度噪声、强噪声污染情况下,文章中提出的方法相比当前典型的识别方法,在数字字符识别上均具有较好的识别能力,平均识别率高出将近5%,而在强噪声污染情况下,识别效果具有更加明显的优势.     

一种复杂背景下的多车牌图像分割与识别方法

提出一种复杂背景下的多车牌图像分割和知识方法，采用统计和特征匹配相结合的方法去除待识别图像中的背景，提取可能存在车辆的区域；分别对可能的车辆区域进行局部边缘检测，并使用车牌的先验知识确定车牌的位置和单个字符分割，包括车牌倾斜时的字符分割，使用PCA和BP神经网络相结合的方法精确识别车牌，实验结果表明，该方法对复杂背景下多车牌的分割和识别是有效的。     

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.     

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.     

基于字符行特征的车牌倾斜矫正算法

针对Hough算法在识别白色反光车牌时的不足,提出了基于车牌字符行特征的倾斜矫正算法.该方法采用通过字符行倾斜度恢复车牌原貌的机理,即从多个角度来对图像倾斜的方向扫描,分别记录各扫描平行线组中具有车牌字符信息的行数,对应字符行数目最多的扫描角度就是图像倾斜的角度.实验表明,该算法能较理想地减少车牌倾斜给车牌字符分割及识别带来的负面影响,运算量小且易行可靠.     

基于改进倾斜校正算法的车牌识别技术

随着计算机图像处理技术的发展,车牌识别已经成为计算机图像处理技术的重要研究方向和广泛应用领域之一,车牌识别技术在智能交通系统中显得尤为重要.基于改进倾斜校正算法的车牌识别的算法,对含有车辆牌照的图片进行图像滤波、图像增强、车牌定位、车牌的字符分割和字符识别.对车牌定位技术和车牌倾斜校正技术进行改进,以应对复杂的环境变化.实验表明,车牌的识别率有明显的提升.     

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。     

车牌识别中的倾斜车牌校正算法

在车牌自动识别过程中,图像的倾斜会给后续字符分割和识别带来困扰。利用传统Hough变换进行矫正的运算量很大,文中提出采用Canny算子提取图像边缘,去除牌照图像中和矫正无关的所有冗余信息,减少矫正过程的运算量,利用仿射变换理论采用双线性插值法校正车牌图像。实验结果表明,该方法可以准确地检测出车牌的倾斜角度,同时矫正速度比传统Hough变换方法要快。     

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.     

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.     

车牌识别系统中的车牌定位算法研究

汽车牌照识别技术（LPR）是智能交通系统（ITS）的重要组成部分,该系统能从一幅图像中自动提取车牌图像,实时准确地自动识别出车牌的数字、字母及汉字字符,使得车辆的电脑化监控和管理成为现实,而在LPR中首先必须实现的就是车牌定位。本文主要利用边缘检测算法和旋转投影法来进行车牌定位。利用边缘检测算法寻找车牌边缘,利用旋转投影法寻找车牌倾斜角度,进行精确定位。     

基于支持向量机的车牌字符识别

作者将支持向量机SVM方法用于车牌字符的识别.算法首先采用Gabor变换和外围轮廓结构特征提取的方法提取车牌字符图像的特征参数,然后采用提取的特征训练SVM分类器,再应用SVM分类器分类和判别车牌字符.实验表明这种方法具有良好的车牌识别效果,较强的鲁棒性,较大的应用价值.     

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。     

低清晰度车牌识别技术的研究与应用

为提高低清晰度车牌识别技术中字符分割和识别的准确率,提出了在HSV(色调,饱和度,亮度)颜色空间下使用最大类间方差(OTSU)算法来对车牌图像进行二值化,然后结合特殊间隔位置和投影法来精确分割字符,并在字符识别阶段引入了卷积神经网络.通过对真实场景中提取的低清晰度车牌进行实验可见:提出的分割算法能够准确分割字符,准确率可达96.5%,同时引入的卷积神经网络对车牌字符识别率为97.8%,能够有效解决低清晰度车牌字符的分割和识别问题.     

基于BP神经网络的车牌识别系统

车牌识别系统是智能交通领域的重要组成部分,在现代交通管理中的作用举足轻重.基于VC++ 6.0进行实验,针对中国的车牌进行研究,用BP神经网络来实现车牌识别.车牌识别分为图像预处理、车牌定位、字符分割和字符识别四个步骤.利用车牌的先验知识进行定位,引进双阈值进行字符分割,利用13段特征提取法提取特征向量,实验表明该识别算法行之有效.