基于神经网络的汽车牌照自动识别

介绍行驶车辆牌照自动识别系统基础上 ,对所获取的车辆正面车头图象 ,采用了多层次分割算法来定位车牌照 ,从图象背景中分离出牌照 ,再采用一种阴影掩膜技术对单个英文字母及阿拉伯数字进行编码 ,提取字符特征 ,并进而用BP网络进行识别。整个算法简单 ,识别率可达 96%。     

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     

基于神经网络的车牌自动识别算法

由于车牌字符自动识别系统对实时性要求较高，采用一种全局自适应快速BP算法神经网络，根据车牌字符特征，分别构造了4个子神经网络，实现了能够应用于实际的牌照自动识别系统。实验证明，用该算法实现的车牌字符识别系统识别率高，误识率低，可直接用于实际的牌照自动识别系统。     

汽车牌照自动识别技术的现状与发展

在介绍国内外汽车牌照自动识别技术的现状 ,与讨论我国汽车牌照识别的特殊性的基础上 ,分析了汽车牌照自动识别技术的发展趋势 ,认为基于计算机视觉技术、人工神经网络技术和图象处理技术的无源型汽车牌照智能识别系统具有广泛的应用前景 .     

图像处理与汽车牌照识别

在图像处理技术的基础上，对系统设计的关键环节如汽车牌照的定位与分割、光学字符的识别提出自己的看法，并借鉴已经成熟的数字图像处理技术来进行快速高效的汽车牌照识别。     

汽车牌照的提取方法

汽车牌照提取是汽车牌照自动识别的关键一步，本文中提出了两种提取方法，即利用扫描离差数据、有效谷峰点特征及先验知识来初步定位车牌区域；采用彩色分割及多级联合混合集成分类器的车牌提取技术，通过多层感知器网络对输入彩色图像进行彩色分割，将这两种方法联合使用对车牌定位准确率高、鲁棒性好，车牌定位的准确率达99.3%，具有很好的实用技术指标。     

汽车牌照自动识别技术与原理

汽车牌照自动识别系统涉及光学、图像处理、模式识别、神经网络等多项技术,本文阐述了汽车牌照自动识别的组成原理,并探究了自动识别系统中的几种关键技术。     

表格数据自动识别技术研究

提出了表格数据自动识别算法,包括图像预处理、表格定位、偏歪校正、数据信息提取、BP神经网络识别等。较好地解决了表格数据的自动录入问题。     

基于Matlab的车辆牌照识别系统

介绍了一种基于Matlab的车辆牌照识别系统,采用基于灰度跳变的定位方法,先对图像进行预处理,再用CAN-NY算子做边缘检测、开闭运算子和车牌长宽比特征识别以实现车牌的定位,最后用二次水平投影分析和阈值技术有效检测了车牌图像的上下左右边框、旋转角度,从而准确实现车牌字符的分割.     

基于神经网络的机动车号牌字符识别

以定位、 分割后的机动车号牌字符为研究对象. 首先, 对机动车号牌图像进行大小、 灰度方差、 灰度均值的标准化处理. 其次, 根据机动车号 牌字符的特点, 抽取字符3种不同的特征, 构造3个BP神经网络对机动车号牌字符进行识别. 并根据字符在机动车号牌中所处位置的差异, 在每个BP神经网络中构造4种不同的子网络分 别进行训练和识别. 最后, 每个BP神经网络的输出通过加权求和的组合方式得到最终识别结 果. 在组合各网络输出前, 采用对字符图像求取局部二阶差分值的方法, 将字形相近的字符 进行再分类, 从而有效地降低误识率. 通过分析实验结果, 表明本算法在机动车号牌识 别应用中达到了理想的识别效果.     

一种基于BP神经网络的车牌字符识别方法

就机动车牌照的字符识别与处理进行了详细的讨论,重点讨论了BP神经网络方法在机动车牌照字符识别中的应用,用Visual C++完成了对机动车牌照字符识别的模拟,最后给出实验结果。     

一种基于霍夫变换和BP神经网络的车牌识别方法

汽车牌照自动识别系统在智能停车场管理、高速公路自动收费和违章检测等方面有着广阔的应用前景。由于车牌特征的多样性及车牌背景的复杂性,对于现实世界的车牌图像,车牌磨损、图像倾斜、天气以及背景等干扰因素都会影响定位效果。为此本文提出了基于一阶双向差分和hough变换的改进车牌定位方法,采用改进的BP神经网络模式识别技术作为识别的方法,得到了较好地处理结果。     

基于神经网络多分类器融合系统的人脸识别方法

在主成分分析方法（PCA）的基础上,采用3种神经网络（BP、RBF、LVQ）分类器进行人脸识别实验研究.实验中引入多数投票法（MVS）,构建了多分类器组合决策体系,对分类结果进行决策融合.最后,将使用此决策体系的人脸识别结果与使用单一分类器的人脸识别结果进行对比分析.分析结果显示,采用MVS规则的人脸识别系统,能有效提高人脸识别系统的准确率和稳定性,且方法简单可行.     

基于多权值神经网络的老人跌倒智能识别研究

随着我国人口老龄化及对延年益寿的期望加剧,老年人的健康问题受到广泛的关注。针对这一社会问题,建立人体跌倒模型,并对三轴加速度传感器采集来的不同人体跌倒姿态的高维数据做主成分分析(PCA),降维处理使其特征投影到低维空间,再将降维后的特征向量借助多权值神经元网络算法识别人体跌倒姿态。最后,实际采样的人体跌倒姿态数据验证了该方法的有效性。此外,与支撑向量机(SVM)算法相比较,实验结果表明,多权值神经元网络比支撑向量机算法在人体跌倒应用中更加具有优越性。     

基于神经网络多分类器融合系统的人脸识别方法

在主成分分析方法(PCA)的基础上,采用3种神经网络(BP、RBF、LVQ)分类器进行人脸识别实验研究.实验中引入多数投票法(MVS),构建了多分类器组合决策体系,对分类结果进行决策融合.最后,将使用此决策体系的人脸识别结果与使用单一分类器的人脸识别结果进行对比分析.分析结果显示,采用MVS规则的人脸识别系统,能有效提高人脸识别系统的准确率和稳定性,且方法简单可行.     

基于傅立叶描述子-BP神经网络的手势识别方法

针对手势识别中人手是复杂变形体,手部特征描述容易受到环境因素影响的特点,提出了一种基于傅立叶描述子-BP神经网络的手势识别方法.首先根据YCbCr和Nrg肤色模型的互补性以及背景模型有效去除复杂背景中的类肤色的特点,利用多特征相融合的手势分割方法提取手势区域;然后结合傅立叶描述子具有较好的轮廓描述能力和BP神经网络较强的自学习能力,利用傅立叶描述子-BP神经网络方法对手势进行识别.实验结果表明此方法具有较好的鲁棒性和较高的识别率.     

基于卷积神经网络的心律失常分类方法

使用一种组合式心拍分割方法,利用带通滤波对原始心电数据进行降噪处理,实现QRS波群定位和心拍截取;设计7层的一维卷积神经网络（convolutional neural network,CNN）模型,对正常搏动（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、室性早搏(V)4类心拍数据自动分类检测,从而完成4类心律失常的分类。以MIT BIH心律失常数据库47条数据进行训练,结果显示,其准确度为9900%,召回率为9908%;与相关文献的研究方法对比,本方法具有较高识别精度,能有效解决人工对心电图识别的误诊、错诊问题。     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.