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。     

基于数学形态学与投影法的车牌定位

车牌定位在车牌识别系统中具有关键的作用,定位结果的好坏决定着后续的车牌字符识别。针对数学形态学定位会产生多个伪车牌区域,当区域较多时定位不准的问题,提出一种数学形态学与投影法相结合的车牌定位方法。首先对车牌图像进行预处理;然后进行边缘检测、二值化,运用数学形态学处理获得候选车牌区域;最后对候选车牌进行行列扫描投影来提取准确的车牌区域。实验表明,该方法具有定位精度高,鲁棒性较好的特点。     

车牌定位技术研究

车牌识别是智能交通系统的重点研究方向之一,车牌定位是车牌识别的重要技术环节。笔者研究了基于canny算子的边缘检测和数学形态学运算的车牌定位算法,并对算法进行分析验证。结果表明该车牌定位方法准确率较高,有利于车牌识别。     

基于角点检测和边缘提取的车牌定位方法

车牌定位技术是实现车牌自动识别的关键技术之一。根据车牌藉征,设计了一种基于角点检测和边缘提取的车牌定位方法。该方法首先对原始图像进行阈值分割,其次采用数学形态学方法增强车牌边缘,接着利用角点检测方法对车牌进行粗定位,最后通过边缘提取来实现车牌图像的精定位。通过实验分析,证明该方法定位效果较好。     

一种基于Adaboost的车牌定位算法

针对成像过程的光照影响以及车辆的污损对车牌定位影响较大的情况，提出了一种基于Adaboost的车牌定位算法.该算法首先将车牌彩色图像进行预处理，然后使用Adaboost算法进行车牌定位，最后使用车牌颜色模型对车牌定位结果进行校验.相对于目前用于车牌定位的方法，该算法具有较快的定位速度和较高的准确率.实验证明，采用该算法能获得较好的车牌定位效果，鲁棒性强，具有较大的实用价值.     

基于颜色和纹理特征相结合的车牌定位方法

车牌定位是车牌自动识别系统中的关键技术.目前多数的车牌定位方法考虑车牌的颜色以及纹理特征,但针对复杂背景下的车牌定位问题,其适应性不强.针对现实生活中复杂背景下的车牌定位,提出综合使用纹理信息及颜色信息等多种特征的分层次车牌快速定位方法.首先在图像的二值垂直边缘图中,利用车牌区域的边缘信息及车牌的纹理特征进行车牌候选区域的确定,在降低算法复杂度的同时提高了定位精确性,然后结合先验知识,运用四元数主成分分析及K-means聚类方法,提取候选区域图像特征并分类,最终得到精确车牌定位.试验证明该方法正确率高、鲁棒性强,对于背景复杂的车牌定位具有很强的抗干扰性能,在复杂的环境和不同光照条件下实现车牌的精确定位.     

关于高速公路收费系统车牌识别技术的研究

车牌识别是指通过计算机视觉、图像处理与模式识别等方法从车辆图像中提取车牌字符信息。从而确定车辆身份的技术。车牌识别分为车牌定位、字符分割、字符识别三大部分。车牌定位是一个难题：车牌区域在整幅图像中所占比例很小,车牌的颜色、大小、位置也不确定,并且定位算法要能够克服不同光照和复杂背景的影响,还要兼顾准确性和实时性,因此快速准确的定位车牌是比较困难的。本文通过车牌的纹理和颜色特征采用粗定位和细定位相结合的方法进行识别。     

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。     

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%.     

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。     

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。     

多特征与BP神经网络车牌识别系统研究

汽车牌照识别技术是智能交通管理系统中的关键技术;基于数字图像处理理论,将计算机视觉与模式识别技术相结合,对车辆牌照识别系统进行了研究。为了提高系统车牌识别能力,提出了一种综合颜色特征和投影特征相结合的车牌定位方法。字符分割采用了投影法;字符特征选取了互补性强的粗网格特征、投影特征以及外围轮廓特征;最后采用BP神经网络进行车牌字符识别。对车牌字符的识别分为汉字、字母及字母数字三类进行。实验表明,多种图像处理技术与模式识别技术有机结合能有效地提高系统的识别能力;本系统所采用的方法取得了较好的识别效果。     

模糊C-均值聚类法在车牌识别系统中的应用

针对车牌识别系统中的图像存在模糊、噪声干扰等问题,利用改进的模糊C-均值聚类算法来提高图像的分割效果.图像经边缘检测后,根据车牌中字符分布的特点,车牌内部存在着较丰富的边缘.由于边缘处灰度值与车牌中其它部分的灰度值不同,可利用灰度值的变化频率,来实现对车牌定位.实验表明该算法在车牌识别系统中是有效的.     

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.     

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。     

基于数学形态学车牌自动定位和倾斜校正

针对车牌识别系统中,由于光照变化、背景复杂、车牌褪色或相对摄像机位置不同带来的图像倾斜等原因,导致车辆图像质量不高,影响车牌定位和识别。基于优化组合数学形态学基本运算,结合灰度信息离散化对车牌初定位,再利用先验知识,对车牌进行精确定位,最后采用两点法对倾斜的车牌图像进行检测和校正。实验结果表明,得出的定位和倾斜校正方法简单、快速,且具有较好的稳定性。