一种新的车牌数字及字母字符识别方法

车牌字符识别是车牌自动识别系统的关键环节．车牌数字及字母字符识别是车牌字符识别的重要组成部分．传统的模板匹配法的缺点是在车牌图像质量退化时识别率较低．提出一种新的改进的模板匹配法．该方法定义前景匹配度、背景匹配度和整体失配度3种匹配测度进行模板匹配,匹配成功则直接获得识别结果,否则,对相似字符情形应用特征区域模板匹配法,对其他情形应用空心模板匹配法．实验结果表明,该方法对车牌字符褪色、污迹、断裂、模糊、光照不均等质量退化车牌图像具有较好的识别效果．     

基于并行特征匹配的车牌定位与识别算法

针对智能交通系统中车牌定位速度慢,信息识别准确度低的问题,提出了一种高性能的车牌定位及字符识别算法.进行车牌图像预处理,在彩色图像中搜索边缘密度快速突起的矩形域,在搜索后的矩形区域内采集相似走向的双边曲线,筛选出双边走向具有突出相似特征的区域,以此定位出包含字符的真实车牌区域,通过改进的神经网络模型进行多模板同位权值匹配,将待匹配模板逐层剔除,接着进行相似模板的异位权值匹配,准确识别出车牌图像里的字符信息.该算法抓住了车牌的矩形特征和字符具有的并行双边走向的重要特点,利用新型的同异位并行模板剔除方法,提高了车牌定位的速度和字符识别的准确度.     

基于模板匹配的车牌字符识别算法研究

针对车牌识别中的字符识别问题,提出了一种改进的模板匹配方法,首先把字符模板根据某种特征进行粗分类,特征类似的分到同一组,识别时首先提取字符的这种特征,根据特征提取相应分组的模板进行匹配,最后给出识别结果。     

一种模板匹配和神经网络的车牌字符识别方法

提出了一种基于模板匹配和神经网络的车牌识别方法。该方法集成了模板匹配识别车牌字符和神经网络识别车牌字符的优势,可有效地提高车牌字符的识别率、识别速度和识别系统的泛化能力。实验结果表明：大多数情况下,该方法的识别率超过90%,识别时间不超过1200ms,能有效地识别各种车牌中的字符,满足实际系统的要求。     

基于投影特征和模板匹配的车牌汉字识别算法

车牌自动识别算法中,汉字识别是识别的难点,也是车牌识别技术推广应用的瓶颈.目前车牌汉字识别算法主要有特征分析算法和模板匹配算法,特征分析算法受图像质量的影响比较大,模板匹配算法在识别率方面达不到实际应用要求.本文提出了逐级识别算法:首先利用投影法进行匹配,把可识别的字符挑选出来或进行分类.然后,利用字体和区域面积的比例进行筛选,对选出的字符进行模板匹配.通过实验证实:算法不仅速度快、鲁棒性好,匹配精度也很高.     

一种有效的车牌字符识别法——模板匹配—特征点匹配相结合的车牌字符识别法

汽车车牌字符的识别是车牌自动识别系统中的最后一个环节,采用模板匹配—特征点匹配相结合的车牌字符识别法有效地利用了传统模板匹配法方法简单的特点,同时利用特征点匹配的方法克服了其对图像质量要求很高的缺点,最后结合车牌的语法校验使得正确率和适应性都得到提高,取得比较好的效果。     

基于模板匹配和神经网络车牌识别技术的研究

提出了一种基于模板匹配和神经网络相结合的车牌字符识别算法.采用二维经验模式分解算法(BEMD)对图像进行去噪处理,用Sobel算子进行边缘检测,使用累计直方图和低分辨率图进行特征提取,利用模板匹配法对车牌进行粗识别,对于模板匹配不可识别或难于识别的字符改用BP神经网络进一步识别.实验结果表明,车牌的识别率和识别速度都有所提高.     

基于FPGA的车牌识别算法研究

车牌自动识别系统在实现智能交通系统方面发挥着重要作用,整个系统包括车牌定位、字符分割和字符识别三部分.本设计先确定车牌在获取图像中的具体位置,从而把车辆牌照定位出来,进而对车牌用局部投影的方法进行字符分割,最后采用模板匹配法进行车牌字符的识别.本文提出的方法具有实时采集视频图像,车牌定位准确,分割及识别效率高的优点.     

基于阈值分割和区域生长的车牌识别方法

【目的】改善车牌定位的质量,提高车牌识别的正确率和效率。【方法】联合使用阈值分割和区域生长算法进行车牌定位,使用垂直投影法进行字符分割,并使用字符模板匹配方法实现车牌字符的识别。【结果】基于阈值分割与区域生长的车牌识别方法能准确地识别出车牌号,识别率高,运行速度快。【结论】该方法实时性较好,具有一定的实用价值。     

ETC系统中的车牌识别技术研究

车牌识别技术,识别过程包括车牌定位、字符分割和字符识别3个部分。本文首先根据车牌的水平和垂直投影,找出一个长方形区域,定位出车牌的真实位置;然后将字符二值化为可识别的黑白图像,采用字符间距对车牌号进行字符分割并归一化;最后识别字符,将取出的字符与事先建立的字符模板库做差,为0就表示两者之间完成了匹配。把每一个相减为0的字符保存,也即为所求的车牌。     

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。     

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.     

一种改进模板匹配的车牌字符识别方法

提出了一种改进模板匹配的车牌字符识别方法。详细介绍了车牌字符识别的过程,主要包括模板的建立,基于弹性网格的字符特征提取,模板匹配的步骤及改进方法。运用该方法不仅可减少计算量,而且提高了实时性。实验结果表明,提出的方法具有效率高、精确度好等特点,识别率可以达到90%以上。     

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.     

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。     

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。     

嵌入式监控影像车牌识别方法

为解决基于PC 机的车牌识别系统成本高、重量大、操作复杂、安全性低等诸多问题, 提出嵌入式监控影像车牌识别方法。将车牌识别与嵌入式相结合, 通过中值滤波、索贝尔边缘检测、全局阈值化、基于纹理特征的近似定位、字符归一化、基于不同分类器的字符识别等技术形成了一套完整的车牌识别系统。该系统体积
小、稳定性好、可行度高、准确度高、易于安装。在不同情况下进行900 例不同车牌识别实验, 实验结果表明,该系统的识别准确率高达97. 3%左右, 在降低成本、减轻重量、简化操作的同时达到很高的精度, 可替代PC机的车牌识别系统。