基于字符组合特征及BP神经网络的车牌汉字识别

提出了一种车牌汉字识别方法.该方法基于统计特征中的投影特征将车牌汉字根据结构特征进行粗分类,对于粗分类结果建立不同的BP神经网络分类器,训练完毕后,以MATLAB为软件平台,利用网络参数对车牌汉字进行分类识别.结果表明,该方法对车牌汉字识别有效,识别率高.     

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。     

改进传统BP算法提升机动车牌照字符识别性能

BP算法已广泛应用在机动车牌照识别系统中,但如何进一步提高车牌识别的速度和准确率是车牌识别系统最根本的问题。本文针对标准BP算法的不足,提出通过对作用函数进行修正、自适应调整迭代过程步长进行BP算法改进,对比分析改进前后BP算法在车牌识别技术中的应用,显示改进后的算法具有收敛速度快、识别时间短、识别率高等方面的优点,识别性能得到了很大优化。     

基于NDRAM算法的联想记忆网络在车牌汉字识别中的应用

提出了一种基于NDRAM算法的车牌汉字识别方法.分别采用基于外积法和伪逆法的Hopfield网络和NDRAM算法对加有不同噪声水平的椒盐噪声的车牌汉字和具有不同程度缺失的车牌汉字进行了仿真识别.结果表明,NDRAM方法具有更高的识别率和更强的自适应性.     

基于两级BP神经网络的机动车车标识别

本文描述一种基于两级BP神经网络的机动车车标识别算法,该算法对车标识别中的多分类问题提出一种解决方案。根据车牌和车标在位置和尺寸之间的关联,文中利用车牌信息,确定车标的候选区域,然后利用形态学和连通域分析（CCA）定位车标。最后使用两级BP神经网络：预测网络和验证网络完成车标识别的目的。文中以两类车标为例,通过实验表明该算法具有较高的识别率和较低的错误率。     

基于BP网络的字符识别系统设计

根据我国车辆牌照的特点,提出了基于BP神经网络识别算法。算法中将分类器分为汉字分类器,英文字母分类器,英文字母和数字混合分类器以及数字分类器四种,这种神经网络设计可以有效简化网络结构,提高识别精度和速度。由于标准BP算法具有收敛速度慢、易陷入局部极小点等缺点,对BP算法进行了改进。通过仿真实验,该字符识别系统具有较高的识别率,同时也具备了神经网络本身容错能力强,即鲁棒性好的特点。     

基于改进的BP神经网络在车牌识别中的应用研究

考虑到现有的车牌识别系统存在的问题,针对图像预处理、字符切割与归一化技术进行了有效的改进,此外针对字符识别给出了一种基于改进的BP神经网络的识别方案。通过改进目标函数、利用贝叶斯统计方法来自动决定正则化参数及加入改进动量项方法实现车牌字符算法的优化设计,车牌识别的准确率达到96%。实验表明,通过该方法进行车牌识别具有较高的识别率及实用价值。