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。     

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。     

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.     

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.     

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。     

车牌识别系统中的关键技术研究

针对目前车牌识别系统中的多项关键技术做了改进。车牌识别系统主要包括车牌定位、字符分割和字符识别。首先提出了基于图像转换和数学形态学的车牌定位技术;然后结合垂直投影和连通域算法对车牌进行字符分割;最后采用13点特征法提取字符特征和改进BP网络神经算法对车牌字符进行识别。实验结果表明,本算法能大大提高了车牌识别系统的准确性和鲁棒性,具有较强的实用性。     

基于VB的车牌识别系统的研究与实现

车牌识别是智能交通系统中比较热门的研究课题,本文着重对图像获取和车牌识别部分进行研究,并结合数据管理给出一个基于VB的车牌识别系统实现方案.     

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。     

基于神经网络的车牌汉字识别方法

为提高车牌汉字识别率,提出一种基于BP神经网络的车牌汉字识别方法。首先使用图像与处理技术对车牌汉字进行处理,包括自适应二值化、规范化、细化等;其次采用改进训练过程和参数的BP神经网络对汉字进行识别。实验结果表明,较其它算法,该算法运算速度快、自学习能力强、识别率和效率高。     

一种基于BP神经网络的车牌字符识别方法

根据字符的不同统计特征设计了不同的特征提取方法和分类器。实验表明，本文提出的字符识别方法，对车牌字符识别具有一定的识别率。     

基于改进支持向量机的车牌识别

针对目前市场上使用的监控设备在雾霾天气下辨识精度和速度不足等问题,采用小波低频融合原理对采集到的图像预处理,并基于改进支持向量机算法对预处理后的车牌图像提取特征值。实验结果表明,改进后的车牌识别方法与传统方法相比,提高了辨别速度,减小了误识率,为雾天视频监控系统的研发提供了新的思路。     

改进特征的车牌识别算法

由于光照不均、倾斜、模糊、字符笔画粗细不均匀、切分位置偏差因素,现有车牌识别算法的最终字符识别正确率较低。对现有几种BP字符识别算法所选取的输入特征进行改进和融合,作为BP神经网络的输入,以提高识别的准确度。通过对大量样本仿真实验,证明新特征很好地保留了字符的纹理信息,提高了BP网络对畸异字符的适应性,同时提高了综合识别率,有较高的实用价值。     

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.     

基于模糊集的车牌特征提取与识别的方法

提出一种新的基于模糊集的车牌特征提取与识别的方法.该方法先利用车牌检测算法初步定位车牌,然后利用车牌的颜色、纹理及形状的模糊特征,在提取目标的多个特征的基础上用模糊隶属度表征各个特征的重要性的方法来选取目标,准确地提取出车牌.实验结果表明:对在不同条件下拍摄的图像应用本方法,车牌提取准确率达到98.8%.特别对于光照不均、背景复杂的图像,本方法具有很强的鲁棒性.     

基于角点特征与支持向量机的车牌字符识别

为了提高车牌识别中车牌字符的识别率,提出一种角点特征和支持向量机相结合的车牌字符识别新方法.首先使用Moravec算子提取字符图像中的特征点,然后根据特征点在图像中的分布情况构造特征向量,并使用小样本对支持向量机进行训练,最后使用训练好的支持向量机进行字符识别.实验结果表明,在训练样本较少的情况下,该方法正确率较高,算法简单,稳定性好.     

基于MSER的车牌定位

车牌定位是车牌识别系统的重要组成部分,目前常用的车牌定位方法主要受环境尤其是光照影响较大。针对这一情况,本文提出基于最大稳定极值区域特征的车牌定位算法,利用最大稳定极值区域特征特有的仿射不变性和对光照的适应性,提取图像中最大稳定极值区域,尤其是车牌字符区域。在排除部分噪声区域后,根据车牌字符区域稳定的几何特征和排列规则,将满足条件的相邻字符区域组成最近邻对,进一步剔除噪声区域。然后将所提取的最近邻对进行合并即可以得到所有可能的车牌区域。实验结果表明,相比较目前常用车牌字符切分算法,在切分的准确性和稳定性上都有较大提高。     

视频图像车牌颜色辨别方法

在实际应用环境的视频图像中,车牌颜色极易受到天气、光照、粉尘、车牌污垢等的影响．传统的车牌颜色辨别方法主要是通过判断车牌颜色分量的阈值来实现的．在视频图像中,由于车牌颜色变化大,很难找到恰当的阈值,因而传统的车牌颜色辨别方法已不具有普遍的适用性．针对这个问题,该文提出了一种全新的基于AdaBoost算法的车牌颜色辨别方法,通过提取车牌字符和背景在RGB和HSV空间的颜色特征,训练出AdaBoost分类器,从而对车牌颜色进行判断．实践证明,该方法不仅可以很好地判断出视频图像车牌的颜色,对于一些非车牌区域的排除也可以达到很好的效果,     

基于车辆牌照识别系统字符的特征提取方法研究

对车辆牌照识别系统中分割下来的牌照字符特征提取环节涉及的新算法、新技术进行了深入探讨,主要研究用提取图象变换系数、图象统计矩和方向特征量的方法提取字符的分类特征,针对实验结果进行了分析。以上工作为车辆牌照识别系统的整体设计打下了一定的基础。     

基于改进的Stroke滤波器的车牌字符分割

提出一种基于改进的Stroke滤波器的车牌字符分割算法.该算法首先将stroke结构中央的矩形视为stroke主体,推测出stroke的形状;从车牌图像中搜索stroke的存在和变化.再通过连通成份分析补偿字符,对车牌图像进行分群,排除非车牌字符像素,从而达到车牌字符分割.实验表明算法能够准确快速地分割车牌字符.