利用神经网络识别车辆牌照字符

由于受光照条件、牌照自身清洁程度等因素影响 ,车牌识别系统往往达不到满意的字符识别率 .结合神经网自适应的特点 ,本文利用基于自适应谐振理论 (AdaptiveResonanceTheory ,ART)构成的自组织神经网络进行字符识别 ,给出了算法和实验结果     

径向基神经网络算法在车牌字符识别中的应用

提出一种基于径向基网络的汽车车牌字符识别算法.在预处理阶段,采用灰度化、自适应阈值分割去除图像噪声并增强图像对比度;在字符分割阶段,采用极限元素位置确定法实现独立字符分割;在字符识别阶段,利用自行构建的字符子块图像库对径向基神经网络进行训练.选取基于反向传播(BP)神经网络的字符识别算法和基于支持向量机(SVM)的字符识别算法与文中方法进行比较.实验结果表明:文中方法在识别准确率上具有明显优势,更适用于汽车车牌的字符识别.     

基于自适应小波神经网络的字符识别算法及其应用

根据车牌中字符的形态特征和横向纹理属性,以小波空间作为车牌字符识别的特征空间,通过小波分析来实现字符的特征提取.用非线性小波基取代通常神经元的激励函数,构建了一种自适应小波神经网络的车牌字符识别模型.实验结果表明,本文提出的算法对复杂背景下拍摄的汽车牌照识别具有很好的鲁棒性.     

基于改进自适应图像分割算法的车牌识别技术研究

基于CV(Chan-Vese)模型图像分割方法的不足,提出了一种改进的自适应图像分割方法,用于汽车车牌的字符识别.在这一方法中,为了避免初始位置差异对于分割效率的影响,设计了更为合理的分割流程.水平集合理论配合优化迭代算法,给出多个局部初值,大大增强了分割算法的自适应性能.实验结果表明,相比于CV模型图像分割方法,改进自适应图像分割方法的准确率更高,适用于汽车车牌图像的分割.     

基于特征加权模糊模板匹配的字符识别

字符识别算法能够直接影响字符识别的精度和速度.把特征加权模板匹配算法和基于模糊原理的判别准则结合起来,设计一个字符识别算法.该算法首先对标准模板匹配算法进行改进,然后在此基础上以模糊理论作为判断标准来进行字符识别.从理论分析和实验结果这两方面来看,所提字符识别算法能够充分区分开字符笔画和非笔画部分对字符识别的影响大小,可以有效提升识别率和鲁棒性,性能较优.     

自适应字符切分及提取算法研究

在字符识别技术日趋成熟的现状下,单个字符的正确切分及提取已经成为制约字符识别精确度的关键因素。本文针对二手车发票上印刷体的日期数字(阿拉伯数字),对图像二值化处理后,采用垂直方向投影和轮廓特征两种策略进行自适应字符切分及提取。实验结果表明,该方法提高了从图像中定位出来的字符串的切分率,并保证了字符切分和提取的正确率平均达到99%。     

模式识别中三种字符识别的方法

本文总结出三种字符识别的方法:基于模板匹配的字符识别法、完全基于字符的结构特点和笔画类型的识别法以及利用BP神经网络的字符识别法.     

车牌定位系统中关健技术的研究与实现

针对车牌识别系统中由于分割不准确而造成识别率低的问题,提出一种基于一阶水平差分算子的自适应边缘检测的分割方法,以便更好的将汽车图像从复杂的背景中分割出来,同时用优化投影法对车牌进行定位,并在字符识别中利用改进15特征点提取法实现了车牌字符的识别.实验结果表明,该算法对车牌识别的准确性高,识别速度快,鲁棒性好.     

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.     

一种基于R-CNN的轮胎压印字符识别方法

轮胎标识信息是利用不同高度形成的凸凹变化来描述,压印字符与其背景区域对比度较低造成字符识别困难.为了提高检测效率、降低人工成本,研究轮胎上的压印字符识别技术在工业上的应用.通过预处理尽量减少背景带来的噪声干扰,采用改进的随机Hough变换来提取轮胎的同心圆作为感兴趣区域,将基于深度学习的Faster R-CNN方法引入到轮胎字符检测中,显著提高了压印字符识别的准确率和效率.     

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。     

基于多尺度跃层卷积神经网络的精细车型识别

为解决精细车型识别中特征不具有代表性,且识别准确率低的问题,提出了基于多尺度跃层卷积神经网络(CNN)的车型识别方法。通过多个不同尺度的跃层卷积神经网络,提取适用于精细车型识别的低层局部特征和高层全局特征,并分别训练Softmax分类器。利用自适应方式融合方法,将多个单一尺度跃层卷积神经网络的识别结果进行融合,调整不同网络对识别结果的贡献。实验中车型识别准确率达到97.59%。实验结果表明多尺度跃层卷积神经网络适用于精细的车型识别,并能提高识别的准确率。     

面向车辆纵向动力学控制的制动意图识别综述

制动意图识别作为新型线控制动系统控制的先决条件,其识别结果的优劣直接影响车辆控制系统的精度,进而影响特定工况下的车辆行车安全性,因此为了提高车辆的主动安全性,提升车辆的制动性能,针对车辆动力学中的纵向稳定性控制问题,以制动意图为切入点,介绍了目前制动意图的分类,概述了基于制动意图识别的车辆动力学控制的国内外研究现状;结合制动意图识别特征的选取问题,重点对比分析了几种典型的制动意图识别方法,包括模糊推理系统、神经网络、自适应神经模糊推理系统、隐马尔可夫模型和聚类分析;结合当下研究现状指出了合理选取特征参数、转换输出目标、多标准评价体系是面向车辆动力学控制的制动意图识别的研究重点和方向。     

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。     

基于多BP神经网络与D-S融合的车型识别研究

为了提高BP神经网络对车型的识别率,克服单个BP神经网络所存在的网络结构和训练样本数量之间的矛盾,针对大量训练样本采取多个BP神经网络进行训练,进而采用训练好的多个网络进行车型识别. 利用D-S理论将各个BP网络的识别结果进行数据融合以改善最终的车型识别结果. 实验结果表明:随着训练样本数量的增加,多BP网络数据融合方法比单BP神经网络有更高的识别率.     

基于Gabor特征和协同神经网络的车牌识别方法

研究了车牌字符识别问题,针对车牌识别系统易受天气及光照变化影响的实际应用,将Gabor特征和协同神经网络应用在车牌字符识别中,提高了识别率.首先对车牌字符进行二值化和切分,然后利用Gabor滤波器提取车牌字符的特征参数;再利用协同模式训练特征参数,进而得出训练样本;最后根据协同神经网络进一步识别车牌字符.通过大量仿真实验表明,该方法在不同场景、光照条件下,与传统方法相比,识别率有了较大改进,该方法在车牌识别领域有较强的实用性.     

基于工况识别的安全距离模型

针对传统自适应巡航控制系统安全距离模型缺乏对车辆驾驶工况变化考虑的问题,提出一种基于驾驶工况识别的安全距离模型。依据城市驾驶工况特点构建了4种典型城市工况,引入人工神经网络对车辆实时驾驶工况进行识别与预测,然后以现有安全距离模型为基础,结合工况识别结果,完成对该模型的优化。通过CarSim和Simulink联合仿真验证,结果表明：基于驾驶工况识别的安全距离模型可以更好地实现与前车的速度跟随与距离控制,提高了乘坐安全性与道路利用率。