一种应用机器学习的车牌定位方法

提出了一种基于Adaboost算法与最小同值分割吸收核法角点验证的车牌定位方法. 该方法采用Adaboost算法排除明显的非车牌区域,从而减少车牌候选区域的数量. 在验证阶段,采用SUSAN角点检测方法计算每个经过初筛的候选区域属于车牌区域的概率,并根据该概率值对候选区域进行排序. 最终输出概率值最大的区域作为车牌检测结果. 实验结果表明,使用该方法进行车牌定位无需调整参数也能适应光照变化的应用环境.     

高效快速车牌定位算法研究

车牌定位是车牌识别(LPR)系统中的关键技术之一,通过对车牌区域的各种固有特征的研究和探讨,提出了一种高效快速的车牌字符定位算法,该算法基于二值边缘图像的频率变化特征,在整个车辆图像中搜索到车牌的精确位置,得到牌照图像,为车牌的进一步识别打下良好的基础.现场实验表明,该算法快速准确,对提高整个识别系统的正确率起到了关键的作用.     

复杂场景下车牌识别新方法

针对复杂场景下车牌识别问题,提出了一种新的车牌识别方法.该方法通过颜色空间划分预分割车牌目标,然后采用矩形特征匹配定位符合车牌形状的候选块,并对候选块进行几何校正和自适应分割,再将分割出来的每个字符进行归一化特征提取,最后通过字符的积分特征逐一对每个候选块进行识别,识别成功者即为真实的车牌.实验表明,该方法能适应大多数复杂的场景,不局限于图像的分辨率,以及拍摄的角度,保证了车牌识别的准确率.     

基于图像特征的车牌字符分割方法研究

根据车牌图像具有不同颜色和车牌字符中字母和数字具有连通性的特点,提出将灰度自适应二值化和基于神经网络的彩色图像二值化相结合.用这种方法对一系列定位后的各种车牌图像进行二值化,然后利用投影法和数学形态学对二值化后的车牌进行准确的字符分割.实验结果表明:该方法二值化效果好,字符分割准确率较高.     

车牌定位算法研究进展

根据车牌的纹理、颜色等特征,对近5年出现的车牌定位算法进行详细分类和综述,总结出每种方法的优缺点,为以后的研究提供有效的依据.     

基于Hausdorff距离的车牌字符识别方法研究

根据车牌区域的固有特征,提出了一种高效、快速、实用的车牌字符识别算法．该方法先对车牌中的单个字符进行归一化和细化,然后采用Hausdorff距离模板匹配方法识别．实验表明,该方法有效可行．     

投影点坐标方差最小化车牌垂直倾斜校正

车牌识别中为便于字符分割与识别,需对倾斜车牌进行校正. 该文提出基于字符投影点坐标方差最小的车牌垂直倾斜校正方法. 首先对水平校正并划定字符区上下边界后的车牌图像进行字符粗分割,然后将字符点经剪切变换沿垂直方向投影. 根据投影点坐标方差最小导出两种剪切角闭合表达式,由此一步确定车牌垂直倾斜角并进行校正. 实验结果表明：与车牌垂直倾斜校正的旋转投影法和直线拟合法相比,该文提出的方法精确度高,运算时间少且鲁棒性好.     

基于深度学习的车检图像多目标检测与识别

为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。     

具有环境自适应性的虚拟参考标签定位方法

在基于接收信号强度指示(received signal strength indicator, RSSI) 的射频识别(radio frequency identification, RFID) 室内定位系统中,由于环境干扰的非均匀性,定位环境中不同区域的信号传播模型存在差异. 为此提出一种基于区域划分的定位方法,将定位区域划分为多个三角形子区域. 定位过程中依据待定位标签的
RSSI 值经多轮投票机制确定其所在子区域,然后分别估算各子区域的环境因子和路径损耗值来建立子区域的定位模型,实现环境自适应. 在此基础上引入虚拟参考标签概念,在定位区域内构造虚拟信号强度空间,并提出一种最近邻K 值自校正方法选择最近邻标签,采用最近邻方法进行定位坐标计算. 仿真结果表明,在复杂的低标签密度环境下,定位精度和稳定性比经典的LANDMARC 和VIRE 方法有显著提高.     

基于水平灰度特征和颜色特征的车牌定位方法

车牌识别(License Plate Recognition,LPR)是指通过识别车辆车牌信息来辨别车辆身份的技术,是实现智能交通系统(Intelligent Transportion System,ITS)的一个重要环节,也是计算机视觉图像处理技术与模式识别技术的一项技术融合,车牌识别技术的研究和开发具有巨大的经济价值和现实意义.LPR作为一个专用的计算机视觉系统,通过运用模式识别、人工智能等技术,对采集到的图像进行处理,可以实时准确地识别出车牌的汉字字符、字母和数字,最终得出计算机可直接运行的数据形式,使车辆的监控和管理得以现实.目前,车辆识别技术已经广泛应用于高速公路的检测、电子收费、停车管理和交通违规管理等领域.     

基于区块链技术的道路路边停车管理系统

针对当前道路路边停车管理中存在的效率低下、交易不透明等缺点,提出了一个基于区块链技术的道路路边停车管理系统.根据边缘设备终端的车牌识别算法采集停车信息,将关键停车交易数据发送并存储至Web服务器的MySQL数据库缓存,之后由Fabric SDK中间件存储到Hyperledger Fabric区块链平台.该系统依靠区块链...     

Winkler地基对薄圆板的非线性弯曲行为的影响

研究了Winkler地基上圆板在横向载荷作用下的弯曲问题。基于经典板理论,考虑几何方程、物理方程及平衡方程,给出了位移为基本未知量的弹性地基圆板弯曲问题的控制微分方程。采用打靶法数值求解所得非线性边值问题,获得了两种边界下圆板的弯曲变形与无量纲载荷之间的关系曲线,讨论了弹性地基系数对圆板弯曲行为的影响。结果表明:两种边界条件下,弹性地基系数越大,板的弯曲越大;相同弹性地基下,简支板的弯曲变形大于固支板的弯曲变形。     

VMS许可证管理—LMF

本文介绍了VMS操作系统中的一种新的许可证管理设施——LMF.     

周边夹紧圆板在横向激振力作用下的4倍超谐波共振分析

基于von Karman薄板理论及Hamilton原理,得到了横向周期载荷作用下周边不可移夹紧圆板轴对称非线性强迫振动运动方程组,应用Kantorovich时间平均法将运动方程组简化为非线性常微分方程组．通过打靶法得到了4倍超谐波共振数值解,并考察了静载荷、激振力力幅、激振频率以及自振振幅对超谐波共振响应的影响．