基于改进倾斜校正算法的车牌识别技术

随着计算机图像处理技术的发展,车牌识别已经成为计算机图像处理技术的重要研究方向和广泛应用领域之一,车牌识别技术在智能交通系统中显得尤为重要.基于改进倾斜校正算法的车牌识别的算法,对含有车辆牌照的图片进行图像滤波、图像增强、车牌定位、车牌的字符分割和字符识别.对车牌定位技术和车牌倾斜校正技术进行改进,以应对复杂的环境变化.实验表明,车牌的识别率有明显的提升.     

车牌识别软件的改进算法

本文介绍了车牌识别软件的实现过程，重点介绍了在车牌图像中分割车牌并进行区域处理的技术及其改进方法，如对传统模板卷积法的改进、颜色信息在车牌分割中的使用以及局部灰度处理技术等。     

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。     

基于相容粒度的车牌识别算法

车牌自动识别技术对完善收费系统功能,杜绝逃漏费现象,减轻收费人员的劳动强度等有重要意义.结合相容粒度空间处理模糊数据的理论,提出了基于相容粒度的车牌分割和识别算法,有效分割出车牌字符,并从字符库中校对识别字符.实验结果表明,该方法比传统方法速度更快更准确,对车牌图像清晰度要求低.     

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.     

车牌识别软件的改进算法

本文介绍了车牌识别软件的实现过程,重点介绍了在车牌图像中分割车牌并进行区域处理的技术及其改进方法,如对传统模板卷积法的改进、颜色信息在车牌分割中的使用以及局部灰度处理技术等.     

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。     

车牌倾斜校正研究综述

作为智能交通系统的核心技术之一,基于机器视觉的车牌识别一直受到广泛的关注.对车牌图像进行倾斜校正是车牌识别的重要步骤,其目的是解决拍摄角度随机性对识别过程的影响.该文将现有倾斜校正方法划分为直线检测、投影最值、角点检测、主方向分析四类,首先介绍了它们的研究究果,然后剖析了它们在鲁棒性方面存在不足的原因,展望了下一步的研究方向.     

车牌识别系统中的车牌定位算法研究

汽车牌照识别技术（LPR）是智能交通系统（ITS）的重要组成部分,该系统能从一幅图像中自动提取车牌图像,实时准确地自动识别出车牌的数字、字母及汉字字符,使得车辆的电脑化监控和管理成为现实,而在LPR中首先必须实现的就是车牌定位。本文主要利用边缘检测算法和旋转投影法来进行车牌定位。利用边缘检测算法寻找车牌边缘,利用旋转投影法寻找车牌倾斜角度,进行精确定位。     

展望车牌识别技术发展的新方向

车牌识别作为智能交通系统的核心技术之一，是解决车辆管理规范化、信息化、智能化的支撑技术手段。本文从两个方面论述了面向车牌识别的成像机制和方法研究将成为车牌识别技术发展的一个新方向。首先，长期的研究和实践表明：很难找到一种算法可以同时有效地应对不可控交通环境中的各种复杂条件，图像质量始终是制约LPR效能的关键因素，仅依靠算法创新很难从根本上解决这一问题。其次，人为的遮挡严重影响了车牌在颜色、纹理、字符排列结构、几何尺寸等方面的固有特征，使得现有基于车牌识别的各类监管系统无法正常工作，仅从算法或软件的角度研究遮挡车牌的识别是一项很难完成的任务。     

一种改进的基于梯度的自适应边缘检测算法

对常见的边缘检测算法进行改进,从梯度的定义出发,提出了一种应用于灰度图像的自适应阈值边缘检测算法.根据边缘处像素灰度值的差异,将模版中的9个像素分两组进行分析,计算出像素的梯度幅度和梯度方向.按梯度值的不同将图像分割成若干个区域,计算每个区域的灰度平均值,确定阈值,实现边缘检测.实验表明,该方法检测出的边缘更细、更准确,可以除去虚假的边缘,是一种有效的对灰度图像进行边缘检测的方法.     

多新息随机梯度辨识方法的收敛性研究

从理论上给出了多新息辨识方法的推导过程,提出了多新息随机梯度辨识方法,并运用随机过程理论分析了多新息随机梯度辨识方法的均方收敛性,给出参数估计误差上界的计算公式。分析表明数据的平稳性可以提高参数估计精度。最后给出了多新息辨识方法的各种典型变形。     

基于B样条梯度的融合图像算法

图像融合在目标识别、计算机视觉、医学、遥感图像处理等领域应用广泛.利用B样条梯度融合图像算法来解决图像融合,将融合的图像分成3×3子块,计算每个子块的B样条梯度.把待融合图像对应的子块梯度模值累加求和,计算每个子块梯度模值的权值并与每个子块相乘并求和,得到融合后的图像子块.模拟实验结果表明该方法是有效的,优于传统的主分量分析、小波变换和Laplacian金字塔等方法.     

融合深度特征与梯度特征的红外目标跟踪算法

由于红外序列图像目标与背景的对比度低,图像的边缘模糊并且灰度级动态范围小,采用何种特征描述目标成为跟踪的关键。深度特征和梯度特征是目前大部分跟踪算法采用的主要特征,然而深度特征提取的目标语义信息关注类间分类(Intra-Class),忽略类内差别,容易受到相似背景(Distractor)干扰;梯度特征作为局部区域特征不易受背景干扰,但不能适应目标的剧烈形变。基于这2种特征的互补性,提出一种融合深度特征和梯度特征的红外目标跟踪算法。深度特征与梯度特征被分别用来表征目标的语义信息与局部结构信息,增强了对任意目标的表征能力;利用不同特征建立的跟踪模型进一步提高了跟踪的鲁棒性。通过建立模型互助机制,利用深度特征跟踪模型与梯度特征跟踪模型的互补性,对目标实施了精准的定位。实验中,选取了最新的红外视频跟踪数据库(VOT-TIR2016)用来验证文中算法的有效性,结果表明：和当今主流跟踪算法相比,算法在精确度上获得了3.8％的提升,在成功率上获得了4.3％的提升,能够有效处理跟踪中相似背景与形变的影响。     

多变量系统随机梯度辨识方法比较研究

针对工业中广泛存在的多变量系统,研究了辨识这类系统的遣忘梯度辨识算法,分子系统遗忘梯度辨识算法和递阶遗忘梯度辨识算法,对这三种算法的计算量进行了比较分析,并给出了仿真例子.     

概率识别序列滤波器调整时间的研究

对同步中二元量化序列滤波器调整时间进行了研究 ,提出了一种可显著降低同步调整时间的方法 .研究结果表明 ,在输入序列滤波器的信号具有不同程度的置信度时 ,文中提出的方法可以大大缩短调整时间 ,同时可降低同步锁定门限 .改善的程度 ,取决于输入信号置信度及置信度判决门限 .     

车牌自动识别系统中的牌照区域图像分割技术

以车牌自动识别技术中的牌照区域图像分割技术为重点,介绍运用车牌图像进行牌照边缘检测,从而实现图像区域分割,克服整体识别技术中的关键问题的相关内容．     

梯度熵改进边缘检测的自适应阈值曲面分割算法

光照不均匀往往造成背景亮度不均和灰度分布范围较大,会导致图像分割困难和不准确.考虑图像的边缘信息受光线变化相对不敏感,引入梯度熵信息对Canny算法进行改进提取准确合适的边缘.采用最小二乘法的多项式曲面拟合获得阈值曲面,进而提出了基于梯度熵改进边缘检测的自适应阈值曲面分割算法.对多种背景灰度分布不均匀的图像进行算法验证...     

基于区域统计特征的车牌定位与分割算法研究

通过分析车牌区域与背景区域的不同特征,采用车牌的统计特征与图像滤波相结合的方法,针对图像背景区域中不同特征的背景信息,采取相应的措施,逐步滤除车牌背景,实现了对车牌区域的准确分割.实验结果表明,本文所提出的算法能够快速、完整地提取车牌区域的字符信息.     

反射棱镜调整定理

 本文旨在公布一条关于棱镜调整的新定理——反射棱镜调整定理。讨论始于作者早在40年前创建的一条隶属像倾斜的“余弦律与差向量法则”,该法则可视为定理之雏形。然后,逐个地介绍了法则后续发展中的五次提升。最终给出了新定理准确明了的定义。