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。     

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.     

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.     

低清晰度车牌识别技术的研究与应用

为提高低清晰度车牌识别技术中字符分割和识别的准确率,提出了在HSV(色调,饱和度,亮度)颜色空间下使用最大类间方差(OTSU)算法来对车牌图像进行二值化,然后结合特殊间隔位置和投影法来精确分割字符,并在字符识别阶段引入了卷积神经网络.通过对真实场景中提取的低清晰度车牌进行实验可见:提出的分割算法能够准确分割字符,准确率可达96.5%,同时引入的卷积神经网络对车牌字符识别率为97.8%,能够有效解决低清晰度车牌字符的分割和识别问题.     

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.     

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。     

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.     

用改进的投影法实现车牌字符分割

提出了一种改进的车牌字符分割投影方法。首先用Otsu算法对车牌图像二值化,再对边框、铆钉进行处理,消除其带来的不利影响,最后利用Hough变换做直线检测,确定车牌的倾角后进行矫正。各环节均在Matlab环境下完成。试验结果表明,在选定的使用未经改进的直接投影无法分割的图像样本中,94%的样本通过改进的投影法被正确分割。     

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Retinex算子融合特征搜索的图像识别算法研究

针对人脸图像识别系统易受光照干扰,在复杂背景下,易识别出伪目标,使其识别精度不高等难题,综合考虑高斯核函数的x,y方向,设计新的Retinex识别算子;并调用Open CV函数库中训练好的Hear分类器来进行模式匹配,形成了基于Open CV的人脸检测机制;再引入PCA特征搜索方法,搜索人脸信息;最终提出了人脸识别耦合特征搜索的安防系统解决方案。并测试该系统的性能,结果表明:与当前基于Retinex与PCA的识别算法相比,该算法具有更高的识别精度;且识别效率更高,能满足实时性要求。     

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.     

基于多种特征的彩色车牌定位方法研究

本文提出了利用车牌颜色特征和纹理特征多种特征结合来进行车牌定位的方法,克服了以往车牌定位技术只利用单一特征进行定位的缺点。文中提出的方法首先利用HSV颜色空间去除非车牌颜色区域,然后利用颜色伴生、字符密度、区域几何等特征结合进行最终精确定位。该方法可以摆脱单一特征在车牌大小、位置以及背景和光照等方面的限制。实验证明本方法具有较好的检测效果。     

基于Haar与MB-LBP特征的车牌检测算法

针对传统AdaBoost算法中训练耗时及权值扭曲现象,提出了一种融合Haar和MB-LBP特征的车牌检测算法.首先,分别计算使得分类误差最小的Haar与MB-LBP特征,经比较2种特征的误差,选择最优的特征构成弱分类器,并利用AdaBoost算法将各弱分类器进行有效的级联;其次加入了权重阈值,调整了样本权值的更新规则,避免了训练过程中权值扭曲现象.该算法用于检测图像中的数字0～9,利用非最大抑制合并检测到的数字区域,通过车牌的灰度跳变特征过滤候选区域,更精确地定位车牌.实验表明,该方法有效地缩短了训练时间、减少了特征的个数、避免了训练中出现的权值扭曲现象、检测率较高且误检率较低.     

改进AdaBoost算法的条码识别

针对传统激光条码读写器受读取距离和条码形变等因素影响较大的缺点,提出一种基于决策树和AdaBoost算法融合的图像条码识别方法,采用5维特征提取法,结合条码图像特点,对条码图像进行标定.研究结果表明:本方法可以实现对视距内任意角度和距离条码的准确识别,并能有效识别脏污条码.该研究成果极大的方便了条码读取,可应用于物流系统检查、分拣货物等.