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.     

基于数学形态学车牌自动定位和倾斜校正

针对车牌识别系统中,由于光照变化、背景复杂、车牌褪色或相对摄像机位置不同带来的图像倾斜等原因,导致车辆图像质量不高,影响车牌定位和识别。基于优化组合数学形态学基本运算,结合灰度信息离散化对车牌初定位,再利用先验知识,对车牌进行精确定位,最后采用两点法对倾斜的车牌图像进行检测和校正。实验结果表明,得出的定位和倾斜校正方法简单、快速,且具有较好的稳定性。     

车牌识别中的倾斜车牌校正算法

在车牌自动识别过程中,图像的倾斜会给后续字符分割和识别带来困扰。利用传统Hough变换进行矫正的运算量很大,文中提出采用Canny算子提取图像边缘,去除牌照图像中和矫正无关的所有冗余信息,减少矫正过程的运算量,利用仿射变换理论采用双线性插值法校正车牌图像。实验结果表明,该方法可以准确地检测出车牌的倾斜角度,同时矫正速度比传统Hough变换方法要快。     

一种基于特征的车牌定位算法

介绍了车牌定位常用的几种算法,并比较了各自的优缺点,然后提出了基于特征的车牌定位算法,借助统计跳变次数粗定位出车牌的上下边界.在此基础上,精确定位出车牌的左右边界.为了提高定位效率,对车牌图像进行了预处理和倾斜校正.实验结果表明,算法具有良好的抗干扰能力、简单快速、准确性高.     

基于方向场的车牌倾斜校正方法

车牌字符分割与识别是智能交通系统中的重要环节,而倾斜变形的车牌图像对车牌字符分割与识别有很大影响,为解决这个问题,提出了一种基于方向场的车牌校正方法.建议方法采用Sobel算子计算车牌图像的梯度方向场,通过对方向场角度直方图的分析找出车牌水平倾斜角,根据水平倾斜角对车牌图像进行水平旋转校正并二值化.然后,应用垂直投影法...     

基于MALAB的车牌定位算法研究

利用Matlab工具实现车牌定位算法研究。利用灰度修正，滤波和图像增强等预处理方法。较好地消除了图像的噪音，提高了图像质量。通过对车牌特征的研究，利用边缘检测和扫描方法实现车牌定位。     

基于改进特征提取的BP神经网络车牌识别

车辆牌照的自动识别是计算机视觉与模式识别技术在智能交通领域的重要应用．为提高车牌字符识别系统对字符的整体识别能力,对车牌上的汉字与数字字符做分类处理,利用粗网格、边框和笔划密度方法更好地提取识别对象特征,最后采用BP神经网络进行字符识别．实验表明,本文所采用的方法能达到较好的识别效果,说明多种特征提取方法和神经网络识别技术的有机结合能显著提高系统性能．     

车牌识别中倾斜度调整算法

为减少计算机对车牌图像识别的复杂性,在图像识别前,要对车牌图像进行倾斜度的调整。针对二值化后的车牌图像进行特征分析,利用垂直投影,计算出字符间的距离,根据倾斜车牌和非倾斜车牌垂直投影的字符间距离大小的变化,确定图像的倾斜角度;利用图像旋转的算法,得到非倾斜的图像,从而完成车牌的倾斜度的调整。基于效率的考虑,又提出了该倾斜算法的优化算法。     

基于FPGA的车牌倾斜校正系统

提出一种基于FPGA的倾斜车牌图像实时校正架构,包括两个过程：一个是车牌倾斜角检测;另一个是倾斜车牌图像校正。此架构能够很好的实现倾斜角度在正负20度之间的倾斜车牌图像的校正,并在VGA显示器上实时显示,为车牌字符分割提供了有利的条件。     

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。     

基于改进KPCA算法的车牌字符识别方法

针对核主元分析(KPCA)用于提取车牌字符特征不足的情况,提出了一种采用多组均值矢量来代替原始图像矢量进行核矩阵计算的方法,该方法使得核矩阵维数大幅降低,同时有效地保留了字符图像信息.实验结果表明,该方法在不降低识别精度的基础上对输入数据实现了有效的降维,大大缩短了计算时间,有效地满足了车牌实时识别系统技术要求.通过实验对比可知,该方法比目前常用的PCA及FLD算法具有更高的性能指标.     

基于SVM的车牌字符识别算法研究

SVM可在训练样本很少的情况下获得很好的分类推广能力。首先分析了用多类SVM算法对车牌中的字符进行识别时存在不可区分的区域问题和采用模糊SVM算法解决该问题的办法,然后讨论了字符特征的提取方法,并根据我国车牌字符的特点分别设计了汉字、字母、数字、字母/数字4个基于模糊多类SVM的字符分类器。最后在MATLAB环境下,采用径向基核函数对算法进行学习训练。实验测试结果表明,该方法可以很好的提高字符识别的速率和效率。     

基于支持向量机的车牌识别方法

车牌识别（LPR）是智能交通中关键技术之一.针对目前车牌识别技术存在的一些问题,详细分析基于支持向量机的车牌字符识别方法,字符特征提取方式采用一种基于半分积分投影法,选用高斯径向基作为核函数对字符进行训练.仿真实验结果表明效果良好.     

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.     

一种改进的车牌定位方法在车牌识别系统中的应用

车牌识别在智能交通系统中起着重要作用,车牌定位是车牌识别中的关键步骤,目前车牌定位的方法多种多样,各有所长,但是存在着计算量大或定位准确度不高等问题.尝试使用梯度投影与彩色区域分割相结合的方法来实现车牌识别系统中的关键步骤——车牌定位.实验结果表明此方法算法简单、准确率高、实时性好,能够满足实际车辆车牌自动识别系统应用的需要.     

改进的基于SVM的车辆牌照识别技术

分析传统基于支持向量机(SVM)的汽车牌照识别技术实现的难点,提出一种基于边际向量的快速车辆拍照识别算法,阐述改进算法的思想和原理,给出边际向量的具体求解过程以及算法的识别流程.实验结果表明,改进算法的时间复杂度比普通SVM算法低一个数量级.     

基于多分类器的牌照字符识别算法

通过对牌照特征及已有识别算法进行分析,提出了基于多分类器-模板匹配与支持向量机相结合的牌照字符识别算法。首先利用模板匹配进行粗分类,将多类问题转化成两类问题,再利用支持向量机进行精确分类。在模板匹配环节,使用灰度分布标准化,增加字符与模板的相似度。在Virtual Studio环境下进行测试,结果表明:与单一分类器相比较,该方法的识别精度与识别速度都有了很大的提高。