基于边缘检测及灰度跳变的车牌定位算法研究

为了能在复杂背景及不同光照条件下准确地定位出车牌,提出了一种基于边缘检测和灰度跳变的车牌定位算法．该算法首先对获取的图像进行灰度化、图像二值化等预处理操作,提高图像质量,突出车牌信息,接着对车牌图像进行边缘检测,在此基础上采用水平方向和垂直方向上的灰度跳变统计来确定车牌区域的上下边界和左右边界,从而实现车牌定位。实验结果表明,该方法可以比较准确、快速地实现车牌区域的定位．     

基于行扫描的车牌定位算法

车牌定位是车牌识别中的关键步骤。针对车牌区域内字符串具有丰富的纹理特征,本文提出了一种基于行扫描的车牌定位算法。该方法根据车牌纹理特征采用行扫描的方法确定出水平区域,再利用车牌的长宽比在水平区域内确定出左右边界。实验结果表明,此方法能比较准确的定位车牌,便于进一步的车牌分割识别。     

一种改进的快速车牌定位算法

文章提出了一种基于纹理特征和颜色特征的车牌定位算法.算法首先利用车牌的纹理特征对车牌进行了初步定位,其中主要有图像预处理、边缘检测、数学形态学处理等步骤.最后利用车牌区域的颜色特征对车牌区域进行精确定位,主要包括空间转换、边界确定等步骤.对80张相片进行测试的结果表明,该方法准确率高、速度快.     

一种基于Adaboost的车牌定位算法

针对成像过程的光照影响以及车辆的污损对车牌定位影响较大的情况,提出了一种基于Adaboost的车牌定位算法.该算法首先将车牌彩色图像进行预处理,然后使用Adaboost算法进行车牌定位,最后使用车牌颜色模型对车牌定位结果进行校验.相对于目前用于车牌定位的方法,该算法具有较快的定位速度和较高的准确率.实验证明,采用该算法能获得较好的车牌定位效果,鲁棒性强,具有较大的实用价值.     

基于明暗度分类和改进二分法的车牌字符分割

车牌字符分割易受到车牌倾斜及边界、杂点的干扰,致使复杂条件下的车牌图像分割准确率不高,针对该缺点提出一种鲁棒性强的分割算法。在车牌预处理阶段进行图像明暗度分类及灰度图增强,以此为基础进行倾斜校正及上下边界定位;在字符切分阶段采用改进二分法进行分割,之后对1,2,6,7四个字符实现了边界精确定位。实验表明,该算法实时性较好,能够有效克服车牌对比度不高、模糊、粘连和倾斜的缺点。     

基于车牌颜色特征的定位方法研究

针对车牌自动识别中车牌定位问题,提出了一种基于颜色信息的车牌定位算法。该算法基于HSV颜色模型,对车牌图像进行颜色分割找出候选车牌区域,然后利用车牌自身的两种颜色特征剔除伪车牌,最终正确定位出车牌,实验证明该算法的正确性和可行性。     

一种车牌图像二次定位算法

针对车牌识别系统中关键性的定位环节提出了一种二次定位算法,在预处理后对车牌图像先进行粗略定位,再进行精确定位。该算法前后衔接紧密,灵活有效地利用了二值图像所受干扰主要来自车牌上方这一特征,对图像由下至上搜索定位;利用Hough变换对图像进行多直线检测,确定边界后实现精确定位。在Matlab平台上的测试结果表明,该算法速度快,准确率较高。     

基于金字塔变换和形态学的车牌定位算法研究

车牌定位是车牌识别系统的关键技术之一。为了快速准确地定位车牌,文章提出一种改进的金字塔变换和数学形态学的车牌定位算法。首先通过金字塔变换进行预处理,增强图像的细节信息,减弱环境和光照等条件变化对车牌定位的影响;然后利用图像二值化和数学形态学技术形成包含车牌的若干候选区,在此基础上设计了一种"先周边后中心"的车牌提取算法;最终准确定位出车牌位置,提取出车牌图像。通过对不同地点、不同自然条件下采集的图像进行测试,得出定位准确率为99.2%、平均定位时间为0.309s,证明了该车牌定位算法准确可行,具有良好的性能。     

基于并行特征匹配的车牌定位与识别算法

针对智能交通系统中车牌定位速度慢,信息识别准确度低的问题,提出了一种高性能的车牌定位及字符识别算法.进行车牌图像预处理,在彩色图像中搜索边缘密度快速突起的矩形域,在搜索后的矩形区域内采集相似走向的双边曲线,筛选出双边走向具有突出相似特征的区域,以此定位出包含字符的真实车牌区域,通过改进的神经网络模型进行多模板同位权值匹配,将待匹配模板逐层剔除,接着进行相似模板的异位权值匹配,准确识别出车牌图像里的字符信息.该算法抓住了车牌的矩形特征和字符具有的并行双边走向的重要特点,利用新型的同异位并行模板剔除方法,提高了车牌定位的速度和字符识别的准确度.     

基于CAGH检测和投影法的车牌定位算法

提出了一种基于CAGH算法和投影法进行车牌定位的方法。CAGH基于梯度幅度直方图和类内方差进行边缘提取,先分析经“非最大梯度抑制”后的梯度幅度直方图的特征,确定边缘集中区域,再通过类内方差确定梯度阈值,并利用该阈值确定边缘。然后利用投影算法在其所得边缘图像中寻找车牌的左右边界和上下边界,结合图像灰度序列与单位矩形的互相关函数定出车牌的位置,为进一步精确车牌定位以及字符识别打下基础。     

基于灰度跳变与形态学的车牌定位法

车牌定位是车牌识别系统的关键步骤,定位的准确与否直接影响车牌识别的结果.提出了一种基于灰度跳变与形态学的定位方法.对于车牌候选区的二值图像,根据车牌的水平分布特点,从长宽之比、面积之比等多个方面进行综合分析,从而可以更加精确地对车牌进行识别.实验验证表明,基于该算法的车牌识别系统能够达到较高的车牌识别率.     

基于边缘颜色对特征及笔画穿越双层检测车牌定位算法

针对现有车牌定位算法鲁棒性不够、准确度不高以及参数设置困难等问题,提出基于边缘颜色对特征以及笔画穿越双层检测车牌定位算法,不但充分利用车牌边缘颜色搭配信息,而且有效利用了车牌字符结构信息。粗检测阶段:首先进行边缘检测,人工收集所有搭配的彩色边缘特征数据,利用机器学习模型建立车牌边缘颜色对覆盖分类学习模型,然后利用车牌边缘颜色对覆盖分类学习模型,并利用先验信息进行形态学处理形成车牌候选区域。验证阶段:针对粗检测车牌候选区域,扫描车牌边缘穿越信息,最后利用车牌区域整体边缘分布覆盖分类模型进行候选区域验证处理。该方法利用车牌背景与字符具有固定颜色搭配的重要特点,综合利用了车牌的结构特征和纹理特征,提高了车牌定位的可靠性。实验采用100幅含有不同颜色搭配的车牌图像进行实验,定位准确率达到96%以上。     

车辆定位导航系统的新定位算法

依据大数定律及其相关的假设,用计算几何的若干知识,设计车辆定位导航系统的一种新定位算法.该算法通过计算凸壳、凸多边形三角剖分、凸多边形面积及直径等诸量获得车辆运行的近似路线.计算结果表明,用该算法可以提高车辆定位导航系统的定位精度,并优于基于卡尔曼滤波的GPS/INU/MM组合导航算法的结果.     

一种基于SIFT特征提取的车牌定位方法

针对传统车牌定位算法对车牌图像质量要求较高、鲁棒性较差、准确率较低等不足,提出了一种基于尺度不变特征（SIFT）特征提取的车牌定位新方法．它利用车牌中汉字字符的局部特征属性,以SIFT特征提取方法进行抽取,并用之构建特征模板库,然后把待识别车牌图像的SIFT特征与之相匹配,用RANSAC算法剔除误匹配点后,便得到仿射变换矩阵,从而实现对车牌较准确的初定位和初倾斜校正．进一步对提取的车牌区域图像二值化,用Radon变换求得倾斜角度后,可生成精确的仿射变换矩阵,并实现对车牌的精确定位和倾斜校正．实验表明：与传统算法相比,本方法不仅能够实现准确的车牌定位及倾斜校正,而且对图像亮度、污损、倾斜、尺寸变化等具有良好的适应性和鲁棒性．     

基于阈值分割和区域生长的车牌识别方法

【目的】改善车牌定位的质量,提高车牌识别的正确率和效率。【方法】联合使用阈值分割和区域生长算法进行车牌定位,使用垂直投影法进行字符分割,并使用字符模板匹配方法实现车牌字符的识别。【结果】基于阈值分割与区域生长的车牌识别方法能准确地识别出车牌号,识别率高,运行速度快。【结论】该方法实时性较好,具有一定的实用价值。     

基于最大梯度差和边缘搜索的车牌定位方法

车牌定位是车牌识别系统的关键技术,定位的准确与否直接影响车牌识别的结果.为了实现车牌的准确定位及车牌识别,依据车牌区域具有丰富的边缘信息,提出了一种改进的车牌定位算法.利用最大梯度差缩小车牌图像范围和矩形匹配法粗定位车牌,根据搜索车牌的边缘信息来精确定位车牌.实验结果证明了该方法的可行性及定位的准确性,并且比单一使用最大梯度差法的定位准确率有较大的提高.     

基于最大稳定极值区域与主要旋转不变局部二值模式的复杂场景车牌检测方法

为了解决在复杂场景中进行车牌定位的问题,提出了一种基于MSER与DRLBP特征的车牌定位方法。首先对输入图像进行预处理,然后在多个通道上进行MSER候选区域提取;接着利用所设计的基于车牌字符合并的车牌定位方法进行车牌字符合并;最后利用DRLBP纹理特征对合并后的区域进行验证从而得到最终的车牌区域。实验结果表明该方法具有较好的定位能力。由于方法是通过寻找车牌字符进而定位车牌位置,因此其受车牌颜色、车牌格式的影响较小,在复杂环境中对国内外不同车牌均有较好定位效果。     

基于纹理特征与颜色对信息的车牌定位方法

介绍了利用纹理特征和颜色对信息建立了对车牌进行定位的算法,阐述了其算法流程,并探讨了该方法的优势与不足之处。     

基于扫描线的新型车牌定位方法研究

针对车牌定位易受光照、场景等因素的影响,无法准确定位的问题,研究并提出了一种基于扫描线的车牌定位方法。首先增强图像并去噪,改善图像质量;接着通过水平边缘检测和行扫描粗定位车牌区域,通过扫描线聚类增长固定候选车牌区域;最后通过水平投影和倾斜校正精确定位车牌。通过多组不同条件下车牌的对比实验,验证了该方法能够适应各种条件下拍摄的车牌图像定位,具有较高的鲁棒性。