车牌定位系统中关健技术的研究与实现

针对车牌识别系统中由于分割不准确而造成识别率低的问题,提出一种基于一阶水平差分算子的自适应边缘检测的分割方法,以便更好的将汽车图像从复杂的背景中分割出来,同时用优化投影法对车牌进行定位,并在字符识别中利用改进15特征点提取法实现了车牌字符的识别.实验结果表明,该算法对车牌识别的准确性高,识别速度快,鲁棒性好.     

视频图像车牌颜色辨别方法

在实际应用环境的视频图像中,车牌颜色极易受到天气、光照、粉尘、车牌污垢等的影响．传统的车牌颜色辨别方法主要是通过判断车牌颜色分量的阈值来实现的．在视频图像中,由于车牌颜色变化大,很难找到恰当的阈值,因而传统的车牌颜色辨别方法已不具有普遍的适用性．针对这个问题,该文提出了一种全新的基于AdaBoost算法的车牌颜色辨别方法,通过提取车牌字符和背景在RGB和HSV空间的颜色特征,训练出AdaBoost分类器,从而对车牌颜色进行判断．实践证明,该方法不仅可以很好地判断出视频图像车牌的颜色,对于一些非车牌区域的排除也可以达到很好的效果,     

一种有效的车牌定位方法——数学形态学和字符边缘特征相结合的车牌定位方法

汽车车牌的定位是车牌自动识别系统中的关键环节。采用数学形态学和字符边缘特征相结合的方法对车牌进行定位,首先对车牌图像进行图像的预处理,然后利用数学形态学进行粗定位,最后利用字符边缘特征进行车牌的精确定位。从而实现了车牌图像的准确定位。     

基于支持向量机的车牌字符识别

作者将支持向量机SVM方法用于车牌字符的识别.算法首先采用Gabor变换和外围轮廓结构特征提取的方法提取车牌字符图像的特征参数,然后采用提取的特征训练SVM分类器,再应用SVM分类器分类和判别车牌字符.实验表明这种方法具有良好的车牌识别效果,较强的鲁棒性,较大的应用价值.     

基于HSI空间和边缘检测的一种高性能的车牌定位方法

首先把图像的RGB空间转换成HSI空间,根据车牌区域在HSI空间的特征并结合模糊集合理论可分别得到H特征图、S特征图和I特征图.如果根据这三幅特征图定位车牌失败,则根据车牌的彩色边缘得到边缘特征图.如果边缘特征图也无法定位车牌,则把HSI特征图和边缘特征图结合起来再对车牌重新定位.进行的实验中共有200辆车辆图像,只有9辆定位失败,准确率达到95%.     

车牌识别系统中若干问题的探讨

研究机动车牌照自动识别系统设计中,车牌区域的检测和牌照字符的分割,以达到对字符的区别。实验证明,利用车牌的纹理特征和形状特征检测车牌区域具有较高的准确性,算法的实现以边缘检测技术和数学形态学为基础。字符分割受车牌倾斜角度的影响较大,在运用Hough变换检测出车牌水平和垂直倾斜度后,再对字符进行分割,具有较好的效果。     

伴随投入品替代对内生技术变化的影响（Ⅰ）

建立了技术许可过程中伴随投入品替代的研究与发展（Ｒ＆Ｄ） 模型,讨论了替代过程及其简单均衡,研究了最优Ｒ＆Ｄ速度的变化及其影响。     

基于边缘点投影方差最小的车牌倾斜校正方法

在车牌识别系统中,为提高字符分割和识别的效果,需要对定位后的车牌图像进行倾斜校正.提出了一种基于边缘点投影方差最小的车牌倾斜校正方法.首先将旋转后车牌图像的垂直边缘向水平方向投影;然后导出边缘点投影方差最小时旋转角度的闭合表达式,由此一步确定车牌的倾斜角度;最后通过双线性插值方法校正车牌.给出了实验结果,并与车牌倾斜校正的Hough变换法、旋转投影法和主成分分析法进行了精确度、算法复杂度及运算时间的比较,结果表明所提出的方法精确度高、鲁棒性好、实时性强.通过进一步分析和推广,将车牌倾斜校正方法总结为两种不同类型的方法,并对它们进行了比较.     

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.     

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...