License plate location method unaffected by variation in size and aspect ratio

License plate location is a challenging task that is necessary for automatic vehicle identification. This paper presents a new method for locating a license plate when its size and aspect ratio are highly variable. The proposed method begins with an assumption that a license plate exists in a region where dense edges are located. We define an edge region as an area containing rich edges. The edge regions are created by dilating vertical edges, and they are classified into one of four types: left fragment type, right fragment type, whole type, and undefined type. The candidates for a license plate region are constructed by merging edge regions. Knowing what type of edge region is being examined is useful in the merging process. Finally, we verify whether each candidate contains a license plate or not by using the character arrangement information. The arrangement pattern is determined by the size of connected components and by the vertical overlap or horizontal distance between two neighboring components. Experimental results show that the proposed method gives robust results regardless of any variation in the size and aspect ratio of license plates.     

基于场景分类及灰度跳变的车牌定位方法

车牌定位是自动车牌识别系统实现的关键。提出一种基于场景分类及灰度跳变的车牌定位算法。该算法对彩色图像进行场景分析,将图像分类为白天场景类或夜晚场景类。这两类场景的字符与背景的灰度跳变值不同,一般白天场景类的灰度跳变值较大,夜晚场景类的灰度跳变值较小。利用不同的灰度跳变值快速提取出几块车牌候选区域,对不同的场景用不同的方法最终选取一块区域。实验结果显示本文提出的方法对图像场景分类准确率达到98.2%,车牌定位的准确率达到98.5%。     

基于卷积神经网络的双行车牌识别系统

目前,车牌识别发挥在众多应用程序和许多技术已经提出。但是,他们中的大多数可以仅适用于单行车牌。在实际应用程序方案,也有现有的许多多行车牌。传统方法需要对双行车牌的原始输入图像。这是一个非常复杂场景中的难题。为了解决这个问题,我们建议一个端到端的神经网络为两个单行和双行车牌识别。是的原始输入车牌图像的分段。我们查看这些整个图像作为一个单位在要素映射后直接深度卷积神经网络。大量的实验表明我们的方法是有效的。     

Dynamic programming-based method for extraction of license plate numbers of speeding vehicles on the highway

In the last decade, vehicle identification systems have become a central element in many applications involving traffic law enforcement and security enhancement, such as locating stolen cars, automatic toll management, and access control to secure areas. As a method of vehicle identification, license plate recognition (LPR) systems play an important role and a number of such techniques have been proposed. In this paper, we describe a method for segmenting the main numeric characters on a license plate by introducing dynamic programming (DP) that optimizes the functionality describing the distribution of the intervals between characters, the alignment of the characters, and the threshold difference used to extract the character blobs. The proposed method functions very rapidly by applying the bottom-up approach of the DP algorithm and also robustly by minimizing the use of environment-dependent image features such as color and edges.     

一种车牌定位算法的实现

车辆牌照的自动识别是智能交通系统中的一项重要技术,而车辆牌照的定位又是车牌识别的关键点之一。文章依据二值化图像中车牌区域跳变频率高的事实,提出一种算法来确定车辆牌照在原始图像中的水平位置和垂直位置,从而定位车辆牌照。实验结果表明本算法处理速度较快、便于实现。     

车牌识别算法的研究与实现

介绍一种基于KL变换的车牌识别算法。算法主要由车牌分割和车牌字符识别组成。车牌分割算法利用车牌的纹理特征和形状特征来定位车牌，并采用投影的方法和先验知识实现车牌的倾斜校正和字符切分；车牌字符识别算法采用一种最优变换，KL变换来提取字符图像的特征值和特征向量，并通过计算待识别字符与各样本字符特征值的欧氏距离来实现对该字符的分类。试验结果表明此方法是正确的。     

一种基于数学形态学的车牌图像边缘检测及提取算法

针对牌照字符目标与背景的差异性,提出1种基于数学形态学的牌照字符提取方法。该算法对输入图像进行相邻像素差分,保留纵向纹理;通过二值化和数学形态学处理,得到许多大小不同的连通域;计算各连通域的特征参数,利用牌照区域和背景区域对应的连通量的特征差别,实现有效抑制背景而保留牌照的目的。选择了1组有代表性的图像作为测试样本,验证了该算法的准确性和环境适应性。     

基于小波融合的车牌模糊图像复原算法

为了更有效的实现交通信息采集,提出了一种基于小波融合的车牌图像超分辨率方法.首先分析了低分辨率图像的降质原因,主要降质因素包括:图像的形变、模糊和欠采样,根据这些降质因素建立了降质模型,分析降质模型,得出本文方法的理论模型.然后针对交通图像的特点,对形变、模糊和欠采样3个问题进行探讨,得出主要参数的估计方法.并对小波融...     

基于支持向量机的车牌字符识别

支持向量机(Support Vector Machines,简称SVM)能够有效地解决小样本学习、非线性及高维模式识别等问题。对此提出了在无特征提取情况下基于SVM的车牌字符识别方法,通过实验选定二次多项式作为核函数,并将基于SVM的车牌字符识别与基于BP神经网络的车牌字符识别进行了实验对比。结果表明,在训练样本较少的情况下,该系统具有较高的识别率和识别速度,并具有很好的分类推广能力。     

基于主元分析的车牌图像倾斜校正新方法

为解决机动车牌图像倾斜将对其字符分割与识别带来不利的影响,提出一种基于主元分析(PCA)的车牌图像倾斜校正新方法。在该方法中,PCA被用于求取坐标变换矩阵以进行图像旋转修正。将原始的像素坐标矩阵经过中心化后转换为2维协方差矩阵,再奇值分解为能反映图像倾斜方向的2维对角矩阵和坐标变换矩阵。算法的时间复杂度分析与试验结果均表明:相对于Hough等搜索倾角的校正方法,PCA方法缩短了计算时间1￣2个数量级,并且在污迹、光照不均等条件下也能获得较好效果。     

基于投影二分法的车牌字符分割方法

在车牌字符分割中,传统的投影法对车牌图像质量的要求较高,受噪声影响较大,易造成分割字符的粘连与断裂,在一定程度上影响了车牌的识别率.针对传统投影法的不足,文章提出了一种基于投影二分法的字符分割算法,该方法能快速有效地把车牌字符准确地提取出来.实验结果表明,该方法抗干扰能力强,能有效地抑制字符的粘连,减少字符的断裂,车牌识别准确率高.     

基于彩色二值化的车牌定位方法

提出了一种基于彩色二值化的车牌定位方法。首先将彩色图像从RGB颜色空间转换到HSI颜色空间,同时生成一个与彩色图像大小相同的二值化状态特征矩阵,根据车牌的色彩特征,调整状态特征矩阵;再用数学形态学方法对状态特征矩阵进行填充空洞和滤除噪声的处理,并根据车牌的几何特征除去伪牌照区。该方法将图像的色彩特征与状态特征分离,充分利用车牌的色彩特征调整彩色图像的状态特征,并融合了数学形态学方法;而且将车牌的色彩特征和几何特征进行了有机的结合。实验结果表明该方法是一种有效的车牌定位方法。     

基于多分类器--并行计算的车牌识别算法

针对已有车牌识别中技术存在的不足，提出了一种多分类器——模板匹配和神经网络并行计算的识别算法，这一方法对于汉字、英文和数字混杂、数字的识别，分别采用粗分类和面向汉字的双进程计算方法、面向字母的双进程计算方法、简单的数字神经网络方法。这些方法的采用可以缩小检索范围，充分利用模板匹配和神经网络算法各自的识别优点，提高车牌字符识别准确率，并进一步提高运算速度。     

一种基于纹理分析和投影法的车牌定位方法

针对现有车牌定位算法在复杂背景和不同光照条件下很难快速、准确地定位汽车牌照位置问题,提出了一种基于纹理分析和投影法的车牌定位方法。该方法利用车牌区域字符丰富的纹理特征和投影统计规律对车牌位置进行粗、精两次定位。实验表明在不同光照、不同车型和不同背景条件下,该方法定位速度快、准确率高,具有较高的实用性。     

关于车牌号OD调查方法的探讨

车牌号0D调查方法。就是记录通过汽车车牌号。判断车型，目估核载、实载吨位和座位，在汽车不停车的情况下完成OD调查。     

车牌定位及车辆特征识别研究

车牌定位及车辆识别是智能交通管理的主要研究问题.车牌定位识别,通过对图像进行预处理并结合形态学能粗略获取候选车牌位置,对符合特征的候选车牌进行筛选,精确获取车牌位置,最后采用神经网络完成字符识别过程.车辆识别采用迁移学习,采用AlexNet卷积神经网络构造出深度特征向量.形态学能够应对灰度底质量差的情形,为字符识别提供保障.车辆识别时对比直接分类图片特征,迁移学习构造的深度特征分类精度为85.13%,提高了38%,验证了迁移学习的有效性,通过KNN算法表明深度特征能够表征图片属性.针对新数据集重新提取特征、训练样本将消耗大量时间,对比迁移学习和AlexNet框架发现分类精度持平,表明了迁移学习的鲁棒性.      

基于RFID电子车牌数据的公交行程时间预测方法

为了给公交优先信号配时系统提供足够的"思考"时间和准确的控制依据，基于重庆市RFID电子车牌数据提出了一种采用自适应渐消卡尔曼滤波和小波神经网络组合模型动态预测公交行程时间的方法。综合分析公交行程时间的动态和静态影响因素，选取的模型输入参量为标准车流量、路段车辆平均行程时间、平均车速离散性和前班次公交行程时间。利用RFID电子车牌系统采集重庆市鹅公岩大桥路段车辆行驶数据，选取3 000组实际运行数据完成公交行程时间预测模型的训练，另筛选50组数据验证模型的有效性和准确性。研究结果表明：组合模型可动态自适应预测公交行程时间，预测值平均相对误差为3.23%，绝对误差集中在8 s左右，明显优于2种单一模型和基于传统GPS数据的公交行程时间预测模型，可认为选择RFID电子车牌数据作为组合模型的输入，能够明显改善模型预测精度；组合模型预测值的残差分布更为集中、鲁棒性较好，泛化能力强。选择平均绝对误差值、均方根误差值和平均绝对百分比误差作为模型评价指标，结果进一步表明，组合模型的综合预测效果明显优于单一的自适应渐消卡尔曼滤波和小波神经网络。研究方案可为先进公交信息化系统提供良好的技术支撑。     

盲图像质量评价在智能交通系统中的应用

针对交通系统图像的特点,构建了盲图像质量评价在智能交通系统中应用的框架。对于获取到的交通图像首先进行预处理（包括车身区域分割和车牌检测）,然后对影响交通图像质量的亮度、对比度及清晰度分别进行评价。对实际获取的图像利用算法进行了验证,实验结果表明,算法可以较好地对交通图像进行分类且评价结果与主观评价一致。     

车牌识别技术在多义性路径问题中的应用

以上海高速公路网建设为背景,针对路网存在的多义性路径问题,提出了基于车牌识别技术的判别车辆路径的方法,介绍了一种车牌识别系统方案,包括方案设计、路径识别流程设计、系统架构和收费流程.讨论了如何将车牌识别系统扩展至联网收费中.     

基于FCM和组合神经网络的车牌汉字字符识别方法

提出了1种组合神经网络结构的车牌汉字识别方法,主要从特征选取和分类器设计2方面研究车牌汉字字符识别,识别系统由2层神经网络组成,应用FCM算法对汉字进行粗聚类,聚类结果作为后续网络的先验知识,产生网络训练目标,采用LVQ网络进行粗分类,通过BP网络进行细分类。该种分层结构缩减了待识别模式的搜索范围,克服了传统单层识别系统识别率不高和组合网络粗分类率低的缺点。实验结果显示,本方法的识别率高,识别效率较好。