基于数字图像处理对汽车牌照自动识别系统的研究

以快速准确识别汽车牌照号码为目的,在充分利用数学形态学与多特征组合分析相结合分析的基础上,运用灰度变换、边缘检测、Radon变换、投影特征等图像处理方法,分车牌检测、字符分割、字符识别三步实现汽车牌照的识别,处理过程中考虑并解决了现实拍摄图像中存在的牌照倾斜等不利条件,用MATLAB软件对这些算法进行仿真,经过对多幅图像的处理实验表明,该系统识别速度快,识别率高。     

高速公路路面裂缝识别算法研究

经过研究给出了不均匀光照的路面裂缝图像识别的详细算法。算法采用多窗口中值滤波进行图像平滑,既能去除图像的噪声点,又较好地保留了裂缝的边缘信息;使用背景子集图像插值校正法进行灰度校正,有效地克服了不均匀成像对后期图像分割的影响;采用otsu阈值分割、形态学去噪及连通区域标记完成裂缝图像分割;选用连通区域个数、投影特征和分布密度3个参数完成裂缝分类;最后提取裂缝长度、宽度和破损面积等裂缝参数。实验结果显示分类准确率为94%,线状裂缝长度误差均值为7.2%,宽度误差均值为11.3%,非线状裂缝的面积误差均值为9.6%,表明这一方法有效、可靠。      

复杂背景下基于形态学的车牌识别系统

车牌识别(LPR)是智能交通系统中的一个重要研究课题。本文提出了一个在高速公路复杂背景下,基于形态学的车牌定位和识别系统,它包括图像垂直边缘检测,边缘密度图生成,图像二值化和膨胀,连通域分析,车牌定位,基于先验知识的车牌字符分割和车牌字符识别。在实验中,使用高速公路上采集的9825幅图像数据库来做测试,车牌定位率为98 1%,车牌识别率为89 2%。所以说,本系统具有很好的应用前景。     

基于固定颜色搭配搜索和形态学的车牌定位

汽车牌照定位是牌照识别系统中的关键技术之一.为了快速准确地对汽车牌照进行定位,提出了一种基于固定颜色搭配搜索的车牌定位新方法.该方法包括图像自适应预处理、固定颜色搭配搜索、形态学处理和车牌候选区域判断,以及最后的车牌底色识别等5个步骤.与传统的车牌定位方法相比,该方法不仅能够有效减少伪车牌区域的检验和能够判断出车牌的底色,而且可以有效地解决背景环境复杂及车牌底色和车身颜色相一致的车牌定位问题.试验结果表明,该方法具有算法简单、实时性强和定位精确高等优点.     

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。     

复杂背景下的多车牌定位技术研究

针对竖直边缘检测的车牌定位方法在多车牌定位中的梯度分割阈值的问题,提出一种改进的阈值选取方法。即先将图像进行区域划分,然后采用区间梯度均值和Otsu阈值的平均值作为新的阈值来分割区域图像。该方法对车牌污染、车牌远近不一致等情况具有良好的适应性。同时,针对从车牌候选区域中去除伪车牌的问题,提出了利用新的主连通域分析的方法和颜色、宽高比等特征来从候选区域中正确提取多个车牌的方法。该方法能够较好地去除复杂背景下的类似于车牌背景的颜色伪车牌,以及和车牌字符有着相似纹理特征的伪车牌。测试结果表明,该方法车牌定位率超过97.3%,去除伪车牌后的车牌定准率超过88.5%,同时在时间上能够较好地满足实时路况中准确定位出车牌的需求。     

指针式仪表表盘的缺陷检测

本文将表盘字符检测与表盘刻度检测相结合的方法用于对刻度式电仪表表盘进行缺陷检测。该方法充分利用目标图像的几何特征,将表盘进行特征提取。讨论了基于字符的像素密度特征与字符映射进行检测的算法,并运用八邻域算法对以刻度线扫描。实验表明该方法对指针式表盘检测结果非常理想。     

结合图像增强和数学形态学的水泥混凝土路面裂缝识别方法

针对水泥混凝土路面裂缝识别的干扰和噪声问题,提出一种结合图像增强和数学形态学的裂缝检测方法。首先利用小波变换和空域滤波滤除图像中的干扰和噪声;接着采用形态学基本操作增强裂缝与背景的对比度;最后采用基于形态学的多尺度梯度边缘检测方法实现裂缝提取。试验结果表明,相比于传统的基于边缘检测算子的裂缝检测方法,文中方法可以有效地去除图像中的干扰和噪声,同时能够完整地保留裂缝方向及形状。     

基于神经网络的隧道行车车牌识别技术研究

针对隧道环境下高速行车的车牌识别问题,提出使用红外摄像机采集监控视频,背景重建法进行车辆信息检测;采用Canny边缘定位算子与形态学结合的方法确定图片的车牌区域、投影法和固定边界法相结合的方法进行字符分割、引入特征提取与BP神经网络相结合进行字符的识别,提取车牌信息;并通过改进BP神经网络的学习方法来提高字符的识别速度。项目研究运用Matlab进行了大量车牌图片的样本实验,以验证此算法车牌识别的速度、准确率。     

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。     

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。     

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.     

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.      

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.     

License plate extraction method for identification of vehicle violations at a railway level crossing

The primary cause of most railroad accidents is vehicle entry into railway level crossings despite warning messages. To identify drivers who violate railway level crossing regulations, vehicle license plate recognition can be applied at railway level crossings. The purpose of this paper is to present an effective method for extracting the license plate region from vehicle images taken at railway level crossings. The method proposed in this paper uses the variation in the gray-level values across the image of a license plate. For license plate region extraction, the character region is first recognized by identifying the character width and the difference between the background region and the character region. The license plate region is then extracted by finding the inter-character distance in the plate region. In addition, the license plate type is identified by the difference in the gray-level value between the background region and the character region. The proposed method is effective in solving the current challenges in extracting the license plate region from the damaged frames of license plates issued for domestic use, including new types of license plates. According to the experimental results, the proposed method yields a high extraction rate of 99.5% for vehicle license plates.     

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。     

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。     

基于彩色图像车牌分割研究

智能运输系统中车牌识别技术得到了广泛应用,车牌分割是车牌识别的重要部分。基于彩色图像车牌分割与采用灰度图像车牌分割相比,可以有效消除阴影影响,同时车牌颜色也是车牌识别的一个参数。颜色分类处理使用特征函数,可以减少颜色坐标转换运算,提高颜色分类速度。文中详细讨论中国车牌特征,给出车牌分割详细步骤。车牌区域判别采用信息融合技术。车牌倾斜矫正结合车牌倾斜特点,提出快速算法。