A Multi-license Plate Location Algorithm for Vehicle Sequential Images

针对序列图像的多车牌定位问题,提出了一种综合车牌特征与梯度分析的定位算法.该算法使用灰度均衡化与中值滤波算法对图像预处理来消除噪声,利用测试样本图像提取出若干有效的车牌参教作为定位系统的输入,实现了全自动定位车牌的目的.并引入MGD梯度分析方法辅助边缘提取算法来提取车牌候选区域,利用HSV颜色模型,使用主颜色分析方法分析候选区域,并通过车牌字符纹理分析方法做进一步的判断.使用Hough轮廓检测方法计算非文本区域块的直线斜率.该算法定位效果较好,鲁棒性强,有很好的工程应用推广价值.     

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。     

基于投影特征和先验知识的车牌字符分割算法

在车牌字符分割中由于泥尘、边框、铆钉、间隔符和车牌倾斜等因素影响,字符分割往往不准确甚至错误,针对这些问题提出了一种基于投影特征和先验知识的车牌字符分割算法。该方法先利用水平投影进行水平初分割,再利用垂直投影特征结合先验知识进行垂直分割,最后采用局部投影法实现水平精分割。实验表明该方法可较好的解决以上问题,分割准确率高且速度快,具有较强的实用性。     

基于边缘生长的车牌定位新方法

采用一种新的边缘生长算法提高车牌字符边缘检测的准确率。通过采用灰度局部方差极大的原则以边缘生长的方式检测边缘,实验结果显示该算法检测边缘的速度快,轮廓非常清晰。边缘生长结束后,通过分析边缘的几何特征确定其是否是车牌字符的边缘,最后利用字符与车牌之间的位置关系,准确地定位车牌。采用该算法的车牌定位程序在IntelPIV计算机上的平均运行时间只有100ms。     

基于特征颜色的车牌边缘检测方法

章重点介绍了基于汽车车牌图像边缘检测的定位算法和基于车牌特征颜色的分析方法。大量的实验结果表明，该方法充分利用了车牌的色彩特征，具有思路简明、实用的特点。     

基于分形维数的车牌字符识别

在国内外学者已对车牌区域的定位问题进行了众多研究的基础上，运用分形理论对车牌矩形区域内的字符识别问题进行了深入研究，针对汽车车牌字符的统一性和有限性，在对车牌矩形区域进行切分的基础上运用盒子维方法提取每一字符图像的分数维特征，根据不同字符具有不同分形维数的原理，提出了一种基于分形维数和图像重心的识别算法，并在此基础上对其平移不变性及抗噪能力进行了实验分析，取得了较为满意的结果。试验结果表明该方案是可行的和有效的。     

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。     

基于纹理特征的低照度环境下车牌定位与识别算法

在深入分析低照度环境下车牌图像特征的基础上,提出一种低照度环境下的车牌识别算法。该算法利用车牌区域水平灰度投影具有的显著纹理特征寻找车牌可能存在的区域作为车牌候选区。然后根据候选区域中的灰度分布特征确定最终的车牌位置。针对汉字与字母数字的结构上的差异,分别采用2种模板对汉字和数字字母进行了识别。对157张低照度条件下的车牌抓拍图像进行了算法测试。结果表明:提出算法的车牌定位准确率为97.46%,字符分割准确率为97.10%,字符识别准确率为94.71%,基本满足了实际工程需求。     

一种基于字符复原的车牌识别方法

提出了一种基于字符复原的噪声车牌的识别方法。通过对二值化后的车牌字符进行复原，使字符接近标准模式，便于后续的识别。复原中利用离散Hopfield网络的联想记忆能力，存储车牌字符的标准模式，通过对标准模式进行Schimidt正交化，利用Hebb规则学习权值矩阵，提高了网络的联想记忆能力。对复原前后一批样本进行试验，结果显示复原后能明显提高车牌的识别率。     

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。