复杂背景下的汽车牌照自动识别系统

本分析了目前存在的车牌自动识别系统及其相应的问题，同时提出了一种在多分辨率下串行运算的金字塔结构的车牌自动识别系统。该系统由两个重要步骤组成：(1)结合数学形态学的字符笔画分析的车牌定位算法，(2)分析类字符连通域的字符切分算法。通过大量的实验证明该方法准确率高，鲁棒性好，速度快。用1013幅图像对该系统进行测试，正确率为95．27％，平均处理一幅图像只用0．49秒。     

车牌定位的一种神经网络方法

汽车牌照自动识别（LPR）是ITS中的一项关键技术。对实时采集的图像，能自动地提取车牌照信息，有利于快速、高效进行车辆监控和管理，真正实现交通管理的智能化。而车牌定位又是车牌识别的必要的先决条件，直接影响LPR的成功与否。针对国标GA36—1992，结合图像的边缘特征，给出了一种快速可行的车牌照定位方法，供同行们参考。     

基于灰度形态学的车牌定位算法

根据车牌图像的统计特征,计算形态学滤波器的结构元素,进行图像背景估计;利用闭-开运算,处理残差图像;采用自动搜索种子区域填充算法,得到各个区域;根据区域的几何特征,判断是否为车牌区域;通过对二值化的车牌采用K-means聚类拟合直线方法进行倾斜校正,得到最终的车牌.实验结果表明:该算法简单、迅速,定位准确率高,为后继字符分割和识别奠定了基础.通过对120幅图像定位实验,总有效定位率为96.7%.用Matlab7.0实验时,每张车牌平均定位时间为2.438s,而用VC++实现时,平均定位时间仅为0.139s.     

基于边缘检测及数学形态学的快速汽车车牌定位

车牌定位是汽车牌照识别系统的重要环节,定位的准确性直接影响车牌识别的准确率.文章研究了利用图像边缘及数学形态学的快速汽车车牌定位方法,首先将彩色图像灰度化,并利用Sobel算子进行图像边缘提取,然后运用数学形态学算法对二值图像进行处理,得到几个车牌候选区域,最后利用连通区域的长宽比,面积比及车牌字符水平分布特征等来准确定位车牌.实验表明,这一方法能快速准确地实现车牌定位.     

基于主动学习AdaBoost算法与颜色特征的车牌定位

人工选取少量的车牌区域和非车牌区域,采用积分图法快速提取Haar-like扩展特征,构成初始训练样本.使用AdaBoost算法训练样本产生一个初始分类器,经过主动学习过程,产生一个用于车牌检测的强分类器.利用Cascade结构检测法进行车牌的粗定位,通过提取边缘颜色对,对候选区域进行验证,实现车牌区域的精确定位.对不同光照条件及车牌污损等复杂情况下的车牌图像进行了定位测试.测试结果表明:车牌的粗定位率和精确定位率分别为98.3％、97.1％,平均定位时间小于0.1s,因此,该方法有较好的车牌定位效果和定位准确率.     

基于色彩分割与体态纹理分析的车牌定位方法

本文提出了一种基于色彩分割、体态分析及数学形态学纹理分析的车牌定位方法．该方法利用车牌与背景的色彩特征，在HSV(Hue，saturation，value)空间内根据车牌颜色的三分量取值范围和色彩距离阀值进行色彩分割以初步过滤背景．对分割后得到的与车牌底色相符合的连通区域再根据车牌体态特征和车牌字符纹理特征，应用数学形态学处理及连通域体态分析等手段，逐步过滤干扰区域，最终定位正确的车牌位置．该方法充分考虑了车牌与背景的色彩、体态及纹理特征的差别．实验证明在复杂背景下具有很强的适应性与鲁棒性．     

车牌识别技术实现方法初探

现代智能交通系统把计算机视觉和模式识别技术应用到车牌识别技术领域中,车牌识别是指对已知车辆数字图像进行预处理、车牌定位、字符分割、字符识别的过程。车牌识别系统中的关键技术在于车牌区域定位技术和字符分割与字符识别技术,探讨了车牌识别过程中的常用方法。     

基于投影图像分布特征的车牌定位算法研究与实现

汽车牌照的自动定位是智能交通系统中的重要组成部分之一，是实现车牌识别（LPR）系统的关键一步．针对不同背景和光照条件下的车辆图像，提出了一种先利用扫描行跳变点数据得到图像的水平投影图，再通过突出图像列的边缘特征得到垂直投影图从而提取出车牌的方法．理论分析及实验结果表明该方法是非常有效的，准确率高、鲁棒性好，具有较好的实用价值．     

Android平台下基于OpenCV的车牌号识别技术

针对车牌识别算法在手机上应用的需求越来越迫切的问题,提出一种基于OpenCV的车牌号识别方法,并在Android平台下实现.该方法由两部分构成:其一为单一的车牌图像识别,分为图像获取、图像预处理、车牌定位、字符分割和字符识别等过程;其二为自动筛选识别结果,即连续拍摄图像并识别,通过其结果的一致性和匹配度自动选择最佳结果.经实测和分析可知:该方法在主流手机上处理速度可达到20帧/ms;影响识别率的主要因素是车牌污损和拍摄角度偏差;在实际环境中识别率可达90%以上.研究结果表明,该方法具有较高的实时性和识别率,可适用于在运动过程中进行车牌识别的场景.     

基于改进二维离散小波变换的多车牌定位

针对复杂背景提取多个车牌的问题,提出一种改进的二维离散小波变换的多车牌定位方法。根据小波多尺度分解的特性,对图像进行二维离散小波变换,获得一系列小波低频信息图,与原图像做线性差值,获得车牌字符的细节特征;然后根据二值化图像中车牌字符与背景的差异产生灰度跳变,粗定位车牌在图像中的行位置,缩小车牌定位的查找范围;最后,在粗定位的小范围图像中,利用颜色特征和形状特征精确定位所有车牌。研究结果表明:改进的二维离散小波变换图像相比传统的二维离散小波变换图像,灰度均值、标准差和平均梯度提高近一倍,有效获取原图像的边缘信息缩小多车牌位置;多车牌定位方法可以达到98.96%的准确定位率,平均用时328 ms,能够准确、快速定位多车牌。