基于深度学习的非约束场景多车牌识别方法研究

为解决非约束场景下的车牌识别精度问题,提出一种能够适应非约束场景并识别不同类型单车牌以及多车牌的自动车牌识别模型。该模型应用数据迁移技术,通过YOLOv5检测车辆并通过后处理筛选有效车辆目标,经检测并矫正后,通过ResNet18以及双向长短期记忆网络BLSTM网络结合连接时序分类损失CTC识别车牌字符。在模型训练过程中使用数据增强技术进一步提高了模型性能。该模型在CCPD以及AOLP的多个子数据集上进行了测试,展现出了优于其它方法识别精度和识别速度。

一种复杂背景下的多车牌图像分割与识别方法

提出一种复杂背景下的多车牌图像分割和识别方法 .采用统计和特征匹配相结合的方法去除待识别图像中的背景 ,提取可能存在车辆的区域 ;分别对可能的车辆区域进行局部边缘检测 ,并使用车牌的先验知识确定车牌的位置和单个字符分割 ,包括车牌倾斜时的字符分割 ;使用 PCA和 BP神经网络相结合的方法精确识别车牌 .实验结果表明 ,该方法对复杂背景下多车牌的分割和识别是有效的 .

一种复杂车辆图像中的多车牌定位方法

针对复杂背景中多个车牌的定位问题,提出一种新的定位方法.该方法综合利用边缘检测、连通域分析、倾斜矫正等多种方法,解决了复杂背景中定位难的问题.能够准确定位杂乱背景中的车牌,对天气、光照变化、车牌在图像中的移动和旋转等,具有良好的适应能力.该方法为后续的字符分割和字符识别提供旋转角度、字符区域定位信息.

基于分块投影和形态学处理的多车牌定位方法

针对多车牌定位中候选区域过多和结构元素选择不合理的问题,提出了一种基于分块投影和形态学分块处理的多车牌定位方法。对车牌图像进行预处理和水平差分处理,应用分块水平投影方法粗略定位车牌区域,用形态学分块处理确定车牌的候选区域,最后用车牌的特征去除伪车牌,定位出多个车牌。仿真实验结果表明,该方法能减少车牌候选区域,提高多车牌定位的效率。

基于文字定位和颜色检测的多车牌定位方法研究

车牌定位是车牌识别的关键步骤,能为车牌识别的后续步骤提供极大的便利。为了提高不同颜色车牌定位的准确性,论文提出了一种基于最大极值稳定区域的车牌文字定位和颜色检测的车牌区域粗选方法,并与支持向量机算法相结合实现车牌精确定位方法。首先,为了不遗漏潜在的车牌区域,分别使用文字定位和颜色检测方法粗选车牌候选区域;其次对车牌候选区域做倾斜矫正处理;最后提取车牌候选区域作特征信息,采用支持向量机来精确定位车牌区域。实验结果表明该方法在复杂背景情况下,对各种颜色的车牌都有较高的定位成功率。

基于混合特征的多车牌定位算法

本文提出了一种基于混合特征的多车牌定位的新方法,先根据车牌图像的边缘特征,利用数学形态学的方法生成连通区域,搜索全图得到连通区域的最小外接矩形。然后利用我国车牌本身的几何特征和颜色特征进行判别,提取出车牌的候选区域并判别出车牌的颜色。交通图像处理实验证明该方法具有限制条件少,速度快和准确率高的优点,并可进行多车牌定位。

基于CNN同心邻域极值的多车道智能交通系统图像多车牌区域的边缘检测

针对现有智能交通系统(ITS)多车牌定位识别算法漏检率高、处理速度慢等问题,在研究细胞神经网络(CNN)理论的基础上,提出了一种基于CNN同心邻域极值(CNE)的ITS图像多车牌区域边缘检测算法,简称CNECNN算法。该算法只需计算CNN中同心邻域内极大值与极小值函数差的二阶微分零交叉点,即可获得图像的边缘。此外,该算法利用CNN稳态能量函数惩罚约束机制优化粒子群适应度函数,在解空间中搜索参数全局最优解以获得CNN邻域极值模板参数。该算法为并行算法,具有运算量小,易于大规模集成电路实现,能够克服早熟收敛等优点。实验结果表明,与传统边缘检测算子和CNN通用机(CNNUM)固定模板参数算法相比,该算法漏检度降低了12.9%。

基于多算法融合的多车牌定位方法研究

为了提高多车牌定位和识别效率,本文提出基于颜色检测、边缘检测和支持向量机(SVM)的多车牌定位方法。首先使用颜色检测和Sobel边缘检测两种方法粗选车牌候选区域,其次对车牌候选区域进行形态学和倾斜矫正处理,最后提取车牌候选区域特征信息,采用SVM精确识别和定位车牌区域。实验结果表明,该方法能排除背景干扰,多车牌定位效果和成功率较高。

一种基于视频流的多车牌定位方法

针对视频流中多个车牌的定位问题,提出了一种基于图像复原技术与HSV颜色空间的多车牌定位方法.该方法的主要思想是用改进的维纳滤波器对获取的视频图像进行复原,根据车牌的颜色特征,利用HSV颜色模型构造5级灰度图,对灰度图用形态学方法进行消噪和区域连通处理,最后利用水平、垂直投影技术,结合车牌先验知识,通过分析和判断来确定并分割出各个汽车牌照.实验表明,该方法能有效的从复杂的背景中准确定位并提取出多个运动中的车牌.

基于融合Hu矩和区域矩特征的多车牌定位

分析国内外车牌定位研究的现状,提出一种融合Hu矩和区域矩图像特征的车牌定位方法。依次提取车牌的Hu矩特征和各向同性的区域矩特征融合构成新的特征向量,各向同性的区域矩特征具有更强的旋转和尺度不变性,解决使用单一矩特征进行车牌定位时,对旋转和姿态变化较大的车牌识别率较低的问题,采用支持向量机(SVM)对特征进行分类。实验结果表明,在复杂的背景环境下,当车牌发生位置、姿态、尺度的变化时,该方法定位准确率达到90%以上,有一定的抗遮挡能力,具有一定的应用价值。

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。

一种基于内容检索的多车牌定位方法

本文提出了一种基于图像内容查询(CBIR)的多车牌定位方法。该方法利用SIFT算法对车牌字符的局部不变特征进行检测、提取与描述,再与特征数据库中已设计好的模版的SIFT特征向量进行匹配,而从得到众多匹配点对,然后用K-means聚类算法将匹配点对自适应划分为多个区域,对每个区域用RANSAC算法去除误匹点后,用仿射变换进行初步定位,最后用线性回归的方法进行二次倾斜矫正。实验表明,该方法对各种复杂环境具有鲁棒性,并且可以实现多车牌的定位。

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。

基于神经网络和支持矢量机的多机动车车牌在线检测方法

针对道路交通多车牌识别问题,提出了一种快速鲁棒的多车牌检测识别方法,包括多车牌检测和车牌字符识别两部分:构造BP (Back-Propagation)神经网络模型用于颜色识别,结合图像形态学运算方法,筛选候选车牌目标,基于支持矢量机从候选车牌目标中判别真正的车牌目标;通过轮廓尺寸判断,并结合车牌尺寸特征,依次分割提取城市代码字符块、省份代码字符块及5位机动车编码字符块,最后基于BP神经网络识别字符块内容.基于上述原理,开发了鲁棒的多机动车车牌自动检测识别系统,并在真实场景中进行了实验测试,结果表明:1)车辆在正常速度行驶条件下,系统依然可以保证90%以上的车牌检测识别正确率;2)系统可实现同时多车牌检测识别;3)文中实验硬件配置下,系统单幅图像检测识别平均时间低于130 ms,处理频率约8 Hz.

序列图像的多车牌定位算法

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数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。

复杂环境下车牌识别算法研究

目前市场上已有较多应用成熟、稳定的车牌识别算法,但是大部分需要在单一背景环境下,否则识别效果不佳,所以存在复杂环境下(如光照不均、大角度、多车牌、亮度低等)车牌定位与识别准确率低的问题。文章提出一种复杂环境下多车牌识别算法来应对此问题,采取了SVM模型定位车牌、外部轮廓和外接矩形法分隔字符、BP神经网络法识别字符。其中,对非连续性字符(如中文字符)分隔提出改进算法,取得良好的效果。

一种多车辆图像的牌照分割技术

本文提出了一种针对多车辆汽车图片的车牌分割技术。该技术首先对图像进行差分平方和二值化等的处理,然后采用确定跳变点的方法寻找到可能存在车牌的各块区域,并利用车牌的先验知识和车牌的特点在这些区域中具体分割出各块单车牌。实验结果表明这种分割技术对多车辆汽车图像的车牌分割有较好的效果。