一种改进的基于模板匹配的污损车牌识别方法

本文提出了一种改进的模板匹配的污损车牌识别方法,该识别方法对于污损车牌和模糊车牌识别效果较好。研究时充分利用车牌定位和字符分割过程中得到的信息对车牌识别过程进行反馈。利用改进的模板匹配方法进行字符的匹配识别,通过将字符的差异值累加进行扩大,以便于比较字符之间的差异值,通过对比差异值的大小来判断字符识别结果。通过改进的模板匹配方法来识别车牌字符,提高了污损车牌识别的准确性,实验结果表明本方法具有很强的环境适应性和鲁棒性。

车牌图像污损区域的提取和修复方法

针对污损车牌图像,结合FCM算法和Criminisi图像修复算法,提出一种可以准确分辨车牌图像污损区域并进行图像修复的方法。设计一种能够自动确定聚类数目的FCM算法,用其对图像进行色彩分割,提高提取污损区域的准确度;对Criminisi算法的优先权和匹配块大小做出改进,修复污损图像。实验结果表明,使用该方法后车牌图像污损区域的提取准确率可达95%,修复后的图像NIQE值同传统Criminisi算法相比有所降低,PSNR值有所提高,可知该方法获得了更佳的效果。

基于卷积神经网络的污损遮挡号牌分类

作为智能交通的重要组成部分之一,车牌识别在人们的日常生活中发挥着不可替代的作用,例如,生活中违规车辆常常因号牌污损或者故意遮挡等来躲避处罚,进一步加大了执法的难度,因此提高污损或遮挡车牌的识别效率依然是当今自动识别系统中的一项至关重要的任务。文中主要集中解决遮挡号牌的识别问题,其主要分为正常号牌、部分遮挡号牌、完全遮挡号牌以及未悬挂4种情况。传统的OCR算法在汉字、字符以及数字之间的识别上具有很高的准确性,当将其运用到识别车牌上后,虽然在正常号牌和部分遮挡号牌的检测上也都体现出了很好的识别效果,但对全部遮挡和未悬挂车牌的识别效果依然很差,随着人工智能的发展,使得其在全部遮挡和未悬挂号牌的识别上也能有更好的效果。因此,结合传统算法的优点,采用OCR技术并结合现今的深度学习算法,优化对污损车牌的识别效果。

基于纹理合成算法在恢复污损牌照中的应用

车牌识别系统是现在智能交通系统中信息采集的一种手段,但是由于图像模糊、字符污损、粘连等实际问题导致识别的瓶颈。文中提出了一种基于纹理合成的图像修补算法——二维表面纹理填洞算法。该算法是根据区域生长得到车牌字符污损部分的边界,即算法中的"洞",再基于纹理片合成与Quilting算法相结合提出了一种二维表面纹理填洞算法,针对"洞"进行图像纹理修补。实验结果表明,该算法对恢复字符的完整性和修复纹理具有很强的自适应能力,极大地提高了后续的车牌字符分割和识别率。