边缘点颜色分布结合车牌自身结构的车牌检测

提出了一种基于边缘点颜色分布结合车牌自身结构的二次车牌定位方法。首先,根据牌照区域的纵向纹理特性,提取灰度图像的竖直边缘突出车牌特征,然后计算边缘点的颜色分布,滤除不满足车牌特定颜色搭配的背景边缘点,最后通过形态学运算、滤波、矩形区域覆盖等得到候选目标。在验证模块中,依据车牌的结构特征对候选区域进行验证分类,最终确定车牌位置。本文对实际收集的样本车牌图像进行试验,结果表明,算法对车牌目标定位具有较高的准确率。

复杂背景下快速车牌定位方法研究

在YUV颜色空间内,根据车牌图像的纹理特征,充分利用车牌图像的三个分量彩色信息,提出了一种基于彩色边缘的车牌定位方法。该方法利用车牌区域竖直边缘异常丰富的特点,采用一种针对性很强的边缘提取算子,对Y,U和V三个颜色分量分别进行竖直边缘提取;三个分量图像竖直边缘提取之后,依据一定的准则,融合三个竖直边缘图像,得到原彩色图像的边缘。试验结果表明,与一般的单纯灰度图像边缘提取相比,该方法能更准确地定位车牌;并且经边缘提取之后,非车牌区域的边缘所剩很少,使车牌区域搜索部分变得异常简单,从而极大地减少了系统的运算负担和时间开销,满足系统实时性的要求。

基于稀疏表示的两级级联快速行人检测算法

针对复杂背景下的行人检测问题,提出一种两级级联的快速行人检测算法。第一级采用竖直方向的边缘对称特征和基于行人先验知识的弱分类器,排除大部分非行人区域。第二级采用梯度方向直方图特征和基于LC-KSVD字典学习的稀疏表示分类算法,对剩余区域进行精确检测。实验结果表明,该算法在保证检测精度的同时缩短了行人检测的时间,并且对遮挡情况有较好的鲁棒性。在INRIA数据库上每幅图像平均检测时间仅为69ms,对数平均漏检率为38%,较CENTRIST+C4算法和HOG+SVM算法的漏检率有所降低,并提升了检测速度。