随着城市智慧停车场的建设和高速路口自动收费系统的普及,基于深度学习的车牌识别技术得到越来越广泛的应用。为了解决现实中模糊车牌的字符识别,提出一种基于改进CRNN+CTC(Convolutional Neural Network+Recurrent Neural Network+Connectionist Temporal Classification)的免字符分割车牌字符识别算法。首先将CRNN中的标准CNN改为深度可分离卷积网络的微改模型,RNN采用双向长短期记忆网络,并引入CTC损失函数对其进行训练;其次为了避免训练过程中的过拟合现象,损失函数中加入L2正则项,并增加训练数据集;最后引入批量归一化算法来加快训练过程中的学习速度。实验结果表明,与其他几种基于复杂环境中的方法相比,本文算法在三个实验测试集上的平均车牌识别准确率、识别精度和速度方面均有一定提升,网络的鲁棒性和泛化能力也更强。

借助于计算机视觉技术实现了一种基于四轴飞行器的违章车辆取证系统。四轴飞行器在巡检路段上空飞行过程中，通过训练好的支持向量机(SVM)车辆检测算法自动检测视野中的违章停车车辆。如违章停车车辆存在，四轴飞行器将根据视觉处理结果自动调整姿态，便于摄像头以合适的尺度和角度识别车牌；最后通过模式识别技术捕捉视野中车辆的车牌并向地面站传输证据。与传统的人工巡检和基于道路固定摄像头的方案相比，本系统更灵活、高效，可以作为交通智能化管理新的解决方案。

本文通过 Zemax软件设计一款用于智能交通监控系统车牌识别的宽波段、大孔径、大靶面光学成像镜头。利用红外技术, 保证在昏暗或夜间环境中仍然能够清晰成像。近红外中心波长为 850 nm, 采用 Zemax多重组态设计, 使可见光和近红外光共焦。根据消色差理论, 选择合适材料组合消色差, 最大焦面漂移量为 44 μm。通过镜头应用参数分析, 镜头 F数设定为 1.2, 半视场角为 13°, 使用索尼 ICX814一英寸 CCD图像传感器, 像元尺寸为 3.7 μm×3.7 μm, 全视场 MTF值在空间频率 135 lp/mm大于 0.3。

针对现有车牌识别方法中车牌二值化和车牌字符识别效率不高的问题，提出一种基于分形维数和隐马尔科夫特征的车牌识别算法。该方法基于分形维数和隐马尔科夫特征并利用联合OC_SVM和MC_SVM的方法进行车牌识别。实验中，基于分形维数进行车牌的二值化处理；利用隐马尔科夫特征办法进行字符特征提取，然后利用多重分类器进行字符识别。对字符、英文字母和阿拉伯数字分别进行了800幅、800幅和1600幅图像的识别，得到的结果显示该算法对字符、英文字母和阿拉伯数字的识别率分别为98%、98.5%和98.9%,对各种不同的车牌整体识别的平均识别率高于90.60%。该方法识别效率高、鲁棒性强，为车牌识别的准确性提供了保证。

对车牌中的字符进行精确提取并识别是车牌识别系统面临的重要问题。在字符提取阶段, 利用车牌图像特有的信息特征, 提出以红色分量作为目标图像, 依次进行水平和垂直投影完成字符分割, 既可精确提取字符, 又可矫正字符形态。将基于结构相似度SSIM(structure similarity)的算法应用于车牌识别, 避免了前期对字符结构信息做大量的对比统计工作, 省略了特征提取的步骤, 降低了算法复杂度; 利用角点检测方法对相似字符进行细化和区分, 进一步完善了整体的识别性能。实验证明, 该算法有较好的识别率。

本文基于视觉显著图提出了一种新的车牌定位算法。首先利用自底向上的视觉注意模型对输入的彩色图片分别提取出强度、车牌颜色、车牌边框方向三类特征图;然后将特征图整合成视觉显著图,并对视觉显著图进行二值化,得到车牌的候选区域;最后结合输入图片水平方向上的边缘信息,以及车牌的长宽比例、跳变次数等特征,准确提取车牌区域。实验证明,此算法能大量地减少背景环境对定位所带来的伪车牌个数,有很强的环境适应性和抗噪能力,具有较高的定位率。

介绍了一种简单易行的车牌识别方法.对于车牌灰度图像进行滤波去噪后先用峰谷法二值化,再用垂直投影法进行分割,最后进行模板匹配,并用特征点匹配对几组易出错的字符进行检查,从而得到车牌号.

定位是车牌识别技术的关键.针对传统投影方法的不足,提出了一种基于自适应峰区检测与投影的快速车牌定位方法,首先得到候选车牌区,然后根据车牌区的特征筛选出车牌区.实验结果表明该方法能对车牌快速准确定位.

文中提出了一种车牌字符识别的新方法，用二维隐马尔可夫模型方法识别车牌中的汉字，用伪二维隐马尔可夫模型(P2D-HMM)方法识别车牌中的英文字符及阿拉伯数字。该算法适用于不同的字符大小、字符倾斜、污损等情况，抗噪声能力强。字符识别正确率达94%以上，满足实用技术的要求。