基于深度学习和颜色边缘特征的车牌定位算法

发布时间：2021-12-25 09:10

　　为降低车牌定位过程中背景、天气、图像倾斜等复杂环境下干扰因素对车牌定位算法性能的影响,提出一种将颜色边缘特征提取和深度学习相结合的车牌定位算法。采用颜色分割、边缘检测和形态学操作提取感兴趣区域,将感兴趣区域输入到卷积神经网络中提取车牌的深层特征并去除伪车牌,标记出检测到的车牌。实验利用在复杂环境下收集到的车辆图像对所提算法进行分析,将其与其它算法进行比较,实验结果表明,该算法拥有更好的鲁棒性,在复杂的环境下能保持良好的性能。 

【文章来源】：计算机工程与设计. 2020,41(10)北大核心

【文章页数】：7 页

【参考文献】：
期刊论文
[1]基于文字定位和颜色检测的多车牌定位方法研究[J]. 葛艳,陈晨.  计算机与数字工程. 2018(03)
[2]基于DM642的纹理检测与Adaboost分类器相结合的车牌定位[J]. 陈存弟,刘金清,刘引,蔡淑宽,何世强,周晓童,邓淑敏,吴庆祥.  计算机系统应用. 2017(07)
[3]基于字符边缘点提取的车牌定位方法[J]. 钟伟钊,杜志发,徐小红,黄晓然,朱同林.  计算机工程与设计. 2017(03)
[4]复杂背景下基于颜色的车牌定位方法研究[J]. 陈海霞,崔茜.  现代电子技术. 2016(23)
[5]一种基于小波变换和Tophat变换的车牌定位算法[J]. 马飞.  电子设计工程. 2016(22)
[6]多特征融合的车牌定位算法[J]. 杨硕,张波,张志杰.  计算机应用. 2016(06)
[7]多尺度积角点检测和视觉颜色特征的鲁棒车牌定位算法[J]. 陈庄,杨峰,冯欣,崔少国,李博.  重庆大学学报. 2016(02)
[8]复杂环境下基于角点回归的全卷积神经网络的车牌定位[J]. 罗斌,郜伟,汤进,王文中,李成龙.  数据采集与处理. 2016(01)
[9]基于最大稳定极值区域的车牌定位与字符分割[J]. 肖意,姜军.  计算机与数字工程. 2015(12)
[10]基于Sobel算子边缘检测和数学形态学的车牌定位算法[J]. 梁利利,王兴武.  现代电子技术. 2015(14)



本文编号：3552182