基于深度学习的车牌智能识别方法

针对传统的车牌识别算法对于复杂环境车牌定位效果不理想、车牌识别准确率低、实时性差等问题,提出了一种基于深度学习的车牌智能识别方法。首先使用Yolov3网络对图片中的车牌进行定位,然后采用空间变换网络对倾斜的车牌进行校正,并将校正后的车牌送入设计的改进卷积神经网络中提取车牌序列特征,最后通过双向递归神经网络和时序分类网络识别出车牌字符。与传统车牌识别方法相比,提出的方法能够有效克服天气等不良状况的影响,从Yolov3定位到识别完成的平均时间可以缩短至33 ms左右,平均识别准确率能够达到96.1%。     

一种基于Radon变换的车牌识别技术研究

由于车牌和摄像机之间存在相位差,导致获取的车牌图像存在倾斜、扭曲和变形,造成车牌的分割和识别困难.针对上述问题,提出了一种改进的Radon变换的车牌识别算法.该算法首先对车牌图像进行Radon变换,接下来对Radon变换的结果进行一阶函数求导,对一阶导数的绝对值再进行累计求和,由求和结果的最大值得到相对应的Radon变换角度值,把该变换角度值作为车牌图像的倾斜角度.实验结果表明,改进的Radon变换车牌识别算法用时少、精度高,具有对光照不敏感和较好的抗外界干扰等优点.     

基于小波变换和投影法在车牌定位中的应用

根据实际需求,为了使车牌定位更加快速和精确,文章对图像消噪方面进行了研究,采用了基于小波变换的图像去噪,然后通过大量的仿真实验,在车牌定位中,用投影方法对车牌进行水平扫描,据实验结果最后得出,算法比以往的算法定位效果更好,并且能快速识别车牌,定位率白天超过98%,晚上超过87%。     

基于自动识别理论的车牌定位算法研究

车辆牌照的自动识别是智能交通系统中的一项重要技术，而车辆牌照的定位又是车牌识别的关键点之一。依据二值化图像中车牌区域跳变频率高的事实，本文提出一种算法来确定车辆牌照在原始图像中的水平和垂直位置，从而定位车辆牌照。实验结果表明本论文提出的车辆牌照定位算法是一种可行的车牌定位方法。     

复杂背景下航检视频字符的识别算法与应用

传统的OCR技术在复杂背景视频中的字符识别方面,其识别结果的准确率不尽如人意。为此,本文通过改进及优化传统识别算法,研究出一种新的复杂背景下的字符识别算法。该算法借鉴统计模式识别的思路,通过大量实验得出每个字符的特征规律,并形成公式,实现了字符的识别。然后以输电线路航拍图像为例,设计开发了字符识别系统。通过系统运行表明,采用本文算法识别字符的准确率为99.4%,优于开源Tesseract-OCR接口函数方法及样本训练方法,对于复杂背景中的字符识别具有较高的准确性和广阔的应用前景。     

基于粗糙集的车牌字符特征提取方法探讨

本文介绍了一种基于粗糙集理论的优化车牌字符识别的方法。粗糙集理论是一种继神经元网络和模糊数学之后的新的处理含糊和不确定性知识的数学工具;粗糙集方法是一种具有发展潜力的智能信息处理方法。本文主要思想就是在汉字的网格特征提取过程中保持分类能力不变的前提下,通过知识约简提出了一种车牌字符网格特征选择的改进算法;它不仅找出了对识别最有效的网格特征集,而且可以大大降低图像特征空间的维数,减少工作量和无用特征干涉,从而提高了分类识别率。     

基于人工免疫aiNet模型的车牌定位技术

针对传统遗传算法用于车牌定位易于陷入局部最优解的问题,将人工免疫aiNet模型引入到了车牌定位的过程中.首先采用最大类间方差法(OTSU)将采集到的车牌彩色图像转换为灰度图像,然后采用一维滤波器组对灰度图像进行滤波,最后应用人工免疫aiNet模型进行了车牌定位.实验结果表明,该方法适应性强,定位效果好.     

车牌自动识别系统的分析与设计

本文通过对国内外车牌自动识剐系统的现状分析，找出现行识别系统所采用技术方案的优缺点，设计了一种新的车牌图象自动识别系统，并重点对其中图象定位和字符分割的核心技术进行了介绍，为研究车牌自动识别系统提供一种新的设计思路。     

基于小波隐性马尔可夫树模型的车牌定位

根据小波隐性马尔可夫树模型对车牌纹理特征精确的多尺度描述,提出了一种基于WHMTM的车牌定位方法。该方法首先以小波域的高频滤波作为预处理,再根据车牌纹理的WHMTM参数采取从粗到精多尺度地分割车牌,从而快速、准确地在复杂的背景中定位车牌。实验结果表明该方法是一种速度快且抗扰性强的车牌定位方法。     

基于模糊ARTMAP神经网络的车牌识别

车牌识别是一种车辆自动识别技术.本文提出了一种用模糊ARTMAP神经网络来识别车牌的方法.模糊ARTMAP神经网络是神经网络家族中的一种比较新的体系结构,与传统的BP算法相比,它具有较强的学习能力.     

KNN方法在高速公路多义性通行费拆分中的应用

正确判断匹配样本状态并采用科学合理的拆分方法是高速公路多义性通行费拆分的关键.利用K近邻聚类 (KNN)的基本理论进行匹配样本状态的判别,给出高速公路多义性通行费拆分方法.以天津市京沪高速和津沧高速二义性路径问题为例,比较应用KNN和RBF神经网络及BP神经网络匹配样本状态的判别效果.研究表明:应用KNN的高速公路多义性通行费拆分方法较RBF、BP神经网络法更客观、公平.     

套管井中子测井校正方法研究

套管井测井是当前测井技术的重要发展方向。套管、水泥环胶结质量及厚度是影响套管井中子测井的主要因素。实际测井资料显示，套管井中子测井效果较好，能指示地层含氢量的相对变化，能用于储层识别。用图版校正法、一元回归分析法、多元逐步回归法、BP神经网络法，对17.78cm套管和24.45cm套管中子测井进行校正。实际资料处理证实，BP神经网络校正方法精度最高，其它3种校正方法精度相当。17.78cm套管中子测井及其校正效果好于24.45cm套管。根据实际测井资料情况，推荐了相应的校正方法：在有井径和套管井中子长短源距离计数率资料情况下，选用BP神经网络校正方法对套管井中子进行校正；在没有井径资料的情况下，用一元回归校正法对套管井中子进行校正。     

基于量子门神经网络的手写体数字识别

手写体数字识别作为模式识别研究热点之一已得到广泛应用,诸多应用对手写体数字的识别率要求也越来越高,同时对批量数据处理的速度也提出了更高的要求.本文针对改善手写体数字的识别正确率和批量数据处理速度,将基于量子门组的神经网络方法引入到手写体数字识别中,通过选取字符的粗网格特征作为识别特征进行仿真实验.实验结果表明,该方法能够有效提高手写体数字的正确识别率.     

数字网络环境下著作权默示许可制度研究

互联网技术的深入发展对现行著作权制度带来了冲击,数字网络环境下现行著作权制度面临着阻碍文化产业发展的问题,而著作权默示许可制度正是解决数字网络环境下著作权许可难题的最佳方式之一。利用《中华人民共和国著作权法》修改之机,引入默示许可制度,特别是在信息网络传播领域全方位引入该制度,对于推动作品的有效传播和利用具有重要意义。     

基于概率神经网络和K-means算法的纳税评估

纳税评估工作是一项难于建立准确数学模型的复杂系统,同时又是一个典型的模式识别问题。用神经网络方法进行纳税评估有其独特的优越性。运用PNN算法很大程度地依赖于训练样本对象的选取。选取的这些样本能否反映总体的信息特征决定了分类器的识别效果。文章运用K-means算法对纳税人信息样本进行聚类,找出聚类中心点,以此为基础来选择样本作为PNN的训练样本,从而达到对PNN算法的优化。研究结果表明这种改进后的PNN算法分类效果好,对于纳税评估有其应用价值。     

遗传神经网络在邮件过滤器中的应用

针对目前反垃圾邮件技术的缺点,提出一种基于遗传优化神经网络的垃圾邮件过滤器模型,利用遗传算法全局搜索能力优化神经网络连接权值,克服神经网络局部极小值点问题,提高神经网络的学习速度和识别能力。通过对遗传算法和人工神经网络算法的实现,证明它们在垃圾邮件过滤器中有很好的应用效果。     

模糊贴近度在储层识别中的应用

为了克服测井解释中通常采用的最大隶属原则进行决策分析导致信息丢失所引起的判别结果的偏差,将模糊数学中的非对称贴近度分析法与神经网络结合起来,充分利用各分量信息建立了一种基于模糊贴近度的神经网络识别法。通过临盘油田实际资料解释表明,在储层识别中采用该方法可大大改善解释效果。     

以广义回归神经网络预测共同基金报酬

鉴于近年来许多相关文献成功地运用广义回归神经网络进行财经方面的预测,以及国内共同基金净值之预测与报酬率评估。通过搜集国内基金资料,以灰关联分析法进行各基金投资绩效分析,挑选投资绩效良好的共同基金作为投资标的;再以广义回归神经网络建立预测模型,与灰预测模型、多元回归模型进行预测能力及报酬率的比较分析。5种预测绩效评价指标、5组数据交互验证散布图及报酬率分析表明:广义回归神经网络在预测能力及预测报酬率上均有很好的表现。