天道酬勤,学无止境

基于神经网络的车牌识别系统

基于神经网络的车牌识别系统

文章目录

  • 基于神经网络的车牌识别系统
  • 前言
  • 一、总体方案设计
  • 二、数据准备
    • 2.1 车牌定位
    • 2.2 字符裁剪
    • 2.3 构建字符库
  • 三、神经网络模型训练
    • 3.1 数据预处理
    • 3.2 模型训练
  • 四、车牌识别系统软件
  • 总结


前言

提示:这里可以添加本文要记录的大概内容:
例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。


提示:以下是本篇文章正文内容,下面案例可供参考

一、总体方案设计

车牌识别是常见的一种识别场景,特别是对于刚入门机器学习同学来说,通常车牌识别都是基于模板匹配来做的,这里介绍一种基于神经网络的车牌识别系统。
基于神经网络的车牌识别系统主要分为三个部分,第一个部分,准备数据;第二个部分,训练神经网络模型;第三个部分,测试模型以及使用模型;

在这里插入图片描述

二、数据准备

2.1 车牌定位

这里主要利用 颜色特征,每种车牌的底色具有各自特殊的RGB值,例如程序中使用的蓝底车牌的典型RGB值为 R = 28,G = 63, B = 138; 当RGB值接近时则认为可能是车牌,将该点像素赋值为255,否则0;具体代码如下(如有侵权请联系)。
代码如下(示例):

function [y_image] = extract_blue_region(image);
% extract_blue_region: Determines the blue regions in the picture using
% the CIE-XYZ color system, and returns a black and white picture which is
% set on the yellow regions only.

% Define the lines in CIE-XYZ space, use to determine yellow color 
lower_A = 0.87; lower_B = 0.04;
upper_A = 1.5 ; upper_B = -0.125;

% Convert 8-bit format of org_pic pixels to double format
pic = double(image)+1;
pic = pic.*1.6;

% Conversion from RGB709 to CIE-XYZ
x = ( pic(:,:,1).*0.412453 + pic(:,:,2).*0.35758 + pic(:,:,3).* 0.180423);
y = ( pic(:,:,1).*0.212671 + pic(:,:,2).*0.715160 + pic(:,:,3).* 0.072169);
z = ( pic(:,:,1).*0.019334 + pic(:,:,2).*0.119193 + pic(:,:,3).*0.950227);

sum = x + y + z;
x_bar = x./sum;
y_bar = y./sum;

% Define yellow color in CIE-XYZ space
x_sum_conds = ( ((x_bar > 0.34) & (sum > 400) & (sum < 500) ) | ((x_bar > 0.37) & (sum > 200) & (sum < 500)) );
xy_conds = ( (y_bar > 0.35) & (y_bar < 0.5) & (y_bar > (lower_A*x_bar + lower_B)) & (y_bar < (upper_A*x_bar + upper_B)) );

y_image = (x_sum_conds & xy_conds);
return;

以一张图片的效果为例,定位效果如下图
在这里插入图片描述

在这里插入图片描述

2.2 字符裁剪

在定位以后,想要知道具体车牌是多少,必须对车牌进行字符切割,切割的方式有很多,这里是利用车牌的彩色信息的彩色分割方法。根据车牌底色等有关的先验知识,采用彩色像素点统计的方法分割出合理的车牌区域,确定车牌底色蓝色RGB对应的各自灰度范围,然后行方向统计在此颜色范围内的像素点数量,设定合理的 阈值,确定车牌在行方向的合理区域。然后,在分割出的行区域内,统计列方向蓝色像素点的数量,最终确定完整的车牌区域
代码如下(示例):

function e=qiege(d)
[m,n]=size(d);
top=1;bottom=m;left=1;right=n;   % init
while sum(d(top,:))==0 && top<=m
    top=top+1;
end
while sum(d(bottom,:))==0 && bottom>=1
    bottom=bottom-1;
end
while sum(d(:,left))==0 && left<=n
    left=left+1;
end
while sum(d(:,right))==0 && right>=1
    right=right-1;
end
dd=right-left;
hh=bottom-top;
e=imcrop(d,[left top dd hh]);

2.3 构建字符库

将不同的车牌进行裁剪,然后将字符归类,如下图所示,可以建立一个字符库,然后利用批量读图程序,将所有数据读进去Dataset和label中,其中Dataset=[40,20,220],label=[220,1],220表示样本个数,40,20表示一张图的大小。
在这里插入图片描述
该数据库样本个数越多,后期模型精度越高。

三、神经网络模型训练

3.1 数据预处理

这里主要对建立的字符库进行处理,需要对Dataset进行归一化处理,然后将label变成适应神经网络输入的形式,如下面的代码。

for i=1:len
    for j=1:max(label)
        if j-1==train_y(i)
        train_y1(i,j)=1;
        end
    end
end
train_y= train_y1;

3.2 模型训练

神经网络训练主要是调用Matlab自带的工具箱,训练的网络结构如下图所示,这里需要注意的是输入输出层的大小。在训练完成以后,对模型进行测试,测试结果如下图所示。可以看到,该模型的精度基本满足需求。

在这里插入图片描述

请添加图片描述
在这里插入图片描述

四、车牌识别系统软件

在设计完成整个流程以后,这里利用Matlab的GUI对整个程序进行整合,得到一个车牌识别系统软件,如下图所示,

在这里插入图片描述
我们任意选择一个车牌,识别效果如下图所示,
在这里插入图片描述

可以看到,该模型对某些图片的识别精度还是比较高的,但是并不是每个都能识别这么准确,这和模型训练的样本个数,以及模型的泛化能力息息相关。

总结

本文没有对理论过多介绍,主要是介绍了基于神经网络的车牌识别系统所需要的基本流程,来最终做出一个简单的车牌识别系统,如果想要用其他算法,或者是提高精度,需要对流程中的某个部分进行精细替换。

受限制的 HTML

  • 允许的HTML标签:<a href hreflang> <em> <strong> <cite> <blockquote cite> <code> <ul type> <ol start type> <li> <dl> <dt> <dd> <h2 id> <h3 id> <h4 id> <h5 id> <h6 id>
  • 自动断行和分段。
  • 网页和电子邮件地址自动转换为链接。

相关推荐
  • [点击快照]基于MATLAB的多方法车牌识别识别系统【GUI,多方法,论文,对比,语音播报,出入库,剩余车位】
    源码链接: https://download.csdn.net/download/weixin_38719187/12678528 一、课题介绍 随着汽车数量的增加,城市交通状况日益受到人们的重视,如何进行有效的交通管理更是成为了人们关注的焦点。智能交通系统通过车辆检测装置对过往的车辆实施检测,提取有关交通数据,达到监控、管理和指挥交通的目的。因此,它已成为世界交通领域研究的重要课题。 车牌识别系统作为智能交通系统的一个重要组成部分,已在高速公路、城市交通和停车场等项目的管理中占有无可取代的重要地位。它在不影响汽车状态的情况下,由计算机自动完成车牌的识别,从而降低交通管理工作的复杂度。 该课题为基于MATLAB的多方法车牌识别识别系统,带有丰富的人机交互GUI界面。目前毕业设计选题中,传统的中规中矩的车牌识别不易得到高分,必须要在此基础上有所创新方得可以避开其他雷同课题,不会轻易被导师被否决而导致毕设不过。因此建议在车牌识别基础上加入多种方法的对比,看看哪种方法的精度高。虽然目前有很多方法的车牌识别,但是都是在各自的测试库里面测试的,比如测试的车牌图像不同,字符库不同,导致无法做对比。整个设计在一个GUI界面上完成。 传统基础版:中规中矩的车牌识别【只看到车屁股】 靓点1版本:可做成 复杂背景的车牌识别【可以看到全车以及周边其他物体】 靓点2版本:可做成
  • 【MATLAB图像处理实用案例详解(3)】—— 基于阈值分割的车牌定位识别
    目录 一、背景意义二、理论基础2.1 车牌区域分割:2.2 车牌定位及裁剪 三、算法流程3.1 车牌图像处理3.1.1 图像灰度化3.1.2 图像二值化3.1.3 图像边缘检测3.1.3 图像形态学运算3.1.4 图像滤波处理 3.2 车牌定位原理3.3 车牌字符处理3.3.1 阈值分割原理3.3.2 对车牌阈值化分割3.3.3 字符归一化处理 3.4 字符识别3.4.1 字符识别简述3.4.2 基于模板匹配的字符识别方法 四、效果演示 一、背景意义 车牌识别主要包括以下三个主要步骤:车牌区域定位、车牌字符分割、车牌字符识别。 本案例通过对采集的车牌图像进行灰度变换、边缘检测、腐蚀及平滑等过程来进行车牌图像预处理,并由此得到一种基于车牌颜色纹理特征的车牌定位方法,最终实现了车牌区域定位。车牌字符分割是为了方便后续对车牌字符进行匹配,从而对车牌进行识别。本案例采用了模板匹配的方法,对输出的字符图像和模板库里的模板进行匹配以得到对应于车牌字符的具体信息。 二、理论基础 车牌定位与字符识别技术以计算机图像处理、模式识别等技术为基础,通过对原图像进行预处理及边缘检测等过程来实现对车牌区域的定位,然后对车牌区域进行图像裁剪、归一化、字符分割及保存,最后将分割得到的字符图像与模板库的模板进行匹配识别,输出匹配结果。 2.1 车牌区域分割:
  • MATLAB车牌识别(含GUI,语音播报)
    GUI框架源码: https://download.csdn.net/download/weixin_44748303/12682333 一、设计原理及设计方案 1.系统简述 一个完整的车牌识别系统闭应包括车辆检测、图像采集、图像预处理、车牌定位、字符分割、字符识别等单元。当车辆到达触发图像采集单元时,系统采集当前的视频图像。车辆识别单元对图像进行处理,定位出牌照位置,再将车牌中的字符分割出来进行识别,然后组成车牌号码输出。车牌识别系统原理如图l所示。 (1)图像预处理:对汽车图像进行图像转换、图像增强和边缘检测等。 (2)车牌定位:从预处理后的汽车图像中分割出车牌图像。即在一幅车辆图像中找到车牌所在的位置。 (3)字符分割:对车牌图像进行几何校正、去噪、二值化以及字符分割以从车牌图像中分离出组成车牌号码的单个字符图像 (4)字符识别:对分割出来的字符进行预处理(二值化、归一化),然后分析提取,对分割出的字符图像进行识别给出文本形式的车牌号码。 为了用于牌照的分割和牌照字符的识别,原始图象应具有适当的亮度,较大的对比度和清晰可辩的牌照图象。但由于该系统的摄像部分工作于开放的户外环境,加之车辆牌照的整洁度、自然光照条件、拍摄时摄像机与牌照的矩离和角度以及车辆行驶速度等因素的影响,牌照图象可能出现模糊、歪斜和缺损等严重缺陷,因此需要对原始图象进行识别前的预处理。
  • 深度学习、机器学习方向计算机毕业设计题目大全(算法应用实践类)
    (吐血整理) 手动整理了1500多个深度学习及机器学习相关算法在实际应用中的项目,完全可以作为本科生当前较新的毕业设计题目选择方向。讲道理有些题目,比如“用户评分的隐式成分信息的研究”这种题目取的就比较广,有点科学研究的味道,如果真的去做,还是比较有技术含量的。因为其下一步的应用是具有广阔前景的。还有部分项目可能需要大量的数据集,收集的收集和整理比较麻烦。另外对自己电脑的要求也比较高。大家在选择机器学习、深度学习算法应用的项目作为自己的毕业设计题目时确实可以避免自己编程能力不强的缺点,但是一定要根据现实情况进行合理选择。如果需要讨论可以加Q:525894654。个人建议选择现有算法应用实践类题目,这样可以不用创新于算法模型的优化。而是去探索相关算法模型在某个领域的具体应用问题。这样一来:既研究了该算法的原理,又对其进行了实践探索。还是可以展示很多工作量的。 题目变化:基于+方法+应用方向;这种可以填上不同的方法应用到不同的实际应用中,可以自己修改题目,以达到题目新颖。 基于NLP,ASR及TTS技术的智能语音分析工具-负责语义分析部分基于用户的音乐推荐平台 基于机器学习的文本语义分析工具 基于图像的结构化数值识别系统的设计与实现 MOOC视频内容推荐工具的设计与实现 基于人脸识别的智能小区门禁系统设计与实现 可定制智能信息查询与检索系统的设计与实现 基于卷积神经网络的图像风格化处理
  • 基于树莓派的车牌识别门禁系统(工作日记)
    基于树莓派的车牌识别门禁系统(工作日记) 文章目录 基于树莓派的车牌识别门禁系统(工作日记)前言第一周第二周第三周后续最后的最后 前言 按照之前的具体工作日记,可供参考。具体各部分可以逐个工程调试,当初做的时候导师鼓励说可以放在博客上,那么在此良辰美景之际那就开始咯 第一周 第一天: 从老师那拿到毕设题目车牌识别的门禁系统的时候还蛮欢喜的,但手头上基本没资料而且资料的联系也暂无头绪就打消了心头的一丝喜悦。既然手头上没有任何资料那就去搜寻。 百度了这个题目一看这个系统大概分为两个部分,以树莓派为核心的识别部分,通过调用摄像头对车牌进行识别和PC端的信息处理和显示数据部分。难度基本在于识别部分。很好,至少大方向可以确定 先从比较难的识别部分开始吧。树莓派的板子目前还没拿到就先看看所需的算法。基本都是Python+OpenCv来实现车牌检测与识别,那么久依葫芦画瓢吧。 识别思路: 1、通过摄像头采集图片 2、对图片进行预处理,进行去噪、Sobel滤波,边缘检测等操作目的在于找到“疑似车牌”的大概位置,为下一步定位车牌做准备。 3、车牌位置的定位,采集到车牌信息(阈值二值化处理、形态学操作,闭操作) 4、对车牌字母进行分割 5、通过卷积神经网络训练出来的模型,对采集车牌的各个字母进行识别 6、对结果进行组合,最后得到车牌信息 网上有很多说法,不过都差不太多。具体参照:1.https:/
  • XX智能停车场系统项目技术方案
    第一章 项目概述 一 背景 随着国民经济的不断提升,汽车越来越多的进入了寻常百姓人家。加上我国近年来大力发张汽车产业,频繁出台各种鼓励家庭拥有汽车的消费政策,使得汽车保有量逐年提高。根据中国汽车工业协会数据统计,2014年中国汽车产销量达2400万辆,有望连续第六年稳居世界头号汽车产销大国的地位。 伴随着汽车保有量的迅速增加,停车场规模的不断扩大,城市汽车和停车场之间的矛盾也日益突出。停车场停车难,找车难,车场管理难等问题频频浮现。 二 项目概况 停车场智能化管理的需求,以实现停车场智能化管理为目标,以购买月卡的固定停车用户为服务主要服务对象,兼顾外来临时车辆停车的服务,以达到停车用户进出方便、快捷、安全,管理处管理科学、高效、服务优质文明的目的。对提高管理处的管理层次和综合服务水平方面将起重要的作用。我公司经反复调研,并针对未来发展需求,精心设计出全新智能停车场管理系统方案,包括基于非接触式IC卡实现出入口管理的方案和基于车牌识别实现出入口管理的方案。 在基于非接触式IC卡的停车场管理系统中,持有月租卡和贵宾卡的车主在出入停车场时,经车辆检测器检测到车辆后,将IC卡在出入口控制机的读卡区掠过,读卡器读卡并判断卡的有效性。对于有效的IC卡,自动道闸的闸杆升起放行并将相应的数据存入数据库中。若为无效的IC卡或进出场的车辆,则不给予放行。对临时停车的车主,在车辆检测器检测到车辆后
  • 智能智慧型停车场管理系统解决方案
    一、系统概述 智慧型停车场系统采用纯车牌自动识别技术、视频停车诱导技术及移动互联网APP停车应用技术,同时支持多种缴费场景和支付方式的全新智能化停车场系统。 系统能准确识别进出车辆的车牌号码,并以车辆的车牌号码作为车辆的识别标识,实现车辆的快速进出、轻松准确的停车定位及找车等功能。实现停车场的自动化、可视化和无需人工值守管理,降低了停车场的管理费用,大大提高了停车场的管理水平。 二、与传统车场相比,优势明显 1、出入口通行效率高 入口最高通行率可达20部车/分钟,结合自助缴费终端,出口亦可达到与入口一样的通行效率,避免停车场内外车辆排队拥堵。 2、缴费方式多样化 除出口收费外,系统还提供自助缴费终端、中央收费、移动支付、银联闪付、城市一卡通支付、VIP会员卡积分支付等多种方式缴纳停车费用,进一步方便车主,提高出口通行效率。 3、方便快捷找到停车位 在车场内的每个车位上安装车位识别摄像机,对车位使用情况进行实时监测,判断每个车位是否有车辆停放,并识别停放车辆的车牌号码。由车位识别摄像机上集成的指示灯及LED车位方向指引屏指引车主快速地寻找到空车位。 4、快速查找爱车停放位置 l 在楼梯口、电梯口、中央收费处等位置安装车辆查询机,查询机采用大型液晶触摸屏,可进行车牌号码及车位号输入和显示功能。 显示屏显示车辆停车区域、车位等文字信息,并以电子地图的方式显示车辆停车位置
  • 毕设题目汇总(一)
    服务过的课设题目 基于NLP,ASR及TTS技术的智能语音分析工具-负责语义分析部分(论文替代) 基于SpringBoot的用户音乐平台 家装设计公司客户关系系统 基于机器学习的文本语义分析工具 基于微信小程序的私教预约系统 标准化轮胎仓库管理系统 公务机典型试飞科目数据处理系统 基于图像的结构化数值识别系统的设计与实现 基于ThinkPHP的自适应的网上订餐平台的设计与实现 基于语音与触控技术的移动端动画制作工具的设计与实现 基于WIFI的定位系统的设计与实现 MOOC视频内容推荐工具的设计与实现 基于人脸识别的智能小区门禁系统设计与实现 可定制智能信息查询与检索系统的设计与实现 火车订票系统的设计与实现 魔方网站的设计与实现 家庭理财管理系统设计与实现 基于卷积神经网络的图像风格化处理 基于卷积神经网络的图像修复系统设计与实现 基于深度学习的目标实例分割 基于web的云智教育在线平台设计与实现 基于纹理分析的医学图像处理 基于全卷积神经网络的医学图像分割 基于Unity的2D ACT游戏的设计与实现 基于人脸识别的签到系统的设计与实现 智慧校园语音交互系统的设计与实现 基于Android的旅游车服务程序的设计与实现 基于Unity的2D 平台动作游戏的设计与实现 基于IOS平台的校园社区生活APP的设计与实现 点播影院运营系统的设计与实现 基于javaweb的任务流程辅助系统
  • 机器学习项目简历收集册-----机器学习(仅供参考)
    图像识别 项目一:齿轮表面粗糙度自动检测 开发应用:python3+sklearn+opencv 项目描述:1)使用CCD相机获取齿轮表面图像 2)图片预处理,使用中值滤波,去除图片椒盐噪声,使用直方图均衡化进行图像增强 3) 使用小波变换提取零件的纹理特征 4)进行pca主成分分析进行降维获取特征 5)使用支持向量机分类器进行分类 项目二:验证码识别 开发应用:python+tensorflow 项目描述:1)通过公司提供的数据集对数据进行编码 2)搭建cnn神经网络 3)对模型进行训练,提高验证码的识别率 4)验证模型 项目三:字符喷吗识别系统 开发应用:python3+opencv+tensorflow 项目描述:通过公司的数据集,将不同风格的图片与数据集的图片进行训练得到不同风格的模型, 这样可以在用户选择不同风格时,将照片快速转换为不同风格。 项目3:基于ROS 系统机械臂抓取工件图像处理设计 项目简介:本移动机器人平台是上下料机械臂自动识别工件,方便机械臂对相应工件分析抓取,简化 工人操作,实现工厂生产工业智能化。 个人职责:USB 摄像头相关OpenCV 库驱动,使用cv_bridge 进行图像捕捉等 所用技术: 1.基于OpenCV 进行过图像获取、裁剪、灰度处理 2.使用ImageTransport API 发布摄像头帧 3.采用image_proc 进行ROS
  • python tensorflow pytorch 深度学习 车牌识别
    车牌识别相关资料收集整理 1、License Plate Detection with RetinaFace 链接:https://github.com/zeusees/License-Plate-Detector 利用单物体检测算法Retinaface进行了车牌检测模型的训练,通过测试,检测效果和适用性都更突出,支持的模型也更为丰富。 开源版本的检测算法经过了多个版本迭代,考虑到检测的效率跟准确率,原始版本逐步淘汰,从最初的基于LBP和Harr特征的车牌检测,感兴趣的小伙伴可以参考 train-detector(https://github.com/openalpr/train-detector) 这个仓库;到后来逐步的采用深度学习的方式,我们的上一个版本采用基于mobilenet-ssd的算法进行检测,大家可以移步 (https://gitee.com/zeusees/Mobilenet-SSD-License-Plate-Detection) 这里进行查看,后续请尽量采用新模型进行测试。 该版本的检测模型的训练,结合了CCPD数据集跟我们自有的数据,能够做到更多车牌种类的支持。 Clone and install git clone https://github.com/zeusees/License-Plate-Detector.git Pytorch version 1
  • 【图像隐写】基于离散小波变换(DWT)与奇异值分解(SVD)相结合的数字水印【Matlab 464期】
    一、简介 基于离散小波变换(DWT)与奇异值分解(SVD)相结合的数字水印 二、源代码 clear all; close all; clc; key=35; %Arnold置换次数,作为密钥 Orignalmark=double(imread('suda64.bmp')); %读入64*64的水印图片 [wrow,wcol]=size(Orignalmark); if wrow~=wcol error('wrow~=wcol error'); end %--- 测试密钥key是否超出范围--------- n=check_arnold(wrow); if (key+1)>n error('arnold key error'); end Arnoldw=arnold(Orignalmark,wrow,key); %对水印图像进行Arnold转化 figure(1); imshow(Orignalmark); title('原始水印图片'); figure(2); imshow(Arnoldw); title('置乱后的水印图片'); Orignalpicture=double(imread('Lena.jpg')); figure(3); imshow(uint8(Orignalpicture)); title('原始图片'); %DWT变换 [ca1,ch1,cv1,cd1]
  • 3D视觉学习路线汇总
    微信公众号推荐 【3D视觉工坊简介】 公众号【3D视觉工坊】,致力于3D视觉算法、SLAM算法、三维重建、点云处理、深度学习、目标检测、语义分割、自动驾驶感知算法等领域的技术传播,注重内容的原创分享和高质量学习心得的传播。 【作者介绍】 公众号博主1:Tom Hardy,先后就职于国内知名研究院、自动驾驶独角兽公司、海康研究院,致力于计算机视觉算法、深度学习算法、自动驾驶感知算法等领域的研究,CSDN博客专家。 公众号博主2:小凡,先后任职于知名研究院、知名VSLAM公司,致力于3D视觉算法、VSLAM算法开发,涉及相机标定、手眼标定、结构光、点云后处理等相关领域的研究,CSDN博客专家。 公众号博主3:书涵等特邀嘉宾,主要来自于国内外知名高校博士以及各大厂算法工程师。 3D视觉工坊致力于: 分享技术、坚持原创、创造价值、结识一起追梦的人~ 往期文章汇总 VSLAM VSLAM|回环检测之词袋字典效果测试及一点思考 [SLAM] a bite of SLAM SLAM从0到1——状态估计之最小二乘问题解法:最速下降法、牛顿法、高斯牛顿法、LM法 SLAM从0到1——ORB特征提取及特征匹配 视觉SLAM简介(限于初学者) EPnP:一种复杂度为O(N)的求解PnP问题的方法 ORB-SLAM2:一种开源的VSLAM方案 系列篇|一文尽览事件相机原理 VSLAM
  • 【图像去噪】全变分算法图像去噪【Matlab 323期】
    一、简介 1 用途 图像降噪(图像修复,复原中),TVloss是一种较为有效的正则项,来保持图像的光滑性。 2 效果 二、源代码 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% I=imread('toys.bmp'); % load image I=double(I(20:120,10:105)); % cut a piece, convert to double %%% Parameters std_n=10; var_n=std_n^2; % Gaussian noise standard deviation reduced_pw = 1.5*var_n; % power to reduce in first phase sig_w = 5; ws=4*sig_w+1; % window size %%%%%%%%%%%%%% %%% Add noise In = randn(size(I))*std_n; I0 = I + In; % noisy input image % show original and noisy images figure(1); imshow(uint8(I)); title('Original') figure(2); imshow(uint8(I0)); title('Noisy image') snr_noisy=db(I
  • 路侧智慧泊车解决方案
    1 方案概述 1.1 方案背景 随着城市机动车保有量迅猛提高,交通拥堵、停车困难、乱停乱放、事故纠纷、车辆安全、环境污染等交通相关的问题日益严重,特别交通“停车难”日益成为制约城市经济与社会发展的“瓶颈”;如何改善交通的现状及解决停车难的问题受到了市政府、相关领导的高度重视与民众的极大关心。 鉴于此,有必要对城市的道路、交通、停车进行统一的规划、优化和管理,充分挖掘城市停车资源,特别是科学合理拓展路边占道停车资源,并通过对路边占道停车合理收费这一经济杠杆实现停车资源高效利用,为全市交通、停车提供高效、方便、有序的服务,从而改善城市的交通拥堵和停车困难。 1.2 存在主要问题 目前国内停车问题主要存在于大城市中心区,在众多的停车问题中,路测停车问题尤为突出。合法停车位严重不足导致机动车的乱停乱放,管理单位还是依靠大量人工管理,导致停车资源不能有效使用和扩大投资再利用,也经常出现人为管理上的矛盾和收费舞弊行为,甚至引发不和谐的社会负面影响。城市静态交通管理上的不足已经触动并影响了城市动态交通的畅通、有序,这种现象在当代中国每个城市几乎每天都在上演。 结合现有停车现状,路面占道停车存在相关以下问题: 占道及违章停车现象严重 路测停车具有车辆停放方便等因素,停车人越来越多难免就有一些人会违章占道停车,久而久之违章占道停车成为很多人的停车习惯。路内违章占道停车,路外空臵率居高不下
  • 【图像识别】基于GUI BP神经网络手写数字识别【Matlab 461期】
    一、简介 二、源代码 %测试 clear all; close all p(1:256,1)=1; %初始图像二值化像素 p1=ones(16,16); load swjnet net; %加载训练好的网络 % test=input('Please input a test image:','s'); x=imread('3 (10).bmp'); %特征提取 bw=im2bw(x,0.5); %二值化 [i,j]= find(bw==0); %寻找数字所在的像素索引 imin=min(i); %求取数字像素占据空间的最小行索引 imax=max(i); %求取数字像素占据空间的最大行的索引 jmin=min(j); %求取数字像素占据空间的最小列的索引 jmax=max(j); %求取数字像素占据空间的最大列的索引 bwl=bw(imin:imax,jmin:jmax); %把图像由39×39缩放为实际数字像素所需的空间 rate=16/max(size(bwl)); %求取放大比率 bwl=imresize(bwl,rate); %按比率放大图像 [i,j]=size(bwl); %求取行列数 i1=round((16-i)/2); %取整 j1=round((16-j)/2); p1(i1+1:i1+i,j1+1:j1+j)=bwl; %图像从右向暂存 function
  • 基于Matlab车牌自动识别
    灰度变换 灰度图是指将黑色和白色以对数的关系分为256阶的图像。灰度化处理就是将彩色图片通过处理转化为灰度图的过程。彩色图像一般由三个独立色组成,R、G、B三个分量分别显示出红、绿、蓝。灰度化处理就是使R、G、B三个分量相等。灰度值为255的点就是白色,灰度值为0的就是黑色,其范围为0至255。 由于车牌的颜色不同,所以从拍摄的汽车图像直接提取会有很大的困难,但是汽车车牌与车牌上的字符颜色对比度却很大,并且灰度图像是一种最简单的对比度增强方法。所以将彩色图像转换为灰度图像,可以快速准确得确定车牌的位置。运用该技术不仅可以减少数据上得存储,也可以大大地提升运行速度。 边缘检测 边缘检测是图像处理和计算机视觉中比较常见的问题,也是图像中经常运用的技术。边缘的目的就是将数字图像中亮度明显的点标识出来,或者是我们所需要的的点标识出来。这些点基本上都可以反映出属性的重要事件和变化,其中包括深度上的变化、表面上的变化、物质属性上和场景照明上的变化。边缘检测在图像处理和计算机视觉中特征提取方向具有重要地位,具有很好的发展前景。 图像边缘检测可以确定我们所需要的的区域图像,清除了其中我们不需要的一些图像,保留了图像中重要的结构属性,并在一定程度上减少数据量。目前,边缘检测有许多方法,也有许多算法。这些方法或算法大体上可以分为两种:查找和零穿越
  • OCR综述—持续更新
    整个OCR就是:文本检测、文本识别是其中两个关键环节 目前OCR的应用场景主要分为以下三个方面: 1、自然场景下多形态文本检测与识别 2、手写体文本检测与识别 3、文档的文本检测与识别(版面分析等) OCR目前的技术综述以及文献 一、文本检测 CTPN(基于Faster RCNN):目前比较成熟的文本检测框架,精确度较好。但是检测时间较长,有很大的优化空间。 【文献】Detecting Text in Natural Image with Connectionist Text Proposal Network TextBoxes、TextBoxes++(基于SSD):调整Anchor长宽比,适用于文字细长的特点,但针对小文本会有漏检。 【文献】TextBoxes: A Fast Text Detector with a Single Deep Neural Network TextBoxes++: A Single-Shot Oriented Scene Text Detector SegLink(CTPN+SSD):通常用于自然场景下,检测多角度文本。 【文献】Detecting Oriented Text in Natural Images by Linking Segments DMPNet:采用非矩形四边形选定Anchor进行检测,通过Monte
  • 基于ssm框架开发的停车场车牌识别缴费系统
    基于ssm框架开发的自动车牌识别缴费系统,是一个很好的毕业设计或者课程设计,功能齐全,页面美观,适用于学习以及二次开发。 系统主要包含功能有车辆入库车牌图像识别、车辆出库车牌识别以及费用自动计算、人员管理、车库管理、公告管理、以及当天停车位统计等一系列的功能,此项目重点难点是车牌识别的开发,目前是调用百度免费的识别接口。 运行环境: 项目开发语言:Java语言 项目开发工具:eclipse等 项目开发技术:后台采用ssm技术 服务器软件:tomcat7.0 数据库类型:MySQL数据库为系统的数据库 源码下载 点击 来源:https://blog.csdn.net/wsymyz/article/details/106769449
  • 数字图像处理——基于matlab的车牌号识别
    (有小可爱看了文章,想要字符模板,这里给出模板链接,下载后把字符模块文件夹放在程序的文件目录下就好,还请大家不吝点赞鸭,点赞数过50,免费分享字符模板链接(不用积分的那种哈))码字不易,老阿姨头发都没啦,小可爱们记得给三连鸭,么么哒。 字符模板 (后续加了GUI,参见下边) GUI入门:给车牌识别系统加个GUI (源码资源有常私我vx:xdsqczkyqs713,无GUI30r,带GUI40r,说明一下,这是个比较简单的图像处理练手级项目,离实用还差得远,没有考虑角度和光线问题,对于下边动图中出现过车牌图片都能识别,但并不能通用) 先上个动图给个效果: (这篇文章效果还好,今天做一次更新,是结合小伙伴们的源码使用反馈我做出的一些提升,补全了字符模板,之前有些行省简称不全,泛化能力提升,不需要修改参数可以识别的图片更多了,可以手机拍照,注意视角和光线因素一般都可以识别出来,更新的详细内容和方法附在文章结尾了,下边这些图片是小伙伴们自己拍摄的图片识别效果图附在动图后边了哈都是同一参数下的效果,提升后识别准确性和图片适用性增强了不少鸭!) 更新后的模板点击这里 车牌识别技术的推广普及对加强道路管理、城市交通事故、违章停车、处理车辆被盗案件、保障社会稳定等方面有非常重大的影响。本文以生活中最常见的蓝底白字的小型汽车的车牌照为例,介绍一种通过车牌区域颜色特征来标定图片中的车牌位置
  • 毕业学长设计
    已经毕业两年多了,可以帮学弟学妹们无偿帮做设计,给点奶茶费就行了哈哈。如果想自己做的话,可以看我另一篇博文,那里有我开发的一键生成设计的系统。 一键生成毕业设计 ------------------------------------------ 基于SSM的商城系统的设计与实现 基于SSM的管理系统的设计与实现 基于JSP的超市系统的设计与实现 火车订票系统的设计与实现 魔方网站的设计与实现 家庭理财管理系统设计与实现 基于卷积神经网络的图像风格化处理 基于卷积神经网络的图像修复系统设计与实现 基于深度学习的目标实例分割 基于web的云智教育在线平台设计与实现 基于纹理分析的医学图像处理 基于全卷积神经网络的医学图像分割 基于Unity的2D ACT游戏的设计与实现 基于人脸识别的签到系统的设计与实现 智慧校园语音交互系统的设计与实现 基于Android的旅游车服务程序的设计与实现 基于Unity的2D 平台动作游戏的设计与实现 基于IOS平台的校园社区生活APP的设计与实现 点播影院运营系统的设计与实现 基于javaweb的任务流程辅助系统 基于移动端的英语口语学习软件设计实现 中国天气质量数据展示与分析系统实现 经典诗文爱好者学习交流平台的设计与实现 基于Mycat中间件的班级事务处理系统的设计与实现 公安巡查任务派单执行系统的设计与实现