|
| 裁判没有。 |
板的类型 |
该方法 |
性能率/准确性 |
讨论/评论 |
|
| (2] |
实时图像 |
blob-coloring Niblack阈值,基于神经网络的光学字符识别 |
识别为86.1% |
解决低分辨率图像平均计算时间是1.5秒 |
| (3] |
尼泊尔的车牌号码 |
灰度形态学操作,中值滤波,在模板匹配相关联,互相关 |
互相关为67.98%,63.46%,相关联 |
由于模板匹配的平均精度很低 |
| (4] |
印度的车牌号码 |
基本的预处理,PCA特征提取,CNN对识别分类器 |
成功的执行是通过使用覆盆子π |
讨论了合适的资源 |
| (5] |
实时图像 |
YOLOv2扭曲规划师对象检测网络(WPOD-NET)检测、OCR识别 |
检测和识别是75% 76.8% |
专注于无约束的图像具有单列车牌号码 |
| (6] |
实时图像 |
灰度、二值化、屏蔽板检测,区分明确的角色由SVM(部署使用MATLAB 2010) |
92%的准确率,识别 |
无法识别运动模糊,重叠、倾斜和板与一种不同的语言 |
| (7] |
印度的车牌号码 |
灰度、二值化、对比度扩展,中值滤波,MATLAB地区道具功能分割、区域特征提取功能,模板匹配识别 |
之间的识别率是75%和85% |
解决低分辨率,unskew和清晰的图像 |
| (8] |
卡塔尔车牌号码 |
重新调节,形态学操作,连接成分分析(CCA),矢量,分区、模板匹配 |
识别率为99.5%和0.63毫秒计算时间 |
高分辨率,单列图像加以解决 |
| (9] |
加纳的车牌号码 |
灰度高斯内核,Sobel边缘检测器,CCA的关键图像,超正方体OCR进行字符识别 |
识别率是60%以0.2计算时间 |
5米的距离,检测算法执行相当有效 |
| (10] |
实时图像 |
稀释、分割、识别使用覆盆子π |
用3秒钟延迟识别率为85% |
系统管理提供良好的结果,当主题是2米内的相机 |
| (11] |
印度的车牌号码 |
YOLOv3检测和识别 |
100%的检测、识别为91% |
高分辨率和单列车牌号码是专注 |
| (12] |
印尼的车牌号码 |
阈值转换法、形态学操作,为识别资讯 |
98%的准确率,识别 |
损伤和截止字符无法辨认的 |
| (13] |
马来西亚车牌号码 |
Sauvola阈值,模板匹配字符识别 |
83.17%的平均识别的准确性 |
高分辨率图像捕获从1.5米到2米的距离 |
| (14] |
欧洲的车牌号码 |
欠采样、量化、二进制掩蔽,超正方体OCR字符分割和识别 |
90 - 100%的平均精度的认可 |
高分辨率单列车牌号码是专注 |
| (15] |
实时图像 |
二值化、最小滤波器增强暗值,罗伯茨边缘检测,边界框,模板匹配 |
没有准确的信息,因为他们喜欢板标签管理 |
讨论了合适的资源 |
| (16] |
印度的车牌号码 |
形态学操作,高斯滤波器、抗扭斜,资讯 |
识别为96.22% |
集中在单行板数量 |
| (17] |
印尼的车牌号码 |
直方图均衡化、精明和拉普拉斯算子或Sobel和拉普拉斯算子的边缘检测,边界框,裁剪,OCR使用特征向量 |
没有准确的信息,因为他们喜欢的硬件配置 |
讨论了合适的资源 |
| (20.] |
巴基斯坦的车牌号码 |
直方图均衡化,截然不同的特性匹配 |
93%的准确率,识别 |
中等分辨率单列车牌 |
| (21] |
巴基斯坦的车牌号码 |
灰度高斯滤波器,精明的边缘检测器,资讯 |
93%的准确率,识别 |
主要专注于汽车车牌 |
|
|
