《車牌識(shí)別英文文獻(xiàn)1翻譯(共7頁(yè))》由會(huì)員分享，可在線閱讀，更多相關(guān)《車牌識(shí)別英文文獻(xiàn)1翻譯(共7頁(yè))（8頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、精選優(yōu)質(zhì)文檔-----傾情為你奉上 提出的模型 本文的主要目的是要開(kāi)發(fā)一個(gè)系統(tǒng)that can extract the license plate number可以從沒(méi)有虛假質(zhì)量的復(fù)雜的現(xiàn)場(chǎng)圖像中提取車牌號(hào)碼，相機(jī)和車牌之間的距離，the angle in which the plate has been captured其中的相對(duì)車牌已被抓獲to the camera and s在相機(jī)等。 對(duì)車牌識(shí)別系統(tǒng)概述見(jiàn)圖1，在車輛圖片由相機(jī)拍攝后，它會(huì)被傳遞到預(yù)先處理單位由系統(tǒng)作進(jìn)一步處理。其主要功能是消除圖像采集子系統(tǒng)所造成的噪聲，提升圖像的其他兩個(gè)子系統(tǒng)使用的功效。圖像will be sc

2、anned by the Plate Extraction modul將被板提取模塊掃描以locate the vehicle's license-plat找到車輛的車牌。下一階段是對(duì)于車牌中responsible for segmenting the individual characters o對(duì)于車牌中對(duì)于字符的分割。最后每個(gè)字符將傳遞給Optical Character Recognition (OCR) module to b光學(xué)字符識(shí)別（OCR）模塊來(lái)進(jìn)行識(shí)別確定，最終結(jié)果將是ASCII字符and numbers of the pl和車牌號(hào)碼。 3.1. Pre-Process

3、ing 預(yù)處理 輸入圖像的最初處理是為了提高其quality and prepare it to next stages of the syste質(zhì)量，并為系統(tǒng)的下一階段執(zhí)行作準(zhǔn)備。首先，該系統(tǒng)使用的NTSC標(biāo)準(zhǔn)的方法將RGB圖像轉(zhuǎn)換為灰度level images using the NTSC standard method:圖像。 G=0.299*R+0.587*G+0.114*B 第二步，用中值濾波（5x5）對(duì)the gray-level image in order to remove灰度圖像進(jìn)行處理，以消除噪音，while preserving the sharpness of

4、the imag同時(shí)也能保持圖像的清晰度。中值濾波是一種非線性濾波器，它用各像素5x5鄰里of the original pixel.的計(jì)算得出中位值來(lái)取代該像素的值。 3.2. Plate Extraction 板塊提取 板塊提取處理包含五個(gè)不同的階段進(jìn)行，如圖2所示；在這里每個(gè)階段performs a segmentation process on the gray ima執(zhí)行灰度圖像分割過(guò)程以eliminate the redundant pixels that don't belong to消除不屬于plate reg車牌區(qū)域的多余的像素。例如，水平定位phase is respo

5、nsible of finding horizontal segmen階段是負(fù)責(zé)尋找水平部分that may contain a license可能包含一個(gè)車牌。在下面的discussion, each of these phases will be discu討論中，每一個(gè)階段都會(huì)被deta細(xì)細(xì)展開(kāi)討論。 馬來(lái)西亞車牌由一排白色characters on a black background, so we can say th字符在黑色的背景底色，所以我們可以說(shuō)，the license plate region is characterized by a ro車牌區(qū)域的特點(diǎn)是transit

6、ions from black to white and vice versa, su從一排黑色過(guò)渡到一排白色，反之亦然，這樣transitions are called “edg轉(zhuǎn)換被稱為“邊緣”。intensity from plate's characters to its background i從車牌字符到其背景在色彩強(qiáng)度上總的變化叫做邊緣的強(qiáng)度。最強(qiáng)邊緣value that can occur can be found in the case of 值，能夠在transition from a black pixel to a white pixel or from a從一個(gè)黑色像

7、素過(guò)渡到一個(gè)白色像素或從white pixel to a black p白色像素變?yōu)楹谏袼厍闆r下被找到。在理想的情況下，Malaysian license plates where the characte，，，，，，，，，，，，，，， 馬來(lái)西亞的車牌是白色的字符繪制在drawn on black background, and hence they produce黑色的背景上，因此這種搭配產(chǎn)生了high intensity edge values which can be used to f高強(qiáng)度邊緣值，用于查找出possible plate regions可能的板區(qū)域。在本文中我們將使用

8、Sobel operators to find 、Sobel算子來(lái)查找邊緣。Sobel運(yùn)算在圖片上執(zhí)行一個(gè)2-D空間梯度測(cè)量。通常它是用來(lái)尋找approximate absolute gradient magnitude at each poi近似絕對(duì)的梯度幅度對(duì)在每一個(gè)點(diǎn)in an input grayscale image.在輸入的灰度圖像上。該Sobel邊緣檢測(cè)器uses a pair of 3x3 convolution masks, one estimating使用一對(duì)3x3卷積板塊，一個(gè)the gradient in the x-direction (columns) and th

9、e other在x方向（列）上按梯度檢測(cè)，另一個(gè)estimating the gradient in the y-direction (rows)在y方向（行）按梯度檢測(cè)。實(shí)際索貝爾Sobel面具如下： 圖4說(shuō)明了一個(gè)邊緣檢測(cè)過(guò)程中使用Sobel operator.Sobel算子。較淡的區(qū)域表示更強(qiáng)edges as the case for licen板塊邊緣的情況下牌照。在創(chuàng)建的邊緣圖像后，系統(tǒng)會(huì)search for regions with high edge values wh搜索有高邊緣值的區(qū)域，這些區(qū)域中most likely to contain a license 最有可能

10、包含車牌。要做到這一點(diǎn)，系統(tǒng)將為邊緣圖像建立一個(gè)水平投影。一個(gè)圖像的投影輪廓是一個(gè)緊湊的空間表示像素內(nèi)容distribution.分布。水平投影輪廓被定義as the vector of the sums of the pixel intensities over為每行上像素值之和的矢量。圖5顯示了圖表示水平投影圖像的邊緣，圖像波峰表示為強(qiáng)邊緣區(qū)域，可用于提取最有可能的水平位置車牌。該系統(tǒng)將標(biāo)記所有的對(duì)應(yīng)的水平段相當(dāng)于標(biāo)記邊緣圖像的投影輪廓的波峰。 提取過(guò)程的下一步是在板中find the vertical position of the license plate.尋找車牌的垂直位置。

11、對(duì)于這部分，通常使用的方法為研究統(tǒng)計(jì)板的圖片的直方圖。但這些方法并不適用于馬來(lái)西亞的車牌，為兩個(gè)原因： 1. Number of characters varies from plate to anothe字符數(shù)在各板上不同。 2. written in two lines.有些板的特點(diǎn)為字符寫(xiě)在兩行。 我們提出了一個(gè)簡(jiǎn)單的方法用的邊緣圖像來(lái)定位圖像板的垂直坐標(biāo)。該algorithm starts by sliding a window through e算法開(kāi)始每個(gè)像素內(nèi)的具體位置窗口。通過(guò)每一個(gè)窗口水平段來(lái)滑動(dòng)窗口和總結(jié)窗口內(nèi)的邊緣值horizontal segment and

12、 sums the values of edges insthe window and then divides the result by th，然后通過(guò)窗口的面積劃分結(jié)果window's area to get the average gradient magnitude得到的平均傾斜值。對(duì)于每一個(gè)水平段，該算法為以后處理在進(jìn)入下一個(gè)新的矢量時(shí)將存儲(chǔ)每個(gè)窗口的結(jié)果值，我們稱這個(gè)矢量為HDV，公式為： 這里i=0，1...（ImW- M+1），G（x，y）是邊緣圖像，W是滑動(dòng)窗口，Aw是滑動(dòng)窗口的區(qū)域。ImW是圖像的寬度，M是滑動(dòng)窗口的寬度。 圖6說(shuō)明了橫向密度矢量的計(jì)算過(guò)程，由于窗

13、口滑過(guò)the plate the value of the Horizontal Density Vector模板的矢量值的平面密度(HDV) graph increases gradually until it reaches th（HDV）圖逐漸增大，直到達(dá)到圖像的波峰，然后再下降，在HDV圖的波峰峰點(diǎn)時(shí)滑動(dòng)窗口與車牌進(jìn)行匹配。 圖6. HDV的計(jì)算 此后，該算法能找到所有的波峰在HDV圖形中的每個(gè)水平段。一個(gè)波峰如果大于設(shè)定的閥值就assumed to belong to a license plate if it is greater th假定屬于一個(gè)車牌。圖7顯示了一個(gè)例子為

14、在這一過(guò)程中提取的垂直位置車牌隨著每個(gè)HDV的圖的水平段。the process of extracting the vertical position of th 圖7. Example of vertical localization of the license plate.車牌垂直位置的例子 在垂直位置處理過(guò)程以后的下一步驟是是清理階段。這執(zhí)行過(guò)程分為三個(gè)主要階段，它們是： processes which are:1.兩排板的的分隔處被錯(cuò)誤地檢測(cè)為一個(gè)段。 2.從多余的背景中將車牌孤立出來(lái)。 3.斜角的檢測(cè)和糾正。 圖8.兩個(gè)板塊出現(xiàn)在同一的水平段中 分離出來(lái)的包

15、含有兩行字符的車牌將通過(guò)二值圖像一個(gè)characters will be done through a horizontal projection水平投影來(lái)進(jìn)行確切的of the binary image for the extracted segment and提取和檢測(cè)一個(gè)波谷作為一個(gè)特殊的閥值。如被檢測(cè)到，這一部分將被視為兩排板two- row plate and will be cut into two separate，將被切割成兩個(gè)獨(dú)立部分，如下圖9所示： 圖9.車牌的水平投影 從多余的背景中分離出來(lái)的車牌使用一投影輪廓，反映了pixels in each row and

16、in each column.白色白色白色白色白色像素在每一列和每一行中segments, as shown in Fi的數(shù)目。在大多數(shù)情況下，預(yù)測(cè)的縱向的和水平白色像素?cái)?shù)量揭示了該板塊的實(shí)際位置。 and horizontally reveals the actual position of the plate.預(yù)測(cè)的一個(gè)例子如圖10所示。 圖10. 車牌的水平和垂直投影 要查找車牌的傾斜角度，我們所使用的算法描述在[1]中。計(jì)算的skew angle is achieved using Hough transform to find傾斜角是通過(guò)Hough變換找到algorith

17、m described in [1]projection profile that reflects the number of whi車牌圖像中的最明顯的線和其角度，最后的車牌圖像將被旋轉(zhuǎn)的shown in Figure 11.如圖11所示。 angles, and finally the plate image will be rotated as圖11. 偏斜角的糾正 定位過(guò)程的最后一步，是核查階段。該階段的輸入內(nèi)容是前面幾步中所有的可能包含有車牌的區(qū)域。因此，這個(gè)階段的主要目標(biāo)是過(guò)濾掉不屬于車牌的區(qū)域。我們將遵循以基礎(chǔ)規(guī)則為的分類做法是，如果下列條件之一滿足則該區(qū)域?qū)⒈粍h除：a

18、pproach, where an extracted region will be deleted 1. 該區(qū)域的高寬比（寬度/高度）小于/大于某閥值。 2. 該區(qū)域的面積的是小于某一閥值。 3. 每一像素的平均傾斜度小于/大于某一閥值。 4. greater than 9.有效的字符數(shù)為小于3或大于9。trainare determined experimentally from the availabl 5. 區(qū)域密度小于/大于某一閥值（密度=對(duì)象區(qū)域面積÷所有區(qū)域面積）。所有的閾值決定于實(shí)驗(yàn)測(cè)試數(shù)據(jù)。 3.3. 字符分割 為了簡(jiǎn)化字符識(shí)別的過(guò)程, 最好板塊劃分為不同的圖

19、像，每個(gè)包含一個(gè)分離的字符。有一些廣泛使用的字符分離方法，這些方法可用于幾乎所有的可靠的車牌識(shí)別系統(tǒng)系統(tǒng)中。這些方法有：靜態(tài)式[4]，垂直投影[8]和連接的組件。前兩種方法不能用來(lái)分割馬來(lái)西亞車牌，因?yàn)槊總€(gè)車牌沒(méi)有一個(gè)固定的字符數(shù)目。本文中以下步驟是用來(lái)提取車牌的字符： 1.在可用的灰度值的范圍內(nèi)（0~255）內(nèi)，擴(kuò)大圖像的對(duì)比度。steps are used to segment the characters of the license 2.用Otsu方法[10]對(duì)車牌圖像按所規(guī)定的閥值進(jìn)行分界。 3.搜索圖像中的連通區(qū)域，每個(gè)連通域用一個(gè)特殊的標(biāo)志進(jìn)行標(biāo)記來(lái)區(qū)分圖像中兩個(gè)不同的連通

20、域。如圖12所示。 4.從以前的步驟中調(diào)整每個(gè)字符到標(biāo)準(zhǔn)的高度和寬度（20*10）用于進(jìn)行下面的識(shí)別處理。 圖12. Extracting the characters from license p提取車牌字符 3.4. 字符識(shí)別 人工神經(jīng)網(wǎng)絡(luò)用于字符識(shí)別。我們使用的多層感知神經(jīng)網(wǎng)絡(luò)器（MLP神經(jīng)網(wǎng)絡(luò)）測(cè)試時(shí)用trained with the back-propagation algorithm反向傳播算法。在學(xué)習(xí)階段，數(shù)據(jù)庫(kù)的字符構(gòu)成表示在MLP神經(jīng)網(wǎng)絡(luò)的輸入層相應(yīng)的輸出與理想的輸出作比較。在網(wǎng)絡(luò)輸出時(shí)，為了獲取響應(yīng)盡可能which are as close as possible to the desired outputs接近到理想輸出的權(quán)重而反復(fù)修改。輸入層由135個(gè)輸入神經(jīng)元組成，一個(gè)隱藏層為有40個(gè)神經(jīng)元有登錄傳遞功能。輸出級(jí)有36神經(jīng)元，每個(gè)輸出給定的概率輸入相應(yīng)的字符。 專心---專注---專業(yè)