《車牌識別英文文獻1翻譯(共7頁)》由會員分享，可在線閱讀，更多相關《車牌識別英文文獻1翻譯(共7頁)（8頁珍藏版）》請在裝配圖網上搜索。

1、精選優(yōu)質文檔-----傾情為你奉上 提出的模型 本文的主要目的是要開發(fā)一個系統(tǒng)that can extract the license plate number可以從沒有虛假質量的復雜的現(xiàn)場圖像中提取車牌號碼，相機和車牌之間的距離，the angle in which the plate has been captured其中的相對車牌已被抓獲to the camera and s在相機等。 對車牌識別系統(tǒng)概述見圖1，在車輛圖片由相機拍攝后，它會被傳遞到預先處理單位由系統(tǒng)作進一步處理。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。下一階段是對于車牌中responsible for segmenting the individual characters o對于車牌中對于字符的分割。最后每個字符將傳遞給Optical Character Recognition (OCR) module to b光學字符識別（OCR）模塊來進行識別確定，最終結果將是ASCII字符and numbers of the pl和車牌號碼。 3.1. Pre-Process

3、ing 預處理 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質量，并為系統(tǒng)的下一階段執(zhí)行作準備。首先，該系統(tǒng)使用的NTSC標準的方法將RGB圖像轉換為灰度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the gray-level image in order to remove灰度圖像進行處理，以消除噪音，while preserving the sharpness of

4、the imag同時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.的計算得出中位值來取代該像素的值。 3.2. Plate Extraction 板塊提取 板塊提取處理包含五個不同的階段進行，如圖2所示；在這里每個階段performs a segmentation process on the gray ima執(zhí)行灰度圖像分割過程以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階段是負責尋找水平部分that may contain a license可能包含一個車牌。在下面的discussion, each of these phases will be discu討論中，每一個階段都會被deta細細展開討論。 馬來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，the license plate region is characterized by a ro車牌區(qū)域的特點是transit

6、ions from black to white and vice versa, su從一排黑色過渡到一排白色，反之亦然，這樣transitions are called “edg轉換被稱為“邊緣”。intensity from plate's characters to its background i從車牌字符到其背景在色彩強度上總的變化叫做邊緣的強度。最強邊緣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從一個黑色像

7、素過渡到一個白色像素或從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，因此這種搭配產生了high intensity edge values which can be used to f高強度邊緣值，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算子來查找邊緣。Sobel運算在圖片上執(zhí)行一個2-D空間梯度測量。通常它是用來尋找approximate absolute gradient magnitude at each poi近似絕對的梯度幅度對在每一個點in an input grayscale image.在輸入的灰度圖像上。該Sobel邊緣檢測器uses a pair of 3x3 convolution masks, one estimating使用一對3x3卷積板塊，一個the gradient in the x-direction (columns) and th

9、e other在x方向（列）上按梯度檢測，另一個estimating the gradient in the y-direction (rows)在y方向（行）按梯度檢測。實際索貝爾Sobel面具如下： 圖4說明了一個邊緣檢測過程中使用Sobel operator.Sobel算子。較淡的區(qū)域表示更強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，系統(tǒng)將為邊緣圖像建立一個水平投影。一個圖像的投影輪廓是一個緊湊的空間表示像素內容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)將標記所有的對應的水平段相當于標記邊緣圖像的投影輪廓的波峰。 提取過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、對于這部分，通常使用的方法為研究統(tǒng)計板的圖片的直方圖。但這些方法并不適用于馬來西亞的車牌，為兩個原因： 1. Number of characters varies from plate to anothe字符數在各板上不同。 2. written in two lines.有些板的特點為字符寫在兩行。 我們提出了一個簡單的方法用的邊緣圖像來定位圖像板的垂直坐標。該algorithm starts by sliding a window through e算法開始每個像素內的具體位置窗口。通過每一個窗口水平段來滑動窗口和總結窗口內的邊緣值horizontal segment and

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

13、口滑過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，直到達到圖像的波峰，然后再下降，在HDV圖的波峰峰點時滑動窗口與車牌進行匹配。 圖6. HDV的計算 此后，該算法能找到所有的波峰在HDV圖形中的每個水平段。一個波峰如果大于設定的閥值就assumed to belong to a license plate if it is greater th假定屬于一個車牌。圖7顯示了一個例子為

14、在這一過程中提取的垂直位置車牌隨著每個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 在垂直位置處理過程以后的下一步驟是是清理階段。這執(zhí)行過程分為三個主要階段，它們是： processes which are:1.兩排板的的分隔處被錯誤地檢測為一個段。 2.從多余的背景中將車牌孤立出來。 3.斜角的檢測和糾正。 圖8.兩個板塊出現(xiàn)在同一的水平段中 分離出來的包

15、含有兩行字符的車牌將通過二值圖像一個characters will be done through a horizontal projection水平投影來進行確切的of the binary image for the extracted segment and提取和檢測一個波谷作為一個特殊的閥值。如被檢測到，這一部分將被視為兩排板two- row plate and will be cut into two separate，將被切割成兩個獨立部分，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的數目。在大多數情況下，預測的縱向的和水平白色像素數量揭示了該板塊的實際位置。 and horizontally reveals the actual position of the plate.預測的一個例子如圖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。計算的skew angle is achieved using Hough transform to find傾斜角是通過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 定位過程的最后一步，是核查階段。該階段的輸入內容是前面幾步中所有的可能包含有車牌的區(qū)域。因此，這個階段的主要目標是過濾掉不屬于車牌的區(qū)域。我們將遵循以基礎規(guī)則為的分類做法是，如果下列條件之一滿足則該區(qū)域將被刪除：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=對象區(qū)域面積÷所有區(qū)域面積）。所有的閾值決定于實驗測試數據。 3.3. 字符分割 為了簡化字符識別的過程, 最好板塊劃分為不同的圖

19、像，每個包含一個分離的字符。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分割馬來西亞車牌，因為每個車牌沒有一個固定的字符數目。本文中以下步驟是用來提取車牌的字符： 1.在可用的灰度值的范圍內（0~255）內，擴大圖像的對比度。steps are used to segment the characters of the license 2.用Otsu方法[10]對車牌圖像按所規(guī)定的閥值進行分界。 3.搜索圖像中的連通區(qū)域，每個連通域用一個特殊的標志進行標記來區(qū)分圖像中兩個不同的連通

20、域。如圖12所示。 4.從以前的步驟中調整每個字符到標準的高度和寬度（20*10）用于進行下面的識別處理。 圖12. Extracting the characters from license p提取車牌字符 3.4. 字符識別 人工神經網絡用于字符識別。我們使用的多層感知神經網絡器（MLP神經網絡）測試時用trained with the back-propagation algorithm反向傳播算法。在學習階段，數據庫的字符構成表示在MLP神經網絡的輸入層相應的輸出與理想的輸出作比較。在網絡輸出時，為了獲取響應盡可能which are as close as possible to the desired outputs接近到理想輸出的權重而反復修改。輸入層由135個輸入神經元組成，一個隱藏層為有40個神經元有登錄傳遞功能。輸出級有36神經元，每個輸出給定的概率輸入相應的字符。 專心---專注---專業(yè)