《車牌識別英文文獻(xiàn)2翻譯》由會員分享，可在線閱讀，更多相關(guān)《車牌識別英文文獻(xiàn)2翻譯（8頁珍藏版）》請?jiān)谘b配圖網(wǎng)上搜索。

1、實(shí)時(shí)車輛的車牌識別系統(tǒng) 摘要 本文中闡述的是一個(gè)簡煉的用于車牌識別系統(tǒng)的算法。基于模式匹配，該算法可以應(yīng)用 于對車牌實(shí)時(shí)檢測數(shù)據(jù)采集，測繪或一些特定應(yīng)用目的。擬議的系統(tǒng)原型已經(jīng)使用 C++和實(shí) 驗(yàn)結(jié)果已證明認(rèn)可阿爾伯塔車牌。 1. 介紹 車輛的車牌識別系統(tǒng)已經(jīng)成為在視頻監(jiān)控領(lǐng)域中一個(gè)特殊的熱門領(lǐng)域超過 10年左右。 隨著先進(jìn)的用于交通管理應(yīng)用的視頻車輛檢測系統(tǒng)的的到來， 車牌識別系統(tǒng)被發(fā)現(xiàn)可以適合 用在相當(dāng)多的領(lǐng)域內(nèi)，并非只是控制訪問點(diǎn)或收費(fèi)停車場。 現(xiàn)在它可以被集成到視頻車輛檢 測系統(tǒng)，該系統(tǒng)通常安裝在需要的地方用于十字路口控制， 交通監(jiān)控等，以確定該車輛是否 違反交通法

2、規(guī)或找到被盜車輛。一些用于識別車牌的技術(shù)到目前為止有如 BAM（雙向聯(lián)想回 憶）神經(jīng)網(wǎng)絡(luò)字符識別［1］，模式匹配［2］等技術(shù)。應(yīng)用于系統(tǒng)的技術(shù)是基于模式匹配，該系 統(tǒng)快速，準(zhǔn)確足以在相應(yīng)的請求時(shí)間內(nèi)完成， 更重要的是在于阿爾伯塔車牌識別在字母和數(shù) 字方位確認(rèn)上的優(yōu)先發(fā)展。 由于車牌號碼的字體和方位因國家 /州/省份的不同而不同，該算 法需要作相應(yīng)的修改保持其結(jié)構(gòu)完整，如果我們想請求系統(tǒng)識別這些地方的車牌。 本文其余部分的組織如下：第 2節(jié)探討了在識別過程中涉及的系統(tǒng)的結(jié)構(gòu)和步驟，第 3 節(jié)解釋了算法對于車牌號碼的實(shí)時(shí)檢測， 第4節(jié)為實(shí)驗(yàn)結(jié)果，第5節(jié)總結(jié)了全文包括致謝和 參考文獻(xiàn)。

3、 2. 系統(tǒng)架構(gòu) 系統(tǒng)將被用來作為十字路口的交通視頻監(jiān)控?cái)z像系統(tǒng)一個(gè)組成部分來進(jìn)行分析。圖 1 顯示了卡爾加里一個(gè)典型的交叉口。 只有一個(gè)車牌用在艾伯塔， 連接到背面的車輛照相機(jī)將 被用于跟蹤此背面車牌。 圖1 卡爾加里一個(gè)的典型交叉口 系統(tǒng)架構(gòu)包含三個(gè)相異部分： 室外部分， 室內(nèi)部分和通信鏈路。 室外部分是安裝攝像頭 在拍攝圖像的不同需要的路口。室內(nèi)部分是中央控制站，從所有這些安裝攝像頭中，接收， 存儲和分析所拍攝圖像。通信鏈路就是高速電纜或光纖連接到所有這些相機(jī)中央控制站。 幾乎所有的算法的開發(fā)程度迄今按以下類似的步驟進(jìn)行。 一般的 7 個(gè)處理步驟已被確定 為所有號牌識別算

4、法 [3] 共有。它們是： 觸發(fā)： 這可能是硬件或軟件觸發(fā)。 硬件觸發(fā)是舊的方式， 即感應(yīng)圈用于觸發(fā)和這個(gè)表述 了圖像通過檢測車牌的存在何時(shí)應(yīng)該被捕獲。 硬件觸發(fā)現(xiàn)在在操作上在許多地方被軟件觸發(fā) 取代。在軟件觸發(fā)，圖像分為區(qū)，通過圖像對于分析的車輛的檢測的執(zhí)行。 圖像采集：硬件或軟件觸發(fā)啟動圖像捕捉設(shè)備來捕捉和存儲圖像來進(jìn)一步的分析。 車輛的存在： 這一步是只需要如果在確認(rèn)一定時(shí)間間隔后觸發(fā)完成不需要知道車輛存在 于捕獲的圖像中。 這一步背景圖像與捕獲的圖片作比較， 并檢測是否有任何重大改變。 如果 沒有，拍攝的圖像被忽略，否則進(jìn)入到下一個(gè)步驟。 尋找車牌： 此步驟是在捕獲的圖像中定位

5、車牌。 一些技術(shù)的可用于這一步， 例如顏色檢 測[4] ，特征分析 [5] ，邊緣檢測 [6] 等。在捕獲的圖像中的任何傾斜是糾正在這一步。一旦 車牌已被定位，圖像即準(zhǔn)備進(jìn)行字符識別。 字符分割： 分割可以通過檢測濃到淡或者淡到濃的過渡層。 車牌中的每個(gè)灰色字符產(chǎn)生 了一個(gè)灰色帶。因此，通過檢測類似灰度帶每個(gè)字符可以被分割出來。 識別過程： 這是光學(xué)字符識別的一步。 一些技術(shù)可以被用于到這一步包括模式匹配 [2] ， 特征匹配 [7][8] 和神經(jīng)網(wǎng)絡(luò)分類 [9] 。 發(fā)布過程： 這是應(yīng)用程序的特有的一步。 根據(jù)應(yīng)用此步驟可保存已被檢測出來的車牌用 于交通數(shù)據(jù)收集， 嘗試匹配號牌與被盜車

6、輛數(shù)據(jù)庫或在停車場中為認(rèn)可停車的車輛打開汽車 3. 算法 該算法用于在處理捕獲的圖像和車牌檢測后的車牌字符識別。 基于模式匹配， 系統(tǒng)沿用 了一個(gè)智能算法用于艾伯塔車牌字母和數(shù)字的識別。 圖 2 顯示了一個(gè)艾伯塔省車牌樣本其中 包含三個(gè)字母， 3 個(gè)數(shù)字和破折號在內(nèi)。 所以通過基本的字符確認(rèn)方法， 模糊的字符比如有： 數(shù)字'O'和字母'O'，數(shù)字8和字母'B已被解決。 此外， 由于前三個(gè)字符是字母， 所以只需與 A-Z 這一段的字母作比較比較。 類似的，在 最后三個(gè)字符，它門只需與 O-9 這一段數(shù)字作比較。 FZP?562 ,W1 Courtly 圖2.阿爾伯塔省的車牌 首先字

7、符識別問題是要找出字符的印刷區(qū)域。 這一區(qū)域通常是垂直和水平居中的。 因此, 通過采取顏色的濃度，我們可以得到字符垂直的頂部和底部。 一旦圖像中字符的頂部和底部 位置被找到，該區(qū)域可以從生成的圖像中分割出來， 生成圖3一樣的圖像。這個(gè)圖像現(xiàn)在為 字符分割和識別作準(zhǔn)備。 FZP-E62 圖3.分割的圖像只包含字符作進(jìn)一步處理 字符分割可通過橫向顏色的濃度來進(jìn)行。 為了模式匹配有效地進(jìn)行，需要在車牌上找到 一個(gè)與之相匹配的字體。 Arial字體在阿爾伯塔省的車牌字符識別用起來相當(dāng)好。在用到這 種字體時(shí)一個(gè)庫首先被建立起來。這個(gè)庫包含直方圖字母 AZ和數(shù)字0-9。 15個(gè)不同的直方 圖已

8、為了庫生成各自相應(yīng)的字符。 它們是：水平直方圖對應(yīng)的（1）全尺寸，（2）下半部分， （3 ）上半部分，（4）下部三分之一，（5）上部三分之一，（6）下部四分之一，（7）上 部四分之一，（8）上部的三分之二的字符和垂直直方圖對應(yīng)的 （9）全尺寸，（10）左半部， （11 ）右半部，（12）左邊三分之一，（13 ）右邊三分之一，（14）左邊四分之一以及（15） 右邊四分之一的字符。 識別的流程圖已在圖 4中給出。如圖所示，3段在每次用于識別以及庫在每次被調(diào)用時(shí) 取決于這‘三段’是否被采用。如果3段設(shè)定被檢測的為字母，’字母'庫將被調(diào)用來進(jìn)行比 較，否則就是’數(shù)'庫被調(diào)用來進(jìn)行比較。有15個(gè)不

9、同的直方圖每個(gè)字母的排序?yàn)?A-Z在’字 母'庫中與15位不同的直方圖每個(gè)字符排序?yàn)閺?0-9在’數(shù)字’中。圖4中所示的算法要運(yùn) 行兩次，將’三段’設(shè)置各自運(yùn)行一次，為了完整地識別車牌。 i在流程圖中迭代算子。s 和p是匹配的參數(shù)。 圖4.字符識別的流程圖 i的值隨著每個(gè)循環(huán)而改變并且這個(gè)值指示了庫中的哪個(gè)直方圖應(yīng)該被用來作比較。 如 流程圖中所示，從段提取的直方圖（通過 i的變化而定）在作比較之前應(yīng)該首先被正?；?。 一旦正?；^程完成后， 該段準(zhǔn)備與存儲在庫中的模式作匹配。 每個(gè)匹配過程提供了一套在 檢查下與段相似匹配的字符。 因此，用不同的直方圖模式通過進(jìn)行幾次這樣的

10、過程， 最不可 能的字符被過濾掉留下最正確的。 4. 實(shí)驗(yàn)結(jié)果 系統(tǒng)已經(jīng)使用 C++建立原型并且用艾伯塔省的車牌樣本進(jìn)行測試。 圖5顯示通過采取圖 像中垂直顏色濃度來確定車牌字符位置的過程。 從中心到上和從中心到下進(jìn)行水平掃描， 圖 像中字符頂端（H）和底端（H）的位置找到。  圖5。垂直顏色濃度 圖6顯示了字符分割的過程。 這是通過利用顏色的濃度水平進(jìn)行完成的。 因?yàn)槲覀冎? 前三個(gè)字符是字母而最后三個(gè)字符是數(shù)字，我們可以很容易在分割后將他們分組進(jìn)行下一 步：模式匹配。 圖6。 字符分割 如圖所示的流程圖中的 15個(gè)不同的模式在系統(tǒng)中使用的是隨 i的值而定

11、，并此方式分 配：0 （水平直方圖，全尺寸），1 （垂直直方圖，全尺寸）， 2 （水平直方圖，上半部）， 3 （垂直直方圖，左半部）， 4 （垂直直方圖，右半部）， 5 （水平直方圖，下半部）， 6 （水 平直方圖，下部三分之一）， 7 （垂直直方圖，右三分之一）， 8 （水平直方圖，上部三分之 一），9 （垂直直方圖，左三分之一）， 10 （水平直方圖，下部四分之一）， 11 （水平直方 圖，上部四分之一），12 （水平直方圖，上部三分之二）， 13 （垂直直方圖，右四分之一）， 14 （垂直直方圖，左四分之一）。從段提取的直方圖在作比較之前應(yīng)該首先被正?；?。

12、 iiiiiiiiiirTi 45 40 35 30 25 20 15 15 5 0 Ullllllllllll 恒 1 2 3 4 5 & 7 e 9 10 11 12 13 14 15 15 17 10 1$ SXr1 L-XvJ 圖7.正常化進(jìn)程 正?；ㄟ^段的寬度與庫作比較來完成。 例如，如果拿水平直方圖來進(jìn)行比較， 三段中 水平方向的最大寬度要與庫中的最大寬度進(jìn)行比較。 如果該段的寬度更大， 直方圖通過鄰近 位置的直方圖的平均值在水平方向均勻縮小。 類似的過程已被用于放大， 如果是偏小的。圖 7說明正?；?/p>

13、時(shí)，段的寬度比庫的要大。 圖7（a）顯示了庫中字母 F的水平全直方圖。圖 7（b）顯示了字母F的水平直方圖在 段中被找到。如果 F的直方圖的寬度在庫中最大（在 16的情況下），從段中找到的直方圖 寬度（在19的情況下）在進(jìn)行比較之前應(yīng)該被縮減到 16這種情況。這個(gè)過程完成并表述在 圖7（c）中。由于寬度的差值為 3,直方圖3這個(gè)段直方圖中均勻分配位置的值將被刪除， 計(jì)算鄰域的平均值。如圖 7（c）中所示，5號，10號與15號位置的值被刪除通過對 4 號, 6號，9號，11號，14號與16號位置值的平均計(jì)算。 4號位置的新值是原來 4號與5號位 置的值的平均值。類似的， 5號位置的新值是

14、原來 5號和6號位置原來的值的平均值等。 經(jīng)過規(guī)范化，進(jìn)行模式匹配。這是通過比較每個(gè)直方圖中兩個(gè)比率來完成。 一個(gè)來自段， 另一個(gè)來自庫。該比率是直方圖每個(gè)位置的值對應(yīng)圖中的最大值。 如果這兩個(gè)比率的差值在 某值設(shè)置通過參數(shù) s以內(nèi)，匹配計(jì)數(shù)增加。因此，通過在橫向（水平直方圖） /垂直（垂直 直方圖） 的位置部分， 我們得到一個(gè)匹配計(jì)數(shù)說明段與字符如何密切匹配。 對于庫中的每一 個(gè)字符重復(fù)這個(gè)過程，獲得庫中每一個(gè)字符的匹配計(jì)數(shù)。現(xiàn)在，通過假設(shè)最高匹配計(jì)算為 100％匹配，字符的匹配小于 70％（由參數(shù) p 設(shè)定）的算法過濾器。因此，下一次，當(dāng)算法 采用不同的直方圖時(shí)，將這段與先前檢測到

15、的字符作比較。如果在做這些比較進(jìn)行了 15 個(gè) 不同的直方圖之后，仍有存在多個(gè)匹配，整個(gè)過程將重復(fù)進(jìn)行伴隨具有較高的靈敏度（ S 隨 靈敏度增加而下降），直到找到一個(gè)。 5. 結(jié)論 本文提出了一種實(shí)時(shí)的車牌識別系統(tǒng)， 突出的一些地區(qū)在此應(yīng)用系統(tǒng)執(zhí)行都可以。 該系 統(tǒng)結(jié)構(gòu)對于識別識別過程中涉及的復(fù)雜的步驟進(jìn)行了討論。 該實(shí)驗(yàn)已經(jīng)進(jìn)行， 澄清了系統(tǒng)作 為一個(gè)潛在的候選用于實(shí)時(shí)識別。 實(shí)驗(yàn)表明了本文假定的理想的天氣條件。 研究的各種假設(shè) 天氣狀況正在進(jìn)展中。 該原型系統(tǒng)將整合到路口監(jiān)控錄像作流量測量或一些應(yīng)用在特定用途 的文件中進(jìn)行討論。 6. 致謝 作者在此感謝支持這項(xiàng)研究的自然科學(xué)加拿大與工程研究理事會（ NSERC，卡爾加里 大學(xué)和卡爾加里市。 最新文件 僅供參考 已改成 word 文本 。 方便更改