英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
一种高效的车牌自动检测与识别算法
摘要：过去的一些年里，车辆牌照识别技术正在成为监控话题中最受挑战性和感兴趣的技术。它具有挑战性的原因是有大量的牌照，它们有不同的尺寸，形状和字体风格。它令人感兴趣的一面是应为它被用在安全应用中。在这篇论文中，我们基于边缘检测和字符分割操作技术，提出了一种具有鲁棒性并且更简单的方法。我们建议的方法执行起来有三个步骤：第一步，执行牌照的检测。第二步，在检测到拍照数字之后进行字符的分割。在第三步中，要执行的是对分割之后的字符进行识别。我们已经测试过不同天气情况下拍摄的照片去测试程序的有效性，鲁棒性和高效性。我们实验的结果十分令人满意并且打开了渠道让我们的程序被应用在实际生活中的应用。
关键字:字符识别，监控，形态学运算，字符分割，字符匹配
一、介绍
数字图像处理是在计算机科学中迅速发展的领域，并且在日益扩展。它其中的一个主要应用就是在于监控，可以被应用在许多技术中，比如物品追踪，手势识别，车辆牌照识别等等。在这些数字车牌中，识别技术是一个令人感兴趣并且富有挑战性的方法。因为需要准确的定位车牌，所以这是具有挑战性的。定位会被图像的噪声影响或者是图像在雨天，雾天，或烟雾等恶劣天气情况下拍摄的影响。车牌的不同的形状和尺寸也进一步的造成了处理的障碍。识别程序在车牌定位之后。不同的国家使用不同的颜色和编码方法来区分他们独一无二的车辆。在印度，车牌的编码风格如图1所示。
图1.印度车牌的编码风格
在本文中，我们提出了一种主要基于边缘检测，形态运算，降低噪声，然后进行字符匹配的方法。 本文分为六部分。 第二部分涉及系统的文献调查。 所提出的算法的各个阶段在第三部分进行了说明。 在第四节中，进行了实验结果。 结论见第五节。
二、相关工作
为了实现车牌识别系统，已经提出了许多板检测和分割算法。用于检测的算法可以分为以下三种类型：基于边缘，基于颜色，基于纹理。用于检测板的位置的基于边缘的技术取决于包含文本的区域与背景之间的高对比度。基于颜色的方法使用文本的颜色或灰度特征。 [1]引入了一种基于边缘和颜色细节来检测车牌位置的有效方法。基于纹理的方法高度依赖于文本的不同属性，这些属性可用于将它们与背景或其他非文本区域分开。 [2]引入了一种检测和提取车牌的有效方法。通过使用边缘检测方法和形态运算的板提取算法在[3] [4] [5] [6]中进行了说明。 [7]中解释了许多分割和识别方法的比较。分割是将数字图像分割成共享公共属性的像素集的过程。分割可以通过两种方法完成：不连续性和相似性。数字板的更完善和正确的分割[8]将产生更好的识别结果。[9]中描述了使用形态运算，阈值运算，边缘检测，数字板提取的边界框分析，字符分割和使用模板匹配方法的字符识别来识别印度车牌的新算法。识别是将数据输入分类到类中的过程。模式识别中的分类基于两种方法：监督学习和无监督学习。在监督中，提供输出数据集，用于训练机器以获得所需的输出，而在无监督下，没有数据集;而是将数据聚类成不同的类。在[10]中，形态学操作应用于图像定位板。然后使用直方图均衡技术对板区进行预处理。使用拖尾和形态算法分割字符，使用模板匹配进行识别。
许多基于上述算法的数字板检测和识别系统的方法已经被提出。 本文介绍了更加强大和创新的方法，以实现快速准确的识别结果。
三、建议方法
本节介绍了实时印度车牌的方法。 该系统的输入是含有板的汽车的图像，输出是板的实际字符。 图像在不同的天气条件下被捕获。 随着光线的下降，其亮度和对比度也发生变化，这是一项具有挑战性的任务。 提出的系统框图如图2所示。 该过程包括以下步骤：
bull;预处理
bull;牌照检测
bull;字符分割
bull;字符匹配
图2.系统框图
- 预处理图像
为了提高输入图像的系统预处理的性能是必需的。 这个阶段包括两个步骤：
- RGB到灰度转换b）降噪
- RGB到灰度转换：灰度转换技术用于将数码相机拍摄的彩色图像转换为灰度图像。 用于灰度转换的功能是rgb2gray（）。
图3.灰度装换
b）降噪：原始图像中的噪音是不可避免的。 为了消除噪声，这里使用的滤波器是中值滤波器，如图4所示。 车牌显示了盐和胡椒的特点。 为了消除这种噪音，中值滤波器是最好的选择。 使用的函数ismedfilt2（）。
图4.应用中值滤波器之后的图像
- 牌照检测
由于车牌整合在整个影像的小区域，可以抵抗图像中的任何地方，所以检测是最具挑战性的任务。车牌可以通过其特征进行区分。因此，系统只能处理那些具有这些特征的像素，而不是处理每个像素。颜色，矩形和字符的存在是一些这样的特征。给定输入图像，检测的主要目的是标记具有最大可能性的区域，并且对真实铭牌进行验证。该阶段包括两个步骤：
- 边缘检测
- 车牌提取
- 边缘检测：将Canny边缘检测方法应用于突出图像中所有边缘的预处理图像。应用canny边缘检测方法后得到的图像是边缘突出显示的二进制图像。 Matlab的内置函数是y = edge（x，canny）;其中：x是应用canny方法的图像是边缘检测图像。图5显示了应用canny边缘检测方法后获得的图像。
图5
b）车牌提取：在此步骤中，我们将提取图像中的所有连接的组件，并填充图像中的所有孔。 孔是通过用背景颜色填充图像而无法到达的连接分量。 所有的孔都是白色的。 使用的Matlab内置函数是：y = imfill（x，holes）; 使用连接属性来获取铭牌的确切位置。 Matlab具有函数regionprops（），使用该函数可以提取具有区域（例如gt; 2000像素）的所需组件。 用于提取板区域的函数是y = regionprops（x，Area，PixelList）
图6
- 字符分割
车牌识别系统的最重要和困难的阶段是字符分割。 字符分割任务由于某些因素，如噪声图像，平台框架和照明方差等因素难以扩展。 计算机视觉和对象识别中最重要的任务是对象分割。 通常，具有相同纹理或颜色的图像中的对象被分组在一起。 算法如下：
- 应用形态操作imerode（）和imdilate（）。
- 使用函数imsubtract（）从扩张图像中减去侵蚀图像.
- 在从步骤2获得的图像中填充孔。
- 使用函数bwareaopen（）提取所需的组件。
- 最后，使用regionprops（）函数的边界框属性将边框放在字符上，如图7所示。
图7.字符分割
- 字符识别用于将图像部分彼此进行比较的技术是模板匹配。 如果与源图像相比，模板图像的标准偏差可以忽略，则模板匹配适合使用。 源图像通过逐个像素进行的匹配处理。 模板图像被移动到源图像中的所有可用位置，导致数字索引值。 该值显示模板类似于该位置的图像。 模板大小为42times;24，如图8所示。 由于模板是固定的，导致不准确的识别。
图8.用于匹配的模板
该匹配技术适用于对象分类。 为了识别打印字符，数字和小的其他对象，最常使用模板。 在这种方法中，模板和源图像是相关的。 相关性是两个变量之间的关联程度的度量。 该变量基本上是图像中的相应像素值，即源图像和模板。 该值在-1到 1之间。 相关值越高，模板和源图像之间的关系越强。 字符识别的最终结果如图9所示。
图9字符识别并保存在单独的文件中
四、实验结果
将所提出的方法应用于从道路上随机抽取的彩色图像上进行性能分析。 图1中显示了图像的属性。
图10显示在应用所提出的算法后，在白天捕获的Sample1（a）彩色图像和Sample1（b）字符识别结果。
图10
图11显示在应用所提出的算法后，在夜晚捕获的Sample1（a）彩色图像和Sample1（b）字符识别结果。
图11
提出的方法的准确性由测试结果确定，因此可以有效地用于车牌识别系统。 准确定位板，识别结果约为97％准确。
比较
本文提出的方法优于早期论文中提出的方法。 提出的方法与[11]中使用的检测阶段的结果比较见表2。
基于识别率和计算时间的各种算法[12]，[13]的比较如表3所示。
表2和表3中提供的数据可用于确定所提出的方法可以更准确，正确和更少地检测和识别车牌。
五、结论
在本文中，我们讨论了一种强大而有效的车牌识别方法。 我们建议的方法有效地识别印度汽车板。 今后我们的工作可以扩大到承认不同国家的汽车板块。 我们在不同的天气条件下拍摄的不同图像，如雾，多云，阳光明媚，日光，傍晚时间等，都会对其进行测试。我们的技术结果非常满意，适合在现实生活中使用。 作为这项工作的增强，人们可以识别视频流中的数字。
基于边缘直方图分析和分类器组合的车牌识别
摘要：提出了伊朗车牌识别（LPR）的新方法。所提出的算法包含四个主要步骤，包括板定位，分割，识别和多重识别结果的融合。牌照定位开始于一些用于下采样，去噪和直方图均衡的预处理。然后，垂直边缘的直方图用于检测预期包含车牌的候选线。在这一步中，我们设计一个过滤器以减少虚线候选人的数量。然后使用边缘和纵横比特征的垂直投影直方图提取候选板。通过局部自适应阈值获得的这些候选者的二进制图像被传送到分割和识别模块。我们的识别方法是使用具有专家架构混合的分类器集合完成的。使用来自候选板的识别结果的反馈，检测真实候选。为了提高识别精度和鲁棒性，我们将提出的LPR应用于通过不同曝光时间捕获的车辆的三个连续帧，然后组合其识别输出。白天和黑夜实际情况的实验结果表明，所提出的方法在识别后的平板定位精度达到95.39％，总体精度达到92.45％。
关键词：车牌识别;神经网络;边缘直方图; OCR;
一、引言
车牌识别（LPR）近年来已成为重要的研究领域。 由于每个国家的车牌在其车牌上都有独特的身份证，车牌号码可用于各种识别任务和运输应用。 例如，LPR系统用于智能停车场的访问控制[1]，[2]，[3]，通过在高速公路两站识别车牌来计算车辆的平均速度[4]，授权车牌的访问控制 在安全区[5]和交通执法[6]，[7]。 大多数先前提出的LPR算法已经在某些限制条件下进行了评估[8]，如固定照明[6]，局限于室内场景[9]，规定车道或指定路线[10]，[11] 速度[12]。 在本文中，我们尝试减少许多这些限制。
如今，高速公路和道路上安装的速度监控摄像机拍摄的车辆违法车辆罚款车辆，并将车牌号码发送到派出所。 为了本地化和识别板号，使用LPR系统，将其识别结果插入到服务器数据库中进行下一次分析。在服务器数据库中可以进行流量分析和平均速度测量。 现代速度控制摄像机拍摄的照片通常具有高分辨率，这使得LPR系统的过程非常昂贵。 因此，近年来LPR系统的实时优化算法已经变得非常需要。
在本文中，我们提出了一种本地化和认可伊朗牌照的新方法。 在本地化步骤中，我们采用垂直边缘的滤波投影直方图以及车牌的纹理和纵横比特征来找到候选板区域。 这些候选人首先使用Hough变换在垂直边缘上进行解调，然后将其二进制化并分割成单独的字符。 使用三个多层感知器（MLP）的集合来执行字符识别。 然后将认可结果反馈给候选人本地化真正的车牌。 此外，融合了三种不同曝光图像的结果，以提高识别精度。
本文的组织结构如下。 第2节描述了我们提出的板定位方法。 字符分割，识别和多重识别融合分别在第3,4和5节中讨论。 我们在第6节报告实验结果，并在第7节结束论文。
二、推荐车牌本地化方法
车牌具有形状，质地，纵横比等重要属性，通常利用这些属性来定位基于视觉的方法中的板块区域。 在我们的算法中，我们使用车牌的强边缘和形状特征的修改投影直方图来找到初始候选。 使用识别步骤的反馈，我们最终选择最佳候选人。 所提出的定位方法的不同步骤如图1所示
图1
- 预处理
由于在各种照明条件下捕获到LPR算法的输入图像，所以噪声和阴影可能会降低图像的质量。 因此，我们应用适当的预处理来调整图像对比度并降低噪声。 输出算法的预处理步骤分为三个部分：（1）高斯滤波降噪，（2）强度动态范围调整，（3）图像下采样。为了更好的边缘检测，我们需要调整图像的动态范围。 为此，我们应用[13]的局部直方图均衡方法。 由于输入图像的尺寸很高（在我们的情况下为1280times;960像素），所以我们不得不对图像进行抽样以缩短处理时间。 然而，在下采样图像中对车牌进行本地化后，车牌区域将从下一步处理的原始图像中裁剪出来。
B.边缘检测
在车牌结构中，垂直边缘的密度
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[139901]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
