英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
自动车牌识别研究算法和技术
尼玛阿萨迪
智能嵌入式系统
玛拉达伦大学
瑞典韦斯特罗斯
nai10001@student.mdh.se
摘要：自动车牌识别（ALPR）是大城市交通管理速度控制和安全改进最有用的技术之一。在最近二十年许多牌照检测技术有了一定的发展。值得推荐的四种检测车辆牌照的方法在本文中进行研究和比较。所有这些方法的主要重点在于提出强大的方法，并在同一时间用简单的解决方案来解决车牌识别中的常见问题。主要被考虑的问题是这些敏感性系统抵御环境和几何变化。第一种方法是基于使用创建级联分类器统计特征。第二种方法使用组合Hough变换和Contour算法在边界中的应用线路方法。第三种方法得益于创建候选区域和马哈拉诺比斯分类用于字符识别，第四个系统使用形态学操作，以减少候选区域的数量。
关键词：LPR，Mean Shift，Mahalanobis分类，梯度密度变量
1、引言
车牌识别（LPR）在许多与运输系统相关的应用程序，例如交通管理和分析，速度控制，胆汁防盗，停车场管理等等其他研究领域发挥着重要作用。可变照明的效果，复杂的背景和车辆的扭曲效应，车牌上的速度等一些主要问题是任何提出的LPR系统都必须克服。然而，该领域取得了许多进展，以减少这种限制。主要是，已经提出了一些建议，提出对环境变化敏感的可行方法;例如，照明的变化以及几何变化，例如由于观察点的变化引起的图片旋转。反过来，所提及的问题会增加所提出的解决方案的复杂性;因此，总是需要考虑系统的稳定性和复杂性之间的折中。时间消耗是一些建议的LPR系统中的另一个问题。具体而言，这是迭代方法中的一个重要问题。首先，LPR系统有两个目的：首先，它应该找出车牌的位置，其次，它应该识别铭牌上的字母数字字符。车牌位置通常根据其特征找到。这些特征可以包括颜色，大小，灰度[9]和矩形。字符识别是根据行，字母数字字符比例，字符之间的差距以及字符的结构来规划的。此外，字符分离在字符识别中起着至关重要的作用。一些建议的字符分离方法包括形态[9]和投影[4];两者都有各自的优点和缺点。例如，形态需要一个字符的大小作为输入，并且在投影方法中，假定方向为车牌是确定的。本文结构为如下：一种LPR方法，它既使用全局统计特征和局部Haar-like特征[4]在一节中进行了研究。
2.在第3节中研究自动车牌识别系统。在第4节中，探讨了基于候选区域的LPR系统。 在第5节中，我们研究了一个使用形态操作的LPR系统。第6节给出了比较和讨论，第7节给出了本文的结论。
图1：自动识别车牌流程图
图2：LPR中的问题示例：（a）复杂场景（b）不同的环境
（c）各种照明（d）损坏的车牌
图3：失败的车牌号码识别示例
图4：成功的许可证编号示例
（a）查找牌照（b）区域分割（c）许可证号码识别。
2、具有全局统计特征的局部类似特征的LPR方法[6]
在这种方法中，级联分类器被构造成通过去除图像的背景部分来识别车牌区域。 创建级联分类器的目标是提高识别速度。
首先，分类器是通过使用全局统计特征创建的。 其他分类器则通过使用AdaBoost学习算法来构造。 最后，级联分类器是上述分类器的组合，它是通过使用全局和局部特征来完成的。
在这种方法中，首先准备两组数据样本：正数据样本，其中包含包含车牌和负数据样本的区域，其中不包含车牌。对于所有样本计算作为全局特征的梯度密度。使用样本的Gradiant密度的原因是在实践中很难构建边缘检测器;而边缘检测器的工作原理是因为包含车牌的区域倾向于具有密集的边缘数据。因此，使用样本的Gradiant Density使算法变得简单。下一步是构建基于任意阈值的分类器。然后分类器将所有阳性样品分类为阳性。在这个过程中，一些负样本也被分类器分类为正数。这些负面样本被称为“假阳性”。阳性样本（包括假阳性样本）用于构建第二层分类器。第二层分类器基于称为密度方差的另一个统计特征进行操作。使用密度方差的原因是通过修改它，车牌可以与背景分离;因此，包含车牌的图片块通常均匀分布。输入采样由第二层的分类器分类。类似于第一阶段，被分类为正的样本用于构建分类器的第三层。同样，被第三层分类器排序为正的样本也很快用来构建第四层。
图5：级联分类器开发过程的流程图
图6：级联分类器的工作流程
1,2，...，6代表层
3.自动许可牌识别系统[10]
霍夫变换的使用减慢了检测速度由于处理时需要计算的次数高分辨率的图片。这个的主要优点方法是使用Hough变换和轮廓算法，优化了识别速度处理从各个位置拍摄的图像。
3.1牌照检测
该方法包括车牌位置检测，字符分割和字符识别三个步骤。该方法中，车牌检测阶段基于边界线方法，该方法采用了Hough变换和Contour算法相结合的方法。投影方法用于字符分离步骤。对于号码识别步骤，一个OCR模块，通过使用隐马尔可夫模型。在车牌检测阶段，图片首先被发送到模块，以便增强其边界特征。该模块使用的工具是灰色化，标准化和直方图均衡。
在边界强化步骤之后，实施霍夫变换以从图像中提取线。然而，为了提高检测的速度和准确性，使用了Hough变换和Contour算法的组合。首先，Contour算法用于导出预处理图像的边界。然后，由Contour算法产生的线条被转换成Hough特征，以便发现两条平行线，可以将其视为候选区域。
3.2候选区验证
在计算得到的线如何从直线水平线倾斜之后，进行变换以使它们变直。在下一步中，测量候选者的高度和宽度之间的比率。高度到宽度比率然后与预定义的模板进行比较，以发现候选区域是否有可能包含车牌。除了高度到宽度的测量外，另一种解决方案是使用水平切割并观察被切割的物体的数量。如果正在切割的对象的数量在样板中的字母数字字符的数量的范围内，则可以考虑候选区域用于下一个步骤。以下阶段是分割。在这个阶段中，水平投影用于分割两个桨板中的行。具有低投影值的区域是该行的终端。在这种分割之后，我们可以通过查看候选区域中字符的数量来发现候选人是否是车牌。在字符识别阶段，目标是将字符排序为可能的字母数字字符（数字和拉丁字母）。从真实许可证中抽取的样本与具有相似声音的板材相比，使用具有一定量噪音的板材图片。为了更好地识别，模型中使用了不同区域牌照的特征。
4.基于候选区域的LPR系统[11]
通过在彩色图像的空间域范围内使用均值漂移，该方法提出了一种对干扰特征具有良好鲁棒性并且在LPR中具有可靠准确性的系统。
4.1候选地区检测
该方法用于从照相机拍摄的照片中查找车牌。在这个过程中，应用均值平移法[4]来产生候选区域。平均偏移是寻找密度函数取其局部最大值的地方的一种方法。此外，在彩色图像[1]的空间域中应用基于均值漂移的实用方法进行图像分割。当均值漂移应用于图像像素时，输出为会聚点的值。对于图像分割，会聚点彼此靠近的点是混合的，以便在图像中具有均匀的区域。在分割阶段，输入图像首先由均匀滤波器归一化。然后，分割完成使用空间范围域的均值平移过程到分割参数任意的归一化图像[4]。经过这一步后，我们可以看到来自公共区域的像素具有相同的颜色。生成的区域是候选区域。
4.2特征提取
在下一步中，我们需要找出候选区域是否包含车牌。这个过程是通过研究该区域的特征来完成的，例如矩形，纵横比和边缘密度。矩形是物体与最小关联矩形（MER）[8]的接近程度。这里，矩形是一个区域中的像素数量与其MER的比率。为了找出一个区域的MER，我们可以将其视为一个固体物体，并以角度单位为单位进行旋转。应选择包围矩形取其最小值的旋转角度，并选择其大小包围矩形可用于矩形测试。此外，包围矩形的尺寸可用于纵横比测试，即对象MER的宽高比。字符存在的区域中的像素值具有较高的局部变化。边缘密度用于量化像素值的局部变化。在提取候选区域的特征之后，使用三种解决方案来区分包含车牌的区域和背景区域：1）为特征指定阈值并根据它们对区域做出决定2）创造未来通过使用多个选定的关键特征来映射地图，然后将地图二值化为二进制图像。在这一步之后，形态学操作被用来从分段的块中重新创建最终区域。3）使用分类器。所有这些特征的组合用于产生特征向量，然后是基于该特征向量的分类器
最小距离被用来作出候选人的决定。在这个分类器中，马氏距离[2]被用作距离测量。在这个测试方法中，从产生的特征向量到马氏距离，测量两个区域的平均矢量（一个带有平板，另一个没有平板）。在下式中，当d lt;d3或d2 lt;d3时，该区域被确定为牌照区域。
图7：Mahalanobis分类
图8：基于地区的车牌流程图承认
图9：系统流程图
5.1特征提取
在这一步中使用形态学操作来查找候选区域基于板区域的事实比背景区域具有更高的对比度。首先，应用平滑操作来消除噪音图像[4]。 这一步随着关闭和开放运营，以分别获得IC和IO [4]。差异在下一步执行IC和IO操作，确认垂直边缘。为了表彰标准更容易，这个系统连接相邻的垂直边缘共同创造一个统一的细分市场。 这个过程完成了通过关闭操作。在该功能的最后一步，牵引部分，标签过程用于找到部分类似于车牌。
图10：特征提取流程图
5.2分割
标签提取的牌照相似区域过程可能包括不需要的对象，如树木，街道标志和窗口框架，它们被排序在候选地区。
5.3提取候选区域
一种方法是测量该区域的密度。如果w是宽度，h是高度，A是面积区域，那么区域的密度是：den = A/（hOElig;w）。另一个标准是测量该区域宽高比并将其与样车牌进行比较。第三种方法是查看该区域的大小是否足够大被视为车牌区域，即看看是否有车牌一个典型的车牌字符可以适合该区域。
5.4恢复许可证板块的碎片地区
诸如噪音或环境变化等因素不利于车牌验证。这些因素可以使提取的图像区域不完整，即地区只是车牌的一部分。 恢复阶段被应用于重建车牌图像之前，最终步骤已经完成。一个典型的算法用于恢复过程是垂直强度投影，由此中的字母数字字符的平均宽度和高度部分被测量，并且根据该信息，整个车牌被恢复。 但是这种方法对于车牌的缩放和旋转的变化是不同的。 更好的方法是使用由谢君伟等人[4]提出的基于聚类的算法，测量字符的有效几何特征，然后恢复车牌。
图11：区域（a）是（b）的一部分，并且需要被收回
5.5修改倾斜板车牌
在一些情况下，由于汽车牌照和汽车之间的角度相机或相机方向差异，车牌在图像中倾斜。 需要用程序来修改这种倾斜。 如果坐标板的中心是（xc，Yc），Wr是它的widh，分辨第一个字符的高度差异和倾斜牌照Rp中的最后一个字符，以及表示修改后的车牌，然后是每个像素（x，y），强度可以修改如下：
图12：汽车案例和车牌有相似的颜色
图13：倾斜车牌的例子
-
建议系统的比较及其问题[5]
6.1具有全局统计特征和局部Haar-like特征的LPR方法
该方法使用AdaBoost算法，该算法从大量弱分类器中选择一些算法，以构建强分类器。该算法需要大量的车牌图像，这些图像是从包括背景的多个图像中手动获得的。图像是在不同的照明条件下获得的。该方法的问题在于，由于系统需要大量的训练图像，需要更大的内存运行，这不适合嵌入式系统。使用AdaBoost的系统的另一个问题是它们比基于边缘的方法慢，因此它们不适合实时嵌入式系统。此外，该系统对相机和车牌之间的距离以及视角非常敏感。
6.2一种自动车牌识别系统
该方法使用Hough变换和轮廓算法相结合，是用于从二值图像中检测线条的最佳工具之一。霍夫变换的最大缺点是它的执行时间，因为它应用于具有更高分辨率的二值图像时需要太多的计算。因此，在该系统中，使用了霍夫变换和轮廓算法的组合。而且，这种方法第一步的预处理阶段可以部分改善时序问题。但是，由于它包含的平行线，该系统可能会错误地检测背景物体，如前大灯或挡风玻璃作为车牌。因此，需要采取多个步骤来获取图像的牌照。
6.3基于候选区域的LPR系统
该方法使用空间范围域中的均值平移过程来分割车辆图像以获得牌照候选区域。这种方法的一个主要问题是汽车和车牌具有相同的颜色。使用平均移位方法也会使系统在处理模糊图像时效率低下，或者在色彩复杂的情况下效率低下。
6.4使用形态学操作来定位车牌
形态学是一种图像处理方法，它依赖于基于形状的图像分析。该系统可以检测出许多与车牌形状相似的物体作为候选区域。为了区分车牌和背景，评估诸如纵横比，区域密度和宽高比等特征。这种方法的一个问题是，由于其对额外边缘的敏感性以及太独立而无法与其他线连接的线，因此在处理更复杂的图像时其准确性降低。这个问题使得这个系统在所研究的方法中具有最低的准确度。而且，与其他算法相比，它需要更多的计算。
7.结论
车牌识别系统发挥着非常重要的作用，在许多交通管理和安全系统中扮演着重要的角色 - 诸如速度控制，汽车防盗等停车场管理。许多研究工作已经提出一个强大的方法。四项研究建议的车牌识别方法是在本文中给出以及方法的比较并回顾他们的缺陷。第一种方法使用全局统计特征，如渐变密度和密度变化，以及Haar-like功能才能拥有一个快速和准确的检测。样本分类为positive用于构建下一层分类器。该第二种方法是基于边界线approach。该方法使用Hough变换和轮廓算法，
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[21375]，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。
