英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
车牌自动识别(ALPR):技术评论
摘要：自动车牌识别（ALPR）是从图像或图像序列中提取车牌信息。所提取的信息可用于带或不带数据库的许多应用中，如电子支付系统（收费，停车费支付），高速公路和交通监测系统。ALPR使用黑色、白色、或红外照相机拍摄图像。获得的图像的质量是影响车牌自动识别的主要因素。车牌自动识别作为一个现实生活中的应用，可以在不同的环境条件下如在室内、户外、白天或夜晚时快速、成功地处理车牌。它在不同的国家、省或州也应该可以处理车牌。这些车牌通常包含不同的颜色，都写着不同的语言，并使用不同的字体；一些车牌可以是一个单一的颜色背景和有一些有背景图像。车牌可以有部分被污垢、汽车上的照明和牵引配件遮挡。在本文中，我们讨论目前对于识别字符最先进的技术，我们将根据不同的汽车牌照自动识别技术的功能，他们使用的每个阶段，并比较它们的优点，缺点，识别精度和处理速度。在最后预测了车牌自动识别系统的未来。
索引词-自动车牌识别（ALPR） 自动号码牌识别（ANPR） 汽车板识别（CPR）
汽车的光学字符识别（OCR）
I引言
车牌自动识别（ALPR）在现实生活中的许多应用中扮演一个重要的角色，比如自动收费、交通执法、停车场的访问控制、道路交通监测[1]-[4]。ALPR的车辆的车牌号码是从一种颜色如黑、白或红外相机获取的图像。它是很多技术的组合，如目标检测，图像处理，模式识别。ALPR也以自动车辆识别，车牌识别，自动号码车牌识别，光学字符识别（OCR）而闻名。车牌的类型或环境原因的变化是车牌检测与识别中的难题，他们总结如下。
- 车牌的变化：
- 位置：车牌存在于图像的不同位置；
- 数量：一个图像可以包含零个或许多个车牌；
- 大小：相机距离和变焦因子车牌可以有不同的大小；
- 颜色：由于不同类型的车牌捕获装置，车牌可能有不同的字符和底色。
- 字体：不同国家的车牌是用不同的字体和语言书写的；
- 标准与定制：例如标准阿尔伯塔的车牌号有三个，最近（在2010）有在左边有四个字符和右边有三个字符的车牌，如图1（a），定制车牌可能有任意数量没有规定的字符，如图1（b）；
- 遮盖：车牌可能被灰尘遮掩；
- 倾斜；车牌可能是倾斜的；
- 其他：除了字符，一个车牌可能包含框架和螺丝。
图1（a）标准阿尔伯塔车牌 图1（b） 定制阿尔伯塔车牌
- 环境变化：
- 照明：输入图像可能是不同类型的光照下，主要是自然光和车灯；
- 背景：图像背景可以包含类似于车牌的图案，如数字标记在车辆上，保险杠与垂直线和纹理。
图2 ALPR系统的四个阶段
ALPR系统从一个给定的车牌可以由四个阶段提取号码[5]。这个第一阶段是使用摄像头获取汽车图像，这个相机的参数，如相机的类型、相机分辨率、快门速度、方向和光，必须考虑。第二阶段是基于某些特征从图像中提取车牌，如边界、颜色、或存在的字符。第三阶段是通过投影的颜色信息，标记他们，或匹配他们的车牌，并提取字符在车牌上的位置；最后阶段是通过模板匹配或使用分类，如神经网络和模糊分类器等方法识别车牌字符，图2显示了该过程的结构。ALPR系统的性能依赖于每个个体阶段的鲁棒性。
本文的目的是为研究人员提供现有系统的调查、研究现有的方法，根据他们所使用的功能，分析这些功能的优点或缺点，并比较它们的识别性能和处理速度，并打开未来研究的若干问题。
本文的其余部分组织如下：在第二节，详细回顾车牌提取方法分类，第三节演示字符分割方法，第四节讨论字符识别方法。在每一节的开始，我们定义问题及其困难的层次，然后分类我们讨论的现有算法。在第五节中，我们总结本文，并讨论未来的研究领域。
II车牌提取
车牌提取阶段影响着ALPR系统的精度，在这个阶段输入的是一个汽车图像，而输出的则是包含着车牌潜在信息的一部分图像，车牌信息可能存在于这个图像的任何地方，但我们可以通过它的特征把它区分出来，因此此系统仅仅处理有这些特征的像素，而不采用会增加处理时间的处理图像中每一个像素的方法，车牌的这些特征可以通过构成它的样式和字符获得。车牌的颜色是它的特征之一，因为一些管辖地区（国家、州或省份）已经明确规定了他们车牌的颜色。车牌的矩形形状边框可以作为获得车牌信息的另一个特征，车牌上字符和底色的颜色变化即条纹可被用来从图像中提取车牌区域，车牌上的字符也可以作为获取车牌区域的一个特征。我们可以结合两个或更多的特征去识别车牌。
下面，我们基于车牌特征的提取方法对现有的车牌进行分类。
A、利用信息边界提取车牌
因为车牌通常是一个已知长宽比的矩形形状，它能够通过找出一张图片中所有可能的矩形被提取出来，边缘检测法常被用于找出这些矩形[8]-[11]。
在[5]，[9]和[12]-[15]中，Sobel滤波器被用来检测边缘。由于在车牌与车身之间有颜色变迁，车牌的范围代表着图像的边界。在进行水平检测时边界是两条水平线，垂直检测时是两条垂直线，当两种检测同时执行时就可以确定一个完整的矩形，车牌的矩形通过构成一个矩形的几何属性来找出。
在[7]中，车牌矩形检测使用几何属性定位线形成一个矩形。
在[5]，[9]，[12]和[16]中，候选区通过垂直边缘匹配产生，车牌垂直边缘的幅度被认为是一个很好的提取特征，可以避免使用水平边时由于汽车保险杠所导致的错误[10]，在[5]中，垂直边缘匹配可以去获得一些候选矩形，和车牌具有相同长宽比的矩形作为候选区，这种方法可以排除处于各种光照下的图片上的96.2%的矩形，根据[9]，如果被提取的垂直边缘与底色边缘被删除，车牌区域能很容易地就从边缘图像中被提取出来，在1165张图片中检测率大约为100%，一张384times;288的图片的总处理时间是47.9ms。
在[17]中，有一种新的快速垂直边缘检测（VEDA）被用于车牌提取，VEDA显示它比Sobel算子快大约7到9倍。
还有基于块的方法也在一些文章中被提到，在[18]中，有高边缘幅值的块也被认为可能是车牌区域，由于块处理不依靠车牌边界的边缘，它可以用于一个不明确的车牌边界的图像，180幅图片中的检测精度为92.5%。
在[19]中，基于摩托车状态检测的方法被提出，该实验基于路边和监测站测试图片识别率达到了93.9%-95.7%，它在超便携个人电脑上需要654毫秒检测时间和在PC上需要293毫秒检测时间去识别车牌。
在[13]中，基于边界提取也有使用Hough变换（HT）。它可以检测图像中的直线找到车牌，Hough变换有可以检测到有30°倾角的直线[20]。然而，Hough变换是一个时间和记忆消耗的过程。在[21]中，以边界线为基础结合了HT和轮廓算法的检测算法，它取得了98.8%的提取效果。
在[22]中，广义对称变换（GST）被用来提取车牌，在检测到边缘之后，图像在选择方向上扫描检测角，这个GST是用来检测这些角之间的相似性并形成车牌区域。
基于边缘的检测方法简单快捷，但是它们要求边缘的连续性，当使用形态学步骤去消除不必要的边缘，这提取准确率将相对较高。还有基于边缘统计和形态学混合方法的建议，这种方法在检测9786个车牌的准确率为99.6%。
B、基于全局图像信息的车牌提取
连接成分分析（CCA）是在二值图像处理中的一个重要技术[4]，[24]-[26]。它扫描二进制图像和标签上基于像素连通性的像素组件，空间测量的目标，比如面积和长宽比，常被用于车牌提取[27]，[28]。参考[28]，应用CCA在低分辨率视频中，在检测超过4小时的视频时，提取的正确率和错误率为96.62%和1.77%。
在[29]中，应用轮廓检测算法在二进制图像中检测连接对象，和车牌具有相同几何特性的连接对象被作为选择候选区。该算法在图像质量不好，导致扭曲的轮廓时可能失败。
在[30]中，使用二维互相关来寻找车牌。带有预先车牌模板的二维互相关模板通过整个图像来定位最有可能车牌区域。使用与模板的相关性提取的车牌在图像中是独立的车牌位置，然而，使用二维相关性耗费时间。这是ntimes;n个像素，n4种顺序[ 14 ]。
C、基于纹理特征的车牌提取
这种方法依赖于车牌上数字的存在，因为在字符颜色与车牌底色之间有明显的灰度级变化，这也导致了一个高边密度颜色过渡区。在[31]-[39]中使用了不同的技术。
在[31]-[39]中，使用的是扫描线，灰度级的改变会导致扫描线上的许多峰值，这个数值就等于字符的数量。
在[40]中，矢量量化（VQ）被用于图像文本的定位，VQ的表示可以给出一些关于图像区域内容的提示，如更高的对比度和被映射了更多细节的更小的块，实验结果表明，在使用不同质量的图像时有98%的检出率和200毫秒的处理时间。
在[41]中，提出了滑动同心窗口（SCW）方法，在这种方法中，车牌被视为图像纹理中的不规则事物。因此，局部特征的突然变化是潜在的许可证牌照。在[42]中，提出了基于滑动同心窗和直方图的车牌检测方法。
图像变换在车牌提取中也有广泛的应用。Gabor滤波器是纹理分析的主要工具之一[43]，这种技术在无限的方向和尺度上分析纹理具有优点，当应用到图像中获得的一个固定的和具体的角度时，在[44]中的准确率是98%，然而，这种方式耗费时间。
在[32]中，通过离散的傅里叶变换可以确定空间频率，因为它产生的谐波可以在频谱分析中检测到，DFT以行检测的方式去检测水平位置板，以列检测的方式去检测垂直位置板。
在[36]中，基于小波变换（WT）的方法被用于提取车牌，在小波变换中，有四个子频带，子图像HL描述的是垂直边缘信息和LH描述的是水平边缘信息，这个水平边的最大变化是由扫描图像和LH的基准线确定。垂直边缘水平基于最大投影投影到这条线以下来确定位置，在[45]中，HL子带是用来搜索车牌的特点，然后通过检查在LH子带中的特征附近是否存在一个水平线来确定其特征，车牌定位的执行时间少于0.2s，准确率为97.33%。
在[46]-[48]中，自适应增强（AdaBoost）与Haar特征相结合去获得许可车牌提取的级联分类器，Haar特征常用于目标检测，用Haar特征使分类器对车牌号的亮度，颜色，大小和位置不变。在[46]中，级联分类器在第一层和Haar特征中使用全局统计，被称为梯度密度，在这篇文章中检测率达到93.5%。AdaBoost算法也用在[49]，这种方法使用不同格式、大小以及在各种照明条件下的图像的检测率达到了99%。
基于纹理的所有方法都有着即使车牌是变形的也可以检测的优点。然而，这些方法的计算是复杂的，特别是当有许多边，如在一个复杂的情况下或是在不同的照明条件下。
D、基于颜色特征的车牌提取
因为一些国家规定了他们的车牌有特定的颜色。一些报道工作涉及通过定位图像中他们的颜色来进行提取。
一个基本的想法是车牌和字符的颜色构成是唯一的，这种颜色构成几乎仅仅只发生在车牌区域[50]，通过中国车牌具体的格式，[50]在所有在输入图像中的像素使用的色调，亮度和饱和度（HLS）颜色模型被分为13类。
在[51]中，一个神经式的网络在每个像素的RGB图像转换到HLS之后被用于颜色的分类，神经式网络的输出，绿红白是韩国车牌的颜色，用相同车牌颜色垂直与水平的投影在确定车牌区域的最高颜色密度区域。
在[52]中，因为在车牌上只有四种颜色（白色、黑色、红色和绿色）被使用，彩色边缘检测器只用专注于三种边缘（即黑-白、红-白和绿-白边缘），在实验中，从不同的场景和不同的条件下拍摄的1088幅图像，车牌定位率为97.9%。
在[53]和[54]中，遗传算法（GA）也作为搜索车牌颜色识别方法。在[54]中，不同照明条件下的训练图片，遗传算法用于确定车牌颜色的上限和下限。平均亮度和这些阈值之间的关系是通过一个特殊的函数去描述的。对于任何输入图像的平均亮度被确定为第一，通过这个函数我们可以得到下限和上限，在这些阈值之间的任何像素的值是被标记的。如果标记的像素的连通性是矩形的具有和车牌相同的长宽比，该地区可作为车牌区进行考虑。
在[55]中，高斯加权直方图通过匹配颜色去寻找车牌，克服影响颜色层次的各种照明条件，利用高斯函数修正了常规的高性能，这个描述一组相似颜色的贡献的权重是用来匹配预定义的颜色。
在[56]中，用车牌颜色和字符颜色的搭配去产生一个图像的边缘，这个图像被水平扫描时，如果有任何在车牌颜色范围内的像素的值被发现，那么这个色值在水平方向上紧挨的像素也将被检测，如果有2个或多个紧挨的像素的值都在相同的字符颜色范围内，这个像素被确定为新的边缘图像中的一个边缘像素，新图像中的所有边缘都是分析寻找候选车牌区域。
在[57]和[58]，通过均值漂移算法将彩色图片分割成多个候选区域，随后分辨是否是一个矩形，这种方法的检测率是97.6%。在[59]中，提出了一种快速均值漂移的方法。
为了解决与基于颜色提取方法相关联的光线变化问题，在[60]中提出了一种模糊逻辑算法，色相，饱和度，和值（HSV）的颜色空间被利用。HSV三组件首先根据不同的隶属度映射到模糊集，然后模糊分类功能在由三个加权隶属度的融合去描述。
参考[61]提出了识别车辆牌照的新方法：使用车牌对亮度较低的颜色重心角模型去定位。
使用颜色信息提取车牌有检测倾斜和变形板的优点，不过，它也有几个困难。使用RGB值定义像素颜色是非常困难的，尤其是在不同的光照条件。HLS作为颜色模型的替代对噪声非常敏感。使用彩色投影的方法会有错误的检测，特别是当一些图像中汽车车身与车牌有相同的颜色。
在[62]中，HSI颜色模型检测阈值来统计候选区域。这种方法可以在
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[147918]，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。
