一种车牌自动识别系统的有效方法外文翻译资料

 2021-11-26 10:11

英语原文共 9 页

一种车牌自动识别系统的有效方法

摘要:车牌自动识别是一种用于识别图像或视频中的车牌信息的图像处理技术。观测到的车牌图像通常分辨率较低,边缘数据丢失严重,这对现有的车牌检测识别模式造成了极大的考验。自动识别车牌的过程需要非常高的精度,当有各种车辆在简短的跨度内通行时,车牌提取是一项艰巨的任务,主要是因为数量的安排,以及工作环境的影响。此步骤影响字符分离和确认框架的准确性。本文介绍了一种利用多种方法实现的车牌自动识别算法。车牌的自动识别包括三个部分:字符分割,光学字符识别和模板匹配。本文提出的车牌自动识别系统,一种是基于车牌提取,另一种是基于Gabor滤波的灰度图像字符识别。通过Gabor滤波器将组件直接从灰度字符图像中分离出来,Gabor滤波器特别适用于字符结构的可测量数据。模板匹配是一种利用模板图像来寻找目标图像的子图像的系统。实验结果表明,我们提出的方法在有效性方面具有明显的优势。

关键词:车牌自动识别(ANPR),车牌自动识别(ALPR),字符分割,车牌,模板匹配,光学字符识别(OCR)

Ⅰ.介绍

车牌自动识别系统已经存在很长时间,然而就在90年代末,由于车辆的大量增加,它已转变为一项基本应用。从车牌中提取的数据大部分被法律授权机构用于对活动的监督、控制、停止,高速公路收费,停车框架的自动记录,行车时间估算等。车牌识别问题大体上分为5部分:(1)图像采集即获取车牌的图片。(2)预处理图像,即标准化,改变图像的亮度、偏斜度和差异。(3)字符分割即发现和区分每个车牌图像(4)光学字符识别。在这些方面可能会有进一步的改进(例如将车辆许可证号码与特定数据库进行协调以跟踪推测的车辆,等等),但是主要结构仍与以前一样。这种方法的控制参数是由国家特定的运动标准和仪表决定的。这将精细地调整框架,即车牌中的字符数量、内容亮度级别(相对文件,即明亮背景上的暗淡内容或暗淡背景上的明亮内容)等等。所以这个问题可以被限制在一个特定的国家。例如,印度标准是私家车车牌为白底黑字,商务车车牌为黄底黑字。车牌一般结构是在两个字母(表示州代码)后跟地区代码,然后是特定车辆的四位数字代码。因此在美国,对于可以利用的文本样式没有设置严格的规则。车牌对比起来有非常大的不同。

本文对目前国内外车牌识别系统的研究工作和建立车牌识别系统的方法进行了总结,将车牌识别系统的研究工作分为图像采集、车牌提取、车牌字符分离和车牌识别几个阶段。

图像采集:这一步通过采集技术来获取图像。在我们提出的系统中,我们使用了一个高分辨率或低分辨率的计算机摄像机和足够的光源来获得信息图片。

车牌提取:这一步从获得的图片中提取连通的区域,即车牌。提出的方法包括“覆盖车牌存在可能性高或低的区域,然后在整个覆盖区域的检查车牌是否存在。

车牌字符分割:车牌分割也就是在连通区域进行字符隔离并使有缺陷的字符确认为确定的字符。在提出的结构划分中它是在OCR(光学字符识别)部分完成的。

光学字符识别:这一步用于识别字符的策略有很多。在该框架中,我们使用了光学字符识别技术。

车牌提取阶段是ANPR框架中最关键的阶段,因为其他步骤都基于提取出的车牌范围进行。车牌的提取是一个棘手的问题,严重影响到ANPR的准确性,因为每一步的推进都依赖于车牌的精确提取。由于种种原因,在车牌的识别和提取过程中出现了许多问题:

  1. 提取的熟练程度受场景复杂性的影响。
  2. 不同的车辆安装车牌的位置不同。
  3. 在摄像机捕捉图像的过程中,可能会出现噪声。
  4. 气候条件影响陆地的混乱程度。
  5. 一天中的时间影响光线,因此就产生了不同的问题。。
  6. 难以识别的字符,边缘和螺钉增加混乱程度。
  7. 错误的拍摄或车牌位置会导致弯曲,从而影响车牌的提取效果。
  8. 低亮度或不均匀亮度、模糊图像、低分辨率输入图像、反射、阴影影响车牌区域提取的有效性。

Ⅱ.相关工作

Abbas M.Al-Ghaili,Syamsiah Mashohor,Abdul Rahman Ramli和Alyani Ismail 提出了车牌定位(CLPD)的快速策略,并提出了三项主要承诺。主要的承诺是提出快速垂直边缘运算(VEDA),以解释灰度值之间的差异,从而提升CLPD策略的快速性。 第二个承诺是提出CLPD策略制作网络摄像机拍摄的低分辨率照片。在VEDA确认垂直边缘之后,根据阴影数据突出显示所需要的车牌特征点。第三个承诺是将VEDA与Sobel管理员进行对比,包括精确度,多方面计算质量和准备时间。

S.Ramalingam,M.Rhead和R.Gurney提出了车牌车牌识别(ANPR)框架,该框架利用光学字符识别(OCR)来帮助确定车牌的各个字符。他们尝试通过再现程序创建关键的信息索引,这将产生车牌图片。作为第一步,这些板块将表明特征扩散的波动,用于考察ANPR框架,这些框架将展示基准测试的标准。该框架与警察部队进行任何资产升级的现场试验的要求保持战略距离。

Najeem Owamoyo 提出了对尼日利亚车辆的自动识别。车牌提取是利用Sobel边缘定位通道、形态学操作和相关的片段检测进行的。字符分割是通过相关部分和垂直投影检查完成的。

Shan.Du,M.Shehata,W.Badawy 描述了对现有的(车牌自动识别)ALPR技术的广泛研究,将它们按照文中提到每一步使用的基本原理进行排列。统计它们在优点、缺点、识别的产生以及处理速度。最后也给出了ALPR的未来形式。未来的车牌识别研究应集中在多样式车牌识别、基于视频的车牌识别、多车牌处理、高质量的车牌图像处理、不确定字符的车牌识别等方面。

P.Anishiya, prof.S.Mary joans提出了以印度Tamilnadu为中心的车辆车牌约束和识别框架。该框架是根据先进的图片创建的,可以轻松连接到商业自动停车框架,利用停车管理的记录权限,安全使用停车房,进而预防汽车盗窃问题。他所提出的计算方法是将形态学操作与区域标准试验相结合来确定车牌约束。利用边缘查找器、命名和填充间隙的方法实现了车牌字符的分割。采用模板协调的方法,在光学字符的引导下实现了字符的识别。

Chitode J.S表明,ANPR是一致的嵌入式系统,特别是对车牌照片的字符识别。他所提出的计数方法基于形态学操作和域标准测试的组合来进行车牌约束的。通过模板匹配技术,可以在光学吸引力的指导下进行字符的识别。

P.Anishiya和Prof.S.M.Joans提出的印度车辆车牌检测(VNPD)系统包含三个主要模块,分别是图像预处理、疑似区域提取和字符识别。在预处理时,照片会被叠加,然后被调暗或匹配,最后采用一些去噪策略。在疑似域提取中,完成了车牌域的提取和字符的划分。在字符识别中,执行字符的排列、组织和恢复。神经网络框架可以以类似的方式进行字符识别,但它需要周期性的准备以获得更好的性能。它还需要大量的推测和能力得到有价值的结果。

Tsukada, T.Yamada, K.Kozuka, K.和Yamamoto,S.使用模板匹配。模板匹配包括使用字符或模板数据库。每个输入字符都有不同的格式。确认(识别)是通过将现在与每一种格式的字符进行对比来实现的,以便对最佳的格式进行本地化。如果I(x,y)是信息字符,T(x,y)是模板n,那么协调能力s (l, Tn)将返回一个值,该值指示模板n与输入匹配的程度。

M. Rama Bai 提出了用于疏散噪声的创新方法,以及利用形态学操作识别平行和暗尺度图像的边缘。结果表明,通道和边缘定位技术击败了传统策略的限制,有效地清除了混乱,集中了更明显的边缘。

Hontani.H和Koga.T 提出了一种不需要提前知道字符在图片中的位置和大小就可以删除字符的技术。该方法可以通过尺度形状研究来确定,而尺度形状研究的前提是字符局部具有行排序形状,而周围具有块排序形状。在尺度形状研究中,不同尺度下的高斯通道模糊了给定的图像,在更大的尺度下出现了更大尺寸的形状。为了区分这些尺度,给出了中心拱平面的概率。采用标准主弯法,从尺度空间x-y-t中提取商标焦点。位置(x, y)表示图形的位置,比例t表示相关图形固有的商标大小。所有这些商标关注于从给定的图像中提取图形,该图像具有局部的线排序形状和周围的块排序形状。

Norizam Sulaiman介绍了程序化车牌识别框架的进展,该框架通过高亮提取策略的方法完成候选车牌区域的预处理,通过限制框进行字符划分,通过模板匹配完成字符识别。

Ⅲ.提出车牌自动提取的方法

在这一部分中,提到了用于车牌提取的建议方法。对这个框架的贡献是通过先进的相机获得的车辆图片,并且得到的是真正的车牌分区。在各种光照条件下和各种基础上获得图像。所提出的结构在中表示。图1包括采取原则步骤:

  1. 捕获图像
  2. RGB到灰度转换
  3. Gabor 滤波
  4. 字符分割
  5. OCR使用模板匹配
  6. 车牌提取

图1:提出的系统框架总图

3.1 捕获图像

第一步是利用电子设备,例如光学(高级/视频)照相机,捕捉图像;网络摄像头等可以用来捕捉获得的图片。对于这个项目,车辆照片将带有松下FX/尼康电脑相机标记。在这次项目中事先捕捉的照片将会被拍摄下来。照片将作为阴影JPEG存放在相机上。接下来,我们可以继续利用Matlab的功能将车辆JPEG图像转换为暗淡的组织。这个框架的输入是在距离车辆1-2米的距离处设置的摄像机拍摄的照片,如图2(a)所示。

3.2 RGB图像转换为灰度图像

在RGB排列中,每个像素都有三个着色部分:红色,绿色和蓝色。

(a) (b)

图2:(a)输入图像 (b)灰度图像

在预处理步骤中,阴影图像作为信息给出,然后它被转换成图3(b)中出现的暗尺度图像。通过各种暗淡色调数字化“高对比度”图像的初步步骤是将图像分离成各种像素,这取决于所需的空间。此范围在动态路径中以0(暗)和1(白)的范围表示,具有任何碎片值。

3.3 Gabor 滤波

Gabor滤波器是一种线性滤波技术,用于去除图像中的噪声。当它帮助疏散动机的骚动时,它保护了边缘。每一行在经过除法分割后得到需要的字符。这一步考虑到了噪声。它的应用非常广泛,在消除噪声的同时又能保留边缘。它在去除花白类噪音方面尤其成功。

图3:滤波图像

3.4 字符分割

在给定扩展图像的情况下,该阶段的目标是分割每个字符,而不丢失字符的组成部分。分割在程序化车牌识别的所有程序中是最重要的一个。字符能够平滑的分割的可能性是很渺茫的,通常一个字符被分割成两部分或者两个字符被认为是一个。单独的字符必须能被互相识别。在字符分割中,车牌的字符和数字被分割,并且每个都被保留为不同图片。它量化了名称点阵中每个标记区域的属性排列。弹跳框用于量化图片区的属性。该系统用于检查光学字符识别(OCR)中布局协调计算所使用的格式化的数字。

(a) (b)

图4:(a)膨胀图像(b)分割图像

3.5 OCR使用模板匹配

模板匹配是字符识别的过程之一。它是一种在图片中找到被称为模板的子图片区域的方法。模板协调包括确定给定模板与图片中大小相似的窗口之间的相似性,以及识别提供最值得注意的相似性度量的窗口。它的工作原理是逐像素关联的图片和模板,为每一个可以想象的图版。这个过程包括使用字符或图版数据库。存在一种模板用于所有可能的信息字符。使用“普通”文本样式样式为每个字母数字字符(从A-Z到0-9)创建模板。图5展示了一些字母数字字符的模板。

图5 模板

3.6 车牌提取

利用字符分割算法对字符进行分割。由于这种字符分割的处理噪声包括,并利用该通道的骚动被疏散。最后,利用模板匹配的方法对运动疏散字符进行格式协调,提取字符。

Ⅳ.车牌提取算法

A.Gabor滤波器

Gabor滤波器是线性滤波器,其空间引入和信号频率的表示基本上与人类视觉框架相同。这是一种很好的分离和测量表面元素的方法。它被发现像一个“带通道,用于附近的表面空间复发循环” 。

一个复杂的Gabor滤波器由一个复杂的正弦曲线与高斯函数的卷积给出。考虑到二维Gabor滤波器,本文考虑了由下式给出的滤波器组,

在上面的等式中, lambda; 是复杂正弦波的波长, theta; 关于普通的引入, sigma; 是高斯包络的波动, Psi;是平衡和 gamma; 是角度比例而不是指示高斯包络的波动,确定Gabor通道的数据传输b是相当常识和本能的,这是比例的对数容量 “sigma; / lambda;“。

在附图6 中给出了几种具有各种参数质量的1D和2D Gabor信道的情况:

图6 1D Gabor滤波:行(从上到下)分别显示不可预测的时间段、平均值和方差的特殊效果

图3 2D Gabor滤波:行(从下到上)分别显示带宽、纵横比、相位偏移和方向的不同影响。

B.边缘检测

如前所述,车牌是一个高垂直边缘厚度的区域。这些数

原文和译文剩余内容已隐藏,您需要先支付 20元 才能查看原文和译文全部内容!立即支付

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。