英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

一种应用于智能交通系统的车牌识别算法

摘要 - 基于新颖的阴影去除技术和字符识别算法，提出了应用于智能交通系统的车牌识别算法（LPR）。本文有两大贡献。一种贡献是一种新的二进制方法，即阴影去除方法，其基于与高斯滤波器组合的改进的Bernsen算法。我们的第二个贡献是一个特征识别算法knownassupportvectormachine（SVM）集成。在SVM集成中，从弹性网格中提取字符特征，并将整个地址字符串作为学习对象，而不是单个字符。本文还提出了图像倾斜校正和图像灰度增强的改进技术。在复杂的环境中工作时，我们的算法对于照明，视角，位置，尺寸和颜色的变化是稳健的。该算法用9026幅图像进行了测试，例如使用不同背景和环境照明的自然场景车辆图像，特别是对于低分辨率图像。车牌识别率良好，分别为97.16％和98.34％。光学字符识别系统是具有不同特征的SVM集成，数字，字母和地址识别的性能分别达到99.5％，98.6％和97.8％。结合上述测试，当系统在各种复杂条件下用于LPR时，车牌成功的总体性能达到93.54％。

索引术语 - 伯恩森算法，字符识别，特征提取，车牌识别（LPR），支持向量机（SVM）。

1. 介绍

许可证认证（LPR）在诸如无人值守停车场[1]，[3]，[4]，限制区域的安全控制[5]和交通安全执法[8]，[9]等众多应用中起着重要的作用。这个任务是非常具有挑战性的，因为平板格局的多样性和图像采集过程中的不均匀室外照明条件，如背景[2]，[10]，照明[7]，[15]，[22]，车速[11] ，以及摄像机和车辆之间的距离范围[19]。因此，大多数方法仅在有限的条件下工作，例如固定照明，有限的车辆速度，指定的路线和固定的背景。LPR的典型系统由四部分组成，即获得车辆的图像，车牌定位和分割，字符分割和标准化以及字符识别。

LPR的典型系统由四部分组成，即获得车辆的图像，车牌定位和分割，字符分割和标准化以及字符识别。定位操作的性能对整个系统至关重要，因为它直接影响后续步骤的准确性和效率。然而，由于不同的照明条件和各种复杂的背景，这也是克服困难的障碍。 研究人员提出了许多定位车牌的方法，如边缘检测方法[12]，[13]

[28]，[30]，线敏感滤波器提取板区[31]，窗口法[1]，[2]，[25]，[32]和数学形态学[33]。 虽然这些算法可以处理车牌的位置，但它们具有强大的缺点，如亮度敏感度，处理时间更长，以及适应不同环境的多功能性。

字符分割在过去已经通过诸如投影[10]，[35]，形态[41] - [43]，放松标记和连通分量[14]，[44]的技术来实现。 已有大量字符识别技术，如模型匹配[29]，贝叶斯分类器[45]，[46]，人工神经网络[47]，[48]，模糊自适应[44]，支持向量机[ 49]，马尔可夫过程[50]和K-最近邻分类[51] - [53]。 虽然这些算法可以处理牌照分割和识别，但大部分算法只处理单行字符分割，只能处理两种字符识别：英文和数字字符。 更复杂的板材结构方法和更多类型的字符识别没有讨论。

对于LPR研究，人们可能致力于LPR的一个方面，例如车牌定位和分割研究[2]，[16]，[18]，[21]，[25]和LPR [4] [7] ]，[19]，[20]，[29]。 然而，对于完整和成功的车牌制度，必须对各个部件进行细致而全面的剖析以及如何协同工作。表1列出了近期文献中提出的关于各种LPR系统的研究。 这篇文献报道了板材位置率，字符识别率和整体性能。

在表I的最后一列中，显示了板识别和LPR的科学背景。 由于来自不同国家的车牌不同，角色风格也被考虑在内。 在[1]，[12]，[14]，[17]，[22]，[23]和[25]中提出的系统报告其总体表现为（90.1％，93.9％，90.93％，91 ％，86％，93.7％，87％）。 然而，这些系统只能处理一行大字符，即使车牌上有两行字符[12]，[14]，[17]，[19]，[22] - [24] ]，[29]，[31]，[35]。 目前最高的LPR系统报告成功率为93.7％，但系统只能处理数字和英文字符[35]。

在本文中，我们的工作重点是解决由于不均匀照明和各种室外条件（如阴影和曝光）导致的图像干扰，这通常难以使​​用传统的二进制方法获得成功的处理结果。另外，我们讨论了中文，假名，英文和数字字符的特征提取方法，并采用支持向量机（SVM）进行分类。此外，我们报告了系统的整体性能和每个型号的性能。表I显示，我们系统的最终整体表现达到93.54％，加工人物由数字，英，汉，假名组成。本文的新贡献取决于：1）二次方法，即基于改进的Bernsen算法与高斯滤波器结合的阴影去除方法;和2）一种字符识别算法，它是SVM集成，其中从弹性网格中提取字符特征，并将整个地址字符串作为学习对象，而不是单个字符。除了上述贡献之外，还对汉字特征提取方法进行了考察，选择了一些有效的特征来满足实际应用需求。还提出了图像倾斜校正技巧和图像增强技巧。本文的其余部分组织如下：在第二部分中，提出了车牌预处理，其中提出了改进的Bersen算法和图像倾斜校正技巧。字符识别算法在第三部分中详细讨论。实验结果见第四节，最后讨论和未来工作见第五节。

II.车牌预处理

车牌预处理是LPR的必要步骤，包括板检测，校正和分割。 检测的目的是定位与车牌相似的感兴趣区域。 由于取向角度，图像可能具有倾斜和变形; 因此，图像的变换或校正是字符分割之前的重要步骤。

1. 日本牌照说明

在本文中，日本车牌是研究对象，一些样本如图1所示。 1，其后简要说明了提出的日本LPR流程。 第一行中的图像由不同的照明（包括日光，夜间，阴影和曝光条件）捕获。 第二排图像表示车牌图像可能是彩色的或灰色的。 第三排图像显示从各种取向角度拍摄的图像。 图像分辨率可能会影响设备的亮度。 应考虑两种类型的车牌，即白色字符/黑色背景和黑色字符/白色背景。

图 2显示了日本特许执照的抽样。日本车牌包括假名，中文，英文和数字字符。介绍了角色的位置分布。在第一行中，中文地址字符串由158个可能字符中的一到四个汉字组成，绿色环绕。在汉字旁边，以橙色圆圈表示，是一个小数字字符串，通常由两个或三个数字组成。在第二行中，以蓝色圆圈表示，是假名或英文字符。有43个可能的假名字符和八个可能的英文字符。旁边的假名或英文字符，以红色圈出，是大数字（通常一到四个数字）。日本车牌有两个特点：1）车牌由四种字符（中文，英文，假名和数字字符）组成，以增加字符识别的难度。 2）框架中有两行字符，每行有两种类型的字符，以增加字符分割的难度。

我们研究的板块与其他国家的牌照（如图3所示）之间的主要区别如下：1）其他国家的大多数牌照可能包括两种或三种类型的字符，如英文和数字字符 中国车牌上有美国车牌和中文，英文和数字字符。 2）大多数牌照只有一行字符，例如德国，英国和其他欧洲国家的牌照。虽然来自不同国家的牌照上可能会有两行字符，但大多数现有的LPR系统只处理大于第一行字符的第二行字符。 由于第一行字符未被处理，现有LPR获得的信息可能不满足实际应用需求[1]，[14]，[17] - [19]，[22]，[23]，[31] ，[35]。 因此，我们的LPR的实际应用价值优于其他现有的LPR方法。 在接下来的部分，我们提供车牌检测和许可证字符识别。

1. 车牌位置

牌图像上的各种位置的亮度分布可能由于板的状况和照明环境的影响而变化。 由于具有全局阈值的二进制方法在这种情况下不能总是产生令人满意的结果，所以经常使用自适应局部二进制方法。 局部二进制方法意味着将图像分割成mtimes;n个块，然后用二进制方法处理每个块。 在我们的研究中，采用了两种局部二进制方法，即本地Otsu和改进的Bernsen算法。 Otsu [36]是一种传统的二进制方法，我们在每个子块上使用。 然而，Otsu的表现取决于照明条件，变化十分剧烈。 为了解决不均匀的照明障碍，特别是对于阴影图像，我们提出了一种新颖的二进制方法，即改进的Bernsen算法。

1. 改进的伯恩森算法：由于处理过的车牌是在各种照明场景和复杂的背景下获得的，车牌上不可避免地产生阴影或不均匀照明。 因此，阴影或不均匀的照明去除成为我们系统中必不可少的一步。 在本文中，提出了一种改进的Bernsen算法，用于不均匀照明，特别是对于阴影去除。 图。 图4（a）显示带有阴影的车牌图像。 图。 4（b） - （d）分别显示了本地Otsu，全局Otsu和差分局部阈值二进制方法的结果。 从这些二进制结果可以看出，这些传统的二进制方法不能有效地消除阴影，并且不能成功地检测和分割车牌。为了解决这个问题，提出了一种新的二进制方法，即改进的Bernsen算法。
2. Bernsen算法：为了使目标和背景与显示图像双峰模式的直方图分离，全局阈值二进制方法可以获得良好的结果，例如使用Otsu和平均灰度值。 然而，在实际环境中，由于图像噪声等原因，图像直方图不呈现双峰图案。 在这种情况下，传统的二进制方法无法获得满意的结果。 局部阈值方法通常用于识别更严重的干扰或不均匀照明的图像，如Bernsen算法[37]和Niblack算法[38]。 一般来说，凭借本地二进制算法的优异性能，伯恩森算法是不均匀照明问题的一个合适解决方案。

假设f（x，y）表示点（x，y）的灰度值。 考虑一个中心是一个点（x，y），大小是（2w 1）times;（2w 1））的块。 f（x，y）的阈值T（x，y）由

然后,通过二进制图像

图5(一个)显示了一个影子图像,图5(b)-(d)显示的结果Bernsen算法使用不同的窗口大小。从这个图中,我们可以看到Bernsen算法对噪声很敏感,这扰乱了字符的提取。去除噪声和保存的字符是本研究的重要内容。

b)ImprovedBernsenalgorithm:假设Lambda;f(x,y)表示获得的灰度值与高斯滤波器,sigma;是高斯滤波器的规模,和k和l的参数窗口。一种改进Bernsen算法描述。

步骤1)计算阈值T1(x,y)f(x,y)基于(1)步骤2)创建的高斯滤波器窗口s =(2 w 1)times;(2 w 1)f(x,y),也就是说,

步骤3)计算阈值T2(x,y)Lambda;f(x,y)

步骤4)获得一个二进制图像

在alpha;是一个参数来调整Bernsen算法之间的平衡与高斯滤波器和传统Bernsen算法(alpha;isin;[0,1])。当alpha;= 0时,该算法是Bernsen算法。当alpha;等于1时,该算法是Bernsen用高斯滤波器算法。通过采用适当的alpha;,影子可以有效地去除,可以成功地识别字符。

步骤5)应用中值滤波去除噪声。

在该算法中,alpha;和w对处理结果有显著的影响。这里给出的参数进行了详细分析

1. w:传统Bernsen算法采用局部窗口的min-max价值检验阈值。k和l的参数w(1)。
2. k:k和l Bernsen算法时间消耗的主要参数。假设k是y轴方向尺寸l的w和w。一些图像处理的x-axisdirection大小与不同的值在图5 k和l。图5(一个)显示一个影子image.Fig.5(b)-(d)显示了不同k和l的结果。当k和l的值大,Bernsen算法的计算非常耗时,和阴影去除的效果还不清楚(参见图5(c))。k = 0或l = 0时,阴影去除明显(见图5(d),特别是字符)上的影子,,减少计算成本。选择k = 0或l = 0,这导致differentscan方向,对二进制的结果没有影响。在我们的研究中,我们采用了横向,即。,k = 0实现二进制算法。
3. l:k = 0时,窗外只是由l。我们发现l的大小影响车牌上的字符的处理结果通过实验。如果l很小,这个角色可能被删除,但可能产生噪音。在我们的实验中,我们发现l的值通常被定义为一个值在字符的宽度才能获得良好的效果。举个例子,在图6中,一个角色“5”的最大宽度是14像素,和最小宽度是4像素;因此,平均宽度(9个像素)的价值选择是l。图6显示了处理影子图像使用不同的l值的结果。我们可以看到,选择角色的平均宽度作为检验l可以获得好的结果。

图5所示。结果一个影子图像Bernsen不同窗口大小的算法。(一)板。(b)k = 3 l = 3。(c)k = 10 l = 10。(d)k = 0 l = 10

图6所示。一个影子图像的处理结果与不同的l值的改进Bernsen算法。

1. Plate. (b) l =4. (c)l =9. (d)l = 20

1. beta;:Bernsen算法对当前像素值和阈值的差异。图7显示了一个示例的敏感Bernsen算法(假设l = 5)。红色“0”是错误的结果。要解决这个问题,阈值可以乘以一个常数beta;减少Bernsen算法的灵敏度。图8给出了beta;Bernsen算法的影响。根据实验的经验,beta;的值被定义为0.9来获得最优结果。
2. alpha;:当T1(1)小于当前黑色像素,像素的值被设置为255(2)。当一个图像与高斯滤波器处理,T2((4))比T1黑色像素区域,尤其是在分析area[seeFig.9(b))。因此,T =beta;(alpha;T2 (1minus;alpha;)T1)le;T1;因此,水平的一部分性格和板框保存微调。高斯滤波器不模糊的边缘人物,因为它只处理原始图像获得T2。最后二进制(4)得到的结果。因此,高斯滤波器提高Bernsen算法该算法的性能。图9(c)和(d)显示了一个比较传统的Bernsen算法和该算法。我们可以看到,一些人物

   剩余内容已隐藏，支付完成后下载完整资料

   ---

   资料编号：[137542]，资料为PDF文档或Word文档，PDF文档可免费转换为Word