英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

译文

自动车牌识别（LPR）在过去的几十年中 [ 1 ]有着众多的应用，如自动收费 ^{[ 1 ]}， 刑事追求 ^{[ 2 ]} 和交通执法 ^{[ 3 ]}等， 并从中受益 。虽然现在出现了一些全新的技术，例如RFID（无线射频识别）、WSN（无线传感器网络）等等，但是车牌识别图像数据在目前的智能交通系统中仍然是不可缺少的技术。因为其方便、低成本。

车牌识别一般分为三个步骤：车牌检测、字符分割和字符识别。检测步骤大致分为车牌和非车牌区域，该segmentationstep分隔符号/人物彼此在一个LP，只有准确地勾勒出人物的每个图像块来识别，以及识别步骤最后将灰度图像块为字符/符号的识别模型。虽然车牌识别技术一个很长的研究历史，它是stilldriven提出的各种需求，最常见的就是其中之一例如LP风格的变化:（1）引起的图像采集条件变化的外观变化相应的作者。（2）风格的变化从一个国家到另一个。（3）风格的变化当政府发布新的LP格式。我们概括起来为四个因素，即旋转角度，行号，字符类型和格式，经过综合分析多样式的特点车牌实时数据。一般来说，上述四个因素的任何变化都会引起这种变化像样式或外观进而影响检测，segmentationor识别算法。如果LP有一个大的旋转角度，水平分割和识别算法的LP不得。如果有一个以上的在一个LP的线条，additionalline分离算法在分割进程的需要。随着字符类型的变化时，我们将从一个国家到另一个，有能力重新定义识别模式是必要的。更重要的是，改变LP风格需要方法来调整自身，分段和recognizedcharacter考生可以匹配最佳的LP格式。已经提出了几种方法用于跨国LPS或格式的LPS在过去的几年中 [11,12]ensp;而很少综合地址从上述风格适应问题提到的因素。他们中的一些人只有索赔的能力处理跨国LPS通过重新定义的检测和分割规则或识别模型。在本文中，我们提出了一个可配置的车牌识别方法是适应从一个到另一个风格，特别是从一国到另一国，通过定义四个因素作为参数。用户可以控制应变参数的范围，同时将本身的方法，识别可以更快、更准确。类似于现有的车牌识别技术，我们也提供低压检测细节，分割和识别算法。所不同的是，我们强调多样式的方法识别和扩展性的可配置的框架，而不是每个算法的LPS性能。本文的其余部分安排如下。2节相关工作的回顾。提出在3节是可配置的方法。该配置的方法实现了4节。实验结果，在6节5节讨论与结论。

2、相关作品

在过去的几十年中，已经提出了许多方法lprthat包含检测、分割和识别算法。在下面的段落中，这些算法和基于车牌识别方法是简单reviewed.lp检测算法主要可分为三个班按照的使用功能，即基于边缘的算法，算法和基于纹理的算法的颜色。最常用的方法为LP检测肯定是边缘检测和数学形态学的 ^{[ 7 ]} 4–的组合。ensp;在这些方法中，梯度（边缘）是首先从图像中提取，然后通过空间分析应用形态学的边缘intolp地区连接。另一种方法是计数的边缘图像行找出密集的边缘 ^{[ 8 ]} 或通过Hough变换 ^{[ 9 ]}描述密边的LP地区。 边缘分析是最简单的方法计算复杂度低和良好的可扩展性。与基于边缘的算法相比，基于颜色的算法更多地依赖于应用条件。在一个国家sincelps往往有几个预定义的颜色，研究人员定义的颜色模型分割的区域利益的经典地区 ^{[ 10,13,14 ]}。ensp;这种方法可以影响一个lotby照明条件。赢得高召回率和较低的误正率，纹理的分类已经用于低压检测。InRef。 ^{[ 15 ]} 基姆等人。使用SVM分类器检测纹理图像块的像素包含LP。在参考文献 ^{[ 16 ]}的人， Gabor滤波器提取纹理特征的多尺度多方向描述低压区域的纹理特性，参考文献 ^{[ 17 ]}， 张用X和Y的衍生特征、灰度方差和AdaBoost分类器进行分类和非车牌区域图像中的LP。在裁判。 ^{[ 18,19 ]}，ensp;小波特征分析是进行低压区。尽管这些方法的良好性能ODS的计算复杂度，将限制其可用性 ^{[ 20 ]}。此外，基于纹理的算法可以通过multi-lingualfactors.multi-line LP分割算法的影响可分为三类算法，即基于投影 ^{[ 23 ]} 21–，双narization ^{[ 27 ]} 24–ensp;和全局优化 ^{[ 28 ]}。 在投影算法、梯度或彩色投影在垂直方向会先计算。“谷”的投影结果被视为字符，用于分割特征相互之间的空间。分割区域进一步进行垂直投影得到精确的包围盒的lpcharacters。从简单的分割方法容易受LP的旋转，将扭曲的LP成为关键问题亟待解决。在二值化算法，全局或localmethods经常被用来从背景区域连接操作并获得前景是用来获取字符区域。在最近的工作中，以提高分割性能 ^{[ 29 ]}局部阈值确定滑坡窗口技术。 的全局优化算法，目的不是获得独立性状较好的分割效果，但获得一个妥协的空间布局特征。单字符识别结果。Hidden Markov链被用来制定的特点在LP 动态分割。 算法的优势在于可以提高对噪声的鲁棒性优化。和缺点是精确的格式定义是必要的一个分割过程之前。在车牌字符识别算法可分为基于模板匹配的学习。对于前者，人工神经网络（ANN）的制备方法 30–ensp;既然能够获得很好的识别结果给出一个大的训练集。在LP的神经网络识别模型的训练的一个重要因素是建立良好的特点合理的网络结构。基于支持向量机的方法也采用LPR ^{[ 15 ]} 获得良好的识别性能，即使少量训练样本。最近，级联classifiermethodisalsousedfor车牌识别 ^{[ 2 ]}。 模板matchingis另一种广泛使用的算法 ^[31,32]。ensp;一般，researchersneed建立模板图像的手为LP字符和符号。他们可以分配较大的权重，为重要的点，例如，角点，在模板中强调人物不同的特点。 不变性的特征点也在考虑提高模板匹配的方法的鲁棒性。它的缺点是难以界定的新模板的那些没有专业知识的模式识别的用户，这将限制应用的算法。基于上述算法，开发了车牌识别的方法很多。然而，这些方法主要是用于特定的民族或特殊的LP格式。在参考文献 ， 作者重点提出新的分割和识别算法识别希腊LPS。LPS的特征与SEV艾莱依固定格式的字母数字。在参考文献 ^{[ 2 ]}， 张某等人。开发了一种用于低压检测和字符识别学习的方法。他们主要针对LPS韩国风格的方法。在参考文献 ^{[ 14 ]}， 光学字符识别—化（OCR）技术集成到系统开发的LPRmethod将军，而OCR的性能可能会下降时，面对低图像质量的LPS既然难以区分真正的候选人没有格式的监督角色。这种方法可以只选择最好的识别结果作为LP特征与恢复过程的候选人。王某等人。 ^{[ 10 ]} 出识别车牌识别各种观看角度的方法。他们的方法是考虑倾斜因子。在参考文献 ^{[ 20 ]} 作者提出了一种自动lprmethod可处理光照变化的情况下，车辆的速度、路线和背景，这是通过发展新的检测和分割算法具有鲁棒性的照明和图像模糊。该方法是在作者不在场的识别结果的多民族和多方式条件下的性能。在参考文献 ^{[ 11 ]}， 的同时提出一个车牌识别方法与字符的分割和识别的格式独立跨国环境。因为norecognition信息用于字符分割、字符错误分割从背景噪声中可能产生的。而且，该识别方法是基于学习的方法，这将限制其可扩展性。在参考文献 ^{[ 12 ]}， 麦克西等人。提出了一种生成识别方法。生成模型（GM）来产生许多综合性的统计变异相当（每班），实际样品。因此，一个大的字符集，可使用合适的统计描述，只有有限的一组图像 ^{[ 12 ]}。 结果，字符识别的扩展能力得到提高。这主要涉及字符识别的可扩展性而整个车牌识别方法。从评论中我们可以看到，在跨国应用多stylelpr LPR方法没有充分考虑。许多现有的车牌识别方法可以很好地工作在一个特殊的应用状况，性能将急剧下降时，扩展了从一种状态到另一个，或从其他几个款式。

三.可配置的车牌识别方法

在这一部分中，对车牌识别系统中一个可配置的框架是由确定上述参数的因素。然后方法如何为过程参数。

3.1可配置的参数definitionsince框架

任何变化的因素，即旋转角度，线数，字符类型和字符格式，可以使改变像样式或外观，我们定义了四个参数对应这些因素 = { 0，1，2 ， ， 3 }。

3.1.1板的旋转角度

在一些应用中，捕获的LPS可以倾斜，如果摄像机的轴线不垂直于车牌平面或水平方向保持一个角度。这个角度的旋转（角水平基线上LP的边界）的执照盘没有封装板的倾斜或倾斜。旋转角度参数定义，捕获的skewedlp可以恢复。LP的旋转角度可以采取离散值 isin;{ 5s AS0，。..，0，5，hellip;，5S，随着步骤设置为5度和马克西角作为5S度。s是步数。一般来说，S = 6能足够的应用大多数程序。

3.1.2字符行数

在某些情况下，LPS被格式化为单一的线charactergroup，而其他多行字符。例如，汽车在中国通常含有脂多糖两个或三个字符线。因此，我们定义 1 isin;{ 1，2，3，hellip;}来表示字符的行号。在车牌识别过程中，如果 1 gt; 1，一个额外的线separationprocedure将被称为threelines LPS。在实验中我们考虑最多的threelines LPS。

3.1.3识别模型

几乎所有的LPS是数字、字母和符号，有时。不同风格的LPS可以包含不同的内容。例如，一些符号和字母的LPS，和其他人可能havedigits，字母和特殊符号。在不同的国家是不同的，symbolsmay。因此，我们定义一个参数 2 对应的具体识别方法：2 = 0字母字母表和一digit2字母，数字和符号为0.

如果有标志在LPS，用户可以训练自己识别模型与人工神经网络的训练算法（这是形成一个训练工具）4.2节。这个参数可以是eitherdefined从以下特征formatparameter用户或推断。

3.1.4字符格式

LP是由字符（字母数字或符号），形成各种不同的格式，通过改变他们的安排。如果我们用“D”代表一个数字，“A”字母“S”的一个符号，可以代表两格式asj3 = { C1C2，hellip;，Ci，hellip;，CN }，在cirepresents在i位置的字符类型，它可以是一个，或者，举例来说，一个LP的内容”cb6836”可以formattedas”saadddd”。在一个国家，通常有几种（一般大于10）字符格式由政府定义的类。给出一个定义的格式，然后可以决定什么样的识别模型可以用来识别字符在ithposition到底。这将避免测试所有可能的识别模型，并提高识别的效率和精度。事实上，有可能决定各种类型板款式除了上述的因素很多，可分为“内部”和“外部”的。例如，数行，字符类型和格式，等，内部因素是LP的内在。另一方面，capturingcondition车牌图像，即照明，旋转角度，LP的大小和位置的图片，等等，都是外部因素，改变与应用。所有的“内部”和“外部”的元素可以在一个控制框架给出了发音实现算法支持的考虑。在我们目前的系统，我们只考虑一些最重要的自支持算法是有限的。行数，字符类型和格式是三个最重要的内部要素，应考虑。旋转角是影响车牌字符分割与识别的最重要的因素，其他因素，如光照、LP大小等，可以很容易地解决许多现有的车牌识别方法，因此，他们不认为在我们的系统。目前我们只是提出了一个配置框架。因素和参数可以在未来扩展。给出定义的参数提出了可配置的框架 车牌为图1所示。 像传统的LP识别方法，主要有三个步骤，即检测、分割和识别的方法。这三个步骤可以分解为候选检测、旋转、分割、识别、格式匹配算法。在每个车牌识别过程中，我们willcoarsely检测图像中的一些LP候选人。每个候选人都会被处理为框架 图1 和格式matchingfinally分类为LP或假阳性，在车牌识别框架，该方法应该确定盘倾斜或不确定如果一个修复程序是必要的。对于分割算法，对characterline数参数的确定应进行连续分离方法。和图像块包含单线LP特点对颜色量化的结果就是取出获得候选字符称为字符组形态学操作。用于识别，相应的模型将对格式中的每个位置。在格式匹配的charactergroup将所有定义的格式测试找到最好的结果。综上所述，LPR会调整自身，styleswill是被公认的定义。

3.2按顺序处理配置的样式

通过定义上述参数= {0，1，2，3}，我们可以将LP样式的变化描述为参数值变化，然后使用这些参数来配置识别流程。可以看出，四个参数的组合可以生产大量的LP样式。给定一个位置的LP候选者，如果仍然不知道真正的风格是什么，我们需要对所有可能的样式进行一次测试。在四种算法中，测试所有可能的参数值将降低该方法的性能。例如，如果在格式匹配过程中首先测试了非格式参数，则正确的格式可能会失去被测试的机会，这将导致错误的结果。直观的方法是处理高概率早期和低概率的参数值。因此，对于参数i，i = 0，...，3，我们可以通过发生概率下降为{1i，2i， ...，Nii}其中Nirepresents的值为i。每个参数值的概率可以通过历史识别结果的统计得到。给定公认的MLP作为基本真值，参数的第j个概率P（ji），图像，候选，检测，充电组合，样式参数，结果由实验确定。

当估计每个参数的概率时，可以通过将每个参数的概率相乘来获得样式的概率。然后，样式按其概率进行排序，并以高概率的

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[612898]，资料为PDF文档或Word文档，PDF文档可免费转换为Word