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

---

一种车牌自动识别系统

《计算机》·2015年8月

影响因子：1.44 DOI：10.1109/ MC.2015.244

3名作者，其中包括：

Tanmoy Som，印度理工学院（贝拿勒斯印度教大学）

Hitesh Rajput and Tanmoy Som, 印度理工学院（贝拿勒斯印度教大学）

Soumitra Kar, Bhabha原子研究中心

摘要：

该系统分为三个阶段的过程，包括图像采集，车牌位板和号码识别——这种自动的车牌识别系统准确识别40种不同型号的车牌并且识别率达到了百分之97.

正文：

近年来，车牌识别（LPR）已成为从交通监控到停车场访问控制，信息管理监控目的的安全与通信应用的核心技术。简单地说，LPR可以帮助识别车辆，为进一步车辆跟踪和活动分析的参考。

LPR的一个关键问题在于它需要应对大量的各种不同牌照，这包括颜色，形状，大小和图案的不同。同时还包括其它障碍比如恶劣的天气条件，照明差，相机的分辨率低，当车牌通过实时照相机捕获时，它们会影响图像质量。移动车辆也能影响相机的光圈速度，造成模糊效果。几个方法已试图对付这些挑战，包括光学字符识别，间接主快傅立叶变换（IFT）速的方法，以及基于形态学的方法（参见侧边栏额外的方法）。但这些只适用于特定的约束的情况下，我们在这里描述的LPR使用的是Daubechies小波变换，来同时克服多种限制的方法。

拟采用方案：

我们提出的LPR框架旨在克服现有方法的局限性。它由三个阶段组成：图像抓拍，车牌定位和号码识别。

图像采集：

在第一阶段，我们需要捕捉车辆的图像，并标准化为400times;300像素的标准尺寸。然后，我们将RGB图像转换成灰度图像：

其中，AGL是原转换灰度图象，AR，AG和AB分别是彩色图像的RGB颜色分量。图1a示出了原始图像，AR，AG和AB。

图1a：图像捕捉和车牌定位：（a）原图中按顺时针方向从左上角开始，分别为AR、AG和AB和（b）单级离散二维小波AB变换。这四个频段分别代表低，水平，垂直和对角线频率能量。

车牌定位：

我们把AB选定作为我们车牌定位研究的对象，并进行了小波组成来计算近似和详细的系数矩阵。图1b分别表示出了表示低，水平，垂直，和对角线四个频带的频率能量。水平和垂直频率的能量可以定位车牌因为这一区域具有高的频率，因此找到在板的垂直位置，我们绘制象素强度的能量曲线的垂直频带的每一行。同样地，发现在板的水平位置，我们绘制象素强度的能量曲线为水平频带的每个列。图2a表示出了这个曲线。

图二：竖向（定义为每行垂直位置的像素强度）和横向（定义为对于水平位置的每一列像素密度）频率能量曲线：（a）原始前的（b）平滑处理后的。垂直频率曲线的高能量的代表号牌。其中x轴表示像素数，y轴表示像素强度。

以高斯函数的输入信号的改进型高斯滤波器。方程2给出了一维脉冲响应：

方程3给出了相应的频率响应：

其中f是普通频率。这些方程也可以标准偏差作为参数来表示：

方程5给出了响应的频率响应：

高斯滤波有许多优点：它是旋转对称的;滤波器权重从中央峰单调减少，给予最重到中央像素;有的sigma;的大小与平滑之间的简单和直观的关系;而高斯滤波是可分的。这后一点提供了额外的优势：作为可分离意味着高斯滤波先用一维水平过滤器，然后卷积卷积图像

结果用1D垂直滤波器。对于第k＆times; K高斯滤波器，2D卷积需要每像素K2的操作，但通过使用可分离的过滤器，我们减少这种每像素2k的操作。图2b示出了在两个能量曲线施加高斯滤波器的结果。垂直频率曲线的高能量代表了号牌，因为正如我们前面提到的，我们找到了附近的板更高的频率。

为了计算高能量频带，我们计算的阈值上的垂直和水平频率能量曲线运行。我们采取的最大垂直能量和横动半从左至右和右垂直频率曲线向左计算y坐标。的y坐标是比所述阈值大表示该板的竖直位置。图3示出了一个例子。

为了精确测量的水平位置，而不是仅仅在水平频率能量曲线上的图2进行操作，我们在图3中的图像上执行相同的操作。如果我们从左至右这个图像上遍历，我们清楚地观察到频率号牌附近最高的，所以要找到水平位置，我们重复我们做垂直找到它的进程。图4显示了结果。请注意，我们并不需要一半的最大y坐标在这里计算阈值，因为相对于其他位置的频率是多少板附近非常高。相反，我们取0.9倍的最大值来计算阈值，并从左至右和右遍历至左计算x坐标。图5a示出的结果。一些调整可能需要计算阈值的水平和垂直位置。

图三：车牌定位。这是取一半半最大垂直和水平频率能量的曲线的结果，并从左侧和右侧遍历后垂直方向上的车牌定位结果图。

图四：图2的水平频率能量的能量和平滑处理后曲线。尖峰表示位置接近号牌。x轴表示示的像素数，y轴显示像素强度。

图五：车牌的定位：（a）灰色和（b）和黑色和白色图像。应用

阈值的灰度图像转换成黑白准确的字符/数字识别。

数字识别：

为了识别和确定车牌号码，我们把提取的灰色车牌如图5a到图5b的黑色和白色图像。我们通过像素强度设置为255和0，这里象素强度分别是大于或等于且小于128，开始。下一步是字符分割。我们知道，数字书写线明智的平板在印度通常有两条线，所以将它们分开，我们绘制垂直频率的能量曲线图6a。开始和以0结束的波浪线的数目表示在车牌的行数。图6b和6c示出了结果。

为了执行字符分割，我们画出了能量曲线，列方式，如图6D。这条曲线的平滑不需要，因为我们转换的灰度图像为黑色和白色。在该曲线开始朝向x轴落在点之间的区域表示一个字符。图7示出了分段的字符。我们已经采取了1个像素的余量上的字符的两侧。

在分割过程后，我们需要正常化的字符它们提炼成含有任何边界没有多余的空格（像素）的块。以匹配与数据库中的字符，分割字符的输入图像必须均衡到的数据库字符38times;20块。下一步骤是模板匹配，这是一种有效的算法为字符识别。模板匹配在数据库中的那些被分割的字符进行比较，以获得最佳匹配。我们使用统计基于相关的方法来测量未知和已知的图像之间的相关系数，与表示最佳匹配的最高相关。我们在一个38times;20块使用36个字符（26个字母和10个数字）的数据库。期间由于相似之处如O和0。为了减少这种误差的识别阶段，可能会发生一些错误，确定O和0之间的差值涉及每个字符的一些特殊的性能，如字符的水平到垂直长度的纵横比。

图六：号码识别：（a）垂直射频能量曲线; （b）及（c）行分离; （d）图6 B的能量曲线。

图七：车牌号的字符分割结果。在该曲线开始朝向x轴落在点之间的区域表示一个字符。

实验结果：

为了衡量我们的方法的准确性，我们在不同的照明条件和距离上进行不同形状，大小和板的颜色汽车的40种不同型号的实验。输入彩色图象是400times;300像素，我们采取了250个车牌图像。表1总结了结果。我们的技术取得了值得称道的结果：板的定位达到了97.33％的准确率，字符分割达到了95.93％，而字符识别达到了95.6个百分点。表2比较板定位，字符分割，使用现有的方法的字符识别，以及我们的方法，该方法给出了较高的精度的精度。这些结果表明，我们所提出的技术在实际应用中的有效性。

我们的方法是基于单级小波变换，并且我们已经证明它是在不同的条件下有效的，因此，对于实际应用是有用的。在今后的工作中，我们将试图以制定倾斜和扭曲车牌的技术。

致谢：

特别感谢，巴巴原子研究中心电子与仪器仪表服务部的负责人为这项研究提供了必要的设施。

参考文献：

1. C.N.E. Anagnostopoulos et al., “A

License Plate-Recognition Algorithm

for Intelligent Transportation System

Applications,” IEEE Trans. Intelligent

Transportation Systems, vol. 7, no. 3,

2006, pp. 377–392.

2. V. Kamat and S. Ganesan, “An Efficient

Implementation of the Hough

Transform for Detecting Vehicle

License Plates Using DSPrsquo;s, Cellular

Neural Networks and Their Applications,”

Proc. IEEE Intrsquo;l Carnahan Conf.,

1997, pp. 209–218.

3. C.A. Rahman, W. Badawy, and A.

Radmanesh, “A Real-Time Vehiclersquo;s

License Plate Recognition System,”

Proc. IEEE Conf. Advanced Video and

Signal Based Surveillance (IVSS 03),

2003, pp. 163–166.

* Y.-C. Chiou et al., “Optimal Locations of License Plate Recognition to Enhance the Origin-Destination Matrix Estimation,”

Proc. Eastern Asia Soc. Transportation Studies, vol. 8, 2011, pp. 1–14.

dagger; M.-L. Wang et al., “A Vehicle License Plate Recognition System Based on Spatial/Frequency Domain Filtering and Neural

Networks,” Proc. 2nd Intrsquo;l Conf. Computational Collective Intelligence: Technologies and Applications (ICCI 10), LNCS

6423, Springer, 2010, pp. 63–70.

Dagger; K. Deb, H.-U. Chae, and K.-H. Jo, “Vehicle License Plate Detection Method Based on Sliding Concentric Windows and

Histogram,” J. Computing, vol. 4, no. 8, 2009, pp. 771–777.

sect; D.-J. Kang, “Dynamic Programming-Based Method for Extraction of License Plate Numbers of Speeding Vehicle on

the Highway,” Intrsquo;l J. Automotive Tech., vol. 10, no. 2, 2009, pp. 205–210.

作者介绍：

HITESH RAJPUT获得的印度理工学院科技（贝拿勒斯印度教大学），瓦拉纳西图像处理的博士学位。她的研究方向包括：软件设计，图像处理和控制系统。他的邮箱hrajput.rs.apm@iitbhu.ac.in.

TANMOY SOM是瓦拉纳西的印度理工学院的数学系教授。他的研究方向包括：功能分析，优化理论，数学建模，模糊集理论，软集合论和模式识别。他在从贝拿勒斯印度教大学获得数学系博士学位。邮箱：tsom.apm@iitbhu.ac.in

SOUMITRA KAR是Bhabha原子研究中图像处理和机器视觉部分的科学家负责人

，他是印度孟买人。他的研究方向包括：图像处理，机器视觉和生物识别技术。他在印度技术研究所（印度孟买）获得了图像处理博士学位。 联系方式：skar@barc.gov.in。

车牌识别其他相关工作

在大多数情况下，车牌定位是车牌识别（LPR）必要的前提。我们可以使用归类的方法找到车牌在图像或者视频中的位置转化为文本信息，把他们分为三类：二进制图象，灰度级和颜色信息。字符分割是文字识别的一个重要前提

，我们同样可以把信息分解成相同的三个类别。 为了去识别分割后的字符，通常采用这种算法使用模式/模板匹配或学习为基础的分类识别方法。

二值图像处理：lt;

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[146927]，资料为PDF文档或Word文档，PDF文档可免费转换为Word