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——最前瞻的回顾
摘要：
车牌自动识别是指从图像或图像序列中对汽车牌照信息的提取。被提取的信息可以使用或不使用数据库在很多应用中使用，例如电子支付系统（通行费支付、停车费支付），以及交通监控中的高速公路和主干道监测系统。车牌自动识别使用一种颜色，黑色和白色，或红外相机拍摄成像。所获得图像的质量是车牌自动识别成功的关键因素。车牌自动识别作为一项现实生活的应用，必须能够在不同的环境条件下迅速且正确地处理牌照，例如室内，室外，白天或夜晚。它也应当普及推广能够处理来自不同国家，省份或州的车牌。这些车牌通常包含不同的颜色，用不同的语言书写，使用不同的字体；一些车牌可能有单一的颜色背景，而其他的则有背景图像。这些车牌可能被灰尘、光照和汽车上的拖车配件所部分地遮挡住。在本文中，我们展示了车牌自动识别一个最前瞻技术的综述。我们根据它们每一个阶段所使用的特征对不同车牌自动识别技术进行分类，并且比较它们的优点，缺点，识别精度以及处理速度。最后给出了车牌自动识别技术的未来预测。
关键词：
车牌自动识别（ALPR） 数字牌照自动识别（ANPR）
车牌识别（CPR） 光学字符识别（OCR）
- 介绍
车牌自动识别在许多现实生活里的应用中扮演着一个重要的角色，例如通行费自动收取，交通执法，停车场出入口管理，以及道路交通监控。车牌自动识别技术从一个图像或要么黑白单色要么红外相机拍摄的图像中识别交通工具的车牌号码。它是由许多技术——例如对象检测，图像处理和模式识别——相结合实现的。车牌自动识别也被称为车辆自动识别，车牌识别，拍照自动识别和车辆的光学字符识别。车牌类型以及环境的变化给车牌的检测和识别带来了挑战。它们概括如下：
- 牌照变化：
- 位置：牌照位于图像的不同位置；
- 数量：一个图像可能不含牌照或含有多个牌照
- 尺寸：由于照相机的距离和缩放系数，牌照可能有不同的尺寸
- 颜色：由于不同的牌照类型或拍摄装置，牌照可能有不同的颜色和背景颜色
- 字体：不同国家的牌照有可能由不同的字体和语言书写
- 标准版VS特别版：例如，加拿大阿尔伯塔的标准版车牌左边有3个字母，最近（2010年）为4个字母，右边有3个数字，如图1（a）所示。特别版（或定制版）车牌也许有任意数量的字符，没有任何规定，如图1（b）所示；
- 遮挡：牌照可能被灰尘遮挡；
- 倾斜：车牌有可能倾斜；
- 其他：除了字符外，一个拍照也有可能包括框架和螺丝。
图1.（a）标准版阿尔伯特车牌（b）特别版阿尔伯特车牌
- 环境变化：
- 照明：输入的图像可能有不同类型的照明条件，主要是由于环境光照和车辆前灯；
- 背景：图像的背景中有可能包含类似车牌的图形，例如车辆上的标志数字，有垂直团的保险杠，以及带有纹理的地板。
车牌自动识别系统从一个给定的图像中提取车牌号码，过程由四个阶段组成。第一阶段是使用摄像机来获取汽车图像。相机的参数，例如相机的机型，相机的分辨率，快门速度，定位，以及光照，都需要考虑。第二阶段是基于一些特征从图像中对车牌进行提取，例如边界，颜色，或者是字符的存在等，第三阶段是对车牌进行分割，并通过突出字符的颜色信息，标记字符，或者通过模板匹配它们的位置来提取字符。最后一个阶段是通过模板匹配或者使用分类器，例如神经网络和模糊分类器来识别提取的字符。图2展示了车牌自动识别过程的结构。一个车牌自动识别系统的性能依赖于每个单独阶段的坚固性。
图2.车牌自动识别系统的四个阶段
本文的目的是为研究人员提供一个对现有车牌自动识别研究的系统的调查，通过把现有的方法根据它们的特点分类，分析这些特点的优点和缺点，依照识别性能和处理速度对它们进行比较，并且为将来的研究扩展一些问题。
本文的其余部分组织如下。在第二节中，对车牌提取方法进行了详细的分类。第三节展示了字符的分割方法，第四节讨论了字符识别的方法。在每个部分的开头，我们定义了问题及其困难程度，然后用我们的论述对现有的算法进行分类。在第五节中，我们总结了本文并讨论了未来研究的重点。
- 车牌提取
车牌提取阶段影响到一个车牌自动识别系统的精度。此阶段的输入是汽车的图像，输出是图像中包含潜在牌照的一部分。这个牌照有可能存在于图像的任何位置。牌照可以通过它的特征被识别出来，这样系统只需要处理有这些特征的像素。而不是处理图像的每一个像素，这会增加处理时间。这些特征来源于车牌的格式和构成它的字符。车牌颜色也是特点之一，这是由于某些地区（国家、州或省）规定他们的车牌有确定的颜色。车牌边界的矩形形状是另一个用于提取车牌的特征。字符和车牌背景之间的颜色变化被称为纹理，用于从图像中提取车牌区域。字符的存在可以作为识别车牌区域的一个特征。两个或多个特征可以组合起来来识别车牌。
下面，我们对现有的车牌提取方法基于它们使用的特征进行了分类。
A.利用边界/边缘信息进行车牌提取
由于车牌通常具有已知的宽高比的矩形形状，因此可以通过在图像中找到所有可能的矩形来提取车牌。边缘检测方法常被用于寻找这些矩形。参考资料[8]-[11]。
在参考资料[5]、[9]和[12]- [15]中，使用Sobel滤波器检测边缘。由于车牌与车身之间的颜色变化，车牌的边界由图像中的边缘表示。边缘在执行水平边缘检测时，表现为两条水平线，在执行垂直边缘检测时，表现为两条垂直线，并且在同时执行水平与垂直边缘检测室表现出一个完整的矩形。
在参考资料[7]中，通过使用几何属性定位形成矩形的线条来检测车牌的矩形。
候选区域在参考资料[5]、[9]、[12]以及[16]中通过只匹配垂直边缘形成。车牌垂直边缘的重要性被认为是一个强大的提取特征，反之仅仅使用水平边缘会由于汽车保险杠导致错误。参考资料[10]。在参考资料[5]中，匹配垂直边缘以获取一些候选矩形。具有与车牌相同的宽高比的矩形被认为是候选对象。这种方法在各种光照条件下在图像上产生了96.2%的结果。根据参考资料[9]，如果提取到了垂直边缘并且去除了背景边缘，车牌区域可以很容易地从边缘图像中提取出来。1165幅图像的检出率在100%左右。一个384times;288像素图像的总处理时间为47.9毫秒。
在参考资料[17]，一个新的快速的垂直边缘检测算法被提出用于车牌提取。VEDA显示它比Sobel算子快约7到9倍。
文中还提出了基于块的方法。在参考资料[18]中，具有高边缘大小的块被确定为可能的车牌区域。由于块处理不依赖于车牌边界的边缘，所以可以应用于车牌边界不清晰的图像。180对图像的准确率为92.5%。
在参考资料[19]中，提出了一种基于车牌识别的检测摩托车检验状态的策略。实验结果表明，基于路边和监测站测试图像的识别率分别为95.7%和93.9%。。在超便携个人电脑上它用时654毫秒，在个人电脑上用时295毫秒来识别一个车牌。
参考资料[13]描述了使用霍夫变换（HT）的基于边界的提取。它检测图像中的直线以定位车牌。霍夫变换具有探测高达30°倾角的直线的优点。参考资料[20]。然而，霍夫变换是一个需要消耗时间和内存的过程。在参考资料[21]中，提出了一种结合了霍夫变换和轮廓算法的基于边界线的算法。它能够达到98.8%的提取效果。
在参考资料[22]中，广义对称变换（GST）被用于提取车牌。在获取边缘以后，在所选择的方向上扫描图像来检测角。然后广义对称变换被用来检测这些角之间的相似性并形成车牌区域。
基于边缘的方法简单而快速。然而，它们需要边的连续性。参考资料[23]。当与消除不必要边缘的形态学步骤相结合，提取率相对较高。在参考资料[8]中，提出了一种基于边缘统计和形态学的混合方法。9786辆汽车车牌的定位准确率为99.6%。
B.利用全局图像信息进行车牌提取
连接成分分析（CCA）是二值图像处理的一个重要技术。参考资料[4]，[24]-[26]。它扫描一个二值图像，并基于像素的连通性把它的像素标记为组件。
空间测量，例如面积和长宽比，常用于牌照提取。参考资料[27]，[28]。参考资料[28]将连接成分分析应用在低分辨率视频中。通过使用超过四小时的视频实验，正确的检出率和误报率分别为96.62%和1.77%。
在参考资料[29]中，在二值图像上应用轮廓检测算法来检测连接的对象。与牌照具有相同的几何特征的连接对象被选取作为候选对象。这个算法在图像质量比较差的情况下会失败,将会导致轮廓扭曲。
在参考资料[ 30 ]中，二维互相关法被用于寻找车牌。二维互相关法与一个预存的车牌模板在整个图像上执行，来定位最有可能的车牌区域。使用模板的相关性来提取车牌与车牌在图像中的位置无关。然而，二维互相关法是耗时较长的。一个ntimes;n像素图像处理的时间复杂度约为n的四次方。参考资料[14]。
C.利用纹理特征进行车牌提取
这种方法依赖于牌照中字符的存在，其会导致字符颜色和牌照背景颜色之间的灰度级发生明显变化。由于颜色转变，还会导致高边缘密度区域。在参考资料[31] 至参考资料[39]中使用了不同的技术。
在参考资料[31]和参考资料[39]中，使用的是扫描线技术。灰度级的变化导致扫描线中出现多个峰值。这个数字（峰值的数量）等于字符的数量。
在参考资料[40]中，矢量量化技术（VQ）被用于定位图像中的文本。VQ表示法可以给出关于图像区域内容的一些表示，因为更小的块可以展现出更高的对比度和更多的细节。实验结果显示使用不同质量的图像时可以得到98％的检测率和200ms的处理时间。
在参考资料[41]中，提出了滑动同心窗（SCW）法。在这种方法中，牌照被看做是图像纹理中的不规则处。因此，局部特征的突然变化处就是潜在的车牌。在参考资料[42]中，提出了一种基于滑动同心窗原理和直方图的车牌检测方法。
图像转换技术也广泛应用于车牌提取。Gabor滤波器是纹理分析的主要工具之一。参考资料[43]。这种技术具有可以不限方向和比例分析纹理的优势。在参考资料[44]中，当这种技术应用于以固定和具体角度采集的图像时，其检出率为98％。但是，这种方法是耗时较长的。
在参考资料[32]中，通过使用离散傅里叶变换（DFT）来识别空间频率，因为它可以生成在频谱分析中检测到的谐波。DFT以行方式用于检测车牌的水平位置并以列方式用于检测车牌的垂直位置。
在参考资料[36]中，基于小波变换（WT）的方法被用于车牌提取。在小波变换中，有四个次能带。子图像HL描述垂直边缘信息，LH描述水平边缘信息。水平边缘的最大变化通过扫描LH图像确定，并由参考线标识。垂直边缘在这条线的下方水平投影，以根据最大投影来确定位置。在参考资料[45]中，HL次能带用于搜索牌照的特征，然后通过检查LH次能带中是否存在围绕特征的水平线来验证特征。车牌定位的执行时间小于0.2s，并且准确率达到97.33％。
在参考资料[46]至参考资料[48]中，自适应增强（AdaBoost）与Haar-like特征值相结合以获得用于牌照提取的级联分类器。Haar-like特征值通常用于对象检测。使用特征值使分类器不受车牌的亮度，颜色，大小和位置的影响。在参考资料[46]中，级联分类器在第一层中使用称为梯度密度的全局统计量，然后使用Haar-like特征值。在这篇论文中检出率达到93.5％。参考资料[49]中也使用了自适应增强。这个方法检测不同格式，大小和各种照明条件下的图像有99％的检出率。
所有基于纹理的方法都具有在即使车牌边界变形的情况下也可以检测车牌的优点。然而，这些方法在计算上比较复杂，尤其是在边缘较多时，例如在复杂背景或不同光照条件下。
D.利用颜色特征进行车牌提取
由于一些国家对其车牌规定有特定的颜色，因此一些被报道的研究涉及通过在图像中定位车牌颜色来提取车牌。
基本思想是牌照和字符的颜色组合是独特的，并且这种组合几乎只发生在牌照区域。参考资料[50]。根据中国车牌的具体格式，Shi等人在参考资料[50]中提出，输入图像中的所有像素使用色调，亮度和饱和度（HLS）颜色模型分为13个类别。
在参考资料[51]中，将RGB图像转换为HLS后，使用神经网络对每个像素的颜色进行分类。神经网络输出，绿色，红色和白色是韩国的车牌颜色。同样的车牌颜色被垂直和水平投影以确定最高颜色密度的区域，即车牌区域。
在参考资料[52]中，由于牌照中只使用了四种颜色（白色，黑色，红色和绿色），所以颜色边缘检测器仅关注三种边缘（即黑-白，红-白和绿-白边缘）。在实验中采用了在各种场景和不同条件下拍摄的1088张图像。车牌定位率为97.9％。
在参考资料[53]和参考资料[54]中使用了遗传算法（GA）作为识别车牌颜色的搜索算法。在参考资料[54]中，通过照明条件不同的训练图片，一种遗传算法被用于确定牌照颜色的上限和下限。平均亮度与这些阈值之间的关系通过一种特殊函数进行描述。对于任何输入图像，首先确定平均亮度，然后从该函数获得较低和较高的阈值。值在这些阈值之间的任何像素都被标记。如果标记像素的连通区域是与车牌具有相同宽高比的矩形，则该区域被视为车牌区域。
在参考资料[55]中，高斯加权直方图焦点通过匹配其颜色来检测车牌。为了克服影响颜色水平的各种照明条件，使用高斯函数来修改常规HI。描述一组相似颜色贡献的权重被用于匹配一个预定义的颜色。
在参考资料[56]中使用牌照颜色和字符颜色的搭配来生成边缘图像。图像被水平扫描，并且如果找到具有在牌照颜色范围内的值的任何像素，则检查其水平相邻像素的颜色值。如果两个或更多相邻像素处于相同的字符颜色范围
全文共6950字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[10043]，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。
