一种分层的车牌定位算法
收到日期：2016年 4月14日/订正日期：2016年11月25日/
接受日期：2017 1月20日/在线发布：2017年2月13日
#2017年纽约媒体斯普林格科学和商业
摘要
交通车辆图像受到各种不良因素的影响，难以定位车牌。各种车牌定位(LPL)方法在不同情况下提取图像中的车牌有其各自的优缺点。为了获得不同方法的优点，我们提出了一种基于级联分类器和局部二值模式(LBP)特征的方法，其中包括基于边缘的方法、基于颜色的方法和基于对比度的方法。考虑到计算的复杂性，这些方法是根据其成功的机会来排序的。在不同的条件下：白天、夜晚和黄昏，实验确定了方法的顺序和参数。此外，为了快速地找到板块，提出了一种改进感兴趣区域(ROIS)和去除不需要的区域的算法。该算法应用于实际的车牌识别/识别自动化运输系统中，并以4000幅带有中央屏障的三车道双线车道图像为例，在不同的光照条件下，用6台摄像机进行了测试。该结果在大型运动汽车图像数据库中具有广阔的应用前景。在3938幅输入图像中，车牌提取正确率为98.45%。仿真结果表明，该系统对于户外和不同光照条件下的汽车运动具有较好的鲁棒性。
关键词：车牌定位、级联分类器、分层算法、纹理特征、完整图象
1介绍
使用图像处理和模式识别技术的车牌定位（LPL）是自动化交通系统（ATS）的关键组成部分[3,11,12]。从根本上说，车牌识别系统由四个不同的模块组成，包括：带车的车架，车牌区域定位，字符分割和字符识别。在第二步中，感兴趣区域（ROI）的位置通过分割过程来实现。板位置结果被传送到识别模块，该模块使用光学字符识别（OCR）方法读取板字符[3,11]。
大多数LPL方法考虑车牌候选区域（LP）的特征。在这种情况下，LPL方法利用了三种类型的特征，包括基于边缘的特征，基于颜色的特征以及基于纹理的特征[17]。不用说，这些功能会产生不同的结果，并具有不同的弱点和优势。
结合边缘信息和数学形态学的方法已被频繁地用于解决LPL问题[5,15,20,24]。这些方法背后的想法是，LP的区域发生的亮度变化大于其他区域。在这些方法中，具有密集边缘（高梯度幅度）的区域被认为是ROI，因此，在这些方法中计算梯度的大小。这种方法是可靠的，并且由于低计算成本和高效率而受益。但是他们有一些弱点来检测模糊和灰尘的LP并且对不需要的边缘敏感。
基于颜色的方法基于一个国家的LP中的几种预定义的颜色[4,8]。在这些方法中，ROI是通过在帧中找到一些特殊的颜色模式来确定的。这些方法的主要缺点是当照明改变时颜色信息不稳定。在第三种方法中，纹理特征被有效地应用于检测LP，例如， Gabor特征，小波特征[28]和Haar特征[29,33]。在某些情况下，纹理特征的计算复杂性可能会导致对这些方法的使用进行限制。在这些功能中，Haar-like功能可以快速提取。
除了这些特征之外，在某些情况下，采用分类器来学习LP的特征。一些例子是支持向量机（SVM）[18]，人工神经网络（ANN）[19]和级联分类器[29,33]。特别是级联分类器和Haar类特征的组合可以产生说服效率[29,33]。虽然级联分类器很难训练，但反应速度很快。此外，他们有能力减少雇用功能的数量。
照明不均匀，阴影效应，噪声影响，脏盘子，相机角度以及相机与平板之间的距离较长等因素都会影响LPL方法的性能。各种降解因素的影响在各种方法上都不相同。在目前的研究中，不同的方法试图在沙漠城市的三车道双车道拍摄的汽车图像中提取车牌。显然，这些图像受到一连串磨难的极大影响。其中一个关键问题是覆盖板表面的薄层灰尘。另一个问题是车辆和摄像头之间的距离太远。高速公路的每条线都被一台摄像机覆盖。如果摄像机放大，道路的某些部分将会丢失。为了获得快速和精确的结果，需要进行严格的努力来设计实用的LPL算法。
由于这些困难，单一方法无法在所有图像中找到印版。在这个实验研究中，显示这些板中的大部分是通过至少一种方法来定位的。在这种情况下，为了获得不同方法的好处并获得可接受的结果，提出了分层LPL算法。所提出的算法使用四个有效的LPL方法包括：基于Viola-Jones级联分类器和局部二值模式（LBP）特征的方法，基于边缘的方法，基于颜色的方法和基于对比度的方法。此外，产生了快速ROI提取方法。在所有情况下，这些方法都可以产生快速的结果。
这项工作的贡献是：a）四种LPL方法专门用于解决我们的数据库，并产生分层算法，b）提出累积图像以消除不需要的细节。这种方法有助于产生更多可信的ROI，并通过消除二值图像来提高ROI提取的速度和准确性。c）在#39;Viola-Jones#39;方法中使用的积分图像的思想被采用来产生累积图像高速。
本文的结构表达如下。以下部分将对LPL方法进行简要回顾。所提出的分层LPL方法在第3节中有全面的描述。在第4节中介绍了4000张实际图像的实验结果，最后，第5节将介绍研究工作的结论。
2文献综述
本部分的主要目的是简要回顾与车牌区域提取有关的已发表作品，而不论应用领域如何。 LPL技术通过提取牌照的特征从背景中检测多个候选区域。主要使用的特征是边缘特征，纹理特征，颜色特征以及这些特征的组合。为了提取平板，大多数方法使用几个阈值来确定区域是否具有特定特征作为平板区域。但是，有些方法应用训练好的分类器来学习板特征[29,33]。这里，已发表的调查通过分类来描述。
2.1 LPL的统计数据
LPL的常用方法之一是将边缘密集的区域检测为LP。在[17]中，具有稠密垂直边缘的区域被分割为平板候选区域。在[24]中，通过水平投影和Sobel滤波器进行板定位。使用形态学扩张操作来连接板边缘。
在[1]中，通过对垂直边缘密度建模，设计了一个匹配滤波器来检测LP候选。它使用基于强度变化和边缘密度的两种图像增强方法来改善板状区域的对比度。在[26]中，LPL使用了一种创新的拉普拉斯变换矩阵。参考。 [5]使用边缘提供有关位置的重要信息。使用基于细胞神经网络的边缘实时计算边缘检测来最小化边缘识别阶段的数据量。
参考[9]通过查找垂直和水平边缘提取LP。在[20]中，应用Sobel算子和形态滤波分别提取垂直边缘和候选区域。
2.2 LPL的纹理特征
到目前为止，LPL使用了不同的纹理特征，如Gabor，小波和Haar like特征。作者在文献[6]中引入了Gabor滤波器和连通分量标注算法来获得车牌区域。
在离散小波变换的基础上提出了文[28]中的LPL方法。在HL子带中搜索LP的特征，然后检查在LH子带中是否在该区域周围存在水平线。在[31]中，通过高斯滤波和直方图均衡预处理后，通过小波变换和EMD分析来检测平板位置。
2.3 LPL的颜色特征
一些方法使用一个国家的LP的颜色特征来检测LP。在[8]中，通过HIS / HSV颜色空间中的颜色分割来检测候选LP。参考文献[4]使用出现在伊朗牌照侧面的蓝色矩形来寻找候选板块区域。
2.4组合LPL的边缘统计信息，纹理和颜色特征
一些研究人员结合了多种功能来查找LP。在[18]中，开发了一种基于色彩纹理的图像平板检测方法。训练支持向量机（SVM）以学习LP的颜色 - 纹理特性。 [15]中的作者使用饱和度图，强度图和边缘图来定位图像中的LP。
2.5 LPL的形态学算法
形态学算法实际上可以成功找到LP。在[23]中，底帽过滤用于增强潜在的板区域。 Otsu的阈值技术被用于二值化图像。二值图像的片段被标记用于板区域定位。参考。 [10]使用伪形态闭合操作基于轮廓图像和车牌转换规则提取LP。
2.6 LPL中的基于学习的方法
一些提出的方法利用基于机器学习的分类器来检测LP的优点。参考。 [34]提出了一种基于矢量量化（VQ）的方法来处理车辆图像。他们应用VQ来表示样本的概率分布。
参考[19]将人工神经网络（ANN）与支持向量机结合使用，根据局部色彩纹理图案将图像中的每个像素分类为平板或背景。他们采用了基于CAMShift的对象分割过程来自动选择感兴趣区域（ROI）。
[16]中的作者使用不同的阈值从灰度图像中获得了几个二值图像。然后，几何特征有助于将平板定位为第一种方法。在第二种方法中，将几何特征建模为随机变量，并使用贝叶斯规则更新后验分布。最终，当第二种方法无法提取板时，使用基于局部阈值和概率方法组合的方法。
参考[33]介绍了一种应用全局边缘特征，局部Haar-like特征和六层级联分类器来提取LP的方法。在分类器中，前两层是ar基于全局特征，最后四个层次基于局部Haar特征。参考。 [30]使用由增强级联AdaBoost分类器，颜色检查模块和SVM检测器组成的多级信息融合来检测LP。参考。 [29]使用级联AdaBoost分类器和Haar-like特征来检测LP。
2.7其他方法
当然，还有其他方法试图提取LP。例如，[2]提出了一种称为滑动同心窗（SCW）的分割技术，用于检测ROI。在[7]中，LP使用由Hough变换检测到的垂直和水平线的显着特征来定位。参考。 [14]使用最大稳定极值区域（MSER）检测器提取候选字符区域。 [32]中的作者采用尺度不变特征变换（SIFT），描述局部特征来检测车牌位置。参考。 [25]采用自适应阈值方法将图像转换为二进制。遗传算法（GA）被用来检测牌照符号的位置。
2.8总结
回顾文献表明，基于纹理和边缘的方法被广泛用于找到候选板区域。这些方法基于以下事实：整个板区域包含丰富的边缘和纹理信息。边缘特征通常简单且快速提取，但在模糊和低对比度图像中失败。另一方面，纹理特征提取起来很复杂。在某些情况下，通过在特征中应用实验阈值来检测ROI。另一种方法是利用分类器来学习板块区域的特征。每种方法都有其自身的优点和缺点。另一方面，交通汽车图像受到各种恶化因素的严重影响。为了获得不同方法的好处，建议使用几种方法的组合。
3 LPL提出的分层方法
在本文中，使用分层LPL方法来检测包含汽车的输入框架中的牌照的位置。该方法专门针对伊朗沙漠城市中的一条高速公路。这些高速公路安置在城外。摄像机安装在塔顶。为了覆盖道路的两侧，摄像机被缩小并从远距离拍摄低分辨率图片。这些高速公路中的ATS受到太阳仰角和尘土飞扬的风影响。另一个因素是在夜间生产灯光并不是一个方便的问题，投影仪用于制造道路照明。因此，我们晚上的图像质量很低。此外，在黄昏时期，我们没有太阳光，也没有投影仪点亮，照明是板块定位最差的。
四种LPL方法被设计并专门用于解决图像。实验表明，它们中没有一个的性能是可以接受的。每种方法仅在某些情况下才产生可接受的结果为了达到可接受的精度，考虑尝试多种方法的分层算法。所提出的算法
图1提出的分层LPL方法的流程图
接收包含汽车的图像时，自动确定光照情况。使用图像亮度的某些阈值，将光照情况分为白天，夜晚和暮光群体。
之后，几个LPL方法被一个接一个地尝试。首先，用第一种LPL方法，搜索图像以找到板的候选盒。候选盒被传送到OCR块。如果OCR进程能够胜利地读取其中的一个，算法将停止。如果不是，则尝试下一个LPL方法。重复该过程直到找到板盒或直到没有其他LPL方法被采用为止。
分层方法的主要思想是每种方法在某些情况下均衡并且不适用于所有情况。在目前的研究中，设计并检验了四种LPL方法。从实验中发现，有一种方法在所有情况下都不能很好地工作，但大多数图像实际上被其中一种方法识别。因此，为了获得有说服力的结果，在分层算法中尝试了一些方法。考虑到计算时间，这些方法根据其成功机会进行排序，这是通过实验发现的。
这里使用了四种不同的LPL方法：
＆Method-A使用级联分类器和LBP特征作为纹理特征，
方法-B使用板的梯度特征，
＆Method-C使用板的颜色特征，
＆方法-D使用板的高对比度特征。
方法B，C和D之后是一个过程来细化二进制图像。在后面描述了每种方法。
3.1方法-A：使用级联分类器和LBP特征的LPL
级联分类器对物体检测快速有效。这种方法的繁荣应用之一是人脸检测[27]。这种方法也被应用于LPL [29,33]。级联分类器是多阶段分类器，它们在简单分类器的不同阶段使用不同组的特征。在这些分类器中，功能逐个应用。如果一个例子在第一阶段失败了，它将被拒绝，剩下的功能将不被考虑。如果它通过第一阶段，则应用第二组功能并继续该过程。通过所有阶段的例子被认为是一个积极的例子。
级联分类器包括两个主要阶段：培训和检测。对于训练，需要两组样本：阴性样本对应于非对象图像，阳性样本对应于对象图像。在检测阶段，训练好的分类器用于在图像中搜索图像中不同位置的对象。为了检测多个尺寸的车牌，使用多个尺度进行检测。
哈尔[22,27,29,33]和LBP [21]特征都可用于此目的。与哈尔功能相比，LBP功能是整数。因此，基于LBP特征的训练和检测阶段比Haar特征要快几倍。在这里，级联分类器被训练为具有大量板图像作为正样本和非平板图像作为负样本。所有图像都转换成灰度。 LBP功能用于培训。
3.2方法-B：使用梯度信息的LPL
这种方法适用于大多数伊朗地区中黑色字符和白色背景之间的高梯度属性的想法（反之亦然）。在当前的研究中，图像被转换为灰度，并且在其上应用高斯低通滤波器。垂直Sobel滤波器用于计算梯度。然后，通过使用Thg阈值将阈值应用于梯度图像来构建二
全文共17465字，剩余内容已隐藏，支付完成后下载完整资料
一种分层的车牌定位算法
收到日期：2016年 4月14日/订正日期：2016年11月25日/
接受日期：2017 1月20日/在线发布：2017年2月13日
#2017年纽约媒体斯普林格科学和商业
摘要
交通车辆图像受到各种不良因素的影响，难以定位车牌。各种车牌定位(LPL)方法在不同情况下提取图像中的车牌有其各自的优缺点。为了获得不同方法的优点，我们提出了一种基于级联分类器和局部二值模式(LBP)特征的方法，其中包括基于边缘的方法、基于颜色的方法和基于对比度的方法。考虑到计算的复杂性，这些方法是根据其成功的机会来排序的。在不同的条件下：白天、夜晚和黄昏，实验确定了方法的顺序和参数。此外，为了快速地找到板块，提出了一种改进感兴趣区域(ROIS)和去除不需要的区域的算法。该算法应用于实际的车牌识别/识别自动化运输系统中，并以4000幅带有中央屏障的三车道双线车道图像为例，在不同的光照条件下，用6台摄像机进行了测试。该结果在大型运动汽车图像数据库中具有广阔的应用前景。在3938幅输入图像中，车牌提取正确率为98.45%。仿真结果表明，该系统对于户外和不同光照条件下的汽车运动具有较好的鲁棒性。
关键词：车牌定位、级联分类器、分层算法、纹理特征、完整图象
1介绍
使用图像处理和模式识别技术的车牌定位（LPL）是自动化交通系统（ATS）的关键组成部分[3,11,12]。从根本上说，车牌识别系统由四个不同的模块组成，包括：带车的车架，车牌区域定位，字符分割和字符识别。在第二步中，感兴趣区域（ROI）的位置通过分割过程来实现。板位置结果被传送到识别模块，该模块使用光学字符识别（OCR）方法读取板字符[3,11]。
大多数LPL方法考虑车牌候选区域（LP）的特征。在这种情况下，LPL方法利用了三种类型的特征，包括基于边缘的特征，基于颜色的特征以及基于纹理的特征[17]。不用说，这些功能会产生不同的结果，并具有不同的弱点和优势。
结合边缘信息和数学形态学的方法已被频繁地用于解决LPL问题[5,15,20,24]。这些方法背后的想法是，LP的区域发生的亮度变化大于其他区域。在这些方法中，具有密集边缘（高梯度幅度）的区域被认为是ROI，因此，在这些方法中计算梯度的大小。这种方法是可靠的，并且由于低计算成本和高效率而受益。但是他们有一些弱点来检测模糊和灰尘的LP并且对不需要的边缘敏感。
基于颜色的方法基于一个国家的LP中的几种预定义的颜色[4,8]。在这些方法中，ROI是通过在帧中找到一些特殊的颜色模式来确定的。这些方法的主要缺点是当照明改变时颜色信息不稳定。在第三种方法中，纹理特征被有效地应用于检测LP，例如， Gabor特征，小波特征[28]和Haar特征[29,33]。在某些情况下，纹理特征的计算复杂性可能会导致对这些方法的使用进行限制。在这些功能中，Haar-like功能可以快速提取。
除了这些特征之外，在某些情况下，采用分类器来学习LP的特征。一些例子是支持向量机（SVM）[18]，人工神经网络（ANN）[19]和级联分类器[29,33]。特别是级联分类器和Haar类特征的组合可以产生说服效率[29,33]。虽然级联分类器很难训练，但反应速度很快。此外，他们有能力减少雇用功能的数量。
照明不均匀，阴影效应，噪声影响，脏盘子，相机角度以及相机与平板之间的距离较长等因素都会影响LPL方法的性能。各种降解因素的影响在各种方法上都不相同。在目前的研究中，不同的方法试图在沙漠城市的三车道双车道拍摄的汽车图像中提取车牌。显然，这些图像受到一连串磨难的极大影响。其中一个关键问题是覆盖板表面的薄层灰尘。另一个问题是车辆和摄像头之间的距离太远。高速公路的每条线都被一台摄像机覆盖。如果摄像机放大，道路的某些部分将会丢失。为了获得快速和精确的结果，需要进行严格的努力来设计实用的LPL算法。
由于这些困难，单一方法无法在所有图像中找到印版。在这个实验研究中，显示这些板中的大部分是通过至少一种方法来定位的。在这种情况下，为了获得不同方法的好处并获得可接受的结果，提出了分层LPL算法。所提出的算法使用四个有效的LPL方法包括：基于Viola-Jones级联分类器和局部二值模式（LBP）特征的方法，基于边缘的方法，基于颜色的方法和基于对比度的方法。此外，产生了快速ROI提取方法。在所有情况下，这些方法都可以产生快速的结果。
这项工作的贡献是：a）四种LPL方法专门用于解决我们的数据库，并产生分层算法，b）提出累积图像以消除不需要的细节。这种方法有助于产生更多可信的ROI，并通过消除二值图像来提高ROI提取的速度和准确性。c）在#39;Viola-Jones#39;方法中使用的积分图像的思想被采用来产生累积图像高速。
本文的结构表达如下。以下部分将对LPL方法进行简要回顾。所提出的分层LPL方法在第3节中有全面的描述。在第4节中介绍了4000张实际图像的实验结果，最后，第5节将介绍研究工作的结论。
2文献综述
本部分的主要目的是简要回顾与车牌区域提取有关的已发表作品，而不论应用领域如何。 LPL技术通过提取牌照的特征从背景中检测多个候选区域。主要使用的特征是边缘特征，纹理特征，颜色特征以及这些特征的组合。为了提取平板，大多数方法使用几个阈值来确定区域是否具有特定特征作为平板区域。但是，有些方法应用训练好的分类器来学习板特征[29,33]。这里，已发表的调查通过分类来描述。
2.1 LPL的统计数据
LPL的常用方法之一是将边缘密集的区域检测为LP。在[17]中，具有稠密垂直边缘的区域被分割为平板候选区域。在[24]中，通过水平投影和Sobel滤波器进行板定位。使用形态学扩张操作来连接板边缘。
在[1]中，通过对垂直边缘密度建模，设计了一个匹配滤波器来检测LP候选。它使用基于强度变化和边缘密度的两种图像增强方法来改善板状区域的对比度。在[26]中，LPL使用了一种创新的拉普拉斯变换矩阵。参考。 [5]使用边缘提供有关位置的重要信息。使用基于细胞神经网络的边缘实时计算边缘检测来最小化边缘识别阶段的数据量。
参考[9]通过查找垂直和水平边缘提取LP。在[20]中，应用Sobel算子和形态滤波分别提取垂直边缘和候选区域。
2.2 LPL的纹理特征
到目前为止，LPL使用了不同的纹理特征，如Gabor，小波和Haar like特征。作者在文献[6]中引入了Gabor滤波器和连通分量标注算法来获得车牌区域。
在离散小波变换的基础上提出了文[28]中的LPL方法。在HL子带中搜索LP的特征，然后检查在LH子带中是否在该区域周围存在水平线。在[31]中，通过高斯滤波和直方图均衡预处理后，通过小波变换和EMD分析来检测平板位置。
2.3 LPL的颜色特征
一些方法使用一个国家的LP的颜色特征来检测LP。在[8]中，通过HIS / HSV颜色空间中的颜色分割来检测候选LP。参考文献[4]使用出现在伊朗牌照侧面的蓝色矩形来寻找候选板块区域。
2.4组合LPL的边缘统计信息，纹理和颜色特征
一些研究人员结合了多种功能来查找LP。在[18]中，开发了一种基于色彩纹理的图像平板检测方法。训练支持向量机（SVM）以学习LP的颜色 - 纹理特性。 [15]中的作者使用饱和度图，强度图和边缘图来定位图像中的LP。
2.5 LPL的形态学算法
形态学算法实际上可以成功找到LP。在[23]中，底帽过滤用于增强潜在的板区域。 Otsu的阈值技术被用于二值化图像。二值图像的片段被标记用于板区域定位。参考。 [10]使用伪形态闭合操作基于轮廓图像和车牌转换规则提取LP。
2.6 LPL中的基于学习的方法
一些提出的方法利用基于机器学习的分类器来检测LP的优点。参考。 [34]提出了一种基于矢量量化（VQ）的方法来处理车辆图像。他们应用VQ来表示样本的概率分布。
参考[19]将人工神经网络（ANN）与支持向量机结合使用，根据局部色彩纹理图案将图像中的每个像素分类为平板或背景。他们采用了基于CAMShift的对象分割过程来自动选择感兴趣区域（ROI）。
[16]中的作者使用不同的阈值从灰度图像中获得了几个二值图像。然后，几何特征有助于将平板定位为第一种方法。在第二种方法中，将几何特征建模为随机变量，并使用贝叶斯规则更新后验分布。最终，当第二种方法无法提取板时，使用基于局部阈值和概率方法组合的方法。
参考[33]介绍了一种应用全局边缘特征，局部Haar-like特征和六层级联分类器来提取LP的方法。在分类器中，前两层是ar基于全局特征，最后四个层次基于局部Haar特征。参考。 [30]使用由增强级联AdaBoost分类器，颜色检查模块和SVM检测器组成的多级信息融合来检测LP。参考。 [29]使用级联AdaBoost分类器和Haar-like特征来检测LP。
2.7其他方法
当然，还有其他方法试图提取LP。例如，[2]提出了一种称为滑动同心窗（SCW）的分割技术，用于检测ROI。在[7]中，LP使用由Hough变换检测到的垂直和水平线的显着特征来定位。参考。 [14]使用最大稳定极值区域（MSER）检测器提取候选字符区域。 [32]中的作者采用尺度不变特征变换（SIFT），描述局部特征来检测车牌位置。参考。 [25]采用自适应阈值方法将图像转换为二进制。遗传算法（GA）被用来检测牌照符号的位置。
2.8总结
回顾文献表明，基于纹理和边缘的方法被广泛用于找到候选板区域。这些方法基于以下事实：整个板区域包含丰富的边缘和纹理信息。边缘特征通常简单且快速提取，但在模糊和低对比度图像中失败。另一方面，纹理特征提取起来很复杂。在某些情况下，通过在特征中应用实验阈值来检测ROI。另一种方法是利用分类器来学习板块区域的特征。每种方法都有其自身的优点和缺点。另一方面，交通汽车图像受到各种恶化因素的严重影响。为了获得不同方法的好处，建议使用几种方法的组合。
3 LPL提出的分层方法
在本文中，使用分层LPL方法来检测包含汽车的输入框架中的牌照的位置。该方法专门针对伊朗沙漠城市中的一条高速公路。这些高速公路安置在城外。摄像机安装在塔顶。为了覆盖道路的两侧，摄像机被缩小并从远距离拍摄低分辨率图片。这些高速公路中的ATS受到太阳仰角和尘土飞扬的风影响。另一个因素是在夜间生产灯光并不是一个方便的问题，投影仪用于制造道路照明。因此，我们晚上的图像质量很低。此外，在黄昏时期，我们没有太阳光，也没有投影仪点亮，照明是板块定位最差的。
四种LPL方法被设计并专门用于解决图像。实验表明，它们中没有一个的性能是可以接受的。每种方法仅在某些情况下才产生可接受的结果为了达到可接受的精度，考虑尝试多种方法的分层算法。所提出的算法
图1提出的分层LPL方法的流程图
接收包含汽车的图像时，自动确定光照情况。使用图像亮度的某些阈值，将光照情况分为白天，夜晚和暮光群体。
之后，几个LPL方法被一个接一个地尝试。首先，用第一种LPL方法，搜索图像以找到板的候选盒。候选盒被传送到OCR块。如果OCR进程能够胜利地读取其中的一个，算法将停止。如果不是，则尝试下一个LPL方法。重复该过程直到找到板盒或直到没有其他LPL方法被采用为止。
分层方法的主要思想是每种方法在某些情况下均衡并且不适用于所有情况。在目前的研究中，设计并检验了四种LPL方法。从实验中发现，有一种方法在所有情况下都不能很好地工作，但大多数图像实际上被其中一种方法识别。因此，为了获得有说服力的结果，在分层算法中尝试了一些方法。考虑到计算时间，这些方法根据其成功机会进行排序，这是通过实验发现的。
这里使用了四种不同的LPL方法：
＆Method-A使用级联分类器和LBP特征作为纹理特征，
方法-B使用板的梯度特征，
＆Method-C使用板的颜色特征，
＆方法-D使用板的高对比度特征。
方法B，C和D之后是一个过程来细化二进制图像。在后面描述了每种方法。
3.1方法-A：使用级联分类器和LBP特征的LPL
级联分类器对物体检测快速有效。这种方法的繁荣应用之一是人脸检测[27]。这种方法也被应用于LPL [29,33]。级联分类器是多阶段分类器，它们在简单分类器的不同阶段使用不同组的特征。在这些分类器中，功能逐个应用。如果一个例子在第一阶段失败了，它将被拒绝，剩下的功能将不被考虑。如果它通过第一阶段，则应用第二组功能并继续该过程。通过所有阶段的例子被认为是一个积极的例子。
级联分类器包括两个主要阶段：培训和检测。对于训练，需要两组样本：阴性样本对应于非对象图像，阳性样本对应于对象图像。在检测阶段，训练好的分类器用于在图像中搜索图像中不同位置的对象。为了检测多个尺寸的车牌，使用多个尺度进行检测。
哈尔[22,27,29,33]和LBP [21]特征都可用于此目的。与哈尔功能相比，LBP功能是整数。因此，基于LBP特征的训练和检测阶段比Haar特征要快几倍。在这里，级联分类器被训练为具有大量板图像作为正样本和非平板图像作为负样本。所有图像都转换成灰度。 LBP功能用于培训。
3.2方法-B：使用梯度信息的LPL
这种方法适用于大多数伊朗地区中黑色字符和白色背景之间的高梯度属性的想法（反之亦然）。在当前的研究中，图像被转换为灰度，并且在其上应用高斯低通滤波器。垂直Sobel滤波器用于计算梯度。然后，通过使用Thg阈值将阈值应用于梯度图像来构建二
全文共17465字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16156]，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。
