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
智能化车牌识别系统
摘 要
在本篇文章中提出了一种智能车牌识别系统。我们需要指定需要检测的对象的形状及其尺寸，通过反复对比研究，我们提出了一种最有效的轮廓检测方法。用于比较的算子有:Sobel、Canny、Prewitt、Roberts、Log和Zerocorss。研究表明，Sobel是此类应用中最有效的一种。然后采用三种方法进行目标提取。使用了两种已知的方法:霍夫变换和分水岭法。第三种方法是一种新的混合分割算法。结果表明，该算法对658times;486像素的图像执行速度最快，执行时间为0.8秒。识别的车牌是自动提取号码并将号码输入。这个阶段分为三个步骤。第一步是对图片进行清洁处理阶段。然后是分割阶段。最后进行应用数字识别步骤。
关键字：目标识别；转折点；霍夫变换；混合分割；自动字符提取
1 介绍
我们的工作目标是提供一个系统来检测图像中的原始对象，如圆、正方形、矩形和三角形。特别的是，我们建立了一套用于车辆牌照识别的系统。车牌自动识别技术是一种在不同情况下日益普及和应用的技术。此外，已经创建了几个系统，如Optasia[1]和Zamir[2]。有了这样的系统，我们可以监控车辆的速度，超过速度限制的车辆将自动识别。另一方面，如果车辆被盗或被警方要求，该系统可以帮助识别车辆的位置。该系统还可以帮助识别使用高速公路的车辆。它还可以帮助港口;该系统用于识别卡车并为其分配适合运输的集装箱。该系统的局限性之一是车牌的位置。另一个问题是根据每个国家的法律对文字和边缘进行适当的标记。。有些情况是由系统解决的，而其他的解决方案是不可能的，因为它会导致时间和复杂性的增加。系统的处理强加了以下要求:适应气候和光;车牌检测，即使获取的图像不清晰;接受板块的一些形态变化。不幸的是，如果系统不能在恶劣的条件下处理车牌，手工处理是必须的。同样重要的是，这个系统是智能的，它只在我们100%匹配的情况下才会验证车牌的选择。本文其余部分的结构如下:在第2节中，我们将讨论霍夫变换的标准和修改版本，而在第3节中，我们将讨论分水岭算法。第四节给出了一种新的混合分割算法。第5节给出了自动数字提取算法。最后的结论和未来的展望将在第6节说明。
2 霍夫变换
霍夫变换是一种应用广泛的图像处理技术。这种技术的目的是在图像中找到简单的形状(圆、正方形、矩形、三角形等)。1962年，Paul Hough实现了经典的霍夫变换。它用于识别图像[3]中的行。1972年，Richard Duda和Peter Hart实现了识别图像[4]中特定形状的广义霍夫变换。本文提出了霍夫变换的两种方法，包括经典的或标准的霍夫变换和修正的或广义的霍夫变换。两者都适用于与物体轮廓叠加的图像。经过灰度变换，使用不同的遮罩检测轮廓:Sobel、Canny、Prewitt、Roberts、Log和Zerocorss[5]。图1显示了不同的结果。执行时间的比较研究如表1所示。算法在2.2 GHz双核处理器上进行了测试。根据结果，我们发现Canny、Log和Zerocross方法检测到许多不必要的细节，导致霍夫变换的执行时间增加。此外，Roberts方法检测到的物体轮廓是不连续的，这在本系统中是不可用的。由于Sobel和Prewitt方法能够检测出物体轮廓中清晰的对比度，因此它们是最有效的技术。
几乎所有的方法都需要相同的执行时间，除了Canny方法需要更多的时间。Sobel和Prewitt两种方法都使用了大小为3x3像素的两个过滤器，其中一个用于检测水平差异，另一个用于检测垂直差异。但唯一的区别是Sobel在2的中心有一个双倍的权值，这在实践中更有效。在下面的例子中，我们将使用Sobel方法。
2.1 经典霍夫变换
首先，我们必须创建包含搜索对象形状的筛选器。我们指定它的类型(圆形、正方形、矩形、三角形等)及其尺寸。例如，要创建一个圆形，我们要以像素为单位指定半径，要创建一个矩形，我们要以像素为单位指定其长度和宽度，或者要创建一个正方形，我们要以像素为单位指定其边缘。
图1:轮廓检测:(a)原始图像，(b) Sobel，(c) Canny， (d) Prewitt， (e) Roberts， (f) Log， (g) Zerocross
|
算法 |
执行时间(s) |
|
Sobel |
0.1280 |
|
Canny |
0.7370 |
|
Prewitt |
0.1240 |
|
Roberts |
0.1260 |
|
Log |
0.1800 |
|
Zerocross |
0.1800 |
表1:轮廓检测算法的执行时间
现在图像已经为霍夫变换做好了准备。使用卷积。我们使用滤镜遍历整个图像，在每个位置上，我们确定与滤镜共有的像素数，并在相同的位置放入一个新矩阵。最后，为了决定物体的位置，我们有几个选择。通常使用两种方法。我们要么选择最大的数字并查找它的位置，要么选择所有数字超过阈值的位置。
2.2 改进的霍夫变换
在创建过滤器并检测图像轮廓后，我们通过图像。在有边缘的位置，我们将过滤器(要找到的形状)添加到与原始图像大小相同且位置相同的新图像中。最后，为了检测物体的位置，我们交叉例如滤波器的轮廓点p，值最大的位置将是相对于中心p对称的点。
2.3 霍夫变换的差异
两种方法对相同的参数给出相同的结果。但是，我们没有使用过滤器(经典的霍夫)处理整个图像，我们只覆盖轮廓(修改的霍夫)。修改后的霍夫变换的优点是，程序的执行时间比第一种方法要短得多(取决于轮廓)。系统在2.2GHz双核处理器上进行测试，我们测量了两种方法的执行时间，知道原始图像大小为425x566像素。第一种方法耗时10.4830s，第二种方法耗时1.2330s。我们把试验重复了一遍。始彩色图像如图2-(a)所示。我们把它转换成灰度。然后对图像应用高斯滤波器进行模糊处理，如图2-(b)所示。这一步是为了减少光和影的对比度。之后，我们将图像的尺寸从2592x1944像素减小到324x243像素。然后利用Sobel方法进行轮廓检测。结果如图2-(c)所示。我们将为过滤器使用一个边距大小，宽度在22像素到24像素之间，长度在48像素到50像素之间。成9个过滤器后，我们应用它们，同时观察得到的结果。然后，在已知图2-(e)滤波器像素个数的50%以上的情况下，寻找最大数字的位置。最后提取车牌，如图2-(f)所示。
2.4 霍夫变换的优点和缺点
霍夫变换是一种简单而有效的方法，可以在图像中找到特定的形状，尤其是矩形车牌。但有时我们不知道对象的确切大小，我们将被迫使用一个大小范围，对于每个大小，我们需要一个不同的过滤器，这增加了执行时间。在车牌识别中，执行时间至关重要。使用2.2GHz处理器，安全裕度为1像素(用于9个不同的过滤器)，操作耗时3.6560秒。如果车牌不是矩形的，或者拍照的位置不对，这种技术的效果就会降低。创建过滤器更加复杂。另外，如果我们不知道相机的位置，我们就无法确定滤镜的尺寸。我们将不得不使用大量的过滤器，执行时间变得非常大，效率非常低。
3分水岭
水岭分割算法适用于被视为地形起伏的灰度图像。该图像通常是一个梯度用于识别区域的均匀和非均匀输入信号[6]。流域技术的实现方法有多种。我们选择的算法是沉浸式vincentsoille。想象一下，水从每一个最小的地方喷出，表面被这些水源淹没。渐渐地，水位以恒定的速度上升。为了防止水从不同的最小值混合，我们在每一个基本接触点建立一个大坝。水继续以恒定的速度上升。在浸泡结束时，所有的堤坝都是水的分界线[7]。将原始图像转换为灰度图像。首先计算图像的梯度。然后将实现的分水岭作为连通参数8进行应用。这样得到的结果被过度分割。这是由于图像中存在大量的局部最小值和噪声。为了解决这个问题，我们用记号笔。分水岭的求解受到标记点的约束，为了避免在局部极小值处产生池，需要对输入结构的同伦进行改变，即将标记的区域放在最低结构处。这将删除系统不感兴趣的信息。在我们的项目中，图像的标记是通过全局阈值得到的。图像梯度分水岭变换的直接应用也导致了图像中噪声和检测区域的过度分割。一种方法是避免过度分割，这种方法是基于标记的概念。标记是一个连接的区域。有两种类型的标记:内部标记(对象内部)和外部标记(背景)。这些标记用于修改梯度图像，将标记作为室内和室外区域的最小值。
3.1 如何进入内外标志
为了消除不有趣的极小值，我们使用全局阈值扩展极小值区域。阈值操作用于将图像分割为两组对象。此操作将所有灰度级别低于某个值(阈值)的像素设置为零，并将具有更高值的最大像素设置为零。因此，阈值化的结果是一个包含黑白像素的二进制图像。自动全局阈值算法示例:-选择初始T(均值，hellip;)
图2:霍夫变换:(a)原始图像，(b)高斯滤波器，(c) Sobel轮廓检测，(d)加零，(e)使用的滤波器，(f)车牌识别。
-我们得到2组G1 if f (x, y)gt; T和G2 if f (x, y) lt; T，
-计算G1和G2的平均灰度，即Y1和Y2，
- 新的 T = 1/2 (Y1 Y2);
-重复直到T几乎是常数。
此操作用于内部标记。外部标记是内部标记之间的像素。给出了两个示例。第一个示例如图3所示。原始图像如图3-(a)所示。我们将其转换为灰度，以应用分水岭。我们使用平滑后的全局阈值技术识别内部标记。结果如图3-(b)所示。我们用两个5x5维的结构元素(一个水平的和另一个垂直的)推导出膨胀后的外部标记。如图3-(c)所示。我们注意到车辆的车牌被分成几个相邻的部分。最后提取原始图像，如图3-(d)所示。第二个示例如图4所示。原始图像如图4- (a)所示。我们把它转换成灰度。我们识别内部标记。结果如图4-(b)所示。在前面的例子中，我们推导了两个结构元素膨胀后的外部标记。如图4-(c)所示。最后提取原始图像，如图4-(d)所示。分水岭线首先根据定义提供了闭合轮廓线。事实上，这种技术允许在图像中识别同质区域或对这些区域的标记正在扩散。该方法对噪声的敏感性高，分割过度，从内存上来说，对于N个像素的图像，需要3.5 * N到11 * N个字节的大内存，并且不具备实时性。2.2 GHz处理器上大小为512x512像素的图像的执行时间如表2所示。
表2:分水岭算法的执行时间
|
连通性 |
流域执行时间(s) |
|
8-连通性 |
2.13 |
|
4-连通性 |
1.68 |
|
过滤图像8连通性 |
1.84 |
4 混合分割
本节介绍一种分割方法，用于检测与图像背景有对比度的每个对象。这种技术在自动显微镜中用于观察特定类型细胞的存在。
图3分水岭算法:a)原始图像，b)平滑后的标记内部，c)外部标记物扩张后用结构化元素水平和垂直尺寸5x5, d)识别车牌
图4分水岭算法:a)原始图像，b)平滑后的标记内部，c)外部标记物扩张后用结构化元素水平和垂直尺寸5x5, d)识别车牌
图5:混合算法:a)原始图像，b) Sobel轮廓检测，c)轮廓展开，d)闭合轮廓填充，e)去除与图像边缘相关的物体，f)边长为10个像素的正方形的侵蚀，g)物体精简，h)车牌识别。
图6:混合算法:a)原始图像，b) Sobel轮廓检测，c)轮廓展开，d)闭合轮廓填充，e)去除与图像边缘相关的物体，f)边长为10个像素的正方形的侵蚀，g)物体精简，h)车牌识别
我们对该技术进行了改进，使其能够有效地检测车辆牌照。该方法采用的工艺有:膨胀、冲蚀、开孔[8]。首先，我们将原始图像转换成灰度。我们最小化它的维数，这样程序可以运行得更快。然后利用Sobel方法提取轮廓线。我们继续应用两个结构元素分别大小为1x3和3x1的两个展开，其中1作为两个向量的所有元素的值。这些展开的作用是在不连续的情况下连接轮廓线。在这一步之后，我们用值1填充闭合轮廓，并消除图像边缘的相关对象。在此之后，我们用同样的结构单元进行一个开口(侵蚀和膨胀)，这个开口是一个长为m，宽为b的矩形。这个开口是为了消除比平板汽车小的物体。在这个阶段，我们可能会得到一个包含多个对象的图像。如果我们得到一个或多个对象，我们会分别考虑每个对象，如果它的形状和尺寸验证了车牌的形式，我们就从原始图像中提取这个形状。如果我们没有得到一个对象，我们应用一个旋转图像的情况下，它是倾斜的根据相机。给出了两个示例。在第一个例子中，我们研究的是汽车后部的车牌。原始图像如图5-(a)所
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[443293]，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。
