采用Harris角点的图像字符分割的车牌检测的综合方法外文翻译资料

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

采用Harris角点的图像字符分割的车牌检测的综合方法

Tejendra Panchal^a,*, Hetal Patel^a, Ami Panchal^b

^aA. D. Patel Institute of Technology, New Vallabh Vidyanagar, 388121, Gujarat, India

bManubhai Patel Dental College, Vadodara, 390011, Gujarat, India

摘要：本文讨论了车牌定位的综合分割方法。作为开放的旅游框架的意义，构建一个自动车牌识别已成为了一个重要的探索主题。车牌自动识别配有许多敏锐的观察框架，街道活动管理、安全管理、收费收集编程框架等。各种系统已用于车牌识别提供，每个轴承自身的特定利益和障碍点。汽车牌照自动识别系统的关键步骤是数板，精确限制分割和识别。Harris算法将在本文中被提出，这种算法将改善在运动改变和照明状况下的情况。同时对车牌的精度进行了分析，同时对车牌的分割阶段进行了研究。分割是通过一个连接的组件分析的方法，综合与像素计数，纵横比和高度的字符。最后，模拟结果将在结论和未来的工作中显现。

关键词：车牌自动识别（ALPR）；车牌（LP）；角点（CP）；连接成分分析（CCA）；像素

计数（PC）；纵横比（AR）；字符分割

介绍

近三年里现代城市和全国性街道的增量都体现了对道路交通的熟练观察和管理的需要。车牌自动识别（ALPR）是一种应用于识别他们的汽车板的成像技术。交通测量的形式化技术有严重的缺点和昂贵的安装，如感应回路，传感器或电磁微波探测器。它们在接受安装或维修过程中需要中断交通，它们不够灵敏从而无法检测到缓慢或暂时停止的车辆。相反，基于视频的系统很容易安装，并使用现有的交通监控基地。此外，他们可以很容易地升级，他们通过简单地修改系统算法，重新设计的计划和它的功能时十分灵活。这些系统允许测量车辆的速度，考虑车辆的数量和分类，以及识别交通事故（如机会事件或交通拥堵）。独特的照明条件可以在一般的分割率下影响一个相当大的测量。使用不同的方法并基于视频和图像处理来寻找车辆和检测用广泛的应用。如阴影，夜间摄影和识别率的问题也解决了。作者对车牌自动识别系统做了非常全面的研究。

一个完美的车牌定位技术，通常需要提高整个系统的精度，并提示快速确认过程。对于正在进行的应用程序框架的速度和准确性应该取得了长足的进步。这项任务是具有挑战性的，因为一些因素可以促使生成低质量的图像。

• 光亮条件，例如投影、白天/夜间照明、阴影。
• 角度弯曲，一个图像遮挡。
• 断字符、非车牌的冗余字符。
• 车辆的运动引起的模糊效应。

私人企业、政府和公共组织对交通运输网络、道路安全、公路和繁忙街道的公共安全使用交通监控。一个静态的摄像机观测场景是一个监控组织的常见例子。识别入侵的对象是打破现场，成功从背景前景运动目标分割保证对象分类、车辆鉴定和活性分析的一个重要步骤，这些使后面的步骤更有效。本文的主要目的是有效地定位车牌并用车牌自动识别技术进行分割。

本文揭示了一个可以管理独特的光照条件下（如明亮、晚间阴影、阴影，等等）的系统，也有失真的条件。为了这个原因，不同类型的车辆在不同的终止条件和阻塞效果的几个拍摄的图像已被处理，以证明所提出的方法的合法性。

本文其余部分的结构如下。在第2节中，对相关工作进行了一般的讨论，在第3节中所提出的方法用流程图进行描述。定位车牌在第4节中详细讨论。第5部分有关于车牌字符分割。观测结果在第6节中呈现。最后，论文在第7节中进行了总结，并在第8节提出了未来的工作。

1.相关工作

一般情况下，车牌识别系统主要有三个步骤，车牌检测、字符分割和字符识别。本文介绍了 车牌检测，分割技术，并且简要概述目前的可用方法并利用其作为该系统的一部分。直方图³, 基于大津法的阈值分割方法, 基于小波变换的检测⁴, 投影分析⁵, 模糊逻辑⁶, 矩形/符号检索⁷, Sliding window-Haar⁸ 等技术可用于车牌检测中。而相对于分割技术，水平/垂直投影^9,10，Blob分析^11,12，分水岭算法¹³，轮廓，OCS¹⁴（运营商背景扫描），细化分割， CCA^15,16等技术会被应用其中。在本文中，因为充分根据管理的重要角点和不用的光亮条件不会影响图像的角点这个事实，Harris角点检测技术是适用的。众所周知地，车牌具有车辆其他部位所不具有的无数的清晰角点这一特征。所以采用Harris角点去做更精确处理的用户，可以熟练地识别车牌。

2.提出的算法

本部分中，我们讨论一些过去的文献中提出的算法，然后在之后的部分中，依次描述两个在我们的系统中值得重点研究之处。图1是一个审查的检测以及分割系统算法。初始图像是由一个摄像头拍摄的，它被认为是一个输入图像。在读取图像后进行检测部分，向前分割检测到的车牌区域。

此处，我们为获得良好的分割结果提出了一个综合的方法。

图1.本文提出的算法

3、车牌定位

如图1所示，上部分展示了车牌的定位。由相机获得的图像的一部分，用作后期处理。预处理部分包括旋转的图像的调整和一些额外的由制造商给出的相机的名称。然后经过预处理后，Harris算法从图像中提取特征。提取所有的角点后，滑动窗口的方法被应用到找到最有可能的车牌区域。软阈值的一部分的滑动窗口的目标，它为大多数的图片作品。纵横比（AR）限制设置限制车牌可行的后续分离的每一个角落，在扫描窗口的方法。

Harris角点的发现是由克里斯哈里斯先进，1988迈克和斯蒂芬斯。Harris角点检测算法以信号提取特征点的建立。它绘制的窗口移动到任意方向的无穷小位移，和灰色的变化可以被定义为，

（1）

（2）

在这里，A=X2⨂w，B=Y2⨂w，C = XY⨂w

X 和 Y 表示为,

(3)

通过使用上述方程，可以将对称矩阵定义为,

(4)

然后，Harris特征点可以被提取作为本区域最大值，

(5)

(a) (b) (c) (d)

图2:车牌的检测。

从左开始分别是（a）输入图像；（b）角点检测；（c）多个可能区域；（d）本地化的线性化。

在上述方程，TR代表矩阵，而Det表示矩阵M的行列式。方程5代表的是角值。R是角值的正值，边缘的负值，一个小的平坦区域。

图2显示了在流程图中所解释的线性检测结果。采用Harris角点对输入图像后，得到的结果如图2（b）。所有的绿色标志显示从输入图像的角点提取。为了避免多个可能的候选区域，作为一个控制参数已应用于扫描窗口（SW）。在这里的纵横比已经建立了手动的基础上的观察，它提供了更好的结果，在大多数情况下。图2显示了图像中的局部区域。因此，最终的结果表明，该线性规划是很好的本地化，即使在不同的情况下。

4．分割

当进行分割的检测到的车牌时，间接的算法的准确性取决于如何准确地观察到的车牌，以及如何有效地从它的字符。然后，如图1所示的下方处理之后，得到的分段字符。超分辨率方法已被用来使车牌放大，使自适应阈值可以有效地和有效地使用。在自适应阈值，10*10窗口的大小已被捕获应用在窗口大小的局部阈值。在图3（二）中得到的结果是自适应阈值。一旦阈值完成，形态操作（侵蚀，扩张）是用来在之前处理过的图像中去除噪声/非字符区域。形态学运算完成后，CCA用来找到车牌图像中连续线条的部分。通常情况下，它将是字符/数字和一些非字符区域。为了避免非字符区域，考虑到包括假检测，纵横比，AR，PC，和高度作为控制参数。所有的控制参数都是基于不同的场景的图像观察到的不同的结果。在这里，所有三个控制参数设置为软阈值，使分割准确。后处理的线性规划的车牌的结果显示在图3（d）。

图3.分割：

（a）车牌图像；（b）在阈值；（c）形态输出；（d）字符周围（e）字符分割

5．实验结果

图4。

从顶部开始（a）输入图像；（b）脂子检测；（c）在不同的光照条件下的分割结果。

在这一节中，系统定位和分割的结果展示了实验的结果。该系统据说如果它能够从图像中提取车牌并正确地分割出字符，该系统将是稳定的。图4所示的结果是一个由授权的软件MATLAB实现该算法所得到的。在不同的照明条件下进行了模拟，同时做模拟。对于模糊图像，分割是实现典型的任务。对于高度模糊的图像，更好的自适应阈值是必要的。在本文中，对于长宽比以及像素数的最小值的平均值（地区）经CCA处理设置为软阈值。一旦达到这个标准，所有可能的区域被扫描的最小高度（平均字符高度的25%）。满足所有标准的人很可能是从唱片公司的字符。由于所有的阈值是软的，它会提供在许多情况下更精确的结果。对不同光照环境条件的结果在图4中已经列出了（夜间，影子，模糊，尘土，绿叶，堵塞、损坏的车牌）。

表1.实验结果

为了评估该方法的效率和稳定性，在不同的照明条件下的65个汽车图像的数据库已被使用。数据库包含在我们在工作时间的大学校舍拍摄的图像和一个在线数据库的一些图像，以更大的规模进行评估。结果显示在表1中的线性规划检测和分割。正确的车牌识别的总为96.92%。跳过的车牌是反射了阳光才结束的，所以定位系统出了问题。错误的分割区域一般被与其他元素分割在一起，而分各阶段的成功率是93.84%。

6．结论

基于文献调查和模拟结果的得出结论：采用Harris角点检测识别的车牌检测算法的结果，可以通过一些时间和不同的照明条件下熟练应用在输入的图像文件的捕获。成功实现了车牌检测。结合不同的控制参数，如AR，PC，高度等相结合的连接元件分析的综合策略，给出了更好的结果。检测到的车牌图像分割取得了满意的效果。测试结果显示，该方法可以实现良好的字符分割率。

7．接下来的工作

进一步验证和训练现有的算法，通过严格的多级任务。利用混合分类器方法进行识别任务的尝试。通过整合更多的途径来实现该系统的稳定性，对现有算法进行改进。

致谢

感谢gujcost通过小规模的研究项目提供资金援助，2013-14格兰特。作者还感谢领导，A.D的电子和工程部，还有帕特尔技术研究所的激励、帮助和鼓励。

参考文献

1. C.-N. Anagnostopoulos, I. Anagnostopoulos, I. Psoroulas, V. Loumos, and E. Kayafas, “License Plate Recognition From Still Images and Video Sequences: A Survey,” IEEE Transactions on Intelligent Transportation Systems, vol. 9, pp. 377–391, sep 2008.
2. C. Patel, D. Shah, and A. Patel, “Automatic Number Plate Recognition System (ANPR): A Survey,” International Journal of Computer Applications, vol. 69, pp. 21–33, may 2013.
3. Z. Baohua, Y. Dahua, H. Hongmei, and G. Lanying, “License Plate Location Algorithm Based on Histogram Equalization,” IEEE International Conference on Computer Design and Applications (ICCDA), vol. 1, no. Iccda, pp. 7–9, 2010.
4. C. N. Paunwala and S. Patnaik, “An Improved

   剩余内容已隐藏，支付完成后下载完整资料

   ---

   资料编号：[29103]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 使用金属伪影减少算法从 CT 数据生成的数字模型的准确性外文翻译资料
• 彩色光流外文翻译资料
• 云环境下基于虚拟机配置文件针对DDOS攻击的最优网络攻击探测方法外文翻译资料
• 监控大视频数据分析中的模糊逻辑: 综述、挑战和研究方向外文翻译资料
• PeopleSoft人力资源管理系统实施外文翻译资料
• 图像绗缝的纹理合成与转移外文翻译资料
• 管理云中的资源:Chrome扩展到OpenStack外文翻译资料
• 一种基于凸显区域检测和SPBVM的美学QR码新算法外文翻译资料
• 微信小程序-所有你需要知道外文翻译资料
• Java核心技术卷II高级特性外文翻译资料