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
自动牌照识别（ALPR）：最前沿的评论
摘要 - 自动牌照识别（ALPR）是从图像或一系列图像中提取车牌信息。不论是否带有数据库，在许多应用中提取的信息都能被使用，诸如电子支付系统（费用付费，停车费支付）以及用于交通监控的高速公路和动脉监控系统。 ALPR使用彩色、黑白和红外摄像头拍摄图像。所获得的图像的质量是ALPR成功的主要因素。 ALPR作为现实应用，必须在室内、户外、白天或黑夜等不同环境条件下快速成功地处理车牌，还应将来自不同国家、省或州的车牌进行处理。这些车牌通常包含不同的颜色，用不同的语言书写，并使用不同的字体;一些车牌可能具有单色背景，而其他车牌可能具有背景图像。车牌上的污垢、照明和拖车配件可能会部分遮挡车牌。在本文中，我们对ALPR的最新技术进行了全面的回顾。我们根据每个阶段使用的功能对不同的ALPR技术进行分类，并根据其优缺点、识别精度和处理速度进行比较，最终给出了ALPR的未来预测。
索引条款 - 汽车自动车牌识别（ALPR），自动车牌识别（ANPR），车牌识别（CPR），光学字符识别（OCR）。
一、介绍
自动车牌识别（ALPR）在众多现代应用中起着重要的作用，如自动收费、交通执法、停车场访问控制和道路交通监控[1] - [4]。 ALPR通过图像或者彩色、黑白和红外摄像机拍摄的照片来识别车牌号码。 它是通过大量的技术组合来实现的，如对象检测、图像处理和模式识别。 ALPR也被称为汽车识别、车牌识别、自动车牌识别和汽车光学字符识别（OCR）。 车牌类型或其所处环境的变化对车牌检测和识别有着诸多挑战。 总结如下：
1）牌照材变化：
a）位置：车牌存在于图像的不同位置;
b）数量：图像中可能不含或含有多块牌照;
c）尺寸：由于相机距离和缩放系数，牌照可能具有不同的尺寸;
d）颜色：由于不同的牌照类型或采用不同的捕获装置，牌照可能具有各种字符和背景颜色;
e）字体：不同国家的印版书写可能采用不同的字体和语言;
f）标准与特殊相比：例如，加拿大艾伯塔省的标准牌照有三个，最近（2010年）四个字母在左边，三个数字在右边，如图 1.（a）所示。特殊（或定制）牌照可能没有任何规定的任何数量的字符，如图1.（b）;
图1.（a）艾伯塔省标准牌照。 （b）艾伯塔省定制牌照。
g）堵塞：牌照可能被污垢遮蔽;
h）倾斜：牌照可能被倾斜;
i）其他：除了字符之外，牌照可能包含框架和螺钉。
2）环境变化：
a）照明：输入图像可能拍摄于不同类型的照明之下，主要是由于环境照明和车灯;
b）背景：图像背景可能包含类似于牌照的图案，例如车辆上印有的数字、具有垂直图案的保险杠和纹理的地板。
从给定图像中提取车牌号码的ALPR系统可以由四个阶段组成[5]。第一阶段是使用相机获取汽车图像。相机的参数，如相机类型、相机分辨率、快门速度、方向和光线，都必须被配合使用。第二阶段是根据某些特征（如边界、颜色或字符的存在）从图像中提取牌照。第三个阶段是划分牌照，并通过投射他们的颜色信息，标注他们或者使用模板匹配他们的位置来提取字符。最后一个阶段是通过模板匹配或使用分类器（如神经网络和模糊分类器）识别提取的字符。图2显示了ALPR过程的结构。 ALPR系统的性能依赖于每个阶段的稳健性。
图2.ALPR系统的四个阶段。
本文的目的是为研究人员提供对现有ALPR研究的系统性调查，根据所使用的特征对现有方法进行分类，分析这些特征的优缺点，并在识别性能和处理速度方面进行比较，以及为未来的研究开辟一些问题。
本文的其余部分安排如下。在第二节中，对车牌提取方法进行了详细的分类。第三部分演示人物划分方法，第四节讨论字符识别方法。在每个部分的开始，我们定义这些问题及其难度级别，然后通过讨论，对现有算法进行分类。在第五节中，我们总结了本文并讨论了未来研究的领域。
二、车牌提取
牌照提取阶段影响ALPR系统的准确性。该阶段的输入是汽车图像，并且输出是包含潜在牌照的图像的一部分。牌照可以存在于图像的任何地方。处理图像中的每个像素会增加处理时间，取而代之的是通过其特征来区分车牌，因此系统仅处理具有这些特征的像素。特征来源于车牌格式和构成它们的字符。牌照颜色是其中一个特征，因为某些管辖区（即国家、州或省）对其牌照具有对应确定的颜色。车牌边界的矩形是用于提取车牌的另一个特征。字符和车牌背景之间的颜色变化（称为纹理）用于从图像中提取车牌区域。字符的存在可以用作识别车牌区域的特征。两个或多个特征可以相互组合来识别车牌。
在下文中，我们根据所使用的特征对现有的牌照提取方法进行分类。
A利用边界/边缘的牌照特征来提取信息
由于车牌通常具有已知纵横比的矩形，可以通过查找图像中的所有可能矩形来提取。边缘检测方法通常用于找到这些矩形[8] - [11]。
在[5]，[9]和[12] - [15]中，Sobel滤波器用于检测边缘。由于牌照和车身之间的颜色过渡，车牌的边界由图像中的边缘表示。当执行水平边缘检测时，边缘是两条水平线，执行垂直边缘检测时的两条垂直线，以及同时执行这水平和垂直时形成的完整矩形。
在[7]中，通过使用形成矩形的线的几何属性来检测车牌矩形。
通过仅在垂直边缘之间匹配，在[5]，[9]，[12]和[16]中生成候选区域。车牌上的垂直边缘的大小被认为是鲁棒的提取特征，而仅使用水平边缘可能会导致汽车保险杠的错误候选[10]。在[5]中，垂直边缘匹配以获得一些候选矩形。具有与车牌相同宽高比的直角视为候选。该方法在各种照明条件下对图像的检测率达到了96.2％。根据[9]，如果提取垂直边缘并去除背景边缘，则可以容易地从边缘图像中提取平牌照区域。 1165张图像的检测率约为100％。一个384times;288图像的总处理时间为47.9ms。
在[17]中，提出了一种新的快速垂直边缘检测算法（VEDA），用于车牌提取。 VEDA显示，它比Sobel算子快7到9倍。
基于块的方法也在文献中给出。在[18]中，具有高边缘幅度的块被识别为可能的牌照区域。由于块处理不依赖于车牌边界的边缘，因此可以应用于车牌边界不清楚的图像。 180对图像的精度为92.5％。
在[19]中，提出了基于车牌识别的摩托车检验状态策略。根据路边和检验站测试图像，这个过程中，证明率为95.7％和93.9％。在超便携个人电脑上需要654毫秒，在PC上大约需要293毫秒才能识别牌照。
在[13]中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找到车牌。霍夫变换具有检测直线高达30°倾斜的优点[20]。然而，霍夫变换是一个时间和记忆消耗过程。在[21]中，提出了一种结合HT和轮廓算法的基于边界线的方法。实现后的提取结果为98.8％。
广义对称变换（GST）用于提取车牌[22]。获得边缘后，图像将以已选择的方向进行扫描，以检测拐角。然后，GST用于检测这些角之间的相似性并形成牌照区域。
基于边缘的方法简单快捷。然而，它们需要边缘的连续性[23]。当结合消除不想要的边缘的形态步骤时，提取率相对较高。在[8]中，提出了基于边缘统计和形态的混合方法。定位9786张车牌的准确率为99.6％。
B.使用全局图像信息的车牌提取
连通分量分析（CCA）是二值图像处理中的重要技术[4]，[24] - [26]。它扫描二进制图像，并将其像素标记为基于像素连接的组件。空间测量，如面积和纵横比，通常用于车牌提取[27]，[28]。参考文献[28]将CCA应用于低分辨率视频。通过使用超过4小时的视频，正确的提取率和误报率分别为96.62％和1.77％。
在[29]中，轮廓检测算法应用于二进制图像以检测连接对象。具有与牌照相同的几何特征的连接对象被选择为候选。在质量差的图像的情况下，该算法可能失败，这导致轮廓变形。
在[30]中，使用2-D互相关来查找车牌。通过整个图像执行与预先存储的牌照模板的2-D互相关，以定位最可能的牌照区域。使用与模板的相关性提取牌照与图片中的牌照位置无关。然而，2-D互相关是耗时的。 ntimes;n个像素的顺序为n4 [14]。
C.使用纹理特征的牌照提取
这种方法取决于车牌中的字符存在，这导致字符颜色和车牌背景颜色之间的灰度级别的显着变化。它还导致由于颜色转变而导致的高边缘密度区域。 [31] - [39]中使用了不同的技术。
在[31]和[39]中，使用扫描线技术。灰度级别的变化导致扫描线中的数个峰值。该数字等于字符数。
在[40]中，矢量量化（VQ）用于定位图像中的文本。 VQ表示可以给出关于图像区域的内容的一些提示，原因是较高的对比度和更多的细节被较小的块映射。实验结果显示，使用不同质量的图像，检测率为98％，处理时间为200 ms。
在[41]中，提出了滑动同心窗（SCW）方法。在这种方法中，车牌在图像纹理中被视为不规则。因此，地方特色突然变化是潜在的车牌。在[42]中，提出了一种基于滑动同心窗和直方图的车牌检测方法。
图像转换也被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[43]。这种技术具有无限方向和尺度分析纹理的优点。当应用于以固定和特定角度获取的图像时，[44]中的结果为98％。但是，这种方法是耗时的。
在[32]中，通过使用离散傅立叶变换（DFT）来识别空间频率，因为它产生在频谱分析中检测到的谐波。 DFT以行方式使用以检测牌照的水平位置并且以列方式检测垂直位置。
在[36]中，基于小波变换（WT）的方法用于提取车牌。在WT中，有四个子带。子图像HL描述垂直边缘信息，LH描述水平边缘信息。通过扫描LH图像来确定水平边缘的最大变化，并由参考线识别。垂直边缘水平投影在该线下方，以根据最大投影确定位置。在[45]中，HL子带用于搜索车牌的特征，然后通过检查在LH子带中是否存在在该特征周围的水平线来验证特征。车牌定位的执行时间小于0.2秒，精度为97.33%。
在[46] - [48]中，自适应增强（AdaBoost）与Haar类特征相结合，以获得牌照提取的级联分类器。 Haar类特征通常用于对象检测。使用哈尔式特征使得分类器对于车牌的亮度、颜色、尺寸和位置保持不变。在[46]中，级联分类器使用第一层中的全局统计量（称为梯度密度），然后使用哈尔式特征。本文检出率达93.5％。 AdaBoost也用于[49]。该方法使用不同格式、大小和各种照明条件下的图像提供了99％的检测率。
基于纹理的所有方法即使其边界变形也具有检测牌照的优点。然而，这些方法在计算上是复杂的，特别是当有许多边缘时，如在复杂背景的情况下或在不同的照明条件下。
D.使用颜色特征的牌照提取
由于一些国家的车牌具有特定的颜色，有些报道的工作涉及通过将其颜色定位在图像中来提取车牌。
基本思想是，牌照和字符的颜色组合是独一无二的，并且这种组合几乎只发生在牌照区域[50]。根据中国车牌的具体格式， [50]提出，使用色相、亮度和饱和度（HLS）颜色模型将输入图像中的所有像素分类为13个类别。
在[51]中，使用神经网络将RGB图像转换为HLS后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。相同的牌照颜色垂直和水平投影，以确定作为车牌区域的最高颜色浓度区域。
在[52]中，由于车牌中只使用了四种颜色（白色、黑色、红色和绿色），所以色彩边缘检测器仅聚焦于三种边缘（即黑白、红白和绿白）。在实验中，采用从各种场景和不同条件下拍摄的1088张图像。车牌本地化率为97.9％
遗传算法（GA）在[53]和[54]中被用作识别车牌颜色的搜索方法。在[54]中，从训练具有不同照明条件的图像，使用GA来确定牌照色的上限和下限。通过特殊功能描述平均亮度和这些阈值之间的关系。对于任何输入图像，首先确定平均亮度，然后从该功能获得下限和上限阈值。任何具有这些阈值之间的值的像素都会被标记。如果标记的像素的连通性具有与车牌相同的长宽比的矩形，则该区域被认为是牌照区域。
在[55]中，高斯加权直方图交叉点用于通过匹配其颜色来检测车牌。为了克服影响色彩水平的各种照明条件，通过使用高斯函数修改常规的HI。描述一组相似颜色的贡献的权重用于匹配预定义的颜色。
[56]中使用车牌颜色和字符颜色的搭配来生成边缘图像。图像被水平扫描，并且如果找到具有牌照颜色范围内的值的任何像素，则检查其水平邻域的颜色值。如果两个或多个邻居在相同的字符颜色范围内，则该像素被识别为新边缘图像中的边缘像素。分析新图像中的所有边缘以找到候选牌照区域。
在[57]和[58]中，彩色图像由平均移位算法分割成候选区域，随后被分类为牌照。检出率达97.6％。在[59]中，提出了一种快速平均偏移方法。
为了处理与基于颜色的方法有关的照度变化问题，[60]提出了一种基于模糊逻辑的方法。采用色相、饱和度和（HSV）色彩空间。 HSV的三个组件首先根据不同的隶属函数映射到模糊集。然后通过三个加权隶属度的融合来描述模糊分类函数。
参考文献[61]提出了一种使用对亮度较低敏感度的彩色重心六边形模型进行车牌定位的新方法。
使用颜色信息提取牌照具有检测倾斜和变形牌照的优点。但是也有一些困难。使用RGB值定义像素颜色是非常困难的，特别是在不同的发光条件下。用作替代颜色模型的HLS对噪声非常敏感。使用颜色的方法会导致错误的投影检测，特别是当图像的某些部分具有与车体相同的车牌颜色时。
在[62
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[26649]，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。
