一种新的基于概率神经网络的车牌识别系统外文翻译资料

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

---

一种新的基于概率神经网络的车牌识别系统

Fikriye Ouml;ztuuml;rk^a , Figen Ouml;zen a *Fikriye Ouml;ztuuml;rk a , Figen Ouml;zen^a[1]*

哈里萨克大学电气与电子工程系，伊斯坦布尔，土耳其

摘要

车牌识别系统采用图像处理技术通过车牌来识别车辆。车牌识别是一个过程，首先在由一个或多个摄像机提供的汽车图像中定位出车牌区域。然后通过字符识别系统识别车牌上的字符。有许多运用车牌识别系统的场合，包括公用和私用。用于识别的算法、硬件及网络结构都会根据具体应用进行设计。最近，由于科学技术的进步，高质量的算法和硬件被设计出来，车牌识别系统得到了广泛的应用。这个识别可以分为三个主要步骤：车牌定位、车牌字符提取和运用合适的方法对字符识别。本文设计了一种能对不同的照明条件下从不同角度、不同距离和不同时间拍摄的图像进行车牌识别的算法。运用大津阈值法和车牌特征对车牌进行提取。运用垂直和水平直方图进行字符分割。最后，利用概率神经网络进行字符识别。该算法包括仿真结果并对性能进行了分析。运用MATLAB对算法进行仿真。

关键词：车牌识别；字符识别；神经网络；概率神经网络；图像处理

1．介绍

车牌识别在车流量控制、自动泊车系统、自动桥梁系统和基于雷达的速度控制等方面有着广泛的应用。车牌识别系统的优点是它无需在汽车上安装额外的设备就可以运行。

车牌识别系统基本上有三个模块：

a）运用汽车图像对车牌区域进行定位，

b）字符的提取，

c）使用合适的算法识别字符。

在这篇文章中，设计了一种新的算法来对在不同的照明、距离和倾斜角度条件下的车牌进行识别。使用大津阈值法可以从一个存在车牌区域的给定汽车图像中确定车牌位置，然后利用车牌特征检测出实际的车牌区域。之后，执行列和矢量（CSV）计算以实现字符提取。使用概率神经网络（PNN）对字符进行识别。使用MATLAB进行仿真。

接下来的部分对于一些文献中记载的以往的车牌识别内容进行了总结。

El AdWi、Keshk和Haragi设计了一种基于神经网络的车牌自动识别系统，该系统采用BP算法进行训练。他们获得了89%的车牌提取成功率和93%的车牌字符识别成功率[1 ]。

Emiris和Koulouriotis将字母和数字字符的训练和识别相结合，以便在半结构化环境中使用。他们列出了在各种条件下识别字母A的成功率，成功率的平均值在59－77.4% [2]。

Juntanasub和Surreerattanan对两行的泰国牌照系统进行研究。他们采用离线Hausdorff距离技术进行相似性测量，从而进行识别。他们取得了92%的车牌识别成功率[3]。

Rattanathammawat和Chalidabhongse对车牌定位问题进行研究。他们使用Sobel边缘检测器，移动窗口板定位器和时间分析器来抑制错误检测。车牌定位的成功率为94％[4]。

Raus和Kreft在检测和字符识别中都使用了神经网络。他们将自己的方法与经典的方法进行比较，从而证明了他们方法的优越性[5]。

Sirithinaphong和Chamnongthai利用机动车法规训练他们的四层BP神经网络。获得了84.29%的车牌定位成功率和80%的字符识别成功率[6]。

Park，Kim，Jung和Kim使用神经网络进行车牌定位。他们已经在两套数据上测试了他们的网络，并且成功率分别为97.5%和99%[7]。

Kim，Kim，Kim和Kim用神经网络对车牌进行分割，并通过支持向量机识别字符。他们的分割率为97.5％，字符识别率为97.2％[8]。

Jianfeng, Shaofa和Zhibin致力于对中国车牌系统进行研究。他们利用神经网络进行颜色分析来正确地提取车牌。他们的成功率为95.7％[9]。

Broumandia和Fathy使用神经网络来识别波斯车牌。他们的车牌识别正确率的平均值为95%[10]。

Ganapathy和Lui利用前馈反向传播神经网络进行字符识别，其成功率为95%[11]。

2．基于概率神经网络的车牌识别方法

该算法使用于灰度图。首先，将图像转化为灰度图。然后对灰度图进行一些预处理，包括低帽滤波、大津阈值法、开运算、标记、闭运算、倾斜校正以及提取可能包含车牌的矩形区域。然后利用车牌特征进行车牌定位。使用列和向量（CSV）图进行字符分割。最后利用概率神经网络对字符进行识别。该算法的流程图如图1所示。

低帽滤波用来对可能是车牌区域的部分进行增强。阈值化用于灰度图的二值化，从而将目标从背景中分离出来。由于环境因素和光照水平的影响，需要做一些适应性工作。大津阈值法因其自适应性而被采用。二值化图像的各部分根据其颜色进行标记以实现分类。通过计算CSV和局部最小值对车牌区域进行提取。将局部最小值与阈值进行比较，来确定字符。

字符提取模块将字符分割并存储在内存中。对字符进行归一化处理并使用模板匹配法进行识别：计算每个提取出的字符与数据库中的每个模版的相关性。对分割出的字符进行平滑处理并计算边界处的临界点。

图1 算法流程图

3．仿真结果

用于该算法的数据库由260张汽车照片组成。每个照片的尺寸固定为384times;288毫米。这些照片是在一天中的不同时刻，从不同的距离和不同的角度拍摄的。从数据库中获取的一些样张如图2所示。

图2 汽车照片数据库中的样张

预处理包括减少灰度级、滤波和阈值化。减少灰度级是为了消除彩色图像中不必要的信息。这样处理的速度大大增加。图3给出了一个例子。

图3 (a)原始图像；(b)灰度图

车牌的定位是第一步也是最重要的一步。如果这一步失败了，其他步骤肯定会失败。基于特征（例如纵横比）和像素数量来评估可能的车牌区域，然后识别出正确的车牌区域。在特征提取步骤中，使用列和向量来确定字符的边界。设计出一种算法来分离两个相邻字符并将被分成两半的字符组合起来。最后利用概率神经网络识别得到的字符。从数据库中的图像中获得的字符被用作训练集，并且该集合用于训练神经网络。

将低帽滤波器应用于灰度图，增强了可能是车牌的区域。在大津阈值法之后，应用开运算来删除不属于车牌区域的小对象。然后依次应用标记和闭运算。最后，进行倾斜校正。图4展示出了来自数据库的样本图像的每个步骤的结果图像。

图4 (a)灰度图；(b)低帽滤波；(c)大津阈值法；(d)开运算；(e)标记；(f)闭运算；(g)倾斜校正

如果存在多个车牌候选区域，则基于车牌特征进行选择，特征包括：

• 车牌区域高应至少为12像素，
• 车牌区域宽应至少为16像素，
• 车牌区域高最多为图像的1/8，
• 车牌区域宽最多为图像的1/3，
• 车牌面积最多为总面积的1/4。

图5给出了示例的车牌区域、相应的CSV图和提取的字符。字符位于CSV图中的两个局部极小值之间。图6给出了详细的字符分割。图7展示了车牌区域和字符分割的另一个例子。

图5 (a)车牌提取；(b)相应的CSV图；(c)字符分割

图6 示例的字符分割

图7 示例2 (a)车牌提取；(b)字符分割

提取出的字符被送入概率神经网络，输出为已识别字符。

4．结论

在装配英特尔reg;酷睿trade;2双核处理器CPU P8400（2.26GHz，2267 MHz）计算机上，该程序平均需要0.1秒来识别每个车牌。 在车牌识别和字符识别的基础上，对仿真结果进行了评价。计算结果汇总在表1中。

表1 结果汇总

项目	数量	成功率
正确的车牌区域数	256	98.5%
正确车牌的识别数	233	91%
车牌总数	260
正确识别出的字符数	1914	96.5%
字符总数	1984

就算只有一个字符出错，车牌将不能正确识别。因此，字符识别是车牌识别的核心。字符识别模块成功率的提高可以进一步提高车牌识别的成功率。在将来，针对这一方向研究仍将继续。

参考文献

1. Mohamed El-Adawi, Hesham Abd el Moneim Keshk and Mona Mahmoud Haragi, Automatic License Plate Recognition, IEEE

Transactions on Intelligent Transport Systems, Vol. 5 (2004) 42-53.

2. D. M. Emiris and D. E. Koulouriotis, Automated Optic Recognition of Alphanumeric Content in Car License Plates in a Semi-Structured

Environment, Proceedings of the International Conference on Image Processing, Vol. 3 (2001) 50–53.

3. R. Juntanasub and N. Sureerattanan, Car License Plate Recognition through Hausdorff Distance Technique, Proceedings of the IEEE

ICTAIrsquo;05 (2005) 607-612.

4. P. Rattanathammawat and T. H. Chalidabhongse, A Car Plate Detector Using Edge Information, Proceedings of the IEEE ISCITrsquo;06 (2006)

1039-1043.

5. M. Raus and L. Kreft, Reading Car License Plates by the Use of Artificial Neural Networks, Proceedings of the IEEE 38th Midwest

Symposium on Circuits and Systems (1995) 538-541.

6. L. Sirithinaphong and K. Chamnongthai, Extracting of Car License Plates Using Motor Vehicle Regulation and Character Pattern

Recognition, IEEE (1998) 559–569.

7. S. H. Park, K. I. Kim, K. Jung and H. J. Kim, Locating Car License Plates Using Neural Networks, Electronics Letter, Vol 35, No 17

(1999) 1475-1477.

8. K. K. Kim, K. I. Kim, J. B. Kim and H. J. Kim, Learning-Based Approach For License Plate Recognition, Proceedings of the IEEE Signal

Processing Society Workshop, Vol. 2 (2000) 614-623.

9. X. Jianfeng, L. Shaofa and C. Zhibin, Color Analysis for Chinese Car Plate Recognition, Proceedings of the IEEE International Conference

on Robotics, Intelligent Systems and Signal Processing (2003) 1312-1316.

10. A. Broumandnia and M. Fathy, Application of Pattern Recognition for Farsi License Plate Recognition, ICGST (2005).

11. V. Ganapathy and W.

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[23608]，资料为PDF文档或Word文档，PDF文档可免费转换为Word