用于自动通行费征收的车辆号码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

用于自动通行费征收的车辆号码识别系统

苏亚布·雷曼·索姆罗 穆罕默德·阿尔斯兰·贾韦德 法赫德·艾哈迈德·梅蒙

苏库尔·伊巴电气（电信）工程部TE-08

摘要：车辆编号识别（VNR）是一种图像处理技术，它使用有效的算法从实时图像中检测车辆编号。目标是设计一个有效的车辆编号识别系统并实施它以实现自动通行费征税。系统首先检测车辆然后捕获车辆前视图的图像。车牌号是本地化的，字符是分段的。该系统设计用于灰度图像，因此无论颜色如何，它都能检测到铭牌。模板匹配技术用于字符识别。然后将得到的车辆编号与所有车辆的可用数据库进行比较，以便得出关于车辆类型的信息并相应地收取通行费税。然后允许系统打开车辆的道路障碍并生成通行税收据。车辆信息（例如通过时间，日期，收费金额）也存储在数据库中以维护记录。实现了硬件和软件集成系统，开发了工作原型模型。实验表明，该系统成功检测并识别出巴基斯坦车辆真实图像的车牌号。

关键词：车辆号码识别；自动通行费征收；AVNR；VNI；ANPR

一、介绍

车辆编号识别（VNR）也称为自动车牌识别（ANPR），于1976年发明。随着数码相机的发展和处理速度的提高，许多科学家团体在20世纪90年代后开始对VNR感兴趣。VNR是一种图像处理技术，能够从数字图像中提取车辆牌照号码。它由静止或摄像机组成，它采用车辆图像，在图像中找到数字的位置，然后对字符进行分段，并使用模板匹配方案，将像素值的许可证号转换为数字或字符串。VNR可用于从速度执法和高速公路到停车场自动化等许多领域[1]。它还可用于高速公路和高速公路，以自动化收费税收。通过这项工作提出的系统对于使用车辆编号识别系统进行自动通行费征税是有效的。早期的方法使用的板颜色信息只能检测单色号牌或使用计算成本昂贵的特定颜色搜索算法或使用涉及复杂数学的人工神经网络[2] [3] [4]。建议的VNR系统高效且独立于颜色，因此可以使用普通台式PC实时运行，并可识别各种标准车牌，如信德（黄色），旁遮普（绿色和白色），政府（绿色）和伊斯兰堡（白色）在可接受的照明条件下该建议的系统包括五个步骤。（1）检测车辆并捕获车辆前视图像。（2）使用垂直边缘提取和定位车牌区域。（3）车牌分割和字符分离。（4）使用相关性的模板匹配将像素值的字符转换为字母数字值。（5）使用检测到的许可证号码相应地收取通行税，将详细信息存储在数据库中，生成收据并与硬件通信以自动化道路障碍。

该研究工作如下：第2节回顾了以往研究的文献，第3部分介绍了提出的VNR系统，第4部分简要讨论了制定有效的自动收费税收系统的硬件和数据库部分，第5和第6部分分别描述了实验结果，结论和未来的工作。

二、文献评论

典型的VNR系统包括四个模块：图像采集，车牌提取，字符分割和字符识别。系统的效率和准确性在很大程度上取决于第二模块，并且已经为此目的使用了各种方法。有几种常用的搜索算法来定位车牌。搜索算法依赖于颜色信息[2]。在该方法中，使用颜色搜索算法来提取图像中的似然ROI [2]。这些算法通常很快，但只能检测单色标准牌号。基于垂直边缘和数学形态学运算，在[5]，[6]中实现了高牌照提取率;由于英文字符和数字的垂直边缘，它们可以很容易地分类。几种算法也利用神经网络进行车牌提取[4]。还有一些算法用于识别巴基斯坦车辆的车牌[2] [5]。系统[2]利用颜色搜索算法，仅有效地检测信德的车牌号。其他系统[5]依赖于标准车牌的宽高比，并将输入垂直边缘与该比率匹配以提取车牌。目前，有许多常用的车牌字符分割算法，如通过扩张分割，模板匹配和投影分析。在扩张式分割中，将车牌字符垂直扩张式分割，将每个字符进行分割，利用模糊算法寻找字符区域[7]，车牌字符也通过绘图垂直分割车牌投影和发现每个地区人物[8]。 该算法简单快速，但如果印版有点或图像有噪音，则会产生问题。

三、提出VNR系统

提出的VNR系统有四个主要模块，如图1所示。在第一个模块中，它通过输入图像平均数码相机。在第二个模块中，车牌是使用垂直边缘技术进行本地化。在第三个模块中，提取板的字符用字符分隔分割。最后识别字符和数字使用模板匹配。每个模块包含几个处理步骤，所提算法的流程图如图2所示。

图1 VNR系统模块 图2 建议算法流程

1.图像采集

首先，使用数码相机从车辆前部拍摄图像。在目前的系统中，为了获得模拟结果，使用分辨率为300x400像素的诺基亚手机（5130）拍摄图像；对于原型模型，使用网络摄像头。然后在matlab中获取捕获的图像，然后将其转换为灰度。图3显示了以灰度捕获和转换的图像。

2.牌照提取

本步骤探讨了英文字符和数字的性质，由于数字和字符的存在，图像在牌照区会有锐利的边缘[6]。此属性已用于图像中牌照的提取和定位。提出了几种边缘检测方法。但研究表明，Sobel掩膜与其他掩膜相比具有良好的性能[6]。Sobel方法有两个掩膜：水平掩膜和垂直掩膜。在目前的工作中，只使用了Sobel的垂直掩膜。如果图像不是很歪斜，垂直边缘检测将提供良好的结果[5]。边缘检测结果如图4所示

图3 灰度图像 图4 带垂直边缘的图像

3.钻头密度直方图分析

在这个步骤中，使用直方图分析检查图4中的行的位密度。为此，每行计算一个，并通过垂直投影表示。垂直投影是一个有两个轴的图形，垂直轴表示图像的行，水平轴表示每行中的白色像素数。图5显示了边缘图像的垂直投影。

图5 钻头密度垂直投影

图5显示，数字标牌在垂直投影中的值最高。因此，下一步是在投影中查找值最高为a%的行。这些行是板的候选区域。下一步将应用于从该步骤获得的结果。图6显示了结果图像。

图6 钻头密度分析结果

4.行偏差

前照灯和车辆背景（如树木）也可以具有垂直边缘，因此在上一步中也可以选择它们作为候选区域。发现行偏差可防止这种情况发生。在巴基斯坦，车牌通常位于车辆保险杠的中间或偏移位置。还有一个车牌在窄范围内有垂直边缘，但是那些背景和前照灯在宽范围内有垂直边缘。此功能用于行偏差[6]。通过计算每行垂直边缘的偏差量，可以方便地进行分类。这样做的一个简单方法是找出图6中80%中间列中每行“1”和“0”之间的偏差数。如果该行有b%的最小偏差，则表示该行属于板，因此候选区域中的其他行将被删除[6]。图7描述了行偏差的垂直投影。

图7 行偏差分析

如图所示和讨论的，车辆结构也被视为候选区域。这是由于车辆的边界结构和背景。图8显示了考虑偏差分析后得到的结果。

图8 行偏差结果

5.扩张

在这一步中，将使用形态运算符。所得到的垂直边缘图像在第一次尝试时水平展开，在第二次尝试时垂直展开。展开的结构元素为6像素水平线或垂直线。图像被展开以连接板的特征和制作数字板的骨架。膨胀的结果如图9所示。

图9 扩张图像

6.移除小对象和中值过滤

与牌照一起，候选区域可以有小的线条。在此步骤中，将删除这些小区域。所有像素小于p像素的区域都将被删除。这样，图像中只有一个物体，即车牌的位置。在下一步中，在图像上应用1X15中值滤波器，以使牌照的骨架平滑。去除小物体和中值滤波后的结果图像如图9所示。

图10 滤波后

7.牌照提取

将图10中的图像与图3中的原始图像相乘，然后应用水平和垂直扫描数字板进行裁剪和提取。

8.板块分割

在此步骤中，对板的字符和数字进行分割，并将每个字符和数字保存为不同的图像。为此，首先将牌照调整为特定大小，找到图像区域属性，并确定提取图像中每个连接对象（字符）的详细信息。通过查找属性，可以找到每个字符的起始和结束坐标，并将每个字符保存为矩阵单元中的不同图像。图12显示了分割后的牌照字符。

图11 提取的牌照 图12 分段式号牌

9.模板匹配

车号识别的最后一步是模板匹配。要将字符与存储字符匹配，输入图像的大小必须与存储字符的大小相等。在目前的工作中，使用50x30像素字符。当从板上提取的字符和存储的字符大小相等时，将每个输入字符图像与已经使用互相关存储的字符图像进行比较，并测量出最佳的相似性。在巴基斯坦的车牌上，所有的36个字母数字字符（26个字母和10个数字）都被使用，因此这个系统被使用，并且每个输入字符都与所有的36个字母数字字符相关联。在与车牌的每个输入字符相匹配的模板中，每个输入字符都与所有模板相关联，然后从模板中选择字符。与输入字符相关系数最高的选择.

四、与硬件的接口模型

VNR系统与硬件模型和数据库接口，实现了自动收费系统。硬件模型包括检测车辆存在的近距离传感器、捕获图像的网络摄像机、打开/关闭收费广场路障的电机、执行VNR算法的台式计算机、LCD和七段显示器以及控制硬件模型所有组件的微控制器。当车辆到达收费广场时，感应式接近传感器检测到车辆，并使用并行端口向PC发出信号。连接到PC的摄像头捕获车辆前视图的图像，并在图像上应用VNR算法来识别车辆的车牌号。此号码用于收取通行税并生成包含车辆所有信息的收据。此外，所有的信息，如时间，日期，车牌号和通行费金额都存储在数据库中，以维护记录。然后，PC使用并行端口将信号发送给微控制器，并通过驱动电机打开路障一段时间，LCD上显示“请前进”以引导车辆。系统的完整硬件设计如图13所示。

图13 系统的硬件设计

五、实验结果

根据摄像机的质量和图像的分辨率设置A、B、P的百分比值，可以获得更好的系统性能。系统开发完成后，对整个系统进行了测试设置。在MATLAB R2007中设计了用于车辆号牌识别的算法。该系统使用了Compaq Evo N610C，2.00 GHz处理器和512 MB RAM。该算法的实用性已经通过使用200万像素的手机摄像头（诺基亚5130）在各种照明条件下拍摄的图像进行了测试。对于真实场景，图像分辨率为400x300像素；对于原型模型，网络摄像机用于捕获分辨率为640x480像素的实时图像。从检测到车辆到打开路障，该系统平均需要3到4秒。

六、结论和今后的工作

本文提出了一种实时有效的车号识别方法，并对该方法的实现进行了研究。该系统已经在多种照明条件的图像上进行了测试，可以在高速公路和高速公路上实现自动收费。

该系统运行良好，但仍有改进之处。本项目使用的相机质量一般，由于快门时间长，无法检测快速变化的目标。采用高分辨率摄像机可以提高系统的鲁棒性和速度。本项目中用于识别的模板匹配方法在检测8amp;B、0amp;O等字符时存在问题，可以在相关的同时进行频率变换，以提高系统的数字识别能力。

参考文献：

[1]The Automatic Number Plate Recognition Tutorial, http://www.anpr- tutorial.com, Accessed on May-2012.

[2]M. Tahir Qadri, M. Asif “Automatic Number Plate Recognition System for Vehicle Identification using OCR,” International Conference on Education Technology and Computer, pp 335 – 338, 2009.

[3]V. Swetha, D.R. Sandeep “Automatic Authorized Vehicle Recognition System,” Chennai and Dr.MGR University Second International Conference on Sustainable Energy and Intelligent System (SEISCON), pp 789 – 790, 2011.

[4]V. Koval, V. Turchenko, V. Kochan, A. Sachenko, G. Markowsky “Smart License Plate Recognition System Based on Image Processing Using Neural Network,” IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, pp 123 – 127, 2003.

[5]A. Tahir, H. Adnan Habib, M. Fahad Khan “License Plate Recognition Algorithm for Pakistani License Plates,” Canadian Journal on Image Processing and Computer Vision Vol. 1, No. 2, pp 30-36, April 201

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19782]，资料为PDF文档或Word文档，PDF文档可免费转换为Word