基于先验知识的车牌识别外文翻译资料

License Plate Recognition Based On Prior Knowledge

Abstract - In this paper, a new algorithm based on improved BP (back propagation) neural network for Chinese vehicle license plate recognition (LPR) is described. The proposed approach provides a solution for the vehicle license plates (VLP) which were degraded severely. What it remarkably differs from the traditional methods is the application of prior knowledge of license plate to the procedure of location, segmentation and recognition. Color collocation is used to locate the license plate in the image. Dimensions of each character are constant, which is used to segment the character of VLPs. The Layout of the Chinese VLP is an important feature, which is used to construct a classifier for recognizing. The experimental results show that the improved algorithm is effective under the condition that the license plates were degraded severely.

Index Terms - License plate recognition, prior knowledge, vehicle license plates, neural network.

I. INTRODUCTION

Vehicle License-Plate (VLP) recognition is a very interesting but difficult problem. It is important in a number of applications such as weight-and-speed-limit, red traffic infringement, road surveys and park security [1]. VLP recognition system consists of the plate location, the characters segmentation, and the characters recognition. These tasks become more sophisticated when dealing with plate images taken in various inclined angles or under various lighting, weather condition and cleanliness of the plate. Because this problem is usually used in real-time systems, it requires not only accuracy but also fast processing. Most existing VLP recognition methods [2], [3], [4], [5] reduce the complexity and increase the recognition rate by using some specific features of local VLPs and establishing some constrains on the position, distance from the camera to vehicles, and the inclined angles. In addition, neural network was used to increase the recognition rate [6], [7] but the traditional recognition methods seldom consider the prior knowledge of the local VLPs. In this paper, we proposed a new improved learning method of BP algorithm based on specific features of Chinese VLPs. The proposed algorithm overcomes the low speed convergence of BP neural network [8] and remarkable increases the recognition rate especially under the condition that the license plate images were degrade severely.

II. SPECIFIC FEATURES OF CHINESE VLPS

A. Dimensions

According to the guideline for vehicle inspection [9], all license plates must be rectangular and have the dimensions and have all 7 characters written in a single line. Under practical environments, the distance from the camera to vehicles and the inclined angles are constant, so all characters of the license plate have a fixed width, and the distance between the medium axes of two adjoining characters is fixed and the ratio between width and height is nearly constant. Those features can be used to locate the plate and segment the individual character.

B. Color collocation of the plate

There are four kinds of color collocation for the Chinese vehicle license plate .These color collocations are shown in table I.

TABLE I

Moreover, military vehicle and police wagon plates contain a red character which belongs to a specific character set. This feature can be used to improve the recognition rate.

C. Layout of the Chinese VLPS

The criterion of the vehicle license plate defines the characters layout of Chinese license plate. All standard license plates contain Chinese characters, numbers and letters which are shown in Fig.1. The first one is a Chinese character which is an abbreviation of Chinese provinces. The second one is a letter ranging from A to Z except the letter I. The third and fourth ones are letters or numbers. The fifth to seventh ones are numbers ranging from 0 to 9 only. However the first or the seventh ones may be red characters in special plates (as shown in Fig.1). After segmentation process the individual character is extracted. Taking advantage of the layout and color collocation prior knowledge, the individual character will enter one of the classes: abbreviations of Chinese provinces set, letters set, letters or numbers set, number set, special characters set.

(a)Typical layout

(b) Special character

Fig.1 The layout of the Chinese license plate

III. THE PROPOSED ALGORITHM

This algorithm consists of four modules: VLP location, character segmentation, character classification and character recognition. The main steps of the flowchart of LPR system are shown in Fig. 2.

Firstly the license plate is located in an input image and characters are segmented. Then every individual character image enters the classifier to decide which class it belongs to, and finally the BP network decides which character the character image represents.

Fig.2 The flowchart of LPR system

A. Preprocessing the license plate

1) VLP Location

This process sufficiently utilizes the color feature such as color collocation, color centers and distribution in the plate region, which are described in section II. These color features can be used to eliminate the disturbance of the fake platersquo;s regions. The flowchart of the plate location is show

剩余内容已隐藏，支付完成后下载完整资料

基于先验知识的车牌识别

摘要-本文基于一种新的改进的BP（反向传播）神经网络算法对中国的车辆车牌识别(LPR)进行了介绍。该方式对严重退化车辆车牌（VLP）提供了一种解决方法。明显区别于传统方法的是该方法应用先验知识进行车牌的定位、分割和识别。色彩搭配用来定位图像中的车牌。每个字符的尺寸是不变的，这一点可用于车辆车牌字符的分割，中国的车辆车牌的构造具有重要的特征,可以用来构建识别分类器。实验结果表明,改进后的算法能够有效地对退化严重的车牌进行识别。

关键词 ：车牌识别，先验知识，车牌，神经网络。

I.绪论

汽车车牌（VLP）识别是一个非常有趣但很困难的问题。在一些诸如超重、超速、闯红灯、道路检查和公园安全[1]等应用中是很重要的。汽车车牌识别系统包括车牌定位、字符分割和字符识别。在拍摄角度有倾斜或在有光照的天气状况以及车牌不清洁的情况下，这些处理将变得更加复杂。因为这个问题通常是用在实时系统中，不仅要求精度高，而且还要求快速处理。大多数现有的车牌识别方法[2][3][4][5]减少了复杂性，而且通过本地汽车车牌的一些具体特征,调整相机镜头到车辆之间的位置、距离和倾斜角度提高了识别率。此外，尽管神经网络提高识别率[6][7]，但传统的识别方法很少考虑当地汽车车牌的先验知识。在本文中， 根据中国汽车车牌的具体特征，我们提出了一种新的改进的BP学习算法，这种算法克服了BP神经网络[8]的收敛速度慢的缺点，尤其是车牌图像退化严重的情况下显着地提高识别率。

II.中国汽车车牌的具体特征

A：尺寸

根据车辆检测[9]，所有的车牌必须是长方形，有尺寸，7个字符都写在单独的一行。在实际环境中，从相机到车辆的距离和倾斜角度是不变的，因此所有字符车牌有一个固定的宽度， 两个相邻字符之间的中等轴距离固定，宽度和高度之间的比率几乎是恒定的。这些特征可以用来进行车牌定位和字符分割。

B.车牌的颜色搭配
在中国的车牌中，有4种颜色的搭配。这些颜色搭配如表1所示：

表1

此外，军车和警车牌照包含一个红色的字符，它属于一个特定的字符设置， 这些特征可以提高识别率。

C.中国汽车车牌的构造

中国车牌字符构造由车牌的标准决定。所有标准的牌照包含中文字符，数字和字母如图1所示。第一个是中文字符即中国各省的缩写。第二个字符是除了I以外的A到Z的字母，第三和第四个字符是字母或数字。第五至第七位字符是从0到9的数字，然而，第一或第七个字符在特殊的车牌中可以是红色的（如图1所示）。经过分割过程单个的字符被提取出来。利用字符构造和颜色搭配先验知识，将单个字符列入下面中的一类：中国各省的缩写集，字母集，字母或数字集，数集，特别字符集。

（a）典型构造

（b）特殊构造

图1 中国车牌构造

III..本文采用的算法
该算法由四个模块组成：车牌定位，字符分割，字符分类和字符识别。 车牌识别系统流程图的主要步骤如图 2所示。首先对输入图像进行车牌定位和字符分割，然后对每一个字符进行分类，以决定​​它属于哪一类，最后的BP神经网络决定字符图像代表了哪些字符。

图2车牌识别系统流程图

A：车牌预处理

1）汽车车牌的定位这个过程充分利用颜色特征，如第二节所述的色彩搭配，车牌区域色彩中心和分布，。这些颜色特征可用于消除对造成的车牌的干扰。车牌定位流程图如图3所示。

图3车牌定位算法的流程图

同车牌相似的纹理和结构区域被提取出来，这一过程被描述为

(1)

(2)

其次这里，高斯方差设置为小于W/3（W是汉字笔划宽度），因此得到其最大值M。经过卷积，另阀值等于T *M（Tlt;0.5）进行二值化。中值滤波是用来保存边缘梯度和消除隔离噪音的二进制图像。设置一个N* N的矩形中值滤波器，N代表奇数，近似等于W。
形态学闭运算可以用来提取目标区域。车牌目标区域的置信度可根据比率和区域大小得到验证。这里，由于倾斜的原因，长宽比设置在1.5和4之间。利用色彩搭配的先验知识进行用车牌区域的精确定位。车牌的定位过程如图4所示。

（a）原始图像（b）二值化（c）中值滤波

（d）闭运算（e）结构验证（f）车牌提取

图4车牌定位的全过程

2）字符分割

这部分介绍了基于先验知识的字符分割算法，同时用到了字符宽度、数量、高宽比等特征，字符分割的流程图如图5所示。

图5字符分割的流程图

首先，预处理牌照的图像，如光照不均校正，对比度增强，倾斜校正和边缘增强运算；其次，消除第二个字符和第三个字符之间出现的空间标记；第三，合并字符分割的片段。在中国，所有的标准车牌只包含7个字符（见图1）。如果分割字符的数量超过七，必须进行合并。表二显示合并的过程。最后，提取基于字符数量和宽度的单个字符图像。图6显示的分割结果。（a）倾斜和破损的车牌图像，（b）倾斜和扭曲的车牌图像，（c）严重褪色的车牌图像，（d）黑斑点的车牌图像。

表2

其中Nf是分割字符数量，Maxf是车牌号码数量，i是每个分割字符的下标。

每个分割字符的中值由以下公式确定：

（3）

是分割字符的初始坐标，是分割字符的最后坐标。连续两个中值点之间的距离计算公式为：

（4）

图6分割结果

B：基于特定的先验知识的识别

中国汽车车牌的构造是一个重要特征（如在第二节中所述），这一点可以用来构建一个分类器用于识别。识别过程采用共轭梯度下降的快速学习方法，这是一个改进BP神经网络的学习方法[10]。共轭梯度下降采用了一系列权值或参数空间中的线搜索。沿第一个下降方向，并沿着这一方向移动，直到误差达到最小。然后计算第二下降方向：这个方向的“共轭方向”沿梯度不会改变其方向，从前面的进行迭代。该算法采用如图7所示拓扑625-35-N结构。输入值的大小是625（25 *25），初始权值是随机值，理想的的输出值与输入值有相同的特征。

图7，网络拓扑结构

如图7所示，有一个三层网络，包含工作信号前向传输和误差信号的反馈传播过程。目标参数t、网络输出向量的长度为n。Sigmoid是非线性传递函数，权重初始化为一任意值，并在减小误差的方向上的改变。
该算法采用1000幅不同背景和光照的图像进行训练，其中大部分图像退化严重。经过预处理，对单个字符进行存储。所有用于训练和测试的字符具有相同的大小（25 *25），车牌识别全过程包括以下步骤：

1）特征提取

从分离的字符图像中得到的的特征向量 对识别率的直接影响。许多方法可以用于提取图像样本的特征，例如在垂直方向上的数据统计，边缘和形状，框架和所有像素值。基于大量的实验，所有的像素值方法用于构造特征向量。每个字符被改造成625行特征向量的集合，这些特征向量分成两类，用于训练过程和测试过程。
2）训练模式
中国汽车车牌的构造是一个重要特征，可以用来构建用于训练的分类器，因此分成5类。数字训练过程如图 8所示。

图8字符识别神经网络的架构

如图 8所示，首先分类器决定输入特征向量的类别，然后将特征向量输入到相应的神经网络。训练过程之后，将用于识别的网络最佳参数进行存储。训练和测试过程的总结如图9所示。

（a）训练过程

（b）测试过程

图9识别过程

3）识别模型

经过训练过程，有五个网络得到完全训练，最佳参数得到存储。未受过训练的特征向量用来测试网络，识别系统的性能如表三所示。车牌识别系统的特征是式（5）定义的识别率。

识别率=（正确读取的字符数）/（找到的字符数） （5）

表3

IV.与其他方法识别率的比较

为了评估该算法，采取两组实验进行比较。一组是与基于BP识别的方法 [11]进行比较。结果如表四所示。另一组是与基于SVM的方法[12]进行比较。结果如表五所示。采用了相同用于训练和测试数据集，比较结果表明，本文采取的方法优于BP神经网络和SVM方法。

表4

表5

V. 结论
在本文中，基于汽车车辆的具体特征，我们采用一种新的改进BP学习算法。在预处理过程中用到了色彩搭配和尺寸特征，这使得定位和分割更精确。中国汽车车牌的构造是一个重要的特征，用来构建一个用于识别的分类器，使得它对有划痕和倾斜的车牌识别效果更好。实验结果表明，该方法降低了错误率，消耗更少的时间。然而，在处理尤其是质量差或类似的车牌和字符时，仍然有一些误差。专门处理质量差板和以其他类似的字符。这往往在

如下的字符中容易混淆（尤其是字母和数字）：3-8 4-8-D – 0。我们尝试在神经网络后面添加模板模型[13] 用以改善错误识别的问题。

参考文献

[1] P. Davies, N. Emmottand N. Ayland,“ License Plate Recognition Technology for Toll Violation Enforcement” Proceedings of IEE Colloquium on Image analysis for Transport Applications, Vol. 035, pp.7/1-7/5, February 16, 1990.

[2] 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

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[23565]，资料为PDF文档或Word文档，PDF文档可免费转换为Word