高速公路图像分析方法研究外文翻译资料

Image processing

Image processing is not a one step process．We are able to distinguish between several steps which must be performed one after the other until we can extract the data of interest from the observed scene．In this way a hierarchical processing scheme is built up as sketched in Fig． The figure gives an overview of the different phases of image processing.

Image processing begins with the capture of an image with a suitable，not necessarily optical，acquisition system．In a technical or scientific application，we may choose to select an appropriate imaging system．Furthermore，we can set up the illumination system，choose the best wavelength range，and select other options to capture the object feature of interest in the best way in an image．Once the image is sensed，it must be brought into a form that can be treated with digital computers.This process is called digitization.

With the problems of traffic are more and more serious. Thus Intelligent Transport System (ITS) comes out. The subject of the automatic recognition of license plate is one of the most significant subjects that are improved from the connection of computer vision and pattern recognition. The image imputed to the computer is disposed and analyzed in order to localization the position and recognition the characters on the license plate express these characters in text string form The license plate recognition system (LPSR) has important application in ITS. In LPSR, the first step is for locating the license plate in the captured image which is very important for character recognition. The recognition correction rate of license plate is governed by accurate degree of license plate location. In this paper, several of methods in image manipulation are compared and analyzed, then come out the resolutions for localization of the car plate. The experiences show that the good result has been got with these methods. The methods based on edge map and frequency analysis is used in the process of the localization of the license plate, that is to say, extracting the characteristics of the license plate in the car images after being checked up for the edge, and then analyzing and processing until the probably area of license plate is extracted.

The automated license plate location is a part of the image processing ,itrsquo;s also an important part in the intelligent traffic system．It is the key step in the Vehicle License Plate Recognition(LPR).A method for the recognition of images of different backgrounds and different illuminations is proposed in the paper.the upper and lower borders are determined through the gray variation regulation of the character distribution.The left and right borders are determined through the black-white variation of the pixels in every row

The first steps of digital processing may include a number of different operations and are known as image processing．If the sensor has nonlinear characteristics, these need to be corrected．Likewise，brightness and contrast of the image may require improvement．Commonly，too，coordinate transformations are needed to restore geometrical distortions introduced during image formation．Radiometric and geometric corrections are elementary pixel processing operations．

It may be necessary to correct known disturbances in the image，for instance caused by a defocused optics，motion blur，errors in the sensor，or errors in the transmission of image signals．We also deal with reconstruction techniques which are required with many indirect imaging techniques such as tomography that deliver no direct image.

A whole chain of processing steps is necessary to analyze and identify objects．First，adequate filtering procedures must be applied in order to distinguish the objects of interest from other objects and the background．Essentially，from an image（or several images），one or more feature images are extracted．The basic tools for this task are averaging and edge detection and the analysis of simple neighborhoods and complex patterns known as texture in image processing．An important feature of an object is also its motion．Techniques to detect and determine motion are necessary．Then the object has to be separated from the background．This means that regions of constant features and discontinuities must be identified．This process leads to a label image．Now that we know the exact geometrical shape of the object，we can extract further information such as the mean gray value，the area，perimeter，and other parameters for the form of the object[3]．These parameters can be used to classify objects．This is an important step in many applications of image processing，as the following examples show：In a satellite image showing an agricultural area，we would like to distinguish fields with different fruits and obtain parameters to estimate their ripeness or to detect damage by parasites

There are many medical applications where the essential problem is to detect pathologi-al changes．A classic example is the analysis of aberrations in chromosomes．Character recognition in printed and handwritten text is another example which has been studied since image processing began and still poses significant difficulties

You hopefully do more，namely try to understand the meaning of what you are reading．This is also the final step of image processing，where one aims to understand the observed scene．We perform this task more or less unconsciously whenever we use our visual system．We recognize people，we can easily distinguish between the image of a scientific lab and that of a living room，and we watch the traffic to cross a street safely．We all do this without knowing how the visual system works．For some times now，image processing and computer-graphics have been treated as two different areas．Knowledge in both areas has increased considerably and more complex problems can now be treated．Computer graphics is striving

剩余内容已隐藏，支付完成后下载完整资料

（一）图像处理

图像处理不是一步就能完成的过程。可将它分成诸多步骤，必须一个接一个地执行这些步骤，直到从被观察的景物中提取出有用的数据。依据这种方法，一个层次化的处理方案如图12-1所示，该图给出了图像处理不同阶段的概观。

图像处理首先是以适当的但不一定是光学的采集系统对图像进行采集。在技术或科学应用中，可以选择一个适当的成像系统。此外，可以建立照明系统，选择最佳波长范围，以及选择其他方案以便用最好的方法在图像中获取有用的对象特征。一旦图像被检测到，必须将其变成数字计算机可处理的形式，这个过程称之为数字化。

随着交通问题的日益严重，智能交通系统应运而生。汽车牌照自动识别系统是近几年发展起来的计算机视觉和模式识别技术在智能交通领域应用的重要研究课题之一。课题的目的是对摄像头获取的汽车图像进行预处理,确定车牌位置,提取车牌上的字符串，并对这些字符进行识别处理,用文本的形式显示出来。车牌自动识别技术在智能交通系统中具有重要的应用价值。在车牌自动识别系统中，首先要将车牌从所获取的图像中分割出来，这是进行车牌字符识别的重要步骤，定位准确与否直接影响车牌识别率。本文在对各种车辆图像处理方法进行分析、比较的基础上,提出了车牌预处理、车牌粗定位和精定位的方法，并且取得了较好的定位结果。车牌定位采取的是边缘检测的频率分析法。从经过边缘提取后的车辆图像中提取车牌特征,进行分析处理,从而初步定出车牌的区域，再利用车牌的先验知识和分布特征 对车牌区域二值化图像进行处理，从而得到车牌的精确区域。

汽车牌照的自动定位是图像处理的一种，也是智能交通系统中的重要组成部分之一，是实现车牌识别(LPR)系统的关键。针对不同背景和光照条件下的车辆图像，提出了一种基于灰度图像灰度变化特征进行车牌定位的方法。依据车牌中字符的灰度变化以峰、谷规律分布确定车牌上下边界，对扫描行采用灰度跳变法确定车牌左右边界。

数字化处理的第一步包含了一系列不同的操作并被称之为图像处理。如果传感器具有非线性特性，就必须予以校正，同样，图像的亮度和对比度也需要改善。通常，还需要进行坐标变换以消除在成像时产生的几何畸变。辐射度校正和几何校正是最基本的像素处理操作。 在图像中，对已知的干扰进行校正也是不可少的，比如由于光学聚焦不准，运动模糊，传感器误差以及图像信号传输误差所引起的干扰。在此还要涉及图像重构技术，它需要许多间接的成像技术，比如不直接提供图像的X射线断层技术等。

一套完整的处理步骤对于物体的分析和识别是必不可少的。首先，应该采用适当的过滤技术以便从其他物体和背景中将所感兴趣的物体区分出来。实质上就是从一幅图像（或者数幅图像）中抽取出一幅或几幅特征图像。要完成这个任务最基本的工具就是图像处理中所使用的求均值和边缘检测、简单的相邻像素分析，以及复杂的被称为材质描述的模式分析。物体的一个重要特性就是它的运动性。检测和确定物体运动性的技术是必不可少的。随后，该物体必须从背景中分离出来，这就意味着具有同样特性和不同特性的区域必须被识别出来。这个过程产生出标志图像。既然已经知道了物体精确的几何形状，就可以抽取诸如平均灰度值、区域、边界以及形成物体的其他参数等更多的信息。这些参数可用来对物体进行分类，这是许多图像处理应用中至关重要的一步，比如下面一些应用：在一个显示农业地区的卫星图像中，想要区别出不同的果树，并获取参数以估算出成熟情况并监测害虫情况； 在许多的医学应用中，最基本的问题是检查病理变化，最典型的应用就是染色体畸变分析；印刷体和手写体识别是另一个例子，图像处理一出现，人们就开始对它进行着研究，现在依然困难重重。 人们希望能了解得更多一些，也就是试图理解所读到的内容。这也是图像处理的最后一个步骤，即理解所观察到的景象。当我们使用视觉系统时，实际上已或多或少无意识地在执行这个任务。我们能识别不同的人，可以很轻易地区分出实验室和起居室，可以观察车流以便安全地穿行马路。我们完成这样的任务而并不了解视觉系统工作的奥秘。

长久以来，图像处理和计算机图形学被看做两个不同的领域。现在，人们在这两个领域中的知识都有了极大的提高，并可以解决许多复杂的问题。计算机图形学正在努力使三维景物的计算机图像达到照片级效果。而图像处理则试图对用照相机实际拍摄的图像进行重构。从这个意义上讲，图像处理完成的是与计算机图形技术相反的过程。但从有关物体的形状和特性知识开始（如图12-1的底部所示），向上直到获得一个二维图像要运用图像处理和计算机图形技术，所用到的基本知识都是一样的。我们需要了解物体和照明之间的相互关系，三维景物是如何投影到图像平面上的等有关知识。 图像处理和计算机图形工作站之间仍然有一些不同之处。但我们应该看到，一旦较好地理解了计算机图形技术和图像处理之间的相似性和相互关系，并开发出了适当的硬件系统，一些既可处理计算机图形，又可完成图像处理任务的通用工作站就会出现。多媒体的出现，即文字、图像、声音和电影的综合，将进一步加速计算机图形学和图像处理的统一。

1980年元月《科学美国人》发表了一幅被称之为“Plume 2”的著名图像，它是1979年3月5日通过宇宙飞船旅行者1号在木星的卫星上探测到的8次火山爆发中的第二次。这幅图像在星际探险图像中是一个里程碑，人们第一次在宇宙中看到了正在爆发的火山。它也是图像处理领域的一次伟大胜利。 卫星图像以及宇宙探测器所获取的图像直到近年来才大量应用图像处理技术。在这些技术中，对计算机图像进行数字化处理以得到想要获得的效果，比如使图像的某一部分或某一特性更加明显。

图像处理源自于二战中的摄影侦察。当时，处理操作是通过光学方法来完成的，判读工作则是由专门精于此道并能确定炸弹袭击结果的人员来做。随着20世纪60年代后期卫星图像的出现，更多基于计算机的工作便开展起来彩色合成的卫星图像，有时的确漂亮得让人吃惊，它们已经成为人类视觉文化和对我们这个行星进行认知的一个组成部分。 正如计算机图形学一样，直到近几年，图像处理仍局限在一些实验室里使用，只有这些地方才能提供昂贵的图像处理计算机来满足处理大量高分辨率图像的需要。随着价格低廉的高性能计算机和诸如数码相机及扫描仪这样的图像采集设备的出现，我们已经看到图像处理技术在向公众领域转移。经典的图像处理技术很平常地被图像设计人员用来处理图片和生成图像，比如修复缺陷，改变色彩等或者通过图像边缘增强这样的处理来改变整个图片外观。

目前图像处理的主流应用是图像的压缩，即通过互联网进行传递或在可视电话和视频会议中进行移动视频图像的压缩。可视电话是当今结合计算机图像和传统图像处理技术，以期产生很高压缩比的交叉领域之一。所有这一切都是图像的数字表达这一不可抗拒的发展趋势的组成部分。事实上，20世纪最强大的图像形式——电视图像，也将不可避免地融入数字领域。

图像处理的特点是针对不同问题有大量不同的算法。有一些是应用于每一个像素的、数学的或不依赖上下文的运算，比如，可以使用傅里叶变换来完成图像滤波操作；还有一些则是算法上的一一可以在图像中使用复杂的递归策略找出构成边缘的那些像素。 图像处理操作通常形成计算机视觉系统的一部分。比如，在形状检测操作中输入图像可过滤成高光或显示图像边缘。在计算机视觉系统中．这些处理通常认为是低级操作在计算机图形技术中，过滤操作广泛地用于防止图像毛边或采样失真。

（二）车牌识别

车牌号码识别（LPR）的研究是一个相当重要的问题，这一系统已经是商业运作系统的几个重要组成部分之一。然而许多类似系统需要复杂的视频采集硬件并且需要与红外闪关灯利用技术相结合，用以形成大尺寸车牌在某些区域和（人工）字符鉴别。在本文中，我们描述了一个车牌识别系统，这一系统实现了高质量的视频信号分辨，具备较高的识别率而且不需要昂贵的硬件。我们也探讨了汽车制造和模式识别问题，其目的在于搜寻用于部分车牌号码监控并与录像档案馆联合一些汽车视觉描述系统。我们的提出方法将提供给民间基础设施宝贵的信息，并提供以各种情境位执法对象的信息。

1、简介

车牌识别问题（LPR）被广泛认为是与许多系统急待解决的问题之一。一些较为著名的侍卫伦敦交通拥挤而设置的收费系统，一级为美国海关边境巡逻任务开发的系统。还有在加拿大和美国的部分收费公路用于执法的收费系统。虽然向公众发布了一些关于商业的准确性细节，但是不熟的车牌识别系统仅仅在可操作的条件下才能正常工作。因而，他们有两个主要缺点是我们可以解决的：

首先，他们需要高解析度成像，需要有专门的硬件。大多数的学术研究在这方面也需要高清晰度图像或依赖于特殊地理位置的车牌，并考虑下到这些地区的任何实物因素，甚至是一些常见的误读字符和特殊字符。

其次，具有一定性质的LPR系统可以当做是汽车的指纹车牌。换句话说，确定车辆的身份完全基于附带的车牌。可以想见，这种情况下需要考虑两个板块从完全不同的品牌和型号的汽车被调换的情况，在这种情况下，这些系统将无法发现这一问题。我们作为分辨这也不太会容易分辨汽车的车牌号码，除非汽车很接近我们的。我们也不可能非常容易的记忆所有字符。然而，我们能够识别和记忆汽车外观，即使当汽车正在加速离开我们。事实上，信息记忆表现出这样一种迹象，首先是汽车的品牌和型号，只有那么它的车牌号码，有时甚至不是一个完整的号码。因此，考虑到汽车的外观描述和部分车牌号，当局应该能够查询他们对类似的车辆监控系统和检索时，该车辆失踪与当时存档的录像资料以及时间记号。

本文中我们描述了一个车牌识别方法，指向良好，而且不需要使用昂贵的成像硬件，同时可以用于探索汽车制造商和型号识别（MMR）。犹豫车牌的互补性和型号的信息不同，使用时需要考虑分辨能力，不仅具备高精度文字分辨能力，而且具备更强能力的汽车监控系统。

2、车牌侦测

在任何物体识别系统中，有两个需要加以解决的重大问题，即检测到场景中的并且认识它，检测是一个重要的先决条件。我们进入车牌检测问题则作为一个文本提取的问题。该检测方法可作如下描述。窗口大约一个车牌图像的尺寸，被安置在每个视频流和帧的图像内容作为输入传递给一个分类器，如果窗口包含一个车牌其输出为1否则为0.然后把放置在画面中的车牌和候选地点的所有可能的地点记录该在类并输出一览表。而实际上，这种分类，我们需要一个强大的分类器，存在许多弱分类，针对于不同功能的专门牌照，从而使每一个更为准确的分辨出来。这种有效的分类器采用AdaBoost算法，因为它们只需要超过50％的准确度，AdaBoost的选择最佳的现象并从弱分类设置，每一个单一的功能都能用弱分类器实现。

3、品牌和型号识别

由于与车牌识别问题，探测车的第一步，品牌和型号进行识别（MMR）。为此，我们可以应用运动分割方法估算的感兴趣区域（ROI），其中包含了汽车。相反，我们决定使用作为存在和一个视频流中车辆的位置显示检测到的车牌位置，并为作物识别汽车的投资回报率。这种方法也将是有益品牌和型号的静态影像，那里的分割问题是比较困难的。

3.1字符识别

应用二值化算法，这是我们最初的意图，如对尼布莱克算法的修改后的版本由陈和尤尔[5]用于提取牌照从我们的检测器板的图像，然后使用商业二元化的形象OCR的包作为输入。我们发现，即使我们尝试在104 times; 31的OCR软件包决议也产生了非常糟糕的结果。也许这不应该作为许多定制的OCR车牌识别系统在现有的解决方案考虑。

除非在阅读文字手写的形式,然后对分割图像进行识别，这是与OCR软件来分割共同的特点。市场细分最简单的方法通常涉及的行和列像素，并把部门在当地最小的投影功能的投影。在我们的数据中，分辨率太低可依靠分割字符以这种方式解决，因此，我们决定采用模板匹配，而不是简单的匹配，它可以同时找到两个位置的人物和他们的身份。

该算法可描述如下：对于每个字符的例子，我们搜索在车牌图像模板的图像中所有可能的偏移量，并记录前N最佳匹配。的搜索是通过使用标准化互相关（NCC）的，以及关于评分阈值的位置，然后才考虑一个可能匹配的应用。如果有多个字符匹配一个地区的平均字符的大小，选择具有较高的相关性特征，具有较低的相关性字符将被丢弃。一旦所有的模板已检索，发现每个地区的特点是从左向右形成一个字符串。 N是对车牌图像分辨率的依赖性，应当选择恰当，并不是所有的N场比赛是在一个单一的字符相同的字符时，多次出现在图像里，所以，并非所有地区都可能处理。 这种方法似乎效率不高，但是，认识过程的一类二阶时的时间为104 times; 31分辨率，我们是可以接受的这一范围的。

4、数据集

我们会自动生成运行在几个小时的视频数据检测和跟踪车牌和种植400 times; 220像素周围的每个跟踪序列中的车牌架固定窗口的大小的汽车图像数据库。这种方法产生的图像，其中1,140辆各品牌和型号的大小都大致相同。该作物窗口位置，这样的车牌是在底部的第三个中心的外形。我们选择这个作为参考点，以确保匹配的正确性，完成的只有车的提取而不是背景的提取。如果我们为中心的车牌纵向和横向的汽车，车牌装在他们的保险杠会在图像中出现道路的图像。

在收集这些图片，我们手动指定品牌，型号和年份标签的1,140张图片中的790。我们无法标签其余350张图像由于我们与这些汽车不很熟悉的。我们经常做的汽车的网站来确定汽车的制造和使用。该网站允许用户输入检查汽车号码检测是否已通过最近的烟雾检查。对于每个查询，该网站返回烟雾的历史以及汽车的品牌和型号说明如果可用。美国加利福尼亚州要求所有车辆超过三年以上才能通过烟雾检查每二年。因此，对我们个人的经验而言，他们依靠标签查询汽车。

我们分成查询设置1,140标记图像和数据库设置。查询集包含选择代表了38多种品牌和型号的图像类，与相同品牌和型号，但不同年份多个查询在某些情况下，为了捕捉随着时间

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[140671]，资料为PDF文档或Word文档，PDF文档可免费转换为Word