套牌车识别系统前端软件开发外文翻译资料

英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

摘要：本文提出了一种汽车牌照的快速检测方法（CLPD）提出了三个主要成果。第一个成果是，我们提出了一个快速的垂直边缘检测算法（VEDA）基于之间的对比灰度值，从而提高CLPD方法的速度。在对输入图像自适应阈值（AT），一个多余的线消除算法（ULEA）提出增强的图像，然后应用VEDA。第二方面，我们提出的CLPD方法，网络摄像头拍摄的低分辨率图像。后垂直边缘被VEDA检测，所需的板基于颜色信息的细节被高亮显示。然后，该基于统计和逻辑运算的候选区域将提取。最后，检测到LP。第三个贡献是

我们比较了VEDA在精度上的Sobel算子，算法复杂度和处理时间。结果表明，准确的边缘检测性能和更快的处理Sobel算子的五到九倍。在复杂性方面，一big-o-notation应用模块，得到以下结果：VEDA算法具有较小的复杂性由K2倍，而K2代表模拟Sobel大小。结果表明，CLPD计算时间方法为47.7 ms，满足实时性要求。

索引词：自适应阈值（AT）、车牌检测（CLPD），Sobel算子、垂直边缘检测算法

1. 绪论

车牌识别系统（CLP）是一种用来捕捉车牌位置来识别车辆图像处理技术。CLP识别技术被称为自动车牌识别，自动车辆识别，CLP识别，或光学字符，汽车识别。电检测与识别系统（CLPDRS）成为一个重要的研究领域，由于它的各种应用，如停车费、高速公路通行费、交通数据采集、与犯罪预防。通常，一个CLPDRS共分三个部分：车牌（LP）检测（LPD），字符分割和字符识别。其中，LPD是系统中最重要的部分，因为它会影响系统的精度。

创造一个成功的快速检测系统（CLPDs）需要解决许多问题，例如，图像质量差，板的尺寸和设计，处理时间，和背景的细节和复杂性。由于许多原因，如犯罪预防，车辆出入管制和边境管制，汽车识别的需求正在增加。要识别一辆汽车，功能，如模型，颜色和车牌号码可以进行识别。在车辆跟踪系统中，摄像机被用来安装在警车前面以识别那些车辆。通常，许多车辆跟踪和追求系统使用优秀的相机，这导致成本增加的系统在硬件和软件。由于许多方法已经在各种智能交通系统的应用提出的CLPDRS通常是基于640times;480 获取的图像分辨率。如计算时间和算法复杂度降低CLPD方法性能的提高，甚至建立了车牌识别系统的硬件设备成本的降低，将使它比以前更加实际和实用。本文提出了一种在352个CLPD，times;288分辨率的摄像头是用来代替一个更复杂的网络摄像机。在本文中，网络摄像头被用来捕捉图像，并进行脱机过程中，从整个场景图像检测车牌。

因为它的CLPDRS影响系统的精度和计算时间。因此，一个新的垂直边缘检测算法（VEDA）的方法来降低整个CLPD方法计算时间。本文的结构如下。第二节介绍了相关工作。第三节介绍了两部分。第一部分详细讨论了我们所提出的方法对垂直边缘检测，即用多余的线消除算法（ULEA）和VEDA。第二部分提出CLPD方法。实验结果和讨论见第四节。第五节得出我们的结论。

二：需求分析

有几种方法已被用于在LPD，如形态运算，边缘提取，梯度特征的组合，显着性特征，一个神经网络的颜色或灰度分类，矢量量化。

由于环境光照条件、干扰特性等问题，在复杂条件下很难检测出LPS。一些以前的LPD方法被限制在一定的条件下工作，如固定背景和颜色。

前几年，一些研究人员已经在复杂的条件下工作的LPD，Kim等。提出了一种利用LPD算法统计特征和LP模板。经过统计特征选取感兴趣区域（ROI），LP的模板进行匹配的ROI。在许多情况下，一般LP模板是非常难以构建。此外，他们的算法可以工作在一个固定的规模。因此，该算法的应用受到限制。在，Matas和齐默尔曼提出了各种情况下的车牌检测算法。算法利用字符区域作为LPS的基本单元，使算法对视点和光照具有较强的精确性。然而，该算法不能很容易突出字符重叠从真正的LPS。一个用彩色边缘模糊学科LPD算法已被提出。然而，它只能使用某些特定的颜色。

垂直边缘提取是一种在CLPD最关键的步骤，因为它直接影响整个系统的正确检测到LP 。边缘图大大减少了复杂性，并保留了原始图像中存在的重要结构。因此，一个垂直的边缘地图被用于LPD

多年，给定的算法使用一一方向Sobel算子提取的垂直边缘。然而，一些不希望的细节，如水平边缘保持在这样的垂直边缘图。因此，这些细节可以增加处理时间，降低系统精度。在，图像增强和Sobel算子被用来提取汽车图像的垂直边缘。他们使用了一个算法来去除大部分的背景和嘈杂的边缘。最后，在剩余边缘图像中用矩形窗口搜索车牌区域。最近，abolghasemi和ahmadyfard 有改善提高的低质量的输入图像，然后提取的垂直边缘的方法。然后，他们使用形态滤波构成一些地区的车牌等。定义了一个新的垂直梯度图来提取统计特征。作者构建了两个级联分类器的统计和Haar功能的基础上，以减少系统的复杂性，并提高检测率。然而，这种方法将采取更多的处理时间，即使与低质量的图像。

Bai等人提出了LPD算法监测公路售票系统。他们的算法提出了一个线性滤波器，平滑的图像，并克服光的影响。此外，垂直边缘检测用于抑制水平噪声。然后，边缘密度的测量和比较与真实板区域密度。一个非线性滤波器被施加到除去窄的水平线。最后，连接的组件分析算法应用到显示和定位的LP功能。然而，他们的算法更好地与固定的背景和固定相机。

最常见和最早的边缘检测算法是那些基于梯度，如Sobel算子和罗伯茨算子。以前的方法有很多用Sobel算子提取CLPDSs垂直边缘。在本文中，我们提出了VEDA算子提取垂直边缘。

由网络摄像机产生的低分辨率图像是一个有待解决的问题。使用低分辨率图像的clpds的目的是为了获得三的优势：内存小，成本低，计算时间低。本文提出了一种新的方法在CLPD，网络摄像机用于捕捉输入图像。

三、汽车牌照检测方法

A.概述

本文有三个贡献：VEDA提出并用于检测垂直边缘；该CLPD方法处理低质量的图像通过一个网络摄像头，其分辨率352times;288 30帧；以及CLPD方法的计算时间小于几方法.在本文中，彩色图像转换为灰度图像，然后，自适应阈值（AT）应用于图像构成的二值化图像。之后，该ulea是去除噪声，提高图像进行二值化。接下来，垂直边缘提取使用VEDA。接下来的过程是检测LP细节突出基于VEDA的输出像素值的帮助。然后，一些统计和逻辑操作被用来检测候选区域，并搜索真正的候选区域。最后，在原始图像中检测到真正的车牌区域。所提出的方法的流程图CLPD如图1所示。

B.AT

在色彩输入图像转换为灰度图像，一个过程应用构成的二值化图像。布拉德利和罗斯最近提出了实时使用本地窗口的平均值，其中局部平均计算使用积分图像。为了获得良好的自适应阈值，提出的方法。

1. AT技术：在本文采用的技术是一个简单的布拉德利和罗斯和扩展Wellner的方法。Wellner算法的思想是，像素与相邻像素的平均值相比。具体地说，当遍历图像时，计算出最后一个S像素的近似移动平均值。如果当前像素的值比平均值低t，则将其设置为黑色，否则将设置为白色。这种技术是有用的，因为比较像素与相邻像素的平均将保持硬对比线，忽略软梯度变化。这种技术的优点是，只有一个单一的通过图像是必需的。Wellner使用八分之一图像的宽度为S和0.15对T产生各种图像效果最佳值。t值会有一点点修改该值取决于用于Wellner图像；在我们的方法中取范围0.1＜T＜0.2。

然而，Wellner的算法是基于像素的扫描顺序。由于附近的样品不均匀分布在各个方向的移动平均过程不适合给邻近的像素的一个很好的代表。因此，使用积分图像在[ 37 ]解决了这个问题。

1. AT公式：第一步是计算积分图像。最初，求和的像素值为每列j通过所有行的值i会计算使用

其中G（x，y）表示输入值，求和（i）| j表示G中所有累积的灰度值（x，y）为列j通过所有行图像i = 0，1，。..高度。然后，积分图像可以计算为每个像素，如（2）：

在IntgrlImg（i，j）表示像素的积分图像（I，J）。下一步是为每个像素进行阈值。以

这样做，首先，每个本地窗口的强度求和，应计算通过使用两个减法运算和一个加法运算[ 40 ]如下

sumwindow代表指定的本地窗口的灰度值的强度的总和，目前二值像素为中心。窗口的边界可以用s表示计算的本地窗口大小/长度IntgrlImg，而S =图像宽度/ 8

因此，计算图像的自适应阈值，其中g（i，j）isin;[ 0，255 ]是像素位于强度（I，J），阈值T（i，j）为每个像素都要先计算如下：

其中T（i，j）代表每个像素的阈值位置（I，j），和T是一个常数，即，t = 0.15。此值是最佳的阈值性能的最佳值为整个图像测试后，在许多图像和视觉评估。

下面的标准应用于每个像素输出该像素的阈值：

其中O（i，j）表示像素G（I，j）的自适应阈值输出值，S2表示所选区域的本地窗口的计算区域。

1. T值的影响：在这里，T值的影响将被解释来评估图像的灵敏度。两个例子：第一个例子比预定值较小的T值，和其他的例子，有一个更高的值。在（4），如果T = 0。05→T（i，j）= 0。95times;sumwindow，那么G（i，j）的条件times;S2＜T（i，j）在（5）在大多数情况下都是真的。因此，自适应阈值的O（i，j）= 0和大量的灰色区域G（I，J）在输入图像中会出现黑色区域对图像进行二值化。相反，如果T = 0.29→T（i，j）= 0。71times;sumwindow，那么条件在（5）将为否。也就是说，重要的细节会消失。在测试了大量的值后，对于所有输入图像，T的最适当的值已被确定为0.15。

其结果是，在0.15以下的T的衰减会影响在构成新的黑色区域，反之亦然，T的增加超过0.15将影响消除重要的细节。

图2（a）显示输入图像，结果显示在图2（b）后。

C. ulea

阈值过程一般产生许多不属于LP区域的细线。在图2（b）中，我们可以看到有许多长的前景线和短随机噪声边缘旁边的LP区域。这些背景和噪声边缘是多余的线条。这些线路可能会干扰在LP位置。因此，我们提出了一个算法来消除他们的形象。这个步骤可以被看作是一个形态的操作和增强过程。有四种情况下，不必要的线可以形成。在第一种情况下，线路水平等于0◦角为（-）。在第二种情况下，线路垂直等于90◦一角（|）。在第三种情况下，线是倾斜的角度等于45◦（/）。在第四种情况下，线路倾斜，等于135◦角为（）。因此，该ulea已经提出了消除这些线。在这个步骤中，当处理二进制图像时，黑色像素值是背景，而白色像素值是前景。3times;3面具是整个图像的像素用。在阈值图像只有黑色的像素值进行测试。要保留的LP的小细节，只有线宽等于1像素的行检查。假设B（x，y）的值为阈值的图像。一旦位于掩码中心的当前像素值为黑色，则测试八个相邻像素值。如果两个相应的值是白色的，那么当前像素被转换为一个白色值作为前景像素值（即，白色像素）.

图3显示了当前像素被转换为前景像素的可能情况。每一个（a）-（d）的情况下，表示在每次通过图像的掩模移动的两个相应的值。图4显示输出后进行ulea，其中许多多余的线删除图像。这种图像几乎准备好一个更好的分割过程。

D.VEDA

VEDA的优势是区分platedetail区域，特别是开始和结束每一个字符。因此，板的细节将很容易检测到，字符识别过程将更快地完成。在阈值ulea的过程，图像只会有黑色和白色的区域，和VEDA是处理这些地区。VEDA的思想集中在黑–白色[口见图5（a）]和白–黑[见图5（b）]。2times;4面膜是针对这一过程，如图6所示，其中X和Y代表图像的行和列分别。掩模的中心像素位于点（0，1）和（1，1）。通过移动口罩从左到右，黑色-白色区域将被发现。因此，最后两个黑色像素将只保留。同样，第一个黑色像素在白色-黑色区域的情况下将保持。

该模型具有2times;4满足以下两个标准尺寸。

1. 在这种类型的模块，它分为三submasks：第一子屏蔽是左模块”2times;2，“第二子屏蔽为中心的“2times;1，“第三子屏蔽是正确的模块”2times;1”如图6标记。只是，在每两个像素进行检查一次，第一子屏蔽应用，2像素的宽度”，因为两柱处理”可以被认为是用于检测。这个过程被指定为检测在黑色-白色区域的交点的垂直边缘。同样，第三子屏蔽应用于白–黑色区域的交叉口。因此，检测到的垂直边缘具有1像素宽度的属性。
2. 数字“2”指出的行数是立即检查。在这种情况下的消耗时间可以少于两次的情况下，每行单独检查。

要选择列的位置（0，1）和（1，1）是建议的模块的中心，两个像素和一个像素在黑色-白色和白色-黑色区域的情况下，分别保留。

此过程为感兴趣对象的左侧和右侧的两个边执行。第一边缘可以具有黑色像素宽度为2，并且第二边缘可以具有黑色像素宽度为1。2times;4位置开始移动从上到下、从左到右。如果在位置的四像素（0，1），（0，2），（1，1），和（1，2）是黑色的，然后其他掩码值进行测试，如果它们是否是黑色或不。如果整个值为黑色，则两个位置（0，1）和（1，1）将被转换为白色。否则，如果列1和任何其他列有不同的颜色，列1的像素值，然后将采取。重复这一过程，在整个图像的像素。将此过程应用于图4中所有图像像素后，结果如图7所示。

1. Sobel的输出形式与VEDA输出形式：在图8中，Sobel算子的输出形式和VEDA的比较。对于Sobel，检测对象的两个垂直边缘具有相同的厚度，如图8所示（a）。对VEDA，有两个像素的每个物体的厚度，如图8（b）。

作为VEDA

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[140874]，资料为PDF文档或Word文档，PDF文档可免费转换为Word