文献翻译+原文 - 图文

文献翻译+原文

图11.字符分割过程流程图

在字符识别之前，字符被归一化为25*15像素。执行这个补丁的归一化处理使分割后的字符被字符识别模块的人工神经网络识别。 5.字符识别

开发这个模块的主要部分是利用前馈反向传播人工神经网络。由于神经网络智能接收一个固定的矩阵作为其输入，这清楚地解释了字符归一化的原因。25*15的字符意味着在其输入层，神经网络拥有375个神经元。基于经验法则开发了一个3层的神经网络。这个法则意味着中间层神经元的数量在输出层和输入层神经元数量之间。此神经网络的输出格式在图12中有说明。这样，这意味着，输出层应当由36个神经元组成。数值型的字符从0-9，字符型从A-Z组成了这个数目。但是，在图像库的所有车牌中都找不到字母‘I’，‘O’和‘Z’。这样，此系统的神经元仅有33个神经元组成。附录A是用于训练神经网络的字符，从0到9。

A 1 0 0 0 B 0 1 0 0 C 0 0 1 0 D ……… 0 0 0 1 图12.神经网络输出格式 通过在多种配置中进行实验，发现，在输入层中使用375个神经元（纯线性激活函数），2中间层使用207个神经元（正切sigmoid激活函数），输出层使用33个神经元（纯线性激活函数）的神经网络，被动量梯度下降法和自适应速率反向传播算法训练后，得到最高的成功识别率。为了验证其鲁棒性，神经网络被使用训练和未训练的数据进行测试。这些用于训练的样本从数据库中的589张图片中获得。图13中阐明了神经网络结构。这个网络耗费最少的训练时间并产生令人满意的结果。这样，包含额外的字符将会非常方便。

图13. 神经网络结构

6.结果和讨论

为了便于验证算法的鲁棒性，通过使用Matlab中的GUI开发环境工具包（GUIDE）开发了一个简单的图形用户界面（GUI）。图14显示的是为系统开发的GUI。用户可以方便的将图片导入到GUI中，在车牌图像中定位车牌，分割和识别字符。并且，用户可以勾选GUI中的各种复选框查看经过前面各种处理后高亮显示的结果图像。图15阐明了在两个检测到的候选区中进行垂直映射分析的结果。

9 / 22

文献翻译+原文

图14.图形用户界面

图15.候选区的垂直映射分析

总计有589张图片被用来测试算法。在复杂室外环境图片的车牌定位识别的平均成功率是95%。这些图片由停在不同方向，不同光照强度，复杂背景下的汽车组成。在可控环境下，车牌的定位和识别的成功率接近100%。图16显示了从数据库中挑选的被陈宫定位和识别的4张图片。更多的样本结果，请参考附录B。

可以看出，定位和识别的5%不成功率是因为车牌中包含金属字符或者字符没有清晰的分隔开来。相邻十分紧密的字符不能被简单的字符分割算法分离开来。更复杂的算法可能会给处理器增加更重的负担，且需要算法足够智能以至于能够算出两个或三个字符对象之间的分割点。解决这个问题的一个最显然的方法是使用高分辨率的图像，这回直接增加此算法的计算需求或保证在合适的距离和视角拍摄图像，这可以保证车牌中字符之间分隔的足够开。

虽然我们知道使用霍夫变换会耗费大量的内存且大量的计算时间，但，就可靠性说这些耗费是值得的。而且，现今，我们越来越可以负担性能更强的处理器。此外，如果将此算法转换为标准的C程序，效率还可以进一步提升。

10 / 22

文献翻译+原文

图16.数据库中的图片样本

此算法还包括一个自动切斜校正过程，这有助于提高字符识别的准确率，和搜索包含车票候选区时的一个自动垂直映射分析过程。这些处理不仅完善了车牌定位的过程，且保证和车牌定位的成功率。通常赋予车牌定位更高的优先级，因为它的可靠性影响整个系统的鲁棒性。然而，对于实际商业应用来说，需要系统中所有模块都稳定的运行。 7.结论

从实验结果可以看出，此系统的车牌定位识别算法已经满足了马来西亚商用停车系统的需求。考虑到为了适用于马来西亚汽车，在系统的实际开发中，车牌定位过程采用了一个不同的方式确定车牌的位置，结合形态处理和改进的霍夫变换进行定位，此时关注的焦点放在字符特征而不是车牌的边缘。尽管现在系统适用于从数码相机中获取的数字图片，但是它可以被方便的引用到实际的系统中。为了将此算法实施到由适用于此应用的摄像和第三方软件组成的完整系统，如Microsoft Access创建和保存记录车辆的数据库。更多的工作正在进行。 参考文献:

[1]

Kim, S., Kim, D., Ryu, Y., Kim, G., “A Robust License Plate Extraction Method under

Complex Image Conditions”, Available:

7/01047833.pdf?tp=&arnumber=1047833&isnumber22457 (Accessed: 27 July 2006).

[2]

Sarfraz, M., Ahmed, M. J., Ghazi, S. A., “Saudi Arabian License Plate Recognition

System”, 2003 Intenational Conference on Geometric Modeling and Graphics, 16-18 July 2003, pp.36-41.

[3]

Ozbay, S., Ercelebi, E., “Automatic Vehicle Identification by Plate Recognition”,

Available: tctoday/ 0415_ licplate.pdf (Accessed: 23 July 2006)

[4]

Shapiro, V., Dimov, D., Bonchev, S., Velichkov, V., Gluhchev, G., “Adaptive

License Plate Image Extraction”, Available: (Accessed: 23 July 2006)

[5]

Dubey, P., “Heuristic Approach for License Plate Detection”, IEEE Conference on

Advanced Video and Signal Based Surveillance, 15-16 Sept. 2005, pp. 366-370.

11 / 22

文献翻译+原文

[6]

Wu, C., Lei, C. O., Chan, H. W., Tong, S. K., Ng, K., “ A Macao License Plate

Recognition System”, Proceedings of 2005 International Conference on Machine Learning and Cybernetics, 18-21 Aug. 2005, vol. 7, pp. 4506-4510.

[7]

Fukumi, M., Takeuchi, Y., Fukumoto, H., Misukura, Y., Khalid, M., “Neural Network

Based Threshold Determination for Malaysia License Plate Character Recognition”, ima-

u.ac.jp/~fukumi/ PAPER/ICMT_fukumi.pdf (Accessed: 27 July 2006).

[8]

Kahraman, F., Kurt, B., Gokmen, M., “License Plate Character Segmentation based

on Gabor Transform and Vector Quantization”, Available: Character Segmentation Based on the the%2

0Gabor Tranform and Vector Quantization.pdf (Accessed: 23 July 2006).

[9]

Song, H., Wang, G., “The High Performance Car License plate Recognition System

and its Core Techniques”, IEEE International Conference on Vehicular Electronics and Safety, 14-16 Oct. 2005, pp.42-45.

[10]

Kwasnicka, H., Wawrzyniak, B., “License Plate Localization and Recognition in

Camera Pictures”, Available: .pl/~kwasnick/download/kwasnickawawrzyniak.pdf (Accessed: 23 July 2006).

[11]

Sirithinaphong, T., Chamnongthai, K., “The Recognition of Car License Plate System

and its Core Techniques”, IEEE International Conference on Vehicular Electronics Safety, 14-16 Oct. 2005, pp. 42-45.

[12]

Chang, S.-L., Chen, L.-S., Chung, Y.-C., Chen, S.-W., “Automatic License Plate

Recogntion”, IEEE Trans. on Intelligent Transport. Sys, Vol. 5, No.1, pp. 42-43. (2004)

[13]

Tran, D. D., Duong, A. D., Tran, L. H. D., “Combining Hough Transform and Contour

Algorithm for Detecting Vehicles’ License Plates”, Proceedings of 2004 International Symposium on Intelligent Multimedia, Video and Speech Processing, 20-22 Oct. 2004, pp. 747-750.

[14]

Otsu, N., “A Threshold Selection Method from Gray-Level Histograms”, IEEE

Transactions on Systems, Man, and Cybernetics, Vol.9, No.1, 1979, pp.62-66.

9.附录

附录A。训练字符样本（0-9）

12 / 22