《計(jì)算機(jī)專業(yè)外文文獻(xiàn)翻譯-外文翻譯--車牌識(shí)別系統(tǒng)》由會(huì)員分享，可在線閱讀，更多相關(guān)《計(jì)算機(jī)專業(yè)外文文獻(xiàn)翻譯-外文翻譯--車牌識(shí)別系統(tǒng)（13頁珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

英文原文 to as of on or is in it of 2000) a on VQ is a by it a of et (1999)to be as of an a SI a of in to as of or is in of to is by a et 1999). be by of to of a of to be in a up a et 1998). to of et (1997). to ? ?, ?? to is to to hu et (2002) ei et (2001), to of be to a to of et (1996) a to by of to of be in of so we it in et (1996). We to up in a to in it of it of . 1. ll 84 · 288 56 an is 1. of of , so of is is in in If a is to be of be in we to in as n 1, in in of is by in in or in A in if we it is to to be in a we i,j to of i,j ( 6 i 0) Mi,j = i 1,j 1,,j,,j+1, Mi,j 1} + 1; i,j = i 2,j 1,,j,,j+1, ,j 2,,j+2,Mi,j 2} + 1; . i do j do Ei,j= =1) ,j 1 + ,j + ,j+1+Ei,j+1 > 0) Ni,j = i+1,j 1,,j,,j+1, Ni,j+1} + 1; i,j = i+2,j 1,,j,,j+1, ,j 2,,j+2,Ni,j+2} + 1; . i do j do Ei,j= =1) Mi,j + Ni,j > j + Ni,j < Ei,j = 0; n we ? (of i,j. 7 NP in 8) of a is of 0 · 32) in of in If is a of of be a in In to we by 8, 8) of by to ? 84 · 288 · 8 of in a 48 · 36 . ? a (80/8) · (32/8) = 10 · 4 (is ) to ,0. ? If is is as of ? in by ? ?? is 9(a). in is so be in 1 is (b). in 3. n we ?? (et 1999), ?? (et 1998), ?(et 1996). ?(2000) is ? (et 2001; et 2002) is or ? (et 1997) of in ? of of ? by FT on in of by of in by FT on ? of of of to of in 63 on a of 18 in of a 84 in as so We on we 3 of by , we of by 00% (in on of in or or of , on a 256 C. is of . A of is on ?. of 84 · 288 7.9 it of 4. he of of in we in it is an to to of To If a in be at of 8 to be W i;j rW i;j by at ? it in to of if in A of in by of in be to ?on . ”“in ,中文譯文 如 今車牌識(shí)別已成為在許多自動(dòng)化傳輸系統(tǒng)中的重要技術(shù)，如道路交通監(jiān)控，在高速公路、橋上和停車點(diǎn)通行費(fèi)的自動(dòng)收取 . 車牌定位是在這一技術(shù)必不可少的重要階段，它已得到相當(dāng)?shù)闹匾?. 研究人員已經(jīng)發(fā)現(xiàn)了許多不同的車牌定位方法 2000年）發(fā)明了一種基于矢量量化的方法 （ . 一個(gè)由特定的編碼機(jī)制四叉樹的表示法，它可以給一個(gè)系統(tǒng)對(duì)圖像區(qū)域的部分內(nèi)容的提示 ，而這些信息提高了定位性能 et 1999年）使用神經(jīng)網(wǎng)絡(luò)來定位車牌 窗口并決定是否每個(gè)窗口包含一個(gè)車牌的過濾器，他們的輸入的是 事后處理器結(jié)合了這些濾波后的圖像然后定位出圖像中車牌的邊框 它的過濾方法也被考慮過 些作者使用對(duì)線敏感的過濾方法來提取板子的領(lǐng)域 因此，本地化處理是用來尋找在圖像中對(duì)這些線路濾波有很大反應(yīng)的矩形區(qū)域，這是一個(gè)累積函數(shù)（ et 如果這些字符被發(fā)現(xiàn)在一條直 線上，這些字符就構(gòu)成了一個(gè)車牌（ et 1998） 1997）等應(yīng)用到牌照定位問題上 給出了模糊集里的一些成員函數(shù) “ “ “得到車牌的水平和垂直位置 要大量的處理時(shí)間 . et 2002）和 et 2001）研究了使用顏色特征來定位車牌，但是這些方法對(duì)不同的環(huán)境下定位是不穩(wěn)定的 特征事非常重要的，邊緣密度可以根據(jù)車牌的特點(diǎn)來成功的檢測(cè)出車牌位置 et 1996）發(fā)明了一種用來通過除去邊緣密度中最大和最小部分來使整個(gè)圖片簡(jiǎn)易化來提高邊緣圖像 本文進(jìn)一步研究了車牌定位的問題 以我們考慮其邊緣的圖像但是不同于 et 1996） 后使用 后消除背景曲線和邊緣圖像中的噪聲，并最后滑動(dòng)矩形窗口 來搜索車牌剩余的板塊并從原來圖像中分隔出車牌 主要包含四個(gè)部分：圖像增強(qiáng)，垂直邊緣提取，背景曲線和噪聲消除，車牌搜索和分隔 四節(jié)中給出討論和結(jié)論 . 所有輸入的汽車圖片有 384×288像素和 256級(jí)灰度，圖 1給出了一個(gè)例子圖像 拉丁字母，阿拉伯?dāng)?shù)字等），所有車牌區(qū)域包含了豐富的邊緣信息 這里有兩個(gè)我們需要注意的地方：一個(gè)是車牌的背景區(qū)域主 要包含一些水平邊緣；另一個(gè)是背景中的邊緣主要是長(zhǎng)曲線和隨機(jī)的噪聲，然而車牌邊緣集中在一起并產(chǎn)生了文字特征 管車牌將會(huì)失去一些水平的邊緣信息，但是這一小部分的丟失以后會(huì)很有價(jià)值的）并且大多數(shù)背景的邊緣被移除了，這樣車牌區(qū)域就會(huì)在整個(gè)圖像中明顯的隔離出來 像增強(qiáng) 在圖 1中，在車牌區(qū)域的傾斜度要比由于耀眼陽光下汽車陰影所造成汽車輪廓低 如果我們直接從車的圖像中 提取出邊緣，你們一些垂直邊緣就會(huì)顯示在車牌區(qū)域 加強(qiáng)汽車圖像放在第一步是很重要的 . 需要被增強(qiáng)的圖像區(qū)域要有低噪聲 來表示該像素 （行 2880 ??i ,列 : 3840 ?? j ）在圖中的亮度 ，使用 來表示增強(qiáng)圖像中該像素的亮度 和 滿足方程（ 1），其中 是以象素 為中心的窗口， 和 分別是這個(gè)窗口平均亮度和標(biāo)準(zhǔn)偏差， 0I 和 0? 分別是預(yù)期均值和標(biāo)準(zhǔn)的方差 . 0,0, )(,,??? ??（ 1） 為了使得到得圖像信息表現(xiàn)的更好，設(shè)計(jì)窗口的大小最好小于牌照的預(yù)期尺寸 們將 選擇 48 × 36的矩形為 ，因此一個(gè) 8 ×8的窗口就可以覆蓋整個(gè) 384×288的車圖像 I 等于 ，并且讓 0? 是獨(dú)立于象素 的常量 和 的值 們可以使用雙線性內(nèi)插入算法來得到它們 ×8模塊，然后在每一塊中的最高點(diǎn)計(jì)算出 和 的值 ,,2,1,0,,48,36 ???? 最后利用雙線性內(nèi)插入算法計(jì)算出每一個(gè) 和 ；見方程（ 2）和（ 3）（圖 2） 1(3636 ??? 48/)48(),1(4848 x ????? 6/)36( y ?? . ])1[(])1) [ (1(, ? ???????(2) ])1[(])1) [ (1(, ???? ???????(3) 如果 的值非常接近 0（例如只有黑的亮的區(qū)域），在方程 (1)方程中將會(huì)得到一個(gè)大的值，但是我們不應(yīng)該增強(qiáng)這樣的區(qū)域 足夠大的話（例如 60, ?），那么這種增強(qiáng)也是沒必要的 程（ 1）被改進(jìn)成方程（ 4） . ,, )()( ,, ????? ? (4) 其中 )( , 是在 方程 (5)中定義的一個(gè)增強(qiáng)系數(shù)（函數(shù)圖形如圖 3） 的標(biāo)準(zhǔn)偏差的值 為 , ?或 60, ?時(shí)，我們讓函數(shù) f 等于 1，當(dāng) j i W ,?＝ 20時(shí)讓函數(shù) f 為 3（因?yàn)? 20×3＝ 60） . ?????????????????????60160201)20(1600232001)20(40023)(,,,,,,22????(5) 圖 4 中就是增強(qiáng)過的汽車圖片 果拍攝牌照時(shí)有很好的光照并且圖像很平衡，這個(gè)過程就不會(huì)改變牌照的對(duì)比度 .（ 1?f ， 1, ?或60, ?） 我們選擇了垂直 圖 5中）來探測(cè)垂直邊緣，因?yàn)槠胀ǖ乃阕訒?huì)花費(fèi)我們很少計(jì)算時(shí)間 .用 計(jì)算圖像中斜率的絕對(duì)值的平均值，通過一個(gè)域值系數(shù)與它相乘（如 ，或者計(jì)算斜率直方圖和找到一個(gè)在某一特定的斜率比例分配（例如 75％）中的斜率作為域值 我們得到的垂直 6所示 . 景曲線和去除噪聲 從圖 6中我們可以發(fā)現(xiàn)，在看到 牌照邊緣的同時(shí)還能看到許多長(zhǎng)的背景曲線和短的隨即噪聲在圖上 我們?cè)O(shè)計(jì)一個(gè)簡(jiǎn)單的算法把它們從邊緣圖像移除 . 這個(gè)算法只需要我們掃描邊緣圖像 3次 者左）開始點(diǎn)的長(zhǎng)度 邊）結(jié)束點(diǎn)的長(zhǎng)度 果邊緣點(diǎn)有特別長(zhǎng)的（背景曲線）或者是特別短的（噪聲邊緣）實(shí)際邊緣長(zhǎng)度，那么將邊緣點(diǎn)從邊緣圖像中移除 們需要先介紹一些下面會(huì)使用到的符號(hào)： 果 是一個(gè)邊緣點(diǎn)，1, ?否則 0, ?； M 和 N 是與 示車牌估計(jì)的高度和 這里是邊緣長(zhǎng)度的兩個(gè)域值 . 和 矩陣； i 從上到下 每一行 j 從左到右 == 1） 01,1,1,11,1 ???? ?????? ? ? 1,,,m ,1,1,11,1, ?? ?????? ? 1,,,,,m ,2,12,11,2,21,2, ?? ?????????? 每一行 i 從上到下 每一行 j 從左到右 ==1) 01,1,1,11,1 ???? ?????? ? ? 1,,,m a x 1,1,1,11,1, ?? ?????? ? 1,,,,,m a x 2,2,12,11,2,21,2, ?? ?????????? . 每一行 i 從上到下 每一行 j 從左 到右 ==1) s h o r n ??? ,,,, ||) =0; 上面的算法中，我們可以通過留心觀察 “有關(guān)的相鄰的象素 ”（ 聚集當(dāng)前象素 邊緣長(zhǎng)度，圖 7 的陰影格中展示了 圖 7 象素 的 （ a）掃描圖像從左到右以及從上到下；（ b）掃描圖像從右到左以及從底到上 圖 8 圖顯示了大多數(shù)的背景和噪聲邊緣被消除后的圖片（ 28， 5）以及從底到上 . 牌搜索與分隔 在大部分噪聲被移除的情況下，車牌定位就變的簡(jiǎn)單多了 它從左到右從上到下剛剛比車牌大一點(diǎn)點(diǎn)（例如 80×32） 們讓窗體以 比如 8， 8）而不是按象素移動(dòng) 84×384邊緣圖像均勻的分隔成 8×8大小的模塊，然后計(jì)算出在每一模塊里面邊緣點(diǎn)的數(shù)目，然后形成一個(gè) 48×36大小的圖像 B 80／ 8） ×（ 32／ 8）＝ 10×4矩陣 W（里面的每一個(gè)元素都等于 1）來創(chuàng)建一個(gè)窗口 來卷積圖像 B，然后導(dǎo)出圖像 B? . 在域值 上，而且 是當(dāng)時(shí)最大的，則記錄 位置作為車牌一個(gè)成員 過他們的 B? 的值來排序，然后將他們從原始圖像中分隔出來 . 卷積的結(jié)果 ?? 將會(huì)在圖 9 中顯示出來 有一般只有一個(gè)成員被搜索到 車圖像中分隔出來的車牌顯示在圖 9b 中 符切割和字符識(shí)別，但是我們?cè)诒疚闹胁挥懻撨@部分 . 在這一部分中我們將我們所提出方法的性能與其它一些使用過的方法： “行敏感過濾器 ”（ et 1999）， “每行 每列的 et 1998)和 “邊緣圖像改善 ”（ et 1996）作對(duì)比 .“矢量量化 ”（ 2000）主要使用在圖像編碼中， “顏色特征 ”（ et 2001； et 2002）對(duì)于天氣條件不同的情況下不穩(wěn)定，如額外的燈光或者車牌上有別的東西； “模糊邏輯方法 ”（ et 997）效果很好是在板塊多數(shù)是黑白色的字符的假設(shè)下，但是中國的車牌大多是藍(lán)色的底，白色的字符 “行敏感過濾器 ”方法包含三步：二次抽樣圖像，運(yùn)用線條敏感過濾器及尋找對(duì)此有極大反應(yīng)的矩形區(qū)域 .“法包含四步：通過在圖像上使用水平的 分解諧波，平均在空間頻域中的諧波，通過最大化波能找到圖像的水平條紋，用同樣的方式通過使用垂直 候選條紋中找到車牌的垂直位置 .“邊緣圖像改善 ”方法包含五步：使用 算邊緣圖像的水平投影，計(jì)算邊緣密度等級(jí)的中值，消除水平投影上的最大和最小值來簡(jiǎn)化整個(gè)圖片，找到車牌的候 選區(qū)域 . 我們?cè)趯?shí)驗(yàn)中使用了中國車牌的三組圖像 63 個(gè)圖像，是我們?cè)趯W(xué)校門口抓獲的 18 個(gè)圖像，他們是在公路旁有強(qiáng)烈陽光的陰影下抓獲的 84個(gè)圖片，其中有許多復(fù)雜的背景如樹木、停放著的自行車等等，這些圖片是從早上到晚上都有 . 我們將這四種方法用在了這三組圖片中 顯示了實(shí)驗(yàn)的結(jié)果 們定位在 1－ 3 個(gè)候選塊中，將通過第一次、第二次、第三次候選區(qū)域定位出車牌的次數(shù)分別列在表 1 中 多數(shù)車牌在第一次候選塊中就找到了，而且定位率 是 100％（在第三組遺失的兩個(gè)車牌是很小的） 對(duì)于其它三種方法，如果圖像中包含了一些特殊的物體（品牌，散熱器，保險(xiǎn)杠）或者是復(fù)雜的背景（樹木、自行車）或者圖像是在強(qiáng)烈的陽光下或光線暗淡下抓獲的，車牌定位的錯(cuò)誤率就很高 . 當(dāng)他們運(yùn)行在 .4 56mb 電腦上時(shí)，四種方法的計(jì)算時(shí)間如表 2所示，該方法是四種方法中最慢的 . 對(duì)于該方法的四個(gè)階段，平均處理時(shí)間列在表 3中 圖像增強(qiáng) ”里 84×288 大小的圖片所需要的總時(shí)間為 秒，它滿足了實(shí)時(shí)處理的要求 . 設(shè)計(jì)的這個(gè)車牌定位的方法充分利用了牌照區(qū)域豐富的邊緣信息 們?cè)鰪?qiáng)了原車圖片的局部區(qū)域，但是這個(gè)方法在加強(qiáng)傾斜圖像時(shí)選擇了加強(qiáng)牌照區(qū)得紋理 當(dāng)?shù)玫搅舜怪边吘墸笥覍?duì)角線的邊緣時(shí)，我們就可以在計(jì)算中利用一個(gè)更好的連續(xù)的邊緣曲線 中的那些孤立的短邊緣依舊可以去除但并不是必要的 . 這個(gè)方法然有一些缺陷 和 是通過線性內(nèi)插算法出來的值不是在的實(shí)際值 .“整體圖像 ”算法可以解決這個(gè)問題，但是它所花費(fèi)的計(jì)算時(shí)間太長(zhǎng) 所以如果在圖像中的所有車牌都是同樣大小的話，那么這個(gè)方法會(huì)有更好的效果 . 我們這個(gè)牌照定位的有效性已經(jīng)在實(shí)驗(yàn)中被證 實(shí)了 用于商標(biāo)、信封、卡片、賬單等等上的文字提取，復(fù)雜背景下的物體分割，等等 .