马来西亚一个使用混合模糊的实时自动车牌识别系统MALPR.docx
《马来西亚一个使用混合模糊的实时自动车牌识别系统MALPR.docx》由会员分享,可在线阅读,更多相关《马来西亚一个使用混合模糊的实时自动车牌识别系统MALPR.docx(16页珍藏版)》请在冰点文库上搜索。
马来西亚一个使用混合模糊的实时自动车牌识别系统MALPR
马来西亚一个使用混合模糊的实时自动车牌识别系统(M-ALPR)
WisamAlFaqheriandSyamsiahMashohor
Dept.ofComputerandCommunicationSystems
FacultyofEngineering
UniversitiPutraMalaysia
43400UPM,Serdang,SelangorDarulEhsan,Malaysia
摘要:
公路运输部通过了马来西亚车牌必须由车主规范字符的字体和大小的规定。
不过,也有不遵守此规定的车主。
为彻底解决这个问题,本文提出了一种新的方法来分割和自动识别马来西亚汽车车牌。
拟定的方法,解决了不同长度的字符和号码的牌照分割问题。
本文的主要目标有两个:
首先是要制定模糊规则,确认输入相同的集,用相同的号码集分割车牌的字符和数字。
其次,本文提出了一种方法,即在没有人物阻挡情况下,根据重叠大小来识别不规范的板块的图像匹配原理。
最后,模糊和图像匹配的混合方法通过300辆汽车在室外环境中捕获图像样本进行测试。
实验结果产生了90.4%的识别精度,基于模糊的识别需要1.7秒,基于模板匹配的识别需要0.75秒。
本文最后还对混合方法的适应性因素进行了讨论。
关键词:
车牌自动识别,模糊逻辑系统,模板匹配原理。
1.介绍
早在几年前讨论的大量关于图像处理的技术发明,现在进入真正到生活的各个领域,特别是智能交通系统(ITS)[1]。
它最重要的的主题之一是车牌识别。
车牌识别系统已实际应用在许多设施中,如:
停车场[2,3],禁区安全控制[4],交通执法[5],交通拥堵收费[6],及自动停车收费[7]等。
车牌识别系统已成为最重要的要使用的数字图像处理系统之一。
该系统将解决很多问题,有一个很难的问题就是24小时自动控制这个城市的设施。
然而,该系统仍面临着很多困难,这些困难之一能够识别种类繁多车牌,甚至跨越不同国家和同一国家的不同城市之间车牌的布局。
由于人口数量不断增加,城市中出现了大量横跨全球的各大城市的汽车,例如吉隆坡(马来西亚首都)。
在马来西亚,有十多个不同形式,它们之间有或大或小的差异。
该项目倾向于找到一个综合系统,它可以识别这些牌照表格自动实时处理。
2.背景
人工智能及特别车牌识别(LPR)技术已在大量的文献中被调查研究和公布。
这一领域及其应用吸引了众多的研究人员寻找及开发系统,它能够处理图像,及从他们那里得到有用的信息。
这个任务在图像采集过程中是具有挑战性的,由于车牌的格式的多样性和室外照明条件的不均匀[8]。
这些系统表现不佳的原因可能是不适宜的光照条件,嘈杂的模式,连接字符的不同及较差边界对比强化[9]。
几个已被用于执行工作的技术,如人工神经网络[10,11,12,13,14,15]。
这些研究显示精度相当不错,但处理时间长及它需要更准确的定期培训。
模板匹配定理[16,17,18],已广泛应用于识别分割的字符和数字。
模板匹配,显示精度高,但需要高效的检索方法及它需要大量的存储区域来保存所有的数字和字符模板。
模糊逻辑系统[19,20],已被用于识别车牌的分割元素。
该系统具有较高的性能、精度及处理时间短。
然而,却有敏感的噪声和失真。
阈值技术[21,22]已被应用于分割和识别车牌。
许多其他的技术已被用于如中风分析[23]及彩色车牌图像分割与识别[24]。
笔者[25]提出了一种新颖的方法在嵌入式平台上来实现识别车牌摄像机拍摄。
有一个办法可以权衡迭代及非迭代方法这两类技术;迭代方法实现更好的精确度,但在时间复杂度增加的成本。
在这项研究中,我们尝试之间的平衡精度高及混合两种方法,模糊逻辑及模板匹配定理的时间复杂度降低。
马来西亚汽车[23,26]设计了一个将不同类型车牌都集中在标准车牌的ALPR研究,一些已经完成。
拟定的系统设计,以支付标准和非标准板。
在本系统中采用的方法是速度快,精度高,支持拟定系统,是实时ALPR系统。
本文将集中讨论两个目标。
第一个是认识到使用模糊逻辑系统的标准车牌。
第二个是要认识到非标车牌,通过使用模板匹配定理运用平方差的总和。
本文分为四个部分组织。
第一部分涉及推行这项工作的主要思路,及提出了相关的工程;第二部分将显示工作的方法和它是如何被检定实施;第三部分介绍了结果;第四是结论和今后的工作。
图1:
系统流程图
3、方法论
拟定的系统的流程图如图1所示。
第一步是特征分割,特征提取及识别。
基于模糊或模板的基础上提取的特征类别取决于提取的功能。
图2:
预处理结果
3.1预处理
预处理对于加强车牌图像质量更好分割和识别来说是非常重要的一步。
选择合适的预处理的技术,不仅取决于质量和发现的问题,也遵循对已拍摄图像的识别算法。
在我们拟定的系统中,一个预处理步骤是牌照必须是适用于二进制图像:
3.1.1移除小物体(噪声)
在灰度图像的阈值处理中,由于不同的照明问题、低品质的摄像机和运动的影响,在阈值图像上,产生许多小物体或点数。
这种噪声直接影响给分割和识别过程。
我们已经使用了形态的过程中搜寻小元件连接整个图像,并删除它。
我们已建立的连接元素最大可以将50个像素的小物体或点删除。
图2可以被视为在整个预处理结果。
3.2分割算法
分割是正在从车牌背景中提取车牌元素(字符和数字)的步骤。
这一步包含几个操作下面的顺序:
3.2.1标准和非标准车牌测试
如前所述,马来西亚车牌有不同的形式和简化拟定的系统,我们分为两组执行此测试,以确定该车牌是一个标准或非标准板。
(见图3):
图3:
(a)标准车牌及(b)非标车牌
1.标准车牌:
这是标准的大写英文字符(字符数的变化从一个字符最多三个字符)和标准数字组成的板的形式。
2.非标车牌:
这种形式的第一部分包括一个特殊的词,代表汽车像普特拉贾亚已登记的地方,像ProtonSatria和Perodua汽车模型。
第二部分代表车辆登记号码。
标准和非标准的测试是由输入车牌图像的垂直扫描。
如前所述,非标板中含有更多的字符,其中包含三个字符的最大比标准板。
测试将帐户中的第一个字符,如果是三个或更少,然后板是标准的,它会被模糊系统的认可。
如果是超过三个字符,然后板是非标准板,必须通过模板匹配定理确认。
3.2.2检测每个字符和数字的第一个和最后一个列
分割步骤的第二个操作的标准板,将检测每个字符和数量降低从背景的首次和最后一列。
第一个和最后一个列或行检测的操作可能受到许多条件发生期间如光照不均匀,模糊和斜坡板采集步骤。
如图4所示,斜坡可能会导致错误检测板的第一行和最后一行。
因此,我们改善了我们的第一种方法[27]垂直扫描来检测每个字符和数字的第一个和最后一个栏前水平扫描进行在Algorithm1解释。
这一改进将减少已我们的第一种方法使用中遇到的第一个和最后一个列和行的错误。
垂直扫描(按列)将检测到的第一个和最后一列或每个组件和削减之间的区域从背景中分离车牌的信息(参见图5(a)项)。
图4:
习得斜坡上水平分割的影响
图5:
分割过程:
(一)原板和垂直分割
(二)提取的图像水平分割
算法1垂直分割
inputplateimage
r=()
fori=1tolastsolumns
ifpixel(i)=white,thenr=r+1
end
ifr>threshold,thenIisthefirstcolumns
s=0
forI=itolastcolumns
ifpixel(I)=white,thens=s+1
end
ifsf=imagebetweeniandI
算法2水平分割
inputf
m=0n=0
fort=firstrowtolastrow
ifpixel(t)=white,thenm=m+1
end
ifm>threshold,thenn=n+1
end
ifnd=imagebetweeniandI
3.2.3删除每个车牌的上部和下部的多余区域
水平扫描车牌的第一个和最后一个栏后,已经检测到,将检测从上一步的结果,整个过程的首次行和最后一行是在算法2。
此操作的结果将是一个图像只包含字符或没有任何多余的面积。
这一结果将有助于提取图像特征,很容易在以后的阶段(参见图5(b)条)。
3.3特征提取
特征提取是在特定的信息将导致分割步骤的每个字符或数字从图像中提取的一步。
这个操作包含以下步骤:
3.3.1欧拉数计算
第一步是计算每个字符和数字图像的欧拉数。
欧拉数是连接的元素数量(总是等于1)减去孔的数量相等。
三组,将导致从这个步骤如下[19]:
1.欧拉数等于1-这组包含C,E,F,G,H,I,J,K,L,M,N,S,T,U,V,W,X,Y和Z。
它也包含数字1,2,3,5和7。
2.欧拉数等于0-这组包含A,D,O,P,Q和R,它包含4,6和9。
3.欧拉数等于-1-这组只包含字符B和8。
很明显,这个分组的过程中会增加系统的识别字符和数字的准确性,它也将降低识别过程的时间。
3.3.2图像特征提取
分组过程完成后,系统会从各组中提取的具体信息。
例如,系统将确定以下各点位置是否开启或关闭(白色或黑色)第1组对象(欧拉数=1):
左上角(超低),上中心(UC),右上角(URC),左(CL)的中心,中心的中心(CC)中间偏右(CR),左下角(LLC)的中心(LC),右下角(下称“法改会”),它也将找到多少转变,从开到关或从关闭到会发生如果垂直线和水平线,通过中心的图像(参见图6)通过。
图6:
垂直分割的流程图
上述信息是模糊系统[19]的输入。
模糊系统依赖于输入的信息来决定字符或正在研究和系统数量将最终结果。
特征提取步骤的结果将是一维矩阵,其中包含的元素,等于从各组中提取的功能。
这些元素将有特定的顺序来识别的模糊逻辑系统。
作为组合之一的例子(欧拉数等于1)矩阵如下:
Outmat1=[ULCUCURCCLCCCRLLCLCLRC]
此外,纵向和横向的计数器被添加到输入模糊逻辑系统与上述矩阵。
将上述矩阵组(欧拉数等于0),因为在这一组中的元素数量较少,规模较小。
二组输出矩阵将如下:
Outmat2=[ULCURCLLCLRC]
图7:
混合模糊系统的流程图
此外,垂直计数器将被添加到上面的矩阵作为模糊逻辑系统的输入。
特征提取步骤完成一次输出矩阵已提取图像中的每个元素和识别步骤将启动。
3.4识别算法
识别步骤是系统中的特征是对系统的输入换算和了解提取的最后一次操作。
如前所述,马来西亚汽车板形式种类繁多,如此困难将所有车牌确认为相同形式车牌的系统具有相同的精度。
因此,我们在这个系统集成这两种方法,为更好的识别精度,降低计算时间和更好的适应性因素。
识别步骤将分为两个阶段:
识别标准车牌的模糊逻辑系统,非标车牌(见图7)模板匹配识别。
3.4.1模糊逻辑系统
模糊系统识别标准车牌的最重要的车牌识别方法之一,它具有很高的精度和速度,满足实时系统的要求。
经过提取特征提取的步骤输出矩阵,这将是模糊逻辑系统的输入,系统将尝试理解输入的字符或数字。
例如,如果输出矩阵如下:
Outmat=[111010000],然后垂直计数器等于2和水平计数器等于2字,数出符是W。
ALPR系统确认后的所有字符和数字,它会显示输出输入序列(见图8)。
ALPR系统适应性强,需要拥有顺序,是适用于马来西亚最重要的特点之一。
这种适应性功能显示在我们的系统由三个规格。
首先是能够识别不同长度的车牌。
马来西亚板车牌中的字符数从一至三个字符的有很大不同,而数字从一到四个也有很大不同。
这些特征造成混乱的系统只能识别字符和数字在车牌固定。
拟定的系统,有能力认识到这一点特征。
此外,代表数字和字符,使用相同的模糊输入设置,使系统能够识别,而不需要识别,如果过程中的元素是一个字符或数字车牌的元素。
最后,我们代表与多个集的字符和数字,给这个系统的灵活性,确认不同的形状和字体相同的字符或数字。
提出的拟定的系统更适合在马来西亚适用。
图8:
输出标准车牌
3.4.2模板匹配定理
模板匹配定理是一种适合单一字体,而不是旋转,固定大小的字符识别技术。
虽然这种方法最好使用二进制图像,建立正确的模板,才能是灰度级图像获得很好的效果[8]。
LPR最重要的指标之一,是具有很高处理速度和识别精度高的一个实时系统。
因此,我们必须缩短处理时间,系统需要像Putrajaya或Proton字段长字。
此外,这些词的分割也会导致识别的准确率递减,因为它们在书面斜体,这是很难分割。
采用模板匹配定理(平方差的总和)提供较高的识别精度和缩短处理时间段这些话。
唯一的缺点是存储模板,我们需要认识到,我们需要更大的内存区域。
我们已成立一个程序所能接受的最大差异的门槛。
因此,它也可以认为是模糊的[27]。
此外,我们还用小图像作为模板尺寸142x252黑白图像(见图9所有单词)。
该方法适用于被占在每一个位置的平方差的总和,而字的形象,我们要承认在背景模板移动。
将被视为匹配点平方差的总和是小于阈值的点。
该方案将决定认可的单词匹配位置的尺寸。
图9,图像已经被垂直放置在模板图像。
我们需要认识到的图像将被垂直放置在模板和测量每个字图像和模板之间的位置差平方的总和。
每当差小于阈值,程序会发现字区域内的点匹配的错误,在模板将打印出来的字作为输出。
图9:
非标准字为背景模板
图10:
采集所得的汽车图像
4.实验装置
这是戴尔6400我们使用这些设备来实施这个项目的处理器和512M内存,罗技摄像头200万像素的分辨率和图像处理工具MATLAB6.0与1.7GHz的双核笔记本电脑。
300个样本用于系统评价,并获得他们从马来西亚博特拉大学校园周围的真实场景。
这些图像的样本,如图10所示。
5.结果与讨论
本文的主要目的是提供输入车牌图像使用图像的真实场景已经从提取吠陀[28],然后段的字符和数字,并承认它。
这个过程包括马来西亚车牌的形式。
结果和讨论提出了三个阶段:
识别精度,处理时间和系统的适应性。
表1:
实时现场图像混合方法识别准确率
5.1精度
其中已用于图像识别的方法很多,模糊逻辑系统和配套定理是最准确,高效的定理。
因此,我们这两个系统用于实时处理系统,这需要高精确度和快速处理真正的领域。
从实验中,混合动力系统的显示质量好,已拍摄的图像没有模糊或噪音低级别的测试中几乎100%的准确率。
图像不模糊,但在室外环境与斜坡图像采集过程中已被抓获,这个准确率降低到90.4%。
因此,识别不准确发生由于实时现场图像的倾斜板获得承认之前采取倾斜校正过程。
结果表明:
混合方法的准确性,这是100%,为理想的车牌和95.5%的嘈杂和图像模糊的高度认可的结果。
5.2处理时间
实时处理系统的处理时间是一个最重要的问题。
我们已经改善了一些步骤来减少处理时间的最低值。
模糊逻辑系统最快读取一个模糊的车牌,并显示结果,需要1.7秒。
模板匹配最快读取一个模糊的车牌以0.75秒的,因此,模板匹配的读取快于模糊逻辑系统。
5.3适应性
车牌的不同长度(不同的数字和字符数)是在马来西亚ALPR系统所面临的主要问题。
为了避免这个问题,我们定制提出了一个设计,使系统识别不同类型的车牌。
如果车牌是标准车牌,适应性功能还可以识别。
现在,这个功能是能够识别8个不同类型的牌照布局(见图11)。
承认的标准或非标准车牌后,系统将方向模糊系统确认车牌,如果它需要标准模板匹配,则它是一个非标准的车牌。
图12:
车牌形式
6.结论
通过与其他系统比较,其他系统大多未能识别到所有形式的马来西亚车牌,由于这些板块的形式种类较多进行。
而我们拟定的系统,通过一个混合的方法能够识别到所有马来西亚板车牌形式。
混合的实时识别系统取得了良好的性能。
以前的车牌识别工作大多依靠单一的方法,如模板匹配或神经网络,这需要承认某种形式的理想场所,而他们表现出来的是薄弱的识别结果。
测试实例的数量和质量上的LPR整体性能有直接影响,这是显而易见的。
然而,这个因素往往被忽视,在绩效评估或比较上,这是算法评估标准[8]中一直强调的。
[8]提出的标准数据库就是我们拟定的将被测试的混合动力系统。
7.致谢
这是在高校马来西亚教育部的支持下完成的,这项研究是基础研究。
批准号5523427。
参考文献:
[1]H.Yang,L.Xu,andL.Shi,“Designandimplementationoflicenseplaterecognitionsystem,”inFirstIEEEInternationalSymposiumonInformationTechnologiesandApplicationsinEducation,ISITAE’07.,pp.602–605,2007.[2]T.SirithinaphongandK.Chamnongthai,“Therecognitionofcarlicenseplateforautomaticparkingsystem,”inProc.5thInt.Symp.SignalProcessinganditsApplications,pp.455–457,1998.[3]N.H.C.Yung,K.H.Au,andA.H.S.Lai,“Recognitionofvehicleregistrationmarkonmovingvehicleinanoutdoorenvironment,”inIEEEInt.Conf.IntelligentTransportationSystems,pp.418–422,1999.[4]S.Draghici,“Aneuralnetworkbasedartificialvisionsystemforlicenseplaterecognition,”Int.J.Neuralsystems,vol.8,pp.113–126,1997.
[5]P.Davies,N.Emmott,andN.Ayland,“Licenseplaterecognitiontechnologyfortollviolationenforcement,”inInst.Elect.Eng.ColloquiumImageAnalysisforTransportApplications,pp.711–715,1990.[6]J.R.Cowell,“Syntacticpatternrecognizerforvehicleidentificationnumbers,”ImageandVisionComputing,vol.13,no.1,pp.13–19,1995.[7]R.A.Lotufo,A.D.Morgan,andA.S.Johnson,“Automaticnumberplaterecognition,”inInst.Elect.Eng.ColloquiumonImageAnalysisforTransportpplications,pp.611–616,1990.[8]C.E.Anagnostopoulos,I.E.Anagnostopoulos,I.D.Psoroulas,V.Loumos,andE.Kayafas,“Licenseplaterecognitionfromstillimagesandvideosequences:
Asurvey,”IEEETransactionsonIntelligentTransportationSystem,vol.9,no.3,pp.377–391,2008.
[9]M.CinsdikiciandT.Tunah,“Licenseplatesegmentationforintelligenttransp-ortationsystem,”in18thInternationalSymposiumonComputerandInformationSciences(ISCIS2003),pp.439–446,2003.[10]M.FukumiandY.Takeuchi,“Neuralnetworkbasedthresholddeterminationofmalaysianlicenseplatecharacterrecognition,”inIntelligentSignalProcessingandCommunicationSystems(ISPACS2004),pp.771–775,2004.[11]A.BroumandniaandM.Fathy,“Applicationofpatternrecognitionforfarsilicenseplaterecognition,”InternationalJournalonGraphics,VisionandImageProcessing,vol.5,pp.25–31,2005.
[12]H.A.QodriandS.Sardy,“Platenumberrecognitionbyusingartificialneuralnetwork,”inProsidingSemilokaTeknologiSimulasidanKomputasisertaAplikasi,2006.
[13]M.H.T.Brugge,J.H.Stevens,J.A.G.Nijhuis,andL.Spaaancenbrug,“Licenseplaterecognitionusingdtcnns,”in5thIEEEint.workshoponCellularNeuralNetworksandTheirApplication,pp.212–217,1998.
[14]R.Parisi,E.D.D.Clsudio,G.Lucarelli,andG.Orlandi,“Carplaterecognitionbyneuralnetworksandimageprocessing,”inIEEEint.Symp.Circuitsandsystems,vol.3,pp.195–198,1998.
[15]K.K.Kim,K.I.Kim,J.B.Kim,andH.J.Kim,“Learning-basedapproachforlicenseplaterecognition,”inIEEEsignalProcessingSocietyworkshop,vol.2,pp.614–623,2000.
[16]D.ChansonandT.Roberts,“Licenseplatesecognitionsy