外文翻译--基于人工神经网络的车牌照识别

中国地质大学长城学院 本科毕业论文外文资料翻译 系 别： 工程技术系 专 业： 机械设计制造及其自动化 姓 名： 学 号： 2012 年 3 月 20 日 外文资料翻译译文 基于人工神经网络的车牌照识别 厄尔丁克 要 近年来，随着车辆数量在交通中的增加必要的个人工作在交通控制中的数量也随之增加。 为了解决这个问题，计算机自动控制系统被开发。汽车牌照自动识别系统就是其中之一。在这个系统中，汽车牌照自动识别系统是基于人工神经网络的。在这个系统中，259 个车辆图片被使用。这些车辆的图片是从相机中提取，然后车牌区域尺寸 220符包括字母和数字，在车牌定位中使用边缘检测算子和斑点的着色方法。斑点染色方法应用于 区分车牌特征。在这一阶段的工作特征提取，采用平均绝对偏差公式。数字化特征进行分类使用前馈多层感知器神经网络回传播。 关键词：车辆牌照识别，人工神经网络 ，模糊着色，字符识别 在发展中国家，汽车数量日益增加。与此同时，必须认识到车辆和车牌同时也是增加的。以计算机为基础的车辆牌照自动识别系统为解决这一问题提供了必要性。在这项研究中，提出了一种高效的汽车牌照自动识别系统基于人工神经网络（神经网络）。该系统由三个主要议题：定位板地区的汽车图像，车牌字符图像的分割，字符分割和识别。该方案提出的车牌自动识别系统显示在图 1。 1 汽车牌照自动识别系统 根据土耳其民用车牌识别，及成功率（ 基础的车牌定位（ 字符分割（ 字符识别（ 程给出了表 1 表 1 R %) SR S (%) SR R (%) H. 006 42 92,85 87,17 94,12 S. 006 340 97,65 96,18 98,82 G. 008 80 92 95 90 B. 008 200 96 - 92,5 第一阶段的汽车牌照识别系统是找到车牌定位车辆图像。板区域通常由白底黑字组成。因此，过渡区之间的黑色和白色的颜色是非常密集的，在这一调查区域 ，包括大部分的过渡点，将足已定位车牌区域。 为此，边缘检测算子应用于车辆的图像得到的过渡点。坎尼边缘检测器使用了一个过滤器的基础上的一阶导数的高斯平滑。经过平滑的形象，消除噪音，下一步就是提取图像的梯度。这一进程， 3 3 矩阵被作为操作使用尺寸来进行边缘强度的梯度计算。这一信息使我们得到边缘点，如此密集的地区可确定过渡点。过渡点之间的黑色和白色的颜色确定了这一边缘图。边缘检测和定位车牌区域的图像显示在图 2 图 2（一）原始汽车图像边缘检测；（二）局部区域 灰度车牌图像分割过程之前应加强。因 为对比度差异可能发生在提取图像的照相机。此外，不必要的肮脏的地区和一些噪音影响可以放在分割过程中负方向。 在这项工作中，灰度图像的增强了运用对比的延伸和中值滤波技术。因此，对比差异图像和声音等脏区域在白色背景，该板可以消除。图像增强阶段后，斑点显色法的实施，确定边界的字符。 扩展的图像对比度的手段，均衡直方图。换句话说，对比度扩展使图像锐化。灰度直方图是图像灰度分布值的图像。直方图均衡化是一种流行的技术，以改善外观形象差的对比。 这个过程直方图均衡化的图像有 4 个步骤：（ 1）求直方图的值。 （ 2）规范这些值除以总像素。（ 3）乘以这些正常价值的最大灰度值。（ 4）图的新的灰度值。对比度扩展车牌图像显示在图 3。 中值滤波是用来消除不必要的噪音的地区。在这个滤波算法中周围的图像的 3 3矩阵被截取。这个矩阵的尺寸可以根据噪声水平来进行调整。 这个过程的工作， （ 1）一个像素为中心像素的 3 3 矩阵， （ 2）周围像素邻域像素分配， （ 3）排序过程之间采用这九个像素由小做大， （ 4）第五个元素分配为中位数元， （ 5）这些程序实施的所有像素图像。过滤后的图像显示在图 3。 图 3（一）原车牌区 域的图像；（二）对比度扩展图像；（三）中值滤波后的图像 斑点（二进制大对象）着色算法具有很强的结构计算法来确定临近和相关地区二进制图像。该算法使用一种特殊形模板扫描，图像从左到右，从上到下。这种扫描过程确定独立的地区获得连接到四方向从零开始的背景图像。在这项工作中，四个方向的点着色算法应用于二进制编码的车牌图像获取字。实施后，字符分割得到了车牌区域的图像（图 4）。 图 4 字符分割 在这项工作中，字符分割被列为单独的数字和字母。为此，板图像分为三个地区。第一区域包括双位数字，表明城市交 通代码。二区域由一至三的字母。第三个区域由二至四位数字组成。板图像扫描形成确定自左向右水平和空间之间的字符。在这个过程，如果该值的空间是高于以前所鉴定的阈值。数字被定位为 28素大小。字母被定位为 30x 40 像素大小。样本的一些数字和字母分割的车牌区域显示在图 5。 图 5 一些样品的字符分割 在这项研究中，获得的字符被保存为一个图像文件。 数字的尺寸 被确定为 28素，字母的尺寸 被确定为 30x 40 像素。数字和字母进行单独的神经网络 传输以 提高 识别的成功率。 在分类之前 ， 图像的特征应该被准 确提取 。特征提取 能使 我们获得 直观 的图像信息。这些信息可以作为一个特征向量。特征向量 是 包括全球和地方特点的一个字符编码，比较字符 就可以确定特征 。在拟议的方法，特征向量的虹膜图像编码使用平均绝对偏差算法。该算法的定义是： N 是在图像的像素数， m 是指图像 的平均值， f（ ， y） 是在点（ ，你） 的值 。在这项工作中，数字图像分为 45 像素尺寸的图像和 字母 图像分为 55 像素尺寸的图像。每个子图像进行特征提取采用 们得到特 征向量长度 49 字节的数字 和 48 字节的字母。整个特征向量应用到神经网络的输入进行分类 提取 特征。 在我们的工作中，数字和字母进行单独的神经网络 传输以 提高 识别的 成功率。他们都有相同的结构，但只有输入数量差异。之所以使用不同的神经网络识别是防止类似的数字和字母 被混淆 ，比如 “0” 和 ” O“ 啊 ” ， “2” “ Z” 和 “8” “ B” 。我们可以知道，这种复杂性将减少识别成功 率 。 在拟议的方法，多层感知器模型是用于特征分类的。该处理单元被安排在 多层感知器。这些输入层（包括信息，您可以使用作出决定），隐层（帮助 网络计算更复杂的 关系 ）和输出层（包括由此产生的决定）。每一个神经元的输入层是直接反馈到隐层神经元 ， 在隐层， 综合 和产品的重量和隐层神经元输出计算每个输出层节点。如果错误计算输出值与期望值大于错误率，那么培训（改变重量和计算新的输出使用新的重量）过程开始。这个训练过程可以获得理想的错误率。 训练神经网络，前馈反向传播算法选择。均方误差（均方差）的功能是用来测量培训网络性能 的 。值的均方差是用来确定如何适合网络输出所需的输出。标准监督训练通常是基于均方误差。培训计划终止时，均方误差下降到阈值。均方误差值接近零，计算输出值成为接近所需的输出值。 V 1 f (x, y) m (1) N N 为了评估系统的效能， 259 车辆图像 被应用 。 快速 习算法用于训练神经网络。最大的 5000 次分别为每个输入设置。当系统达到最小错误率，由用户定义，迭代将停止。定义的最小错误率为该应用程序 0001。只有一个输入图像是用于测试的系统，其余的是在训练阶段。 形的最佳结果为每个字符数据显示在图 6。培训达到最小的误差率在 4457 个迭代的数量和 1180个迭代的信件。 图 6 均方误差 迭代图形的训练过程 成功率的车牌区域定位，字符分割和字符识别阶段， 该系统在表 2 中给出了。因此， 247个车牌图像 被 正确识别，所以整体识别率的系统是 95,36%。 表 2。成功率的汽车牌照自动识别系统 %) 59 255 98,45 55 252 98,82 47 (+ 1022 (344 (+ 1000 (98,17 外文原文 (2011) 10331037 2250, 1700, In of in is of in is To of is In on is In 259 CD 20is by in by to OI of In of by by in c 2010 or of 1. of is by In to to is To In we an on of of is . 1. of an of be In , on as in . In , 877c 2010 . K. (2011) 10331037 0 (2010) 000000 of in . In , of of by NN . in of 2. he be to of 1 . of R %) SR S (%) SR R (%) H. 006 42 92,85 87,17 94,12 S. 006 340 97,65 96,18 98,82 G. 008 80 92 95 90 B. 008 200 96 - 92,5 I. 008 145 96,55 96,61 95,25 K. 009 225 (- 100 89,33 3. of he of is of is in be to to a on of a is to by of x3 of is us so be a, 2b c 2. (a) (b) (c) 4. of he be be by be on in In by as in . K. (2011) 10331037 1035 0 (2010) 000000 be to of o of an of of In of an is of in an is a to of a of of an 7: (1) of (2) by of (3) by (4) is b. is In x3 is of be to is 7; (1) is as of x3 (2) as (3) to (4) is as (5) to in is c. 3. (a) (b) (c) a to in a a to to up to by In is to 8. ). 4. In as of of of to in If of is is 80of . 5. of 036 H. K. (2011) 1033103 0 (2010) 00000 5. n as an of 8of 0by NN of be us to of an be as a A of an be so be In of an by 9. is V 1 f (x, y) m (1) N N is of in m is of f(x,y) is at x,y). In x5 x5 by We 9 8 to NN as an of 6. of n by NN of of NN is of of 0” “O”, “2” “Z” 8” “B”. As we In a of LP in to to 10,11. in is to a of of of is in to a of As in of of is in in If is by be by of is of SE is to is to SE to SE to is to 7. n to of 259 is in of 000 to by be ,001. of in of . 457 180 6. of . K. (2011) 10331037 1037 0 (2010) 000000 of . As a 247 59 in so of 5,36%. . of %) 59 255 98,45 55 252 98,82 47 (+ 1022 (344 (+ 1000 (98,17 1. H. “ 8 2006. 2. S. “ 9 2006. 3. G. “ 9 2008. 4. B. “ 8 2008. 5. I. “ 5 2008. 6. K. “ 0 2009. 7. S. , 1999. 8. C. M. 511982. 9. L. Y. T. “ 2002. 10. 1995. 11. Y. B. “A on 2002, 04