车牌识别某英文翻译.doc

车牌自动识别 摘要——车牌自动识别（LPR）在众多的应用程序和一些已经被提出的重要技术中扮演了重要的角色。然而，他们中的大多数工作在特定的约束条件下，如固定照明，有限的车辆速度，设计好的路线，和固定的背景。在这项研究中，考虑尽可能减少约束工作环境。LPR技术包括两个主要模块：车牌定位模块和号码识别模块。前者是试图从的输入图像中提取车牌上模糊的字符，后者就神经学科概念化而言的目的是识别车牌的号码。各个模块已进行了实验。在定位车牌实验研究中，1088个图像从各种场景和不同的条件下拍摄得出。其中，23个图像未能在图像上找到车牌；车牌定位的成功率是97.9%。在识别车牌号码实验中，1065个被成功定位的车牌图像进行实验。其中，47个图像未能识别位于图像中车牌号码,识别成功率是95.6%的。结合上述两个比率，对于我们的车牌识别算法的总体成功率是93.7%。 索引术语——色彩边沿探测器， 考虑色调值的通用设置。假设对象感兴趣的颜色是C，而C的色彩值对应的是，在地图H的入口，说h的隶属度是，本条目属于模糊集的“对象”可以写作 那里是一个正的常数。如果给定的输入等于感兴趣的对象，然后隶属度为1。由于色彩之间的差异增加，会员减少至0的渐近值的程度。记得，有四种颜色（黑，白，红，绿）用于感兴趣的车牌。让和的色调值分别变为红色和绿色，请注意，消色差的颜色的色调（即，各级灰色，包括黑色和白色）没有定义由于色调方程的分母为零（1）。因此，我们将突出红色和绿色，而不是基于地图H的黑和白。模糊隶属函数图最终被定义为 在这里，可以作为任意模糊联盟算子（任何模功能）。 2）地图：由于模糊地图只能表示颜色红色和绿色，我们需要其他的手段来处理黑色和白色。根据S在（1），所有的消色差的颜色有相同的饱和度S。此外，该值是小于任何颜色。基于这些事实，我们产生一个模糊地图从地图S上区分的色差和消色差的颜色。隶属函数的定义为 这表明当较小的那个饱和值越大，它越有可能是来自无色的那个。 地图：虽然色差和消色差的颜色可以从对方根据其饱和值分开，黑白必须进一步区别于其他消色差的颜色。为此，我们指望强度图。因为黑色和白色的亮度值对应的HSI坐标系统的轴的强度的两个极端值，以下功能强调颜色和强度值接近两极 这个假定的工作环境，具有0.5的平均强度。然而，黑色和白色会被扭曲，在某些情况下。例如，一个白色的颜色可以在黑暗的环境中会出现灰色，在明亮的环境中黑色。为了补偿这种失真，上述方程中的常数0.5可能与平均值代替，地图。然后我们定义了模糊映射的隶属函数为 地图：基于模糊映射和的的图像区域可以区分有黑，白，红或绿颜色。然而，这些地区的大部分无关车牌。边缘图在鉴别中发挥了至关重要的作用对不相关的区域。因为有许多接近的边缘在车牌和分布在一个重复的方式，图像像素的邻居拥有大的边缘大小会一个高的可能性，它属于一个车牌。因此，我们定义了模糊隶属度函数的边缘地图是 这里考虑的是图像像素水平附近像素，是像素在的边缘强度，是和像素点间的欧氏距离。以上功能我们不在乎的边缘大小和像素本身。 D.模糊集合 每一个模糊的地图定位车牌提供的信息在输入图像板。有两种方法可以得出一个结论— 从一组映射的锡安。在第一个，中间的决定对个别地图的基础和最终的结论是从中间的决策制定。第二，多个地图是第一个集成到一个单一的地图，和最后的结论就从集成地图。因为第一种方法涉及到的数值计算和符号的决定，我们倾向于第二种方法，其中包括只有数值计算。在第二种方法，模糊图，和集成到一个单一的地图，决定所根据。一个两阶段的模糊集合是介绍了用于这一目的。 在聚合的第一阶段，模糊图，通过细胞与细胞保持完整，让和作为模糊图，对应细胞的条目，汇集条目是 记得在一个模糊的地图一个大条目显示高度的可能性，进入属于定义一个车牌。然而，如果细胞有小的多数在输入的变化（即，具有几乎均匀的分布条目）是在一个模糊的地图，检测车牌，地图的实用性恶化。看到这，考虑图片在晚上或阴雨天了。总体上，图片将黯淡。图像的整体强度往往是小，这反过来又导致大的饱和值在整个图片[见（1）]。无论是强度和饱和度的地图有点定位车牌因为条目相媲美。在所有的模糊的地图，这是可取的，比较小地图部分的具有大的条目，而其余的区内有小的值。这样的地图，将得到一个大体重反映程度高的地图的重要性。让从N中变成任意模糊图像M的大小，它的重量（或重要程度）是由 当 其中最大值最小值阈值 和表示在地图和的重量，这一点和（7）相同 四、车牌识别模块图3给出了用于识别模块的程序流程图。有两个主要组件构成的模块，图3。对于车牌识别模块流程图。预处理与识别。预处理部分由三个任务组成，二值化，连接组件标记，并去除噪声，排列顺序。识别部件是由两个主要步骤，字符分割与识别。获得对于程序的优化结果他们或者调用。由于相机可以