毕设英文翻译重点.docx

一种提高车牌识别准确度的算法 Lihong Zheng a,?, Xiangjian He b, Bijan Samalib, Laurence T. Yangc 澳大利亚查尔斯特大学计算机与数学院 澳大利亚悉尼科技大学IT工学院 加拿大圣弗朗西斯泽维尔大学计算机系 摘要 本文提出了一种算法用来提取(检测)和在交通视频数据集车牌的识别。对于车牌检测,我们介绍一个方法，这个方法将全局边缘特征和局部Haar-like特性应用来构建有160特性由6层组成的级联分类器。在车牌上图像的的字符用基于一种改进的去除不需要的区域的斑点检测算法被提取出来。对于车牌识别(即字符识别),一个开放的来源OCR被修改和使用。我们所提出的系统在可怜的照明条件和对移动车辆来说是健壮的。我们的整个系统是有效的,可以应用于实时应用程序。实验结果使用交通视频证明。 关键字：车牌检测，统计特征，Haar-like特征，图像分割，斑点检测，OCR 1介绍 车牌识别已经被应用于各种场合，在停车场内能用来自动识别车辆，在严格区域能用来车辆访问控制，能用来识别和验证那些丢失的车辆。一个车牌识别系统主要由两个方面组成：车牌检测和字符识别。 车牌检测是车牌识别系统很重要的一步。车牌检测算法直接影响到车牌识别的准确度。此外，很多因素也能够影响车牌检测的精度和效率。例如：车牌检测的质量可能由于环境照明条件下，图像透视失真，图片上的文本等原因而被削减。大多数现有的车牌检测算法被各种控制条件如固定背景[1]，已知颜色[2]或指定相机和汽车的之间的范围[3]等条件限制了。因此，它对于在复杂环境下的车牌检测仍然是一个挑战性的问题。 有两种类型的方法用来字符识别。一种方法是使用商业光学字符识别（OCR）软件来识别字符[4]。另一种方法是使用基于学习的方法来识别字符[5]。这两种方法在控制条件下和当摄像机安装在固定位置不摆动时已经高达99%的精度。然而，当照明条件差或当车辆移动时，精度受损。 在本文中，我们提出了一个包含以下贡献的LPR系统。首先，我们介绍一个使用AdaBoost算法来准确地检测一个车牌的级联分类器，然后，我们提出一个方法，那个方法使用污点检测算法和识别算法来有效提高字符分割的精度。为了验证???们的LPR系统，我们将光学字符识别应用到字符识别。 车牌检测算法如图所示[7]中构造一个六层车牌检测的级联分类器。分类器的前两层是基于两个全球统计特性,通过简单的学习过程而演练。然后,剩余的四层分类器通过基于局部Haar-like特征的学习算法训练。受过严格训练的分类器准备在整个输入图像识别车牌的位置。基于全局特征的分类器减少了检测算法的复杂性。基于局部Haar-like特性的分类器能进一步提高检测率和降低假阳性率。它比那些应用离散小波变换(DWT)来定位车牌显示了更好的性能。[9] 图1 构建级联分类器的过程 OCR在识别印刷文件或没有或者是很少噪声的环境的文本显示了它的优势。然而,车牌图像实时捕获通常含有大量噪声和复杂的背景。因此,它对于正确地移除边界和分割车牌是具有挑战性的。无论使用哪一种OCRs, 如果字符不是正确地分割，那么识别精度将会大大降低。近年来,已经有很多研究出来的算法来用于车牌字符的分割。这些算法包括基于霍夫变换[10]的算法,基于水平和垂直预测[11]算法,和用于提高处理速度和精度的操作环境扫描算法[12]。然而,对于当车牌边界连接到内部字符,字符互相连接,和不完整的字符的情况下，准确、实时分割字符仍然是一个问题(13、14)。 在本文中,我们采用我们的最近的方法,这种方法可以正确有效地分割出车牌上的字符。这种方法是基于一些著名的技术如图像二值化、边缘检测、图像投影,连接成分分析。我们也将斑点检测算法整合进这种对字符分割的方法。 接下来的文章组织如下。第2节中,我们概述车牌检测和定位。第3节对两个全球统计特性和局部Haar-like特性进行了综述。在第4节中给出了包括颜色、边缘检测、逆向blob萃取的字符分割技术。实验结果演示在第5节。比较和讨论在第6节描述。最后,我们在第7节中得出本文结论。 2.车牌检测 正如[7]所示,检测算法的基本观点是在输入的车辆图像上使用一个变量扫描窗口来回移动。在每个位置,扫描窗口覆盖的图像区域使用前培训分类器来分类成一个牌照区域(积极的决定)或非车牌区域(一个消极的决定)。使用该算法的分类器 [7]是一个显著的延长在车牌检测[15]提到的百合和琼斯的工作。 在这个算法[7],一个六层的级联分类器被构造来提高检测速度,其中前两个层是基于全局特征和最后四层是基于局部Haar-like特征。分类过程可以作为一个退化的如图1所示的包含多层分类器的决策树。从第一个分类器得出的积极的结果触发第二分类器的评估。第二分类器的积极结果触发第三