文献翻译+原文..docxVIP

一种马来西亚车牌定位识别系统Velappa GANAPATHY 1School of Engineering, Monash University Malaysia 2 Jalan Kolej, Bandar Sunway, Petaling Jaya, Selangor Malaysia and Wen Lik Dennis LUI 2School of Engineering, Monash University Malaysia 2 Jalan Kolej, Bandar Sunway, Petaling Jaya, Selangor Malaysia 摘要：在交通系统中，智能科技产品广受欢迎。这些只能系统给不仅有助于交通检测，在 机动车安全，执法机关和商业应用中也大有益处。本文提出了一种适于马来西亚车辆的车牌定位和识别系统。此系统基于数字图像处理开发，且可以方便的应用于商业泊车系统并为停车服务提供文本记录，保障车库安全，并且可以预防车辆盗窃事件。本文中提出的车牌定位算法基于一个形态学和改进的霍夫变换方法处理得到，车牌识别通过使用前向传播和反向传播人造神经网络。一个复杂室外环境中捕捉到的589张图片的成功识别率为95%。关键词：车牌，霍夫变换，反向传播，定位，字符分割识别和自动改正。1.引言：通常来说，要给自动车牌定位和识别系统（ALPR）由三个模块组成；车牌定位，字符分割和光学字符识别模块（图.1）。Output (Text)Input Image Camera License Plate Extraction / Segmentation Character Segmentation Optical Character Recognition 图.1.传统ALPR系统的流程图数字图像的车牌定位一般是通过使用边缘提取，直方图分析，形态算子或霍夫变换实现。边缘提取通常比较简单和快捷。但是，对方对噪声敏感。如果车牌是由直线段组的则使用霍夫变换可以得到很好的结果。但是，需要车牌的轮廓明显。且需要很大的内存空间和相当长的运算时间。另一方面，基础的直方图处理不能处理有大量噪声和倾斜的车牌。最后：使用形态学方法处理不易受到噪声的影响，但是执行起来很慢。单独使用这些技术不足以满足现代系统的需求。现在，一个智能车牌定位和识别系统需要稳定的运行在复杂的背景环境和光强度变化。因此:已经提出了很多解决方案来应对这些问题。比如：Kim，S. et al[1]提出了一种基于边缘提取的在弱光环境下的车牌定位方法。它由两步组成。第一步包含对输入图像的梯度信息的相应区域进行搜索，第二步确定车牌的在候选区域的位置，并通过引用一个车牌模板调整边缘。此外，Sarfraz，M.et al[2]利用垂直边缘检测和沙特阿拉伯车牌。可以看出车牌图像拥有更多的水平线条，这种方法通过仅仅检测垂直线条而减少了计算时间。在[3]和[4]中，讨论更多的边缘提取方法。在使用形态学方法的案例中，Dubey，P.[5]修改常见的形态学方法使用试探法得到一个在复杂图像处理的更简洁的结果。相应的，Wu，C. et al [6]结合形态学算子和一个澳门车辆搜索算法映射。这个搜索映射算法通过水平和垂直映射检测车牌中的字符区域。澳门车牌风格和马来西亚的车牌风格非常相似，因此，其可以作为一个可靠的参考方案。车牌定位之后是自负分割。常见的自负分割方法是基于直方图和阈值分析。近期被提出的方法，比如Fukumi，M. et al [7]使用人工神经网络确定最有的阈值，Kahraman，F. et al [8]使用Gabor变换和向量量化方法，Song，H. et al [9]。系统的最后一个阶段是字符识别。Wu，C. et al [6] 、Naito，T. et al [10] 采用更易实施的模板匹配法。但是，为了处理从多种车牌中读取的各种字符，需要分割字符以进行一些处理步骤，如：归一化和倾斜矫正。这些额外的步骤被证明有效的减少了所需的计算时间。例如：Sarfraz，M. et al [2]通过在模板匹配之前进行归一化改进了模板匹配法。更先进技术包括使用神经网络[10,11]和自组织地图[12]。2.系统概述和其核心概念在此项工作中主要使用的软件是Matlab R2006a（v.7.2）。使用此软件的核心组件是图像处理工具包（IPT）和神经网络工具包。使用一个英特尔奔腾3.0GHz双核处理器和1Gb内存的计算机执行此软件，使用一个索尼DSC-P10数码相机捕捉到589张数码图像。数码图像拥有1百万像素的分辨率不使用相机的任何附加功能。刻意这样做是为了使实验结果能够验证所提算法的鲁棒性。 图2.索尼DSC-P10 数码相机自动车牌识别系统的历史是相当复杂的，且有很多已经被成功的应用的在商业用途。然而