车牌定位与识别.docxVIP

关于车牌识别系统的实验Francesca OdoneDISI, Università degli Studi di Genovaodone@disi.unige.itTechnical Report number: DISI‐TR‐06‐17摘要在本文中，我将描述我对于与Imavis s.r.l1合作的自动车牌识别系统的可行性研究的贡献，我将描述我遇到的问题以及解决它们所采用的策略。本文重点在于图像处理和模式识别等问题。我利用相对简单的图像滤波技术进行车牌检测和数字分割，和一个基于支持向量机（SVM）的分类架构，通过它我们可以在各种现实世界的环境中获得先进的分类性能。介绍对于自动车牌识别系统（LPR）的重要性不需要再解释尤其是，自从过去的几年中大多数城镇中心都配备有网络视频监控系统之后——在这方面值得提及的有伦敦拥堵费2,在新加坡3的电子道路收费系统。考虑到关于该主题的相当大的商业诉求，科学文献相当匮乏，而且它往往是局限于一个通用提示的列表，而且所有的技术细节通常都会因为版权问题而被隐藏。本技术报告的目的是描述一组由Imaviss.r.l 和 Promelit s.p.a.主要根据意大利市场所生产和商品化的关于自动车牌识别设计的可行性研究而进行的实验。目标识别利率是通过意大利对外贸易部的基础设施和运输来设定的4。我将着重于系统的两个重要的方面：车牌检测和数字分割，考虑在环境变化和车牌外观变化影响下系统的性能和鲁棒性。所提出的解决方案:基于数学形态学的车牌增强和检测,基于简单的启发式方法（simple heuristics）的字符分割，和基于统计学的字符识别，方法虽然简单但是很有效。他们是基于最小化参数调优和尽可能多的利用从获取到的例子中学习所到的。1.1当前发展状况现如今车牌识别系统在全景图像和视频处理的应用程序中被当做是现成品系统，被商业化的工作系统包括由Tattile5制作的合而为一的系统VEGA，SeeCar by HI Tech Solutions6, AdaptiveRecognition Hungary7。这种系统的一个代表性例子是由Elsag s.p.a.开发的Autodetector8，一个健壮的LPR是与运动套件相连的，从而这种系统可以被安装在一辆汽车上。从科学著作的角度讲，不得不提起Draghici[Dra97]所作的工作，一个包含关于全局阈与图像放大方面许多有帮助的建议的广泛性的研究。车牌检测涉及到了各种各样的方法，包括过滤策略和特征匹配方法。为了关注的过滤问题我们提出了数学形态学的方法[MarGar02, AlbMos04],基于小波量方法[WenYin98], 和梯度高技术为基础[Dra97].至于特征匹配为基础Hegt [HegHay98]提出一种基于角落模板匹配的方法，而Kamat et al.提出一种基于霍夫变换的高效的车牌检测方法 [KamGan95];霍夫变换也被Yanamura et al.应用[YanGot03]。车牌检测作为一个相关的问题已经解决掉了[NaiTsu99], 有时也使用降维方法 [KhaKey98].-------------------------------------------1Imavis s.r.l.: /2伦敦拥堵费成立于2003年,是一个由230个闭路电视摄像头组成的系统,以保证覆盖整个伦敦区域。（见/ （11/06访问））3新加坡是第一个引入自动定价系统的城市，时间为1998年，（见.sg/motoring_matters/index_motoring_erp.htm（11/06访问））4http://www.infrastrutturetrasporti.it/（01/07访问）5/ (visited on 11/06)6 / (visited on 11/06)7 (visited on 11/06)8 关于这个系统的介绍可以在/ 找到(visited on 10/06)特设距离措施有时用作图案匹配识别来解决识别问题[ShaGlu04];在一些应用程序中实例学习被应用于提高模拟字符的实例模型的数量，在这方面经常用到神经网络[Dra97, NijBru95]。[CuiHua98]提议了一个基于利用视频序列信息的非常有意思的工作。基于SVM分类器的方法最近被提出，主要用于模拟字符外观变化；例如 [ZheHe06],或者[CheYan06], 后者将SVMs应用于中国车牌。1.2文档结构这份报告被组织如下，第二节概述了一个可行的LPR系统，第三节描述了关于车牌识别的一系列的图像处理的操作，第四节描述了数字识别问题和总结我们的研究成果，第五节是留给最后的讨论。2概述一个可行的LPR系统一个自动LPR系统通常是由以下部分组成:车牌增强和检测字符分割字符识别随