計(jì)算機(jī)專業(yè)外文文獻(xiàn)翻譯-外文翻譯--車牌識(shí)別系統(tǒng)

英文原文 to as of on or is in it of 2000) a on VQ is a by it a of et (1999)to be as of an a SI a of in to as of or is in of to is by a et 1999). be by of to of a of to be in a up a et 1998). to of et (1997). to , to is to to hu et (2002) ei et (2001), to of be to a to of et (1996) a to by of to of be in of so we it in et (1996). We to up in a to in it of it of . 1. ll 84 · 288 56 an is 1. of of , so of is is in in If a is to be of be in we to in as n 1, in in of is by in in or in A in if we it is to to be in a we i,j to of i,j ( 6 i 0) Mi,j = i 1,j 1,j,j+1, Mi,j 1 + 1; i,j = i 2,j 1,j,j+1, ,j 2,j+2,Mi,j 2 + 1; . i do j do Ei,j= =1) ,j 1 + ,j + ,j+1+Ei,j+1 > 0) Ni,j = i+1,j 1,j,j+1, Ni,j+1 + 1; i,j = i+2,j 1,j,j+1, ,j 2,j+2,Ni,j+2 + 1; . i do j do Ei,j= =1) Mi,j + Ni,j > j + Ni,j < Ei,j = 0; n we (of i,j. 7 NP in 8) of a is of 0 · 32) in of in If is a of of be a in In to we by 8, 8) of by to 84 · 288 · 8 of in a 48 · 36 . a (80/8) · (32/8) = 10 · 4 (is ) to ,0. If is is as of in by is 9(a). in is so be in 1 is (b). in 3. n we (et 1999), (et 1998), (et 1996). (2000) is (et 2001; et 2002) is or (et 1997) of in of of by FT on in of by of in by FT on of of of to of in 63 on a of 18 in of a 84 in as so We on we 3 of by , we of by 00% (in on of in or or of , on a 256 C. is of . A of is on . of 84 · 288 7.9 it of 4. he of of in we in it is an to to of To If a in be at of 8 to be W i;j rW i;j by at it in to of if in A of in by of in be to on . ”“in ,中文譯文 如 今車牌識(shí)別已成為在許多自動(dòng)化傳輸系統(tǒng)中的重要技術(shù)，如道路交通監(jiān)控，在高速公路、橋上和停車點(diǎn)通行費(fèi)的自動(dòng)收取 . 車牌定位是在這一技術(shù)必不可少的重要階段，它已得到相當(dāng)?shù)闹匾?. 研究人員已經(jīng)發(fā)現(xiàn)了許多不同的車牌定位方法 2000年）發(fā)明了一種基于矢量量化的方法 （ . 一個(gè)由特定的編碼機(jī)制四叉樹(shù)的表示法，它可以給一個(gè)系統(tǒng)對(duì)圖像區(qū)域的部分內(nèi)容的提示 ，而這些信息提高了定位性能 et 1999年）使用神經(jīng)網(wǎng)絡(luò)來(lái)定位車牌 窗口并決定是否每個(gè)窗口包含一個(gè)車牌的過(guò)濾器，他們的輸入的是 事后處理器結(jié)合了這些濾波后的圖像然后定位出圖像中車牌的邊框 它的過(guò)濾方法也被考慮過(guò) 些作者使用對(duì)線敏感的過(guò)濾方法來(lái)提取板子的領(lǐng)域 因此，本地化處理是用來(lái)尋找在圖像中對(duì)這些線路濾波有很大反應(yīng)的矩形區(qū)域，這是一個(gè)累積函數(shù)（ et 如果這些字符被發(fā)現(xiàn)在一條直 線上，這些字符就構(gòu)成了一個(gè)車牌（ et 1998） 1997）等應(yīng)用到牌照定位問(wèn)題上 給出了模糊集里的一些成員函數(shù) “ “ “得到車牌的水平和垂直位置 要大量的處理時(shí)間 . et 2002）和 et 2001）研究了使用顏色特征來(lái)定位車牌，但是這些方法對(duì)不同的環(huán)境下定位是不穩(wěn)定的 特征事非常重要的，邊緣密度可以根據(jù)車牌的特點(diǎn)來(lái)成功的檢測(cè)出車牌位置 et 1996）發(fā)明了一種用來(lái)通過(guò)除去邊緣密度中最大和最小部分來(lái)使整個(gè)圖片簡(jiǎn)易化來(lái)提高邊緣圖像 本文進(jìn)一步研究了車牌定位的問(wèn)題 以我們考慮其邊緣的圖像但是不同于 et 1996） 后使用 后消除背景曲線和邊緣圖像中的噪聲，并最后滑動(dòng)矩形窗口 來(lái)搜索車牌剩余的板塊并從原來(lái)圖像中分隔出車牌 主要包含四個(gè)部分：圖像增強(qiáng)，垂直邊緣提取，背景曲線和噪聲消除，車牌搜索和分隔 四節(jié)中給出討論和結(jié)論 . 所有輸入的汽車圖片有 384×288像素和 256級(jí)灰度，圖 1給出了一個(gè)例子圖像 拉丁字母，阿拉伯?dāng)?shù)字等），所有車牌區(qū)域包含了豐富的邊緣信息 這里有兩個(gè)我們需要注意的地方：一個(gè)是車牌的背景區(qū)域主 要包含一些水平邊緣；另一個(gè)是背景中的邊緣主要是長(zhǎng)曲線和隨機(jī)的噪聲，然而車牌邊緣集中在一起并產(chǎn)生了文字特征 管車牌將會(huì)失去一些水平的邊緣信息，但是這一小部分的丟失以后會(huì)很有價(jià)值的）并且大多數(shù)背景的邊緣被移除了，這樣車牌區(qū)域就會(huì)在整個(gè)圖像中明顯的隔離出來(lái) 像增強(qiáng) 在圖 1中，在車牌區(qū)域的傾斜度要比由于耀眼陽(yáng)光下汽車陰影所造成汽車輪廓低 如果我們直接從車的圖像中 提取出邊緣，你們一些垂直邊緣就會(huì)顯示在車牌區(qū)域 加強(qiáng)汽車圖像放在第一步是很重要的 . 需要被增強(qiáng)的圖像區(qū)域要有低噪聲 來(lái)表示該像素 （行 2880 i ,列 : 3840 j ）在圖中的亮度 ，使用 來(lái)表示增強(qiáng)圖像中該像素的亮度 和 滿足方程（ 1），其中 是以象素 為中心的窗口， 和 分別是這個(gè)窗口平均亮度和標(biāo)準(zhǔn)偏差， 0I 和 0 分別是預(yù)期均值和標(biāo)準(zhǔn)的方差 . 0,0, )(, （ 1） 為了使得到得圖像信息表現(xiàn)的更好，設(shè)計(jì)窗口的大小最好小于牌照的預(yù)期尺寸 們將 選擇 48 × 36的矩形為 ，因此一個(gè) 8 ×8的窗口就可以覆蓋整個(gè) 384×288的車圖像 I 等于 ，并且讓 0 是獨(dú)立于象素 的常量 和 的值 們可以使用雙線性內(nèi)插入算法來(lái)得到它們 ×8模塊，然后在每一塊中的最高點(diǎn)計(jì)算出 和 的值 ,2,1,0,48,36 最后利用雙線性內(nèi)插入算法計(jì)算出每一個(gè) 和 ；見(jiàn)方程（ 2）和（ 3）（圖 2） 1(3636 48/)48(),1(4848 x 6/)36( y . )1()1) (1(, (2) )1()1) (1(, (3) 如果 的值非常接近 0（例如只有黑的亮的區(qū)域），在方程 (1)方程中將會(huì)得到一個(gè)大的值，但是我們不應(yīng)該增強(qiáng)這樣的區(qū)域 足夠大的話（例如 60, ），那么這種增強(qiáng)也是沒(méi)必要的 程（ 1）被改進(jìn)成方程（ 4） . , )()( , (4) 其中 )( , 是在 方程 (5)中定義的一個(gè)增強(qiáng)系數(shù)（函數(shù)圖形如圖 3） 的標(biāo)準(zhǔn)偏差的值 為 , 或 60, 時(shí)，我們讓函數(shù) f 等于 1，當(dāng) j i W , 20時(shí)讓函數(shù) f 為 3（因?yàn)?20×3 60） . 60160201)20(1600232001)20(40023)(,22(5) 圖 4 中就是增強(qiáng)過(guò)的汽車圖片 果拍攝牌照時(shí)有很好的光照并且圖像很平衡，這個(gè)過(guò)程就不會(huì)改變牌照的對(duì)比度 .（ 1f ， 1, 或60, ） 我們選擇了垂直 圖 5中）來(lái)探測(cè)垂直邊緣，因?yàn)槠胀ǖ乃阕訒?huì)花費(fèi)我們很少計(jì)算時(shí)間 .用 計(jì)算圖像中斜率的絕對(duì)值的平均值，通過(guò)一個(gè)域值系數(shù)與它相乘（如 ，或者計(jì)算斜率直方圖和找到一個(gè)在某一特定的斜率比例分配（例如 75）中的斜率作為域值 我們得到的垂直 6所示 . 景曲線和去除噪聲 從圖 6中我們可以發(fā)現(xiàn)，在看到 牌照邊緣的同時(shí)還能看到許多長(zhǎng)的背景曲線和短的隨即噪聲在圖上 我們?cè)O(shè)計(jì)一個(gè)簡(jiǎn)單的算法把它們從邊緣圖像移除 . 這個(gè)算法只需要我們掃描邊緣圖像 3次 者左）開(kāi)始點(diǎn)的長(zhǎng)度 邊）結(jié)束點(diǎn)的長(zhǎng)度 果邊緣點(diǎn)有特別長(zhǎng)的（背景曲線）或者是特別短的（噪聲邊緣）實(shí)際邊緣長(zhǎng)度，那么將邊緣點(diǎn)從邊緣圖像中移除 們需要先介紹一些下面會(huì)使用到的符號(hào)： 果 是一個(gè)邊緣點(diǎn)，1, 否則 0, ； M 和 N 是與 示車牌估計(jì)的高度和 這里是邊緣長(zhǎng)度的兩個(gè)域值 . 和 矩陣； i 從上到下 每一行 j 從左到右 = 1） 01,1,1,11,1 1,m ,1,1,11,1, 1,m ,2,12,11,2,21,2, 每一行 i 從上到下 每一行 j 從左到右 =1) 01,1,1,11,1 1,m a x 1,1,1,11,1, 1,m a x 2,2,12,11,2,21,2, . 每一行 i 從上到下 每一行 j 從左 到右 =1) s h o r n , |) =0; 上面的算法中，我們可以通過(guò)留心觀察 “有關(guān)的相鄰的象素 ”（ 聚集當(dāng)前象素 邊緣長(zhǎng)度，圖 7 的陰影格中展示了 圖 7 象素 的 （ a）掃描圖像從左到右以及從上到下；（ b）掃描圖像從右到左以及從底到上 圖 8 圖顯示了大多數(shù)的背景和噪聲邊緣被消除后的圖片（ 28， 5）以及從底到上 . 牌搜索與分隔 在大部分噪聲被移除的情況下，車牌定位就變的簡(jiǎn)單多了 它從左到右從上到下剛剛比車牌大一點(diǎn)點(diǎn)（例如 80×32） 們讓窗體以 比如 8， 8）而不是按象素移動(dòng) 84×384邊緣圖像均勻的分隔成 8×8大小的模塊，然后計(jì)算出在每一模塊里面邊緣點(diǎn)的數(shù)目，然后形成一個(gè) 48×36大小的圖像 B 80 8） ×（ 32 8） 10×4矩陣 W（里面的每一個(gè)元素都等于 1）來(lái)創(chuàng)建一個(gè)窗口 來(lái)卷積圖像 B，然后導(dǎo)出圖像 B . 在域值 上，而且 是當(dāng)時(shí)最大的，則記錄 位置作為車牌一個(gè)成員 過(guò)他們的 B 的值來(lái)排序，然后將他們從原始圖像中分隔出來(lái) . 卷積的結(jié)果 將會(huì)在圖 9 中顯示出來(lái) 有一般只有一個(gè)成員被搜索到 車圖像中分隔出來(lái)的車牌顯示在圖 9b 中 符切割和字符識(shí)別，但是我們?cè)诒疚闹胁挥懻撨@部分 . 在這一部分中我們將我們所提出方法的性能與其它一些使用過(guò)的方法： “行敏感過(guò)濾器 ”（ et 1999）， “每行 每列的 et 1998)和 “邊緣圖像改善 ”（ et 1996）作對(duì)比 .“矢量量化 ”（ 2000）主要使用在圖像編碼中， “顏色特征 ”（ et 2001； et 2002）對(duì)于天氣條件不同的情況下不穩(wěn)定，如額外的燈光或者車牌上有別的東西； “模糊邏輯方法 ”（ et 997）效果很好是在板塊多數(shù)是黑白色的字符的假設(shè)下，但是中國(guó)的車牌大多是藍(lán)色的底，白色的字符 “行敏感過(guò)濾器 ”方法包含三步：二次抽樣圖像，運(yùn)用線條敏感過(guò)濾器及尋找對(duì)此有極大反應(yīng)的矩形區(qū)域 .“法包含四步：通過(guò)在圖像上使用水平的 分解諧波，平均在空間頻域中的諧波，通過(guò)最大化波能找到圖像的水平條紋，用同樣的方式通過(guò)使用垂直 候選條紋中找到車牌的垂直位置 .“邊緣圖像改善 ”方法包含五步：使用 算邊緣圖像的水平投影，計(jì)算邊緣密度等級(jí)的中值，消除水平投影上的最大和最小值來(lái)簡(jiǎn)化整個(gè)圖片，找到車牌的候 選區(qū)域 . 我們?cè)趯?shí)驗(yàn)中使用了中國(guó)車牌的三組圖像 63 個(gè)圖像，是我們?cè)趯W(xué)校門口抓獲的 18 個(gè)圖像，他們是在公路旁有強(qiáng)烈陽(yáng)光的陰影下抓獲的 84個(gè)圖片，其中有許多復(fù)雜的背景如樹(shù)木、停放著的自行車等等，這些圖片是從早上到晚上都有 . 我們將這四種方法用在了這三組圖片中 顯示了實(shí)驗(yàn)的結(jié)果 們定位在 1 3 個(gè)候選塊中，將通過(guò)第一次、第二次、第三次候選區(qū)域定位出車牌的次數(shù)分別列在表 1 中 多數(shù)車牌在第一次候選塊中就找到了，而且定位率 是 100（在第三組遺失的兩個(gè)車牌是很小的） 對(duì)于其它三種方法，如果圖像中包含了一些特殊的物體（品牌，散熱器，保險(xiǎn)杠）或者是復(fù)雜的背景（樹(shù)木、自行車）或者圖像是在強(qiáng)烈的陽(yáng)光下或光線暗淡下抓獲的，車牌定位的錯(cuò)誤率就很高 . 當(dāng)他們運(yùn)行在 .4 56mb 電腦上時(shí)，四種方法的計(jì)算時(shí)間如表 2所示，該方法是四種方法中最慢的 . 對(duì)于該方法的四個(gè)階段，平均處理時(shí)間列在表 3中 圖像增強(qiáng) ”里 84×288 大小的圖片所需要的總時(shí)間為 秒，它滿足了實(shí)時(shí)處理的要求 . 設(shè)計(jì)的這個(gè)車牌定位的方法充分利用了牌照區(qū)域豐富的邊緣信息 們?cè)鰪?qiáng)了原車圖片的局部區(qū)域，但是這個(gè)方法在加強(qiáng)傾斜圖像時(shí)選擇了加強(qiáng)牌照區(qū)得紋理 當(dāng)?shù)玫搅舜怪边吘?，左右?duì)角線的邊緣時(shí)，我們就可以在計(jì)算中利用一個(gè)更好的連續(xù)的邊緣曲線 中的那些孤立的短邊緣依舊可以去除但并不是必要的 . 這個(gè)方法然有一些缺陷 和 是通過(guò)線性內(nèi)插算法出來(lái)的值不是在的實(shí)際值 .“整體圖像 ”算法可以解決這個(gè)問(wèn)題，但是它所花費(fèi)的計(jì)算時(shí)間太長(zhǎng) 所以如果在圖像中的所有車牌都是同樣大小的話，那么這個(gè)方法會(huì)有更好的效果 . 我們這個(gè)牌照定位的有效性已經(jīng)在實(shí)驗(yàn)中被證 實(shí)了 用于商標(biāo)、信封、卡片、賬單等等上的文字提取，復(fù)雜背景下的物體分割，等等 .