外文翻译--车牌识别系统

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 ,中文译文 如 今车牌识别已成为在许多自动化传输系统中的重要技术，如道路交通监控，在高速公路、桥上和停车点通行费的自动收取 . 车牌定位是在这一技术必不可少的重要阶段，它已得到相当的重视 . 研究人员已经发现了许多不同的车牌定位方法 2000年）发明了一种基于矢量量化的方法 （ . 一个由特定的编码机制四叉树的表示法，它可以给一个系统对图像区域的部分内容的提示 ，而这些信息提高了定位性能 et 1999年）使用神经网络来定位车牌 窗口并决定是否每个窗口包含一个车牌的过滤器，他们的输入的是 事后处理器结合了这些滤波后的图像然后定位出图像中车牌的边框 它的过滤方法也被考虑过 些作者使用对线敏感的过滤方法来提取板子的领域 因此，本地化处理是用来寻找在图像中对这些线路滤波有很大反应的矩形区域，这是一个累积函数（ et 如果这些字符被发现在一条直 线上，这些字符就构成了一个车牌（ et 1998） 1997）等应用到牌照定位问题上 给出了模糊集里的一些成员函数 “ “ “得到车牌的水平和垂直位置 要大量的处理时间 . et 2002）和 et 2001）研究了使用颜色特征来定位车牌，但是这些方法对不同的环境下定位是不稳定的 特征事非常重要的，边缘密度可以根据车牌的特点来成功的检测出车牌位置 et 1996）发明了一种用来通过除去边缘密度中最大和最小部分来使整个图片简易化来提高边缘图像 本文进一步研究了车牌定位的问题 以我们考虑其边缘的图像但是不同于 et 1996） 后使用 后消除背景曲线和边缘图像中的噪声，并最后滑动矩形窗口 来搜索车牌剩余的板块并从原来图像中分隔出车牌 主要包含四个部分：图像增强，垂直边缘提取，背景曲线和噪声消除，车牌搜索和分隔 四节中给出讨论和结论 . 所有输入的汽车图片有 384×288像素和 256级灰度，图 1给出了一个例子图像 拉丁字母，阿拉伯数字等），所有车牌区域包含了丰富的边缘信息 这里有两个我们需要注意的地方：一个是车牌的背景区域主 要包含一些水平边缘；另一个是背景中的边缘主要是长曲线和随机的噪声，然而车牌边缘集中在一起并产生了文字特征 管车牌将会失去一些水平的边缘信息，但是这一小部分的丢失以后会很有价值的）并且大多数背景的边缘被移除了，这样车牌区域就会在整个图像中明显的隔离出来 像增强 在图 1中，在车牌区域的倾斜度要比由于耀眼阳光下汽车阴影所造成汽车轮廓低 如果我们直接从车的图像中 提取出边缘，你们一些垂直边缘就会显示在车牌区域 加强汽车图像放在第一步是很重要的 . 需要被增强的图像区域要有低噪声 来表示该像素 （行 2880 i ,列 : 3840 j ）在图中的亮度 ，使用 来表示增强图像中该像素的亮度 和 满足方程（ 1），其中 是以象素 为中心的窗口， 和 分别是这个窗口平均亮度和标准偏差， 0I 和 0 分别是预期均值和标准的方差 . 0,0, )(, （ 1） 为了使得到得图像信息表现的更好，设计窗口的大小最好小于牌照的预期尺寸 们将 选择 48 × 36的矩形为 ，因此一个 8 ×8的窗口就可以覆盖整个 384×288的车图像 I 等于 ，并且让 0 是独立于象素 的常量 和 的值 们可以使用双线性内插入算法来得到它们 ×8模块，然后在每一块中的最高点计算出 和 的值 ,2,1,0,48,36 最后利用双线性内插入算法计算出每一个 和 ；见方程（ 2）和（ 3）（图 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（例如只有黑的亮的区域），在方程 (1)方程中将会得到一个大的值，但是我们不应该增强这样的区域 足够大的话（例如 60, ），那么这种增强也是没必要的 程（ 1）被改进成方程（ 4） . , )()( , (4) 其中 )( , 是在 方程 (5)中定义的一个增强系数（函数图形如图 3） 的标准偏差的值 为 , 或 60, 时，我们让函数 f 等于 1，当 j i W , 20时让函数 f 为 3（因为 20×3 60） . 60160201)20(1600232001)20(40023)(,22(5) 图 4 中就是增强过的汽车图片 果拍摄牌照时有很好的光照并且图像很平衡，这个过程就不会改变牌照的对比度 .（ 1f ， 1, 或60, ） 我们选择了垂直 图 5中）来探测垂直边缘，因为普通的算子会花费我们很少计算时间 .用 计算图像中斜率的绝对值的平均值，通过一个域值系数与它相乘（如 ，或者计算斜率直方图和找到一个在某一特定的斜率比例分配（例如 75）中的斜率作为域值 我们得到的垂直 6所示 . 景曲线和去除噪声 从图 6中我们可以发现，在看到 牌照边缘的同时还能看到许多长的背景曲线和短的随即噪声在图上 我们设计一个简单的算法把它们从边缘图像移除 . 这个算法只需要我们扫描边缘图像 3次 者左）开始点的长度 边）结束点的长度 果边缘点有特别长的（背景曲线）或者是特别短的（噪声边缘）实际边缘长度，那么将边缘点从边缘图像中移除 们需要先介绍一些下面会使用到的符号： 果 是一个边缘点，1, 否则 0, ； M 和 N 是与 示车牌估计的高度和 这里是边缘长度的两个域值 . 和 矩阵； i 从上到下 每一行 j 从左到右 = 1） 01,1,1,11,1 1,m ,1,1,11,1, 1,m ,2,12,11,2,21,2, 每一行 i 从上到下 每一行 j 从左到右 =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 从上到下 每一行 j 从左 到右 =1) s h o r n , |) =0; 上面的算法中，我们可以通过留心观察 “有关的相邻的象素 ”（ 聚集当前象素 边缘长度，图 7 的阴影格中展示了 图 7 象素 的 （ a）扫描图像从左到右以及从上到下；（ b）扫描图像从右到左以及从底到上 图 8 图显示了大多数的背景和噪声边缘被消除后的图片（ 28， 5）以及从底到上 . 牌搜索与分隔 在大部分噪声被移除的情况下，车牌定位就变的简单多了 它从左到右从上到下刚刚比车牌大一点点（例如 80×32） 们让窗体以 比如 8， 8）而不是按象素移动 84×384边缘图像均匀的分隔成 8×8大小的模块，然后计算出在每一模块里面边缘点的数目，然后形成一个 48×36大小的图像 B 80 8） ×（ 32 8） 10×4矩阵 W（里面的每一个元素都等于 1）来创建一个窗口 来卷积图像 B，然后导出图像 B . 在域值 上，而且 是当时最大的，则记录 位置作为车牌一个成员 过他们的 B 的值来排序，然后将他们从原始图像中分隔出来 . 卷积的结果 将会在图 9 中显示出来 有一般只有一个成员被搜索到 车图像中分隔出来的车牌显示在图 9b 中 符切割和字符识别，但是我们在本文中不讨论这部分 . 在这一部分中我们将我们所提出方法的性能与其它一些使用过的方法： “行敏感过滤器 ”（ et 1999）， “每行 每列的 et 1998)和 “边缘图像改善 ”（ et 1996）作对比 .“矢量量化 ”（ 2000）主要使用在图像编码中， “颜色特征 ”（ et 2001； et 2002）对于天气条件不同的情况下不稳定，如额外的灯光或者车牌上有别的东西； “模糊逻辑方法 ”（ et 997）效果很好是在板块多数是黑白色的字符的假设下，但是中国的车牌大多是蓝色的底，白色的字符 “行敏感过滤器 ”方法包含三步：二次抽样图像，运用线条敏感过滤器及寻找对此有极大反应的矩形区域 .“法包含四步：通过在图像上使用水平的 分解谐波，平均在空间频域中的谐波，通过最大化波能找到图像的水平条纹，用同样的方式通过使用垂直 候选条纹中找到车牌的垂直位置 .“边缘图像改善 ”方法包含五步：使用 算边缘图像的水平投影，计算边缘密度等级的中值，消除水平投影上的最大和最小值来简化整个图片，找到车牌的候 选区域 . 我们在实验中使用了中国车牌的三组图像 63 个图像，是我们在学校门口抓获的 18 个图像，他们是在公路旁有强烈阳光的阴影下抓获的 84个图片，其中有许多复杂的背景如树木、停放着的自行车等等，这些图片是从早上到晚上都有 . 我们将这四种方法用在了这三组图片中 显示了实验的结果 们定位在 1 3 个候选块中，将通过第一次、第二次、第三次候选区域定位出车牌的次数分别列在表 1 中 多数车牌在第一次候选块中就找到了，而且定位率 是 100（在第三组遗失的两个车牌是很小的） 对于其它三种方法，如果图像中包含了一些特殊的物体（品牌，散热器，保险杠）或者是复杂的背景（树木、自行车）或者图像是在强烈的阳光下或光线暗淡下抓获的，车牌定位的错误率就很高 . 当他们运行在 .4 56mb 电脑上时，四种方法的计算时间如表 2所示，该方法是四种方法中最慢的 . 对于该方法的四个阶段，平均处理时间列在表 3中 图像增强 ”里 84×288 大小的图片所需要的总时间为 秒，它满足了实时处理的要求 . 设计的这个车牌定位的方法充分利用了牌照区域丰富的边缘信息 们增强了原车图片的局部区域，但是这个方法在加强倾斜图像时选择了加强牌照区得纹理 当得到了垂直边缘，左右对角线的边缘时，我们就可以在计算中利用一个更好的连续的边缘曲线 中的那些孤立的短边缘依旧可以去除但并不是必要的 . 这个方法然有一些缺陷 和 是通过线性内插算法出来的值不是在的实际值 .“整体图像 ”算法可以解决这个问题，但是它所花费的计算时间太长 所以如果在图像中的所有车牌都是同样大小的话，那么这个方法会有更好的效果 . 我们这个牌照定位的有效性已经在实验中被证 实了 用于商标、信封、卡片、账单等等上的文字提取，复杂背景下的物体分割，等等 .