《計算機專業(yè)外文文獻翻譯-外文翻譯--車牌識別系統(tǒng)》由會員分享，可在線閱讀，更多相關《計算機專業(yè)外文文獻翻譯-外文翻譯--車牌識別系統(tǒng)（13頁珍藏版）》請在裝配圖網(wǎng)上搜索。

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 今車牌識別已成為在許多自動化傳輸系統(tǒng)中的重要技術，如道路交通監(jiān)控，在高速公路、橋上和停車點通行費的自動收取 . 車牌定位是在這一技術必不可少的重要階段，它已得到相當?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 （ . 一個由特定的編碼機制四叉樹的表示法，它可以給一個系統(tǒng)對圖像區(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)絡來定位車牌 窗口并決定是否每個窗口包含一個車牌的過濾器，他們的輸入的是 事后處理器結合了這些濾波后的圖像然后定位出圖像中車牌的邊框 它的過濾方法也被考慮過 些作者使用對線敏感的過濾方法來提取板子的領域 因此，本地化處理是用來尋找在圖像中對這些線路濾波有很大反應的矩形區(qū)域，這是一個累積函數(shù)（ et 如果這些字符被發(fā)現(xiàn)在一條直 線上，這些字符就構成了一個車牌（ et 1998） 1997）等應用到牌照定位問題上 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 要大量的處理時間 . et 2002）和 et 2001）研究了使用顏色特征來定位車牌，但是這些方法對不同的環(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)車牌的特點來成功的檢測出車牌位置 et 1996）發(fā)明了一種用來通過除去邊緣密度中最大和最小部分來使整個圖片簡易化來提高邊緣圖像 本文進一步研究了車牌定位的問題 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，并最后滑動矩形窗口 來搜索車牌剩余的板塊并從原來圖像中分隔出車牌 主要包含四個部分：圖像增強，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)中給出討論和結論 . 所有輸入的汽車圖片有 384×288像素和 256級灰度，圖 1給出了一個例子圖像 拉丁字母，阿拉伯數(shù)字等），所有車牌區(qū)域包含了豐富的邊緣信息 這里有兩個我們需要注意的地方：一個是車牌的背景區(qū)域主 要包含一些水平邊緣；另一個是背景中的邊緣主要是長曲線和隨機的噪聲，然而車牌邊緣集中在一起并產(chǎn)生了文字特征 管車牌將會失去一些水平的邊緣信息，但是這一小部分的丟失以后會很有價值的）并且大多數(shù)背景的邊緣被移除了，這樣車牌區(qū)域就會在整個圖像中明顯的隔離出來 像增強 在圖 1中，在車牌區(qū)域的傾斜度要比由于耀眼陽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顯示在車牌區(qū)域 加強汽車圖像放在第一步是很重要的 . 需要被增強的圖像區(qū)域要有低噪聲 來表示該像素 （行 2880 ??i ,列 : 3840 ?? j ）在圖中的亮度 ，使用 來表示增強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 分別是這個窗口平均亮度和標準偏差， 0I 和 0? 分別是預期均值和標準的方差 . 0,0, )(,,??? ??（ 1） 為了使得到得圖像信息表現(xiàn)的更好，設計窗口的大小最好小于牌照的預期尺寸 們將 選擇 48 × 36的矩形為 ，因此一個 8 ×8的窗口就可以覆蓋整個 384×288的車圖像 I 等于 ，并且讓 0? 是獨立于象素 的常量 和 的值 們可以使用雙線性內(nèi)插入算法來得到它們 ×8模塊，然后在每一塊中的最高點計算出 和 的值 ,,2,1,0,,48,36 ???? 最后利用雙線性內(nèi)插入算法計算出每一個 和 ；見方程（ 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)方程中將會得到一個大的值，但是我們不應該增強這樣的區(qū)域 足夠大的話（例如 60, ?），那么這種增強也是沒必要的 程（ 1）被改進成方程（ 4） . ,, )()( ,, ????? ? (4) 其中 )( , 是在 方程 (5)中定義的一個增強系數(shù)（函數(shù)圖形如圖 3） 的標準偏差的值 為 , ?或 60, ?時，我們讓函數(shù) f 等于 1，當 j i W ,?＝ 20時讓函數(shù) f 為 3（因為 20×3＝ 60） . ?????????????????????60160201)20(1600232001)20(40023)(,,,,,,22????(5) 圖 4 中就是增強過的汽車圖片 果拍攝牌照時有很好的光照并且圖像很平衡，這個過程就不會改變牌照的對比度 .（ 1?f ， 1, ?或60, ?） 我們選擇了垂直 圖 5中）來探測垂直邊緣，因為普通的算子會花費我們很少計算時間 .用 計算圖像中斜率的絕對值的平均值，通過一個域值系數(shù)與它相乘（如 ，或者計算斜率直方圖和找到一個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 牌照邊緣的同時還能看到許多長的背景曲線和短的隨即噪聲在圖上 我們設計一個簡單的算法把它們從邊緣圖像移除 . 這個算法只需要我們掃描邊緣圖像 3次 者左）開始點的長度 邊）結束點的長度 果邊緣點有特別長的（背景曲線）或者是特別短的（噪聲邊緣）實際邊緣長度，那么將邊緣點從邊緣圖像中移除 們需要先介紹一些下面會使用到的符號： 果 是一個邊緣點，1, ?否則 0, ?； M 和 N 是與 示車牌估計的高度和 這里是邊緣長度的兩個域值 . 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，我們可以通過留心觀察 “有關的相鄰的象素 ”（ 聚集當前象素 邊緣長度，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，車牌定位就變的簡單多了 它從左到右從上到下剛剛比車牌大一點點（例如 80×32） 們讓窗體以 比如 8， 8）而不是按象素移動 84×384邊緣圖像均勻的分隔成 8×8大小的模塊，然后計算出在每一模塊里面邊緣點的數(shù)目，然后形成一個 48×36大小的圖像 B 80／ 8） ×（ 32／ 8）＝ 10×4矩陣 W（里面的每一個元素都等于 1）來創(chuàng)建一個窗口 來卷積圖像 B，然后導出圖像 B? . 在域值 上，而且 是當時最大的，則記錄 位置作為車牌一個成員 過他們的 B? 的值來排序，然后將他們從原始圖像中分隔出來 . 卷積的結果 ?? 將會在圖 9 中顯示出來 有一般只有一個成員被搜索到 車圖像中分隔出來的車牌顯示在圖 9b 中 符切割和字符識別，但是我們在本文中不討論這部分 . 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的方法： “行敏感過濾器 ”（ et 1999）， “每行 每列的 et 1998)和 “邊緣圖像改善 ”（ et 1996）作對比 .“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下，但是中國的車牌大多是藍色的底，白色的字符 “行敏感過濾器 ”方法包含三步：二次抽樣圖像，運用線條敏感過濾器及尋找對此有極大反應的矩形區(qū)域 .“法包含四步：通過在圖像上使用水平的 分解諧波，平均在空間頻域中的諧波，通過最大化波能找到圖像的水平條紋，用同樣的方式通過使用垂直 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，計算邊緣密度等級的中值，消除水平投影上的最大和最小值來簡化整個圖片，找到車牌的候 選區(qū)域 . 我們在實驗中使用了中國車牌的三組圖像 63 個圖像，是我們在學校門口抓獲的 18 個圖像，他們是在公路旁有強烈陽光的陰影下抓獲的 84個圖片，其中有許多復雜的背景如樹木、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 顯示了實驗的結果 們定位在 1－ 3 個候選塊中，將通過第一次、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車牌是很小的） 對于其它三種方法，如果圖像中包含了一些特殊的物體（品牌，散熱器，保險杠）或者是復雜的背景（樹木、自行車）或者圖像是在強烈的陽光下或光線暗淡下抓獲的，車牌定位的錯誤率就很高 . 當他們運行在 .4 56mb 電腦上時，四種方法的計算時間如表 2所示，該方法是四種方法中最慢的 . 對于該方法的四個階段，平均處理時間列在表 3中 圖像增強 ”里 84×288 大小的圖片所需要的總時間為 秒，它滿足了實時處理的要求 . 設計的這個車牌定位的方法充分利用了牌照區(qū)域豐富的邊緣信息 們增強了原車圖片的局部區(qū)域，但是這個方法在加強傾斜圖像時選擇了加強牌照區(qū)得紋理 當?shù)玫搅舜怪边吘?，左右對角線的邊緣時，我們就可以在計算中利用一個更好的連續(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 . 這個方法然有一些缺陷 和 是通過線性內(nèi)插算法出來的值不是在的實際值 .“整體圖像 ”算法可以解決這個問題，但是它所花費的計算時間太長 所以如果在圖像中的所有車牌都是同樣大小的話，那么這個方法會有更好的效果 . 我們這個牌照定位的有效性已經(jīng)在實驗中被證 實了 用于商標、信封、卡片、賬單等等上的文字提取，復雜背景下的物體分割，等等 .