Главная » » Image Acquisition на основе технологии Automatic Vehicle
20:59
Image Acquisition на основе технологии Automatic Vehicle
Введение
Области интеллектуальных транспортной системы очень широка, в центре внимания всех странах и регионах отличаются. Такие как: электронная система взимания платы является поле его в платных дорог в реальном исполнении, решать платных станции "узкие места", чтобы лучше легкостью платной о пробках, в очереди, и загрязнение окружающей среды. Чтобы отвечать этим требованиям, необходимо, в интеллектуальные системы управления дорожным движением вводит пластины автомобильных номерных технологию распознавания.
Автомобиля номерной знак является наиболее ясной, точной, и только знак. Автомобиля номерной знак признания (автомобиля номерных знаков признания, называют VLPR) в качестве специализированной системы компьютерного зрения, которая может автоматически захвата транспортного средства, движущегося в динамических данных, и извлекать номерных знаков для определения эффективных данных изображения, и точно идентифицировать транспортные средства в режиме реального времени символы на лицензии.
1 автомобиль номерной знак признания системы осуществления процесса
Полный номерной знак
1,1 Приобретение и обработки изображений
В настоящее время с помощью специального захвата изображений захвата кадров подключенной камеры или ноутбука напрямую связан с портативным изображений в реальном времени приобретения, в то время как аналоговый сигнал в цифровой сигнал. Обработка изображений в основном для расширения захвата изображений, восстановления, преобразования и других видов обработки, цель заключается в освещении основных особенностей номерного знака в целях более эффективного извлечения номерного знака.
1,2 номерного знака месте
С точки зрения человеческого зрения, в то время как символы номерного знака на основе характеристик целевой области, в бинарное изображение, основываясь на местоположении, чтобы извлечь соответствующие функции. Это, в сущности пространства параметров для поиска оптимальных параметров проблема позиционирования, она должна быть достигнута при оптимизации метода. Исчисления общего образа площадь проекции края, посмотрите на пик и долина точки, во многом определяют расположение номерного знака, а затем вычислить подключения в пропорции, за исключением значение находится за пределами сферы области связной области, и, наконец, получаем, что номерной знак. Автомобиля номерные знаки местоположения ключ к автоматической идентификационной системы, и трудно, фактически шума в изображении, сложные вмешательства фон будет труднее найти. Сегментация автомобиля лицензии, чтобы найти наиболее характерные области процесс лицензирования.
Лицензия обнаружения пластины и расположение методы включают в себя изображения предварительной обработки, грубая расположения транспортного средства лицензия, лицензия автомобиля точное позиционирование и ряд других компонентов. 2 показана схема номерного знака расположения системы.
Изображение предварительной обработки части функции, чтобы различие между информацией в электрические сигналы, а сигналы в удаления пятен, пробелов и других шумов, и в соответствии с определенными критериями, чтобы избавиться от ряда внешних сигналов, то размер текста, позиция, и инсульта Вес должен быть стандартизован, упрощенный для определения финальной части комплекса.
Грубые позиционирования часть номерной знак транспортного средства лицензия будет предоставлена в целях дальнейшего определения идентификации новых номерных знаков регионе кандидата региона, если число равно нулю, то образы без номерных знаков, не требуется, чтобы определить следующий шаг.
Точное позиционирование автомобиля номерные знаки на классификации кандидата региона, чтобы определить, какой из них реальный номерного знака номерного знака площадь и координаты задаются.
1,3 символов лицензии Сегментация автомобиля
Автомобиль лицензии после характер сегментации, чтобы найти площадь номерного знака после разреза делится на несколько субрегионов, Каждый участок содержит характер. Символ сегментации задача заключается в более чем одной строке для каждого символа в характере изображения из всего сегментации изображения, что делает его одним символом.
Для среднего распознавания символов, его процесс идентификации должен быть признан символов из входного (образец), чтобы извлечь растровой графики особенности характера описаны, а затем в соответствии с определенными критериями для определения структуры образца принадлежит классу. Таким образом, характер описания, функция извлечения и отбор, классификацию суждений три основных аспекта распознавания символов.
2 номерных знаков распознавания символов
Символ лицензии признания транспортного средства распознавания автомобильных номеров система является наиболее важной частью, частью необходимо для ввода, обработки изображений, автомобиля номерной знак локализация, характер сегментации Отделение признания обработки результатов, полученных в порядке, наконец, получить символы автомобиля лицензии.
Автомобиль лицензии данной работы состоит в характере изображения распознавания символов предварительной обработки, выделения признаков, классификатор дизайн и другие части.
2,1 символов изображения предварительной обработки
Изображение персонажа предварительной обработки изображения входной символ обрабатывается, чтобы сделать это в частности стандартной форме, последующего извлечения функция распознавания символов и легче. Его основная функция состоит из двух пунктов: Во-первых, для устранения шумов изображения, коррекция изображения отключены или адгезии явления, во-вторых, с помощью различных линейных и нелинейных метода нормализации, преобразованное изображение является относительно стабильным, легче идентифицировать.
2,2 выделения признаков
Основной целью извлечения признаков извлекается из исходных данных используется, чтобы различать различные типы основных характеристик. Применимости различных характеристик различных, так различное влияние на характеристики извлеченные символы не такую же производительность, так что характеристики одного предмета было трудно приспособиться к разнообразие условий, влияющих на пластине автомобиля лицензии распознавания символов. Кроме того, в связи с различными характеристиками между различными размерами, что не совсем тот же смысл, а вес может меняться много, если прямой метод сочетания, вес вызовет доминирующим особенности большие, игнорируя при этом больший вес мелкими чертами лица. Для решения этой проблемы, вы можете использовать функцию вектора метод нормализации или взвешенный подход, метод взвешивания двумя особенностями объединить для достижения цели две особенности, вместе взятых.
2,3 классификатора дизайн
Классификатор является метод, используемый в пространстве признаков объектов будут классифицироваться как категории определены. Основной подход основан на обучающем наборе образцов для определения решающего правила для принятия решений в соответствии с правилами, которые классифицируют объект, определенных наименьший уровень ошибок, вызванных или вызванные минимальными потерями.
Нейронная сеть, как классификатор, нужно иметь определенную подготовку образцов, и размер выборки не слишком мало, однако, экспериментальные среды этого номерного знака, китайские иероглифы и английский образцов меньше, и даже некоторые китайские иероглифы на английском языке только один или несколько образцов, и поэтому не может гарантировать уровень подготовки нейронных сетей. Таким образом, мы используем шаблон метода согласования. Шаблон метода согласования на самом деле больше, чем стандартный образец использования расстояние классификатора. Обычно метод среднего образца может быть использована для расчета выборочного среднего для использования в качестве стандартных образцов для каждой категории, а затем определить образца и стандартная рассчитывается как расстояние между образцом, окончательный выбор из маленьких стандартного образца в качестве образца типа должны быть определены.
Расстояние критерии обычно используются следующим образом;
(1) расстояние Минковского
Расстояние от формулы из нескольких видов, сказал:
(2) "Город блока" расстояние
Этот блок расстояние, расстояние Манхэттен это изменение, и дополнительный вес. А именно:
(3) евклидово расстояние
Это евклидово расстояние расстояние Минковского частный случай λ = 2, преимущество непрерывно дифференцируемых пунктов:
(4) расстояние Махаланобиса
Расстояние Махаланобиса, следует отметить, что статистические свойства образца, исключение воздействия корреляции между образцами. Она может быть выражена следующим образом:
Эта конструкция используется евклидово расстояние. Евклидово расстояние может быть рассчитан, потому что только
Это может уменьшить время вычислений.
3 Заключение
Эта пластинка автомобиля лицензии признание метод, который имеет хорошие результаты распознавания, и для новых знаний и выявления утечки ошибки и таким образом сделать улучшения, предварительная обработка яркости изображения могут быть проанализированы, слишком яркий или слишком темный для изображения принимать различные бинарные стратегии; также быть результатом распознавания символов на основе ретроспективных методов, используемых для проверки месте номерного знака и точность характер сегментации, распознавания символов частью подготовки образцов может увеличить количество символов шаблонов, и использует нейронные сети, как классификатора как можно улучшить точность распознавания символов.
