Распознавание номерных знаков с использованием контурного анализа

Авторы Kumary R Soumya, Angel Babu, Laya Therattil

Перевод: Шепляков Д.В. и Google Translate

Источник (англ.): License Plate Detection and Character Recognition Using Contour Analysis

Аннотация

Система распознавания и обнаружения номерного знака использует метод обработки изображений для идентификации транспортного средства, его номерного знака. Здесь мы предлагаем точный и надежный метод обнаружения и распознавания номерных знаков с изображения, используя контурный анализ. Система состоит из двух этапов: выявление номерного знака, и распознавания символов. Обнаружение номерного знака выполняется для получения номерного знака транспортного средства и определяется с использованием метода обнаружения края текста. На этапе распознавания, контурный анализ используется для распознавания символов после сегментации каждого символа. Производительность предлагаемой системы была протестирована на различных изображениях и обеспечивает лучшие результаты.

Ключевые слова: лицензия обнаружения пластины, характер сегментации, истончение, распознавания символов, распознавания номерных знаков (LPR), и анализ контура.

1 ВВЕДЕНИЕ

Система распознавания номеров имеет важное применение в технологии наблюдения, которые постоянно разрабатываются и для сбора информации о транспортном средстве. Номерной знак состоит из цифровой или буквенно-цифровым кодом, который однозначно идентифицирует автомобиль в базе данных региона выдающего. Система обработки изображений, которые необходимо избегать огромное количество нарушений правил дорожного движения, и это неотъемлемая часть транспортной системы. Система распознавания номеров «Лицензия» популярен из-за его успешного применения в мониторинге платной оплаты, заторов и мониторинга, систем управления и т.д. Парковка системы распознавания номерных знаков состоит из двух основных этапов: обнаружение пластины и распознавания символов. Обнаружение определит регион из образа, который содержит номерной знак. Процесс признания преобразует символы в редактируемый формат. В предлагаемой системе, цветное изображение, которое преобразуется в двоичное изображение используется в качестве входных данных для системы распознавания.

Система распознавания номерного знака, который распознает номерной знак символа из заданного изображения может состоять в основном из два этапа. Первый этап заключается в извлечении области номерного знака с изображением на основе функций, таких как характер выравнивания номерного знака [2]. Поскольку прямоугольная форма номерного знака имеет известное свойство соотношение сторон [4], можно легко извлечь номерной знак, находя все возможные прямоугольники в данном входном изображении [5]. Второй этап заключается в признании извлеченных символов с помощью контурного анализа после нахождения контур сегментированной характера [6] - [8].

Контур включает в себя анализ векторное представление каждого контура символов и согласование осуществляется с помощью скалярное произведение каждой комплексной векторного представления с ранее сохраненного рисунка в фазе подготовки. Работа организована следующим образом. В разделе 2 мы представляем обзор литературы, который описывает некоторые методы, которые были использованы для распознавания номерных знаков. Предлагаемый обнаружения и распознавания методы обсуждаются в разделе 3. Анализ Результат обращается в разделе 4 и, наконец, заключение в разделе 5.

2 ОБЗОР ЛИТЕРАТУРЫ

Ранее различные модели, где, предназначенные для обнаружения и распознавания номерных знаков, некоторые из соответствующих работ выглядит следующим образом, так номерной знак обычно имеет прямоугольную форму с известным соотношением, она может быть извлечена путем нахождения всех возможных прямоугольников на изображении. Методы обнаружения края обычно используются, чтобы найти эти прямоугольники. Yingzi Ду Чейн-я и D.Thouin, предложили метод автоматизированной системы для обнаружения текста в отдельных видеоизображений [2]. Сяоцин Лю и Джагат Samarabandu, предложил метод многих масштабов края на основе текста извлечения из сложных изображений [3].

Thanongsak Sirithinaphong и Kosin Chamnongthai [4] предложил распознование номерного знака автомобиля, используя регулирование транспортного двигателя и распознавания символов. Леандро Араужо, Sirlene Пио, Дэвид Менотти предложил метод сегментации каждого символа из номерного знака [5].

Kresimir Romic, Ирена Галич, Альфонсо Баумгартнер [7] предложил алгоритм, который применяется для нахождения границы каждого персонажа. Граница будет иметь толщину одного пикселя. Предлагаемый система использует контур анализа [8] для признания символов, применяя вектор умножение и несколько других операций.

3. Предложенный метод

Система распознавания номерных знаков на основе анализа контура анализируется в данной статье. Система состоит из двух этапов: обнаружения пластины и распознавания символов. Область номерного знака обнаруживается от входного изображения. Контурный анализ, который состоит из извлечения контура и векторного представления применяется к сегментированных символов. Признанными символы, полученные после согласования характера. В этом разделе мы поговорим о предлагаемой системе. На рисунке 1 показана модель обнаружения номерного знака и системы распознавания используемого в этой статье.

Рисунок 1 - обнаружение и распознавание номерного знака

Цветные изображения транспортных средств, используются в качестве входных данных для системы. RGB, чтобы преобразования двоичного изображения принимается с использованием глобальной алгоритм выбора порога для обработки обнаружение номерного знака, и увеличить скорость обработки. Цветное изображение (RGB), приобретена цифровая камера превращается в серо-белое изображение, а затем в бинарное изображение, основанных на RGB с техникой двоичной преобразования [1]. Изображения также известные как черно-белый варьируется от черного в самой слабой интенсивности до белого самой сильнейший интенсивности. Это преобразование является наиболее важным этапом на всех этапах системы LPR, а более конкретно, для обнаружения фазы номерного знака.

3.1 Обнаружение номерных знаков

Обнаружение номерных знаков является сложной задачей. По сути, трудность может быть из-за следующих причин: номерные знаки обычно занимают небольшую часть всего изображения, разница номерных знаков в форматах, стили и цвета отличаются от страны к стране. В большинстве случаев, обнаружение осуществляется без предварительного знания расположения номерного знака на изображении и вероятность появления некоторых недостатков которые могли бы повлиять на эффективность обнаружения, такие как, размытое изображение, неравномерно или низкая освещенность, движение транспортного средства, низкое разрешение изображения, искаженные символы, грязный номерной знак, тени или отражения и т.д.

Есть много методов, таких как основанные техники региона, методики, основанной края, текстуры на основе техники и т.д. для извлечения текста [2]. Метод, определения края используется в предлагаемой системе для того, чтобы обнаружить текст с номерным изображения. (А) На основании метода Методика предложена система использует край основе метода обнаружения инструментом для локализации области номерного знака [3]. Края важной особенностью текста независимо от цвета/интенсивности, расположения, ориентации и т.д. Три отличительные особенности текста, встроенные в изображений, используемых в качестве основных характеристик для определения текста. Метод состоит из двух этапов: обнаружения и локализации текста, извлечение текста. Это относится к определению наличия текста в заданном кадре. Три важные свойства ребер, таких, как края прочности, плотности и дисперсии ориентации используются в этой фазе для того, чтобы построить функцию. Обычно текст в изображение появляется в кластерах. Таким образом, характеристики кластеров можно использовать для локализации текстовой области. Так текстовый регион, который содержит символы почти всегда появляется в окне, цель локализации текста является оконтуривание текстовой области, как показано на рисунке 2.

Рисунок 2 – обнаружение номерного знака

Сегментация

Процедура сегментации номерной площадь на более мелкие части, которые представляют каждый характер номерного знака. Эти изображения имеют туже высоту как изображения номера, но ширина колеблется в зависимости от ширины каждого символа [4]. Черный пикселей на области номерного знака представляют собой символы. Количество черных пикселей учитывается в вертикальной и горизонтальное направление регионе номерного знака [5]. Согласно на этот счет, каждый символ отделяется и процесс повторяется, пока каждый персонаж не сегментирован, как на рисунке 3.

Рисунок 3 – Сегментация

3.2 распознавание символов

В этом разделе, алгоритм распознавания символов является разработанным на основе контурного анализа, который считает только контур символов. Совпадающий символ выполняется с использованием символов контуры, полученные из анализа контура. Процесс распознавания символов повторяется для каждого характер персонажа, полученные в сегментации. Этот процесс может осуществляться в несколько этапов.

Контур анализ

Контурный анализ позволяет описать, сравнить и найти символы, представленные в виде внешней излагаются. Предполагается, что контур содержит достаточное информации о форме символов. Точки символы, не принимаются в нашей системе. Контур граница символов, население пунктов (пикселей), разделения характер из фона, который получается прореживание.

Разведение / Контур

Основное действие, чтобы сделать границу символов 1 пиксель тонкий. Он отмечает, изображения пиксель за пикселем и стирает внутренние слои черных пикселей на каждый символ [6]. Изображение неоднократно наблюдали, пока каждая граница персонажа не сводится к одной толщины пикселей [7]. Контуры символов показаны на рисунке 4.

Рисунок 4 – Вектор представление символов

Векторное представление

При анализе контура, контур определяется последовательностью состоящая из комплексных чисел, которые представлены векторами. На контуре, в точке, которая называется как начальная точка фиксируется, а затем, контур сканируется (по часовой стрелке), и каждый вектор смещения отметил комплексного числа а + б, где находится точка на оси х, а b точка на оси Y [8]. Вектор представление символов показано на рисунке 5.

Рисунок 5 – Контуры пиксели

По физической природе изображений, их контуры всегда закрыты и не может иметь самопересечения. Это позволяет определить способ обхода контура (с точностью до направлении - или против часовой стрелки). Вектор контура всегда приводит к начальной точке. Каждый вектор контура мы будем назвать элементарный вектор (EV). И последовательность комплексные числа - вектор-контур (ВК).

5 ЗАКЛЮЧЕНИЕ

Данная статья предлагает метод для обнаружения и распознания номерного знака на изображении на основе контурного анализа. Для идентификации транспортного средства, номерной знак имеет важное значение, потому что это обеспечивает уникальную информацию о транспортном средстве. Предлагаемая система состоит из двух этапов: обнаружения пластины и распознавания символов. Локализация номерного знака осуществляется для получения точного местоположения региона номерного знака. С техникой обнаружения края на основе дает лучшую производительность, он используется в нашей системе для обнаружения номерной области.

Литература

1. J. He, Q. D. M. Do, A. C. Downton and J. H. Kim A comparison of binarization methods for historical archive documents, 6th IEEE International Workshop, Document Analysis Systems,Vol.1, pp.538 – 542, 2005.

2. Yingzi Du Chein-I Change and Paul D.Thouin, Automated System for Text Detection in Individual Video Images, Journal of Electronic Imaging July 2003,pp 410-422.

3. Xiaoqing Liu and Jagath Samarabandu, Multiscale Edge-Based text extraction from complex images, Multimedia and Expo, 2006 IEEE International Conference, 2006.

4. Thanongsak ,Sirithinaphong and Kosin Chamnongthai, Extracting of car license plate using motor vehicle regulation and character pattern recognition, IEEE international conference of Neural Networks,1998, pp 559-562.

5. Leandro Araujo, Sirlene Pio, David Menotti, Segmenting and Recognizing License Plate Characters, International Journal of Computer Vision, vol. 24, no. 3, pp. 251–270,1997.

6. Satoshi Urata, Hiroshi Yasukawa, Improvement of contour extraction precision of active contour model with structuring elements, Speech and Signal Processing (ICASSP),IEEE International Conference on Digital Object Identifier, pp.1169-1172, 2012

7. Kresimir Romic, Irena Galic, Alfonzo Baumgartner, Character recognition based on region pixel concentration for license plate identification, Proceedings of the International Conference on Image Processing (ICIP’94), Vol.2., pp.321-325, 2012

8. http://www.codeproject.com/Articles/196168/Contour-Analysis-for-Image-Recognition-in-C