基于字符分割树形状的多风格车牌识别系统

《基于字符分割树形状的多风格车牌识别系统》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、AMulti-styleLicensePlateRecognitionSystemBasedonTreeofShapesforCharacterSegmentationFranciscoG′omezFern′andez1,PabloNegri2,MartaMejail1,andJulioJacobo11UniversidaddeBuenosAires2PLADEMA,UniversidadNacionaldelCentrodelaProvinciadeBuenosAires基于字符分割树形状的多

2、风格车牌识别系统摘要:这项工作的目的是要开发出一个多风格的车牌识别（LPR）系统。LPR系统大部分是由国家开发利用的。在这里，本文提出了一种新的基于图像树形状的特征提取算法。这种方法能很好地应用于不同风格的车牌，不需要倾斜或旋转校正并且它是无参的。此外它在规格变化时是不变的，相反在光照仿射改变时是变化的。我们用两个不同的数据集测试了LPR系统，实现了高性能率：车牌检测和字符识别的成功超过了90％，而在字符分割方面成功率则高达98.17％。1引言因为车牌识别（LPR）直接应用于现实生活的方方面面，

3、所以它是一个非常热门的研究领域。安全控制及交通安全应用，如识别被盗车辆和车速限制执法，已成为非常重要的应用领域，其中车牌（LP）分析起着根本性的作用[1]。一个车牌识别系统可分为三个步骤：LP检测，字符分割和字符识别。字符的成功识别在很大程度上取决于通过分割步骤获得的限位框的质量。因此，我们认为分割是车牌识别系统中的非常重要的一步。在[1]中，我们对LPR进行广泛地检测。然而，现阶段，能够使LPR系统成功地处理来自不同国家的风格迥异的车牌问题（形状、前景、背景、颜色等）是一个开放的研究领域。几个

4、试验检测的LPR工作都能实现高性能率，但其大部分是取决于国家的。[6，10，11]中，处理了多风格的LPR分析。此外，[6]和[11]使用类似的程序来搜寻LP区域并增加了识别反馈，当识别失败时能完善检测步骤。特征提取步骤通常是通过二值化方法执行关联的成分分析[10，11]。二值化阈值的选择是一项艰巨的任务，如果选择不正确，我们很容易得到多余的检测或错过一些检测。[4]中提出了一个有趣的方法，即同时处理检测与分割。在[11]，我们使用傅立叶描述的统计方法和Reeb图的结构方法来区分模棱两可的字符。

5、此外，为更好地识别字符，我们通过[6]三层人工神经网络将之前提取的字符固定分块，再进行计算。在这项工作中，我们开发适应于不同国家的静像LPR系统。我们的工作重点进行是基于图像树的形状的LPR系统的分割步骤。这被认为是一种新的特征提取方法。这种方法能很好地应用于不同的LP风格，并不需要旋转或倾斜校正并且是无参的。此外它在规格变化时是不变的，相反在光照仿射改变时是变化的。这些属性可通过派生树的形状[8]得到。我们用两个数据集测试了系统（参见例子，如图1），并获得了高性能率。6图1用两个数据集来测试我

6、们系统的例子。第一行显示了美国的车牌图像。第二行显示了阿根廷车的图像本文组织如下：第2部分详细介绍了执行LPR系统的步骤。第3部分给出了实验结果。最后，在第4部分中给出了结论和今后的工作。2车牌识别系统在本节中，我们介绍LPR系统的三个步骤：车牌检测，字符分割和字符识别（图2）。在可能的几个区域（ROI）使用形态滤波器。为了验证ROIs，即Ri，i=1，……，N和选择出最有可能的LP区域，我们应更详尽地分析，对每个区域使用地模板匹配和特征提取[9]进行评分。然后，找出得分最高的区域进行分割步骤，

7、当遇到三个以上边界框（

8、bbx

9、>3，在图2），就验证其结果。最后，在边界框中输入字符识别，并如在2.3节中所述那样进行验证。[11]如果字符分割或字符识别步骤分析失败了，系统将评估第二个最有可能的区域，一直进行下去，直到达到了RN区域。在这种情况下，系统是没有返回检测的。图2LPR系统图，菱形块代表验证步骤2.1车牌检测在本节中，我们讨论对每个区域所做的分析，并给它们一个可信值。ROI的一代。形态学顶级过滤用于图像输入，以提高亮度值差别很大的区域的对比度。垂直轮廓的计算使用了索贝尔过滤器，并在

10、连续形态下操作，然后应用于连接的可能LP区域的边缘。这些操作是简单而快速的，系统6提供了一些潜在的车牌区域。这是车牌识别系统中的关键一步：如果形态滤波器没有检测到LP，那么LP将会被丢失。ROI的评估。每个ROIs，即Ri，i=1，……，N是由两种方法计算得到：模板匹配和文本检测[5]。然后，我们定义了四个评价向量的长度为N：pcv用于模板匹配，mgd，nts和tbr用于文本检测，其中pcv（i）通过累积边界内相关值Ri而mgd（i），nts（i），tbr（i）是最大的梯度差，即在Ri内文本段的