英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

本科生毕业论文(设计)

文献翻译

英文题目 Automatic License Plate Recognition

中文题目 自动车牌识别

自动车牌识别

摘要：自动车牌识别（ALPR）是从图像或图像序列中提取车辆牌照信息。所提取的信息在有或无数据库的情况下都可以投入到很多应用中，诸如电子支付系统（通行税、停车费用支付）以及交通监控中的高速公路和主干监视系统。自动车牌识别系统要么使用彩色、黑白的摄像机采集图像，要么使用红外摄像机。采集图像的质量是自动车牌识别成功的一个主要因素。自动车牌识别作为现实生活应用必须快速、成功地处理不同环境条件下的车牌，如室内、户外、白天或夜间。它还应被推广到处理来自不同国家，省或州的车牌，这些车牌通常包含不同的颜色，以不同的语言编写，并使用不同的字体;一些车牌可能具有单色背景，而有些则可能包含背景图像。汽车上的车牌还可能有部分被污染、光照不均匀或者被装饰物遮挡。本文我们提供了全面的关于ALPR最先进的技术的综述。我们根据每个阶段使用的特征方法对不同的ALPR技术进行分类，并在利弊、识别准确性和处理速度方面进行比较。最后给出ALPR技术的未来发展展望。

索引条款：自动车牌识别（ALPR），自动车牌字符识别（ANPR），车牌识别（CPR），汽车的光学字符识别（OCR）。

1引言

自动车牌识别（ALPR）在大量的现实生活应用中扮演着重要的角色，诸如自动通行收费、交通执法、临时停车场进出和道路交通监控[1]–[4]。自动车牌识别系统通过彩色，黑白或红外摄像机拍摄的图像中识别车辆的车牌号码。它通过许多技术组合实现，例如目标检测、图像处理和模式识别。自动车牌识别也称为汽车的自动车辆识别、车牌识别、自动车牌字符别和光学字符识别（OCR）。车牌类型或环境变化是影响牌照的检测和识别的重要因素。它们总结如下：

1. 车牌变化：

a).位置：在同一幅图像中车牌出现在不同的位置；

b).数量：一幅图像中可能不包含或包含许多车牌；

c).尺寸：由于摄像头距离和缩放系数，车牌可能大小不一；

d).颜色：由于不同的车牌类型或图像捕获装置，车牌可能具有各种字符和背景颜色；

e).字体：不同国家的车牌可能有不同的字体和语言；

f):标准与虚荣性车牌：例如，加拿大阿尔伯塔的标准牌照中左边有三个和最近（2010年）有四个字母，右边有三个数字，如图1(a)所示；虚荣性（或定制）车牌由于没有任何规定则可能有任意数量的字符，如图1(b)所示。

g):遮挡：车牌可能会因污染物而模糊；

h):倾斜：车牌可能倾斜；

i):其他：图像中除了字符，还能包含牌照框架和螺丝。

图1.加拿大阿尔伯塔标准和定制车牌

1. 环境变化：

a).输入图像可能受不同类型的照明，主要是由于环境照明和车辆头灯;

b).图像背景可能包含类似于车牌字符的图案，例如压印在车辆上的数字、具有垂直图案的保险杠和纹理平面。

从给定图像中提取牌照号码的ALPR系统可以由四个阶段组成[5]。第一阶段是使用摄像机获取汽车图像。必须考虑相机的参数，例如相机的类型、相机分辨率、快门速度、方向和光。第二阶段是基于一些特征（诸如边界，颜色或字符）从图像中提取牌照。第三阶段是分割牌照并通过投影它们的颜色信息，标记它们或者通过模板匹配它们的位置来提取字符。最后阶段是通过模板匹配或使用分类器（例如神经网络和模糊分类器）来识别提取的字符。图2给出了ALPR处理过程的结构，ALPR系统的性能依赖于每个阶段的鲁棒性。

图2.ALPR系统的四个阶段

本文的目的是根据使用的特征提取方法、分析这些特征的利弊，并就识别性能和处理速度而言对其进行比较来分类已有方法，并通过这些分类为研究者们提供一个关于现有ALPR研究的系统调查，并为未来的研究开展一些问题。

本文的剩余部分组织如下。在第二部分，牌照提取方法将详细分类评述。第三部分展示字符分割方法，而第四部分讨论字符识别。在每部分的开始，我们先定义问题和它的难度级别，然后结合讨论分类现有的算法。在第五部分我们总结本文，并讨论未来研究的领域。

2牌照提取

车牌牌照提取阶段影响ALPR系统的精度。该阶段的输入是汽车图像，而输出是包含潜在车牌的图像的一部分。车牌可能存在于图像中的任何地方，可以通过其特征来区分车牌，因此系统仅处理具有这些特征的像素，而不是处理图像中的每个像素，这会增加处理时间。特征源自牌照格式和构成它的字符。牌照颜色是特征之一，因为一些辖区（即国家、州或省）

车牌具有特定的颜色；牌照边界的矩形形状是用于提取牌照的另一个特征；字符和牌照背景之间的颜色变化（称为纹理）用于从图像提取牌照区域；字符的存在可以用作识别车牌区域的特征。可以通过组合两个或更多特征来识别车牌。

下面，我们基于它们使用的特征对现有的牌照提取方法进行分类。

1. 基于边界/边缘信息的牌照提取

由于牌照通常具有已知纵横比的矩形形状，可以通过找到图像中的所有可能的矩形来提取。边缘检测方法通常用于找到这些矩形[8]–[11]。

在文献[5] [9]和 [12]–[15]中，Sobel滤波器用于检测边缘。由于车牌和车身之间的颜色过渡，车牌的边界由图像中的边缘表示。当执行水平边缘检测时边缘是两条水平线，当执行垂直边缘检测时边缘是两条垂直线，所以当同时执行两者时的就得到完整矩形。在文献[7]中，通过使用几何属性定位矩形的线来检测牌照矩形。

文献[5]、[9]和[12]中基于候选区域，而文献[16]仅仅通过匹配垂直边缘。牌照上垂直边缘的大小被认为是鲁棒提取特征，而由于汽车保险杠使用水平边缘只能导致错误[10]。在文献[5]中，匹配垂直边缘以获得一些候选矩形，具有与牌照相同的纵横比的矩形被视为候选矩形，该方法在各种照明条件下精度能达到96.2％。依据文献[9]，如果提取垂直边缘并且去除背景边缘，则可以容易地从边缘图像提取牌照区域。在1165像素图像中的检测率约100％，一个384times;288图像的总处理时间为47.9ms。

文献[17]提出了一种新的快速垂直边缘检测算法（VEDA）。VEDA显示，它比Sobel操作快7到9倍。

基于块的方法也在文献中给出。文献[18]指出，具有高边缘幅值的块被识别为可能的牌照区域，由于块处理不依赖于牌照边界的边缘，它可以应用于具有不清楚的牌照边界的图像。处理180times;180图像的精度达到92.5％。

文献[19]提出了一种用于检查摩托车状态的车牌识别策略。基于路边和检验站测试图像，实验得出的识别率为95.7％和93.9％。在移动个人计算机上需要654ms，在PC上需要大约293ms来识别牌照。

文献[13]使用基于Hough变换（HT）的边界提取，它检测图像中的直线以定位车牌。霍夫变换的优点是可以检测高达30°的倾斜直线[20]，然而霍夫变换处理消耗时间和内存。文献[21]提出了一种结合Hough变换和轮廓算法的边界提取方法，其提取精度达98.8％。

文献[22]提出基于广义对称变换（GST）提取牌照，在获得边缘之后，在选定方向上扫描图像以检测角，然后使用GST来检测这些角之间的相似性并形成牌照区域。

基于边缘的方法简单快速，但是它们需要的前提是边缘连续[23]。当结合形态学消除不必要的边缘，提取率相对较高。文献[8]提出了基于边缘统计学和形态学的混合方法，定位9786辆车牌的准确率为99.6％。

1. 基于全局图像信息的牌照提取

典型关联分析（CCA）是二进制图像处理中的重要技术[4], [24]–[26]。它扫描二进制图像，并根据像素连通性将其像素标记为组件。空间测量，例如面积和纵横比，通常用于

牌照提取[27]，[28]。参考文献[28]在低分辨率视频上应用CCA，在超过4小时的视频中，

正确的提取率和假警报分别为96.62％和1.77％。文献[29]对二进制图像应用轮廓检测算法以检测连接的对象，选择具有与牌照相同的几何特征的连接对象作为候选目标。该算法在质量差的图像的情况下可能失败，会导致轮廓变形。文献[30]采用二维互相关算法来查找车牌，通过在整个图像中执行二维互相关模板匹配以定位最可能的牌照区域。基于模板的相关性提取车牌与图像中的车牌位置无关，但是二维互相关算法耗时间，对于ntimes;n个像素其数量级为n⁴[14].

1. 基于纹理特征的牌照提取

这类方法取决于牌照中的字符，它会导致字符颜色和牌照背景颜色之间灰度级别的显著变化，颜色过渡还将导致较高的边缘密度区域。文献[31]-[39]使用了不同的方法。在文献[31]和[39]中，使用行扫描方法。灰度级的改变导致扫描后出现多个峰值，此数量等于字符数。

文献[40]指出基于矢量量化（VQ）来定位图像中的文本。矢量量化表示可以给出关于图像区域的内容的一些提示，因为较高的对比度和更多细节被较小的块映射。实验结果表明，不同质量的图像的检测率为98％，处理时间为200 ms。

文献[41]提出了滑动同心窗（SCW）方法。在该方法中，牌照被视为图像纹理中的不规则部分。因此，局部特性的突然变化区域可能是牌照。文献[42]提出了基于滑动同心窗和直方图的车牌检测方法。

图像变换也广泛用于牌照提取。Gabor滤波器是纹理分析的主要工具之一[43]，这种技术具有以无限取向和尺度分析纹理的优点。当应用于以固定和特定角度获取的图像时，文献[44]中的检测结果为98％。但这类方法很耗时间。

文献[32]提出，空间频率方法通过使用离散傅立叶变换（DFT）来识别，因为它能产生在频谱分析中检测到的谐波。离散傅立叶变换以行方式来检测车牌的水平位置并且以列方式检测垂直位置。

文献[36]提出基于小波变换（WT）的车牌提取。小波变换有四个子带，子图像HL描述垂直边缘信息，LH描述水平边缘信息。水平边缘的最大变化通过扫描LH图像确定并且由参考线标识，垂直边缘水平投影在此线下方，根据最大投影确定位置。文献[45]提出HL子带用于搜索车牌的特征，然后通过检查LH子带中是否存在围绕特征的水平线来验证特征。车牌定位的执行时间小于0.2s，精度为97.33％。

在文献[46] - [48]中，结合自适应提升学习（AdaBoost）算法和Haar-like特征获得级联分类器来实现牌照提取。Haar-like特征通常用于目标检测中，使用Haar-like特征使得分类器与牌照的亮度、颜色、大小和位置无关。文献[46]中，级联分类器在第一层中使用全局统计，称为梯度密度，然后使用Haar-like特征。在此文中检测率达到了93.5%。文献[49]使用自适应提升学习（AdaBoost）算法，该方法用于不同格式，尺寸和在各种照明条件下的图像并且得到了99％的检测率。

所有基于纹理的方法都具有即使其边界变形也能检测牌照的优点。然而，这些方法在计算上是复杂的，特别是当存在许多边缘时，如在复杂背景的情况下或在不同的照明条件下。

1. 基于颜色特征的牌照提取

由于一些国家的车牌有特定的颜色，一些报告提出通过在图像中定位他们的颜色提取车牌。

基本思想是牌照和字符的颜色组合是唯一的，且这种组合几乎仅在牌照区域中发生^[50]。依据中国车牌的具体格式，文献[50]提出基于色调、亮度和饱和度（HLS）颜色模型将输入图像中的所有像素分类为13个类别。

文献[51]在将RGB图像转换成HLS之后，使用神经网络对每个像素的颜色进行分类。神经网络输出的绿色、红色和白色是韩国的车牌颜色。垂直和水平投影相同的牌照颜色可以确定为牌照区域的最高色彩密度区域。

文献[52]提出由于在牌照中仅使用四种颜色（白色、黑色、红色和绿色），所以彩色边缘检测器仅关注三种边缘（即黑白、红白和绿白边缘）。在实验中，采用从不同场景和在不同条件下拍摄的1088幅图像，车牌定位率为97.9％。

在文献[53]和[54]中使用遗传算法（GA）作为用于识别牌照颜色的搜索方法。文献[54]训练在不同照明条件下的图片，使用遗传算法来确定牌照颜色的上限和下限。平均亮度和这些阈值之间的关系通过特殊函数描述。对于任何输入图像，首先确定平均亮度，然后从该函数获得下阈值和上阈值，标记在这些阈值之间的像素。如果标记像素的连通域矩形纵横比与牌照纵横比相同，则该区域被认为是牌照区域。

文献[55]提出基于高斯加权直方图的图像色彩匹配来检测车牌。为了克服影响色彩水平的各种照明条件，常规HI通过使用高斯函数来修改。描述一组相似颜色的权重用于匹配预定义的颜色。

在文献[56]中使用牌照颜色和字符颜色的搭配来生

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[28340]，资料为PDF文档或Word文档，PDF文档可免费转换为Word