自动车牌识别（ALPR）:最新的评论外文翻译资料

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

自动车牌识别（ALPR）:最新的评论

摘要

车牌自动识别（ALPR）是从一张或一系列图像中提取车辆牌照信息。提取的信息可以在很多应用中和数据库一起使用使用，如电子支付系统（通行费支付、停车费支付）、高速公路和干线交通监控系统。ALPR使用彩色、黑白或红外相机拍摄图像。采集到的图像的质量是ALPR成功的一个主要因素。ALPR作为一个现实生活中的应用程序，必须在不同的环境条件下，如室内、室外，白天，夜晚快速成功地处理车牌。它也应该被推广到处理来自不同国家、省份或州的车牌。这些车牌通常包含不同的颜色，用不同的语言书写，并使用不同的字体；有些车牌可能有单一的颜色背景，而有些则有背景图像。车牌可能被车上的污垢、灯光和牵引附件部分覆盖。在这篇文章中，我们给出了最先进的ALPR技术的综合的观点。我们根据ALPR技术在各个阶段的使用特点对不同的ALPR技术进行分类，并从优缺点、识别精度和处理速度等方面进行比较。最后给出了ALPR的未来预测。

索引词 车牌自动识别（ALPR) 车牌数字自动识别（ANPR） 车牌识别（CPR）

汽车光学字符识别（OCR）

1. 导言

自动车牌识别（ALPR）在大量的实际应用中起着巨大作用，如自动收费、交通执法、停车场出入控制和交通监控。ALPR从彩色、黑白或红外摄像机拍摄的一幅或多幅图像中识别出车辆的车牌号。它通过多项技术的结合来实现，例如目标检测、图像识别、模式识别。ALPR也被称为自动车辆识别，车牌识别，自动车牌识别和车辆光学特征识别(OCR)。车牌类型和环境的变化给车牌的检测和识别带来了挑战。总结如下。

1. 车牌变化：
2. 位置：车牌存在与图像的不同位置;
3. 数量：一幅图像可能包含多张车牌或不含有车牌;
4. 尺寸：由于相机距离和空间因素，车牌可能有不同的尺寸；
5. 颜色；由于不同的车牌类型或拍摄设备，车牌可能具有不同的字符和背景颜色；
6. 字体：不同国家的车牌可能用不同的字体和语言书写；
7. 标准和定制：例如，加拿大阿尔博塔省的标准车牌左边有三个字母（最近的有四个），右边有三个数字。定制的车牌可能含有数量的字符而没有规则限制。
8. 遮挡；车牌可能会被污垢遮挡；
9. 倾斜度：车牌可能倾斜；
10. 其他：车牌还可能包含框架和螺钉。
11. 环境变化：
12. 照明：输入图像可能有不同类型的照明，主要是由于环境照明和车辆前照灯；
13. 背景：图像背景可能包含类似于车牌的内容，例如车辆上印的数字，带有垂直图案的保险杠和纹理地板。

从给定车牌号中提取车牌号的ALPR系统可以分为四个阶段，第一阶段是使用摄像机获取汽车图像，摄像机的参数包括摄像机类型、摄像机分辨率、快门速度、方向和光线，第二阶段是根据车牌的边界、颜色或字符的存在性等特征从图像中提取车牌，第三阶段是通过投影车牌的颜色信息，对车牌进行分割，提取字符，并进行标记，最后一步是利用神经网络和模糊分类器等分类器通过模板匹配识别提取的字符。图2显示了ALPR过程的结构。ALPR系统的性能取决于各个阶段的鲁棒性。

本文旨在通过对已有的ALPR研究方法进行分类，分析这些方法的优缺点，并从识别性能和处理速度两方面进行比较，为研究者提供一个系统的综述，为以后的研究提供一些问题。

本文的其余部分组织如下：第二节对车牌提取方法进行了分类和详细的回顾，第三节介绍了字符分割，第四节讨论了字符识别方法，在每一节的开始，我们定义了问题及其困难程度，在第五节中，我们对本文进行了总结，并讨论了未来的研究方向。

1. 车牌提取

车牌提取阶段影响ALPR系统的准确性，该阶段的输入是汽车图像，输出是包含潜在车牌的图像的一部分，车牌可以存在于图像的任何位置。该系统不需要对图像中的每个像素进行处理，这增加了处理时间，而是通过特征来区分车牌，因此系统只处理具有这些特征的像素。这些特征来自于车牌格式和构成车牌的字符。车牌是其中的一个特征，因为某些管辖区（即国家、州或省）的车牌有特定的颜色。车牌边界的矩形形状是另一个用于提取车牌的特征。字符和车牌背景之间的颜色变化，所谓纹理，是用来从图像中提取车牌区域的，字符的存在可以作为识别车牌区域的特征，两个或两个以上的特征可以组合起来识别车牌。

接下来，我们根据现有的车牌提取方法所使用的特征对其进行分类。

1. 基于边界/边缘信息的车牌提取

由于车牌通常是一个具有已知长宽比的矩形，因此可以通过在图像中找到所有可能的矩形来提取车牌。通常使用边缘检测方法来找到这些矩形[8]-[11]。

在[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，车牌的边界在图像中用边缘来表示，在进行水平边缘检测时，边缘是两条水平线，在进行垂直边缘检测时，边缘是两条垂直线，在同时进行这两个检测时，边缘是一个完整的矩形。

在[7]中，通过使用几何属性定位形成矩形的线来检测车牌矩形。

在[5]、[9]、[12]和[16]中，仅通过垂直边缘之间的匹配生成候选区域。车牌上垂直边缘的大小被认为是一个稳健的提取特征，而使用水平边缘只会导致因汽车保险杠[10]而产生的误差。在[5]中，对垂直边缘进行匹配，得到一些候选矩形，将与车牌长宽比相同的矩形作为候选矩形，该方法在不同光照条件下对图像的检测结果为96.2%。根据文献[9]，在提取垂直边缘和去除背景边缘的情况下，可以很容易地从边缘图像中提取出车牌区域，1165幅图像的检测率在100%左右，总处理时间为47.9毫秒。

在文献[17]中，提出了一种新的快速垂直边缘检测算法（VEDA），它比Sobel算子快7～9倍。

文献中也提出了基于块的方法。在文献[18]中，边缘幅值较大的块被识别为可能的车牌区域，由于块处理不依赖于车牌边界的边缘，因此它可以应用于车牌边界不清晰的图像。对180幅图像识别的准确率为92.5%。

文[19]提出了一种基于车牌识别的摩托车检测状态识别策略，实验结果表明，基于路侧和检测站检测图像的识别率分别为95.7%和93.9%，在超移动个人计算机上识别一幅图像需要654ms，在PC机上识别需要293ms。

在[13]中描述了使用Hough变换（HT）的基于边界的提取，它检测图像中的直线来定位车牌。Hough变换具有检测倾斜度高达30的直线的优点[20]，但是Hough变换是一个耗时且耗费内存的过程。在[21]中，基于边界的提出了HT与轮廓算法相结合的方法，提取率达到98.8%。

利用广义对称变换（GST）提取[22]中的车牌，得到边缘后，对图像进行有选择的方向扫描以检测角点，然后利用GST检测角点之间的相似性，形成车牌区域。

基于边缘的方法简单、快速，但对边缘的连续性要求较高[23]，结合去除不需要的边缘的形态学步骤，提取率较高[8]，提出了一种基于边缘统计和形态学的混合方法，9786个车牌的定位精度为99.6%。

1. 利用全局图像信息提取车牌

分量分析是二值图像处理中的一项重要技术[4]、[24]、[26]，它对二值图像进行扫描，并根据像素连通性将其像素标记为分量，面积和纵横比等空间测量通常用于车牌提取[27]、[28]，参考文献[28]将分量分析应用于低分辨率图像处理视频。使用超过4小时的视频，正确提取率和误报率分别为96.62%和1.77%。

在文献[29]中，对二值图像采用轮廓检测算法来检测连通对象，选择与车牌几何特征相同的连通对象作为候选对象，该算法在图像质量差的情况下可能会失败，导致轮廓失真。

在[30]中，二维互相关被用来寻找车牌。与预存储车牌模板的二维互相关是通过整个图像来定位最有可能的车牌区域。使用与模板的相关来提取车牌与图像中的车牌位置无关，但是，二维互相关是非常耗时。

C.基于纹理特征的车牌提取

这种方法依赖于车牌中字符的存在，从而导致字符颜色和车牌背景颜色之间的灰度级发生显著变化，同时由于颜色的过渡，导致边缘密度较高的区域，在[31]-[39]中采用了不同的技术。

在[31]和[39]中，使用了扫描线技术。灰度级的变化导致扫描线中出现多个峰值。这个数字等于字符数。

在文献[40]中，采用矢量量化（VQ）方法对图像中的文本进行定位，通过较小的块映射出更高的对比度和更多的细节信息，可以对图像区域的内容给出一些提示，实验结果表明，在不同质量的图像上，检测率和处理时间分别达到98%和200ms。

在文[41]中，提出了滑动同心窗（SCW）方法，该方法将车牌视为图像纹理中的不规则区域，因此局部特征的突变就是潜在的车牌，[42]提出了一种基于滑动同心窗口和直方图的车牌检测方法。

图像变换在车牌提取中也得到了广泛的应用，Gabor滤波器是纹理分析的主要工具之一[43]，该技术具有无限制方向和尺度的纹理分析的优点，当应用于固定角度和特定角度的图像时，其结果为98%，但该方法是费时。

在文献[32]中，由于空间频率产生的谐波在频谱分析中被检测出来，所以用离散傅里叶变换（DFT）来识别，DFT是以行的方式检测板的水平位置，而以列的方式检测板的垂直位置。

在文献[36]中，基于小波变换（WT）的方法被用于车牌的提取，在WT中有四个子带，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由扫描LH图像确定，并由参考线识别。垂直边水平投影在此线下，以根据最大投影确定位置。在[45]中，利用HL子带搜索车牌特征，通过检查LH子带中是否存在水平线来验证车牌特征，车牌定位的执行时间小于0.2秒，准确率为97.33%。

在[46]-[48]中，自适应boosting（AdaBoost）与Haar-like特征相结合，得到用于车牌提取的级联分类器，Haar-like特征通常用于目标检测，利用Haar-like特征使分类器对车牌的亮度、颜色、大小和位置保持不变，级联分类器在第一层使用全局统计，称为梯度密度，然后是类Haar特征，本文的检测率达到93.5%，AdaBoostis也在[49]中使用，该方法在不同格式、大小和不同光照条件下的检测率达到99%。

所有基于纹理的方法都具有检测车牌边界变形的优点。然而，这些方法在计算上是复杂的，特别是当有许多边时，例如在复杂背景下或在不同的照明条件下。

D.利用颜色特征提取车牌

由于各国的车牌都有特定的颜色，一些报道的工作涉及到通过在图像中定位颜色来提取车牌。

其基本思想是车牌和字符的颜色组合是唯一的，这种组合几乎只发生在车牌区域[50]中，Shi等人[50]根据车牌的具体格式，提出了利用色调、明度和饱和度（HLS）颜色模型对输入图像中的所有像素进行13分类。

在[51]中，将RGB图像转换成HLS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，同一车牌颜色在垂直和水平方向投影，以确定车牌区域的最高色密度区域 .

在[52]中，由于车牌只使用了四种颜色（白、黑、红、绿），所以彩色边缘检测只对三种边缘（黑白、红白、绿白）进行检测，采用不同场景、不同条件下的1088幅图像，车牌定位率为97.9%

在[53]和[54]中，使用遗传算法（GA）作为识别车牌颜色的搜索方法。在[54]中，从不同光照条件下的训练图片中，用遗传算法确定车牌颜色的上下限阈值，通过一个特殊的函数来描述平均亮度和这些阈值之间的关系，对于任何输入图片，首先确定平均亮度，然后根据该函数得到上下阈值，对阈值之间的像素进行标记，如果标记像素的连通性是矩形的，且与车牌的长宽比相同，则该区域被视为车牌区域。

在文献[55]中，利用高斯加权直方图交集来匹配车牌的颜色来检测车牌，为了克服影响颜色水平的各种光照条件，传统的HI是用高斯函数来修正的，用描述一组相似颜色的权重来匹配预先定义的颜色。

在[56]中利用车牌颜色和字符颜色的搭配生成边缘图像，对图像进行水平扫描，如果发现车牌颜色范围内有值的像素，则检查其水平邻域的颜色值，如果两个或多个邻域在同一字符颜色范围内，在一幅新的边缘图像中，该像素被识别为一个边缘像素，对新图像中的所有边缘进行分析，找出候选车牌区域。

在[56]中利用车牌颜色和字符颜色的搭配生成边缘图像，对图像进行水平扫描，如果发现车牌颜色范围内有值的像素，则检查其水平邻域的颜色值，如果两个或多个邻域在同一字符颜色范围内，在一幅新的边缘图像中，该像素被识别为一个边缘像素，对新图像中的所有边缘进行分析，找出候选车牌区域。

在文献[57]和[58]中，利用mean-shift算法将彩色图像分割成候选区域，然后进行分类，得到了97.6%的检测率；在文献[59]中，提出了一种快速的mean-shift方法。

针对基于颜色的方法引起的光照变化问题，[60]提出了基于逻辑的方法，采用色调、饱和度和值（HSV）颜色空间，根据不同的隶属度函数将HSV的三个分量映射到模糊集上，并描述了模糊分类函数通过三个加权隶属度的融合。

文献[61]提出了一种利用对亮度较低敏感的彩色重心六边形模型进行车牌定位的新方法。

利用颜色信息提取车牌具有检测倾斜和变形车牌的优点，但也存在一定的困难，特别是在不同的照明条件下，利用RGB值定义像素颜色是非常困难的，而作为一种替代颜色模型的HLS则对噪声非常敏感.使用颜色投影的方法会出现检测错误。特别是当图像的某部分具有与车牌相同的颜色时，例如车身与车牌颜色相同。

在文献[62]中，采用HSI颜色模型来选择检测候选区域的统计阈值，该方法可以在车身和车牌颜色相似的情况下检测候选区域，用色调的均值和标准差来检测车牌的绿、黄像素，用饱和度和亮度的均值

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[234125]，资料为PDF文档或Word文档，PDF文档可免费转换为Word