Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1) Colegio de Matemáticas y Física, Universidad de Ciencia y Tecnología de Qingdao, Qingdao 266061, China
2) Escuela de Matemáticas y Estadística, Universidad de Qingdao, 308 Ningxia road, Qingdao 266071, China
Resumen: La detección de matrícula incluye la colocación de la matrícula, la segmentación de caracteres, el reconocimiento de caracteres. La tasa de reconocimiento de
matrículas bajo escenas dinámicas se ve afectada por muchos factores. Cada desviación del proceso puede afectar la tasa de reconocimiento general del sistema, y la
precisión de cada parte se ve afectada por muchos factores, para reducir este error, combinamos las ventajas de una variedad de algoritmos para proponer un modelo de
detección integral. En la fase de posicionamiento de la placa, proponemos el espacio HSV y los métodos morfológicos; en la fase de segmentación de caracteres,
proponemos el método de segmentación de distancia de centro horizontal de carácter adyacente máximo; en la etapa de reconocimiento de caracteres, elegimos usar el
algoritmo CNN. En la prueba de simulación final, hay un conjunto de 1 errores en los 30 grupos de reconocimiento de matrículas,
Palabras clave: Detección de placa, posicionamiento, segmentación de caracteres, identificación del personaje.
La aplicación de la tecnología de reconocimiento de matrículas puede cambiar en Actualmente, el sistema de reconocimiento de matrícula comercial puede
gran medida el fenómeno de violación de tránsito y accidente de tránsito, lo que identificar la información del vehículo en el video y la imagen fija, incluido el
también puede proporcionar evidencia para el procesamiento posterior y mejorar la número de matrícula, el color de la matrícula y la forma de la matrícula. El
seguridad del tránsito [1]. Mientras tanto, ITS puede reducir la cantidad de vehículos sistema consta de un sistema de hardware y un sistema de software. El
que son robo, licencias falsas y tráfico de actividades criminales. Puede proporcionar hardware incluye módulo de cámara, módulo de atenuación, módulo de
datos detallados sobre la clasificación del tráfico para lograr la planificación y gestión adquisición de imágenes y módulo de procesamiento de imágenes. El sistema
de carreteras óptimas, proporcionando la base para el tráfico inteligente. de software incluye preprocesamiento de imágenes, ubicación de la placa,
corrección de la placa, módulo de corte de la placa y módulo de reconocimiento
de caracteres de la placa [5]. El diagrama del principio de funcionamiento es el
Placa
Para escenas especiales, como poca luz, transformación de perspectiva,
desenfoque de baja calidad, aún se necesita mejorar la tasa de reconocimiento de
matrículas. Sin embargo, sin importar el método tradicional o el método de
aprendizaje profundo, algunas tecnologías de módulos comunes aún tienen margen
de mejora y valor de investigación, como la detección de área de movimiento, la
ubicación de la placa, la perspectiva
corrección de transformación, y
salida de fusión multitrama y así sucesivamente. Para el método tradicional, la Información del vehículo Información de retroalimentación
matrículas de Asia Vision de Hong Kong VECON [6]. Aunque la tasa de reconocimiento es superior a Los modelos RGB y HSV son modelos de color de uso común en el
90, los datos experimentales no se obtienen del entorno de trabajo real. Debido a la complejidad del procesamiento de imágenes. Como los tres colores primarios de RGB se ven
entorno, no existe un conjunto de sistemas de identificación para todos los cambios ambientales y de muy afectados por la iluminación, cuando las condiciones de iluminación de la
escena. En la investigación teórica, Liu Zhiyong en un conjunto de muestras 3180, precisión de imagen de la placa cambian, es difícil usar la información de color de la placa
posicionamiento de la placa del 99.4%, precisión de segmentación del 94.5%. Hu Aiming desarrolló para ubicar con precisión la placa en el espacio RGB. El modelo HSV está
un sistema de reconocimiento de matrículas utilizado en las casetas de peaje con tecnología de representado por H, S, V, donde H es el tono, S es la saturación y V es el
correspondencia de plantillas, cuya precisión de reconocimiento puede alcanzar más del 97%. Luo brillo [7].
Xuechao y Liu Guixiong propusieron un método de banalización basado en la información de las
características de la placa, que puede lograr una tasa de reconocimiento del 96% para la placa de H y S contienen la información de color de la imagen, V representa la
mejor rendimiento. FENG Wen-yi y otro uso de un sistema híbrido fotoeléctrico para el información de brillo y el modelo está más en línea con el ojo humano que
reconocimiento de matrículas, el sistema puede completarse mediante el proceso de reconocimiento siente el color del camino. Dependiendo de las características de color de la
de matrículas de hardware. Huang Zhibin se basará en el reconocimiento de caracteres del imagen de la matrícula, el uso de 3 componentes en el espacio de color HSV
clasificador en serie aplicado al sistema de reconocimiento de matrículas, el clasificador del sistema ayuda a identificar el área de la matrícula. La conversión entre los dos es la
de reconocimiento de matrículas realizó un estudio detallado. Diferentes países tienen diferentes siguiente:
sistemas de reconocimiento, especialmente la complejidad de la matrícula de China, los caracteres
de la matrícula, el color de la matrícula, la posición de suspensión, la disposición de los caracteres no Suponiendo que todos los componentes de color se hayan normalizado, el
es uniforme, lo que dificulta la identificación El sistema puede completarse mediante el proceso de rango es [0, 1]. Configurando el valor máximo (max) y el valor mínimo (min) en
reconocimiento de matrículas de hardware. Huang Zhibin se basará en el reconocimiento de los componentes RGB, el componente de tono H es:
caracteres del clasificador en serie aplicado al sistema de reconocimiento de matrículas, el
DDCLS'18
415
2.2 2.2 Banalización Para detectar la región candidata de la placa de matrícula, el enfoque
morfológico utilizado en este artículo es: primero cerrando la operación para
Para detectar eficazmente el área candidata de la placa de matrícula mediante el
conectarse al objetivo adyacente, luego use la operación abierta para eliminar
método de procesamiento morfológico de la imagen, la imagen de la placa de matrícula
objetos pequeños.
necesita ser procesada binariamente. El método adoptado en este documento es
realizar por separado la operación binaria en las imágenes en escala de grises de cada
canal (H,
S, V) de la imagen de color HSV convertida y luego realice una operación AND,
para obtener una imagen con la mayor parte de la imagen binaria eliminada de
interferencia de fondo. El efecto de contraste de los resultados de banalización
en dos espacios de color se muestra en la Fig. 3. Tome la placa azul blanca
como ejemplo:
ABA
⋅ = ⊕ -( ㊀ ( ( si ) ) - si ) (5)
DDCLS'18
416
correspondiente a 10 × 10 parámetros, de hecho, es equivalente a la operación
característica de espacio más grande para obtener el segundo carácter y la imagen grande, digamos 8x8, como muestra y aprender algunas características de esta
posición horizontal del tercer carácter. La placa única china se caracteriza pequeña muestra, podemos usar las características aprendidas de esta muestra de 8x8 como
por contener siete caracteres, luego puede determinar el espacio máximo detector, aplicadas a cualquier lugar en la imagen.
La idea básica de colocar los siete caracteres en una posición específica características, como un tamiz, la imagen de la parte seleccionada del filtro.
La red neuronal convolucional consta de una o más capas convolucionales y una convolución 10 * 10. Obviamente, la extracción de características no es suficiente
capa superior completamente conectada, así como pesos asociados y una capa de [13]. Podemos agregar múltiples núcleos de convolución, como 32 núcleos de
agrupamiento [11] - [12]. convolución, que pueden aprender 32 tipos de función de núcleos de convolución.
Cuando hay múltiples núcleos de convolución, como se muestra a continuación:
1
W
1
W W
00
W
00
DDCLS'18
417
En la figura anterior, se enredan 4 canales para obtener 2 canales. El es decir, habrá 256 características de tamaño 27 × 27. Luego se realizan
número de parámetros es 4 × 2 × 2 × 2, donde 4 significa 4 canales, los las mismas operaciones ReLU y pool2 y norm2 que en (11). El mapa
primeros 2 significan 2 canales y el último 2 × 2 indica el tamaño del núcleo característico cambia a 256 × 13 × 13, ((27-3) / 2 + 1 = 13).
de convolución [14].
Agrupación (13) Se utilizan 384 núcleos de convolución 3 × 3 para las capas Conv3 y Conv4, lo que
Una idea muy natural para describir imágenes grandes es agregar las da como resultado 384 nuevas características de 13 × 13 ((13-2 + 1 × 2) / 1 + 1 = 13)
características de diferentes ubicaciones. Estas estadísticas resumidas no solo No hay una capa de agrupación en ambos niveles
tienen dimensiones mucho más bajas, sino que también mejoran los resultados (no
se ajustan fácilmente). Este tipo de agregación se llama agrupación. (14) El Conv5 usa 256 núcleos de convolución, cada uno de los bordes de expansión
es de 1 píxel, y la capa de agrupación se usa para evitar el sobreajuste, lo que
resulta en 256 13x13 (13-3 + 2 * 1) / 1
+ 1 = 13), y un mapa característico de un tamaño de grupo 5 de 6 × 6 × 256 ((13-3) / 2
+ 1 = 6) se realiza adicionalmente usando una ventana de 3 × 3 pasos de 2.
(15) La fase DFD de fc6 y fc7 es una capa totalmente conectada. Usando 4096
neuronas, un total de 256 características 6x6 están completamente conectadas, un
mapa de características de tamaño 6x6 se enreda en un punto característico. Luego,
Fig.13: Agrupación del principio la deserción al azar perdió información de nodos de 4096 nodos, y luego obtuvo una
nueva 4096 neuronas.
3 Simulación del sistema de identificación
tecnologías, y ahora creamos un sistema integral [15]. 3.2 Simulación del modelo
(1) En primer lugar, la recopilación de información del vehículo y el examen Hay 6.280 números de matrículas, pretratamiento para establecer un conjunto de
(2) Imagen de color RGB en estilo HSV, reduce la contaminación acústica. (3) 4710 como conjunto de capacitación. Hay 65 grupos de caracteres en el conjunto de
La imagen se divide en H, S, V imagen de escala de grises de un solo canal, entrenamiento (31 grupos de caracteres chinos, 24 grupos de letras en inglés y 10
elimina el ruido de cada canal, binario y operación "Y". grupos de caracteres digitales). Hay 4,710 caracteres chinos,
(4) Localice el área rectangular por morfología. (5) De acuerdo con la ubicación 10,759 caracteres ingleses y 17501 caracteres numéricos. En el conjunto de prueba,
encontrada por el posicionamiento grueso, utilizando el método de distancia de centro hay 1570 caracteres chinos, 3402 caracteres ingleses y 6018 caracteres numéricos.
horizontal de carácter adyacente máximo para lograr la segmentación de la matrícula. Resultados de entrenamiento iterativo.
(6) Para diferentes personajes, los caracteres adhesivos y los no adhesivos usan
diferentes formas de encontrar.
((227-11) / 4 + 1 = 55). La agrupación adicional (pool1) y la normalización (norma1), el Red neutral de BP 92,3% 0,953
algoritmo de agrupación máxima ((55-3) / 2 + 1 = 27) se utilizó para el proceso de
Método de coincidencia de patrones 80,4% 0,192
agrupación de ventanas de 3 × 3 y el tamaño del paso de 2 para obtener 96
características de figura de 27 × 27, y luego estas características como datos de entrada, CNN 98,8% 1.16
se completa la primera convolución.
El modelo integral de este artículo. 96,9% 0,517
DDCLS'18
418
4 4 Prueba de sistema Se realiza la segmentación de caracteres y el reconocimiento de caracteres. Se
propone un sistema de reconocimiento completo. En la fase de posicionamiento,
Seleccionados al azar de una colección de 1388 datos de matrículas de automóviles de
utilizamos el posicionamiento morfológico, la segmentación de caracteres
30 placas para determinar los resultados de la prueba se muestran en la tabla 2.
utilizando el método de segmentación de distancia de centro horizontal de
caracteres adyacentes máximos y el método de reconocimiento de caracteres
Mesa 2 Matrícula re C res de encendido ults
CNN para optimizar los diversos procesos. Intenta superar el ruido en el
Identifica el Placa Identifica el
Matrícula complejo movimiento de la escena y coordina la relación entre precisión y tiempo
resultado resultado
para formar el modelo final.
贵 AL037K 贵 AL037K 苏 EG08P9 苏 EG08P9
鲁 Y9D380 鲁 Y9D380 赣 F16712 赣 F16712 6 (4): 374-377, 2001. [3] S. Chang, L. Chen, Y. Chung, et al, Reconocimiento
automático de matrículas, IEEE Trans. en sistemas de transporte inteligentes, 5
苏 B755QT 苏 B755QT 苏 EG26J6 苏 EG26J6
(1): 42-53, 2004. [4] S. Washburn, Reconocimiento de voz para la recopilación
鄂 AQY228 鄂 AQY228 豫 A6V979 豫 A6V979 in situ de datos de matrículas: desarrollo y pruebas de aplicaciones
exploratorias, Revista de ingeniería de transporte, 128 (6): 481-489, 2002. [5] M.
津 LW0668 津 LW0668 鲁 D539XF 鲁 D539XF
Ahmed, M. Sarfraz, A. Zidouri, et al, Sistema de reconocimiento de matrículas
冀 A594LG 冀 A594LG 京 F51Y85 京 F51Y85 Electrónica, Circuitos y Sistemas, en
Obtenido a través del análisis, ha habido un grupo de errores de reconocimiento, F vehículos deportivos. Chengdu: Universidad de Sichuan, 2005. [7] D. Burdescu, M. Brezovan,
ha sido identificado como P y los resultados incorrectos en la siguiente figura. En la E. Ganea, et al., Un nuevo método para la segmentación de imágenes representadas en un
espacio de color HSV, en
etapa de posicionamiento basada en resultados de posicionamiento morfológico.
DDCLS'18
419