Séptima Conferencia de Sistemas de Aprendizaje y Control Controlado por Datos IEEE 2018 del 25 al 27 de

mayo de 2018, Enshi, provincia de Hubei, China

Un nuevo método para detectar la matrícula en una escena dinámica

Chunliang Zhao 1, Yuanyuan Hao 2, Shulin Sui 1, Shujiao Sui 1

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

Correo electrónico: zhaocl_yx@gamil.com

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.

Varias condiciones climáticas, es decir, la capacidad de generalización del sistema

1 Introducción es fuerte.

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

En la era de los grandes datos, el sistema de reconocimiento de matrículas se siguiente:

aplica a los estacionamientos, garajes, cruces de tráfico, patrullas móviles,

sistemas de báscula, gestión de terminales, conducción automática, estaciones
Regula la matrícula
Localice la placa de matrícula

de servicio y otras ocasiones, moviéndose constantemente en la dirección de

Preprocesamiento de imagen
Adquiriendo una imagen

inteligencia no tripulado [2] - [3].

Placa

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

segmentación de caracteres y el reconocimiento de caracteres aún pueden mejorar el

espacio.
Procesamiento de la base de datos
1.1 Estado de investigación del sistema de identificación
Figura.1 Diagrama del principio de funcionamiento Una variedad de
Un sistema completo de recolección de matrículas consta de una serie de
reconocimiento de matrículas de países extranjeros que se inició anteriormente, los
tecnologías, tales como adquisición de imágenes, preprocesamiento de imágenes,
sistemas más conocidos son: Israel Hi-Tech's See / Car System, ARGUS Reino
ubicación de matrículas, corte de caracteres y reconocimiento de caracteres [4]. No
Unido Alphatech desarrollado en el 80s License Plate Recognition System (RGUS),
importa qué tipo de programas necesiten para resolver dos problemas principales:
La compañía Optasia de Singapur desarrolló el sistema VLPRS, adecuado para
Primero, no importa en qué escena se tomó la escena debajo del vehículo, trate de
placas en Singapur, Alemania. El sistema SIEMENS de la compañía ARTEM7S.
obtener una placa clara y fácil de distinguir al tomar fotografías. En segundo lugar, cómo
Aunque la precisión de cada sistema es aceptable, pero solo para el uso de la
garantizar la tasa de reconocimiento final de las matrículas bajo
región, desde el principio de reconocimiento de coincidencia de plantillas, admite
clasificador de máquina de vectores, clasificador basado en características,

Este trabajo es apoyado por el elemento horizontal de Sui. profesor

**

978-1-5386-2618-4 / 18 / $ 31.00 © 2018 IEEE DDCLS'18

414
clasificador de redes neuronales artificiales, clasificador de conjunto aproximado, análisis de Poly para imágenes que utilizan la segmentación de caracteres de la matrícula en función del
Class y otros métodos. espacio máximo entre caracteres de los caracteres adyacentes, en función del final de la
En China, los productos más maduros incluyen los productos LPR de segmentación en el uso de la identificación mejorada del algoritmo CNN.
Sichuan ChuanDa Intelligent Company, ShenZhen ZhenZhi
el sistema de identificación ZhenZhu de la compañía de tecnología de ojos de
2.1 HSV espacio y métodos morfológicos
fuego, la serie Hanwang de la Academia China de Ciencias, los productos de reconocimiento de

matrículas de Asia Vision de Hong Kong VECON [6]. Aunque la tasa de reconocimiento es superior a
90, los datos experimentales no se obtienen del entorno de trabajo real. Debido a la complejidad del
entorno, no existe un conjunto de sistemas de identificación para todos los cambios ambientales y de
escena. En la investigación teórica, Liu Zhiyong en un conjunto de muestras 3180, precisión de
posicionamiento de la placa del 99.4%, precisión de segmentación del 94.5%. Hu Aiming desarrolló
un sistema de reconocimiento de matrículas utilizado en las casetas de peaje con tecnología de
correspondencia de plantillas, cuya precisión de reconocimiento puede alcanzar más del 97%. Luo
Xuechao y Liu Guixiong propusieron un método de banalización basado en la información de las
Los modelos RGB y HSV son modelos de color de uso común en el
procesamiento de imágenes. Como los tres colores primarios de RGB se ven
muy afectados por la iluminación, cuando las condiciones de iluminación de la
imagen de la placa cambian, es difícil usar la información de color de la placa
para ubicar con precisión la placa en el espacio RGB. El modelo HSV está
representado por H, S, V, donde H es el tono, S es la saturación y V es el
brillo [7].

características de la placa, que puede lograr una tasa de reconocimiento del 96% para la placa de
mejor rendimiento. FENG Wen-yi y otro uso de un sistema híbrido fotoeléctrico para el
reconocimiento de matrículas, el sistema puede completarse mediante el proceso de reconocimiento
de matrículas de hardware. Huang Zhibin se basará en el reconocimiento de caracteres del
clasificador en serie aplicado al sistema de reconocimiento de matrículas, el clasificador del sistema
de reconocimiento de matrículas realizó un estudio detallado. Diferentes países tienen diferentes
sistemas de reconocimiento, especialmente la complejidad de la matrícula de China, los caracteres
H y S contienen la información de color de la imagen, V representa la
información de brillo y el modelo está más en línea con el ojo humano que
siente el color del camino. Dependiendo de las características de color de la
imagen de la matrícula, el uso de 3 componentes en el espacio de color HSV
ayuda a identificar el área de la matrícula. La conversión entre los dos es la
siguiente:

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

clasificador del sistema de reconocimiento de matrículas realizó un estudio detallado. Diferentes

• GB- • •
países tienen diferentes sistemas de reconocimiento, especialmente la complejidad de la placa de • V - min (,RGBBR
⋅ 60, si VR = •
, )
China, los caracteres de la placa, el color de la placa, la posición de colgado, la disposición de los • •
caracteres no es uniforme, lo que dificulta la identificación El sistema puede completarse mediante el • - • •
proceso de reconocimiento de matrículas de hardware. Huang Zhibin se basará en el reconocimiento •• (2 + max-min (4 ) ⋅ 60, si VG = •• (1)
H =•
de caracteres del clasificador en serie aplicado al sistema de reconocimiento de matrículas, el clasificador del sistema de reconocimiento de matrículas realizó un estudio detallado. Diferentes países •tienen diferentes sistemas de
• RG- • •
+ ) ⋅ 60, si VB =
1,2 Estado de investigación del reconocimiento de caracteres • max min - (6 •
• •
(1) Método de análisis característico RG-
• +
•
) ⋅ 60, si VB = yG < si •
Para mejorar la velocidad de reconocimiento, el análisis de estructura de • máximo- minimo •
caracteres generalmente no realiza la normalización. El principio principal es analizar
El componente de saturación S es
las características estructurales de los caracteres chinos, números, números y trazos
para lograr el reconocimiento de caracteres. (2) Método de correspondencia de • V - min (, RGB , )
• , si V 0 ≠
plantillas S max .

= ••• 0 de otra manera

El núcleo de este método es utilizar el carácter completo como plantilla o
extraer las características de un solo carácter como plantilla que coincide con El componente de brillo V es = max
V (, RGB , )
el diccionario estándar de caracteres para calcular la coincidencia máxima •
En donde, el rango de H es [ 0,360] , el rango de S y V
entre los dos caracteres para confirmar el carácter. (3) Algoritmo de red
neuronal artificial los valores son [0, 1], R es rojo, sol es verde, si es azul.

El efecto de conversión del espacio de color de la imagen de la placa se muestra en la Figura 2.

El reconocimiento de caracteres tiene principalmente dos direcciones. Una es

extraer la característica del carácter a reconocer, y luego el clasificador de red
neuronal es entrenado por la característica adquirida. El resultado de este método
está altamente correlacionado con la característica del área especial y lleva
mucho tiempo. El otro es ingresar directamente una imagen de un solo personaje
en la red neuronal, para reproducir las características de las características de
aprendizaje autónomo de la red, entrenar una identificación específica de la
estructura y, en última instancia, la salida de los personajes.

2 Preparación del modelo Figura. 2: tabla de efectos de conversión

En este documento, para la placa de matrícula en un entorno complejo, utilizamos la

combinación de espacio HSV y procesamiento morfológico para ubicar la placa de
matrícula, segmentación de caracteres

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:

Fig.4: resultados morfológicos

Cuando la placa candidata de la placa detectada por el procesamiento
morfológico se muestra en la imagen original, debido a la limitación de la
posible identificación de múltiples objetos, la proporción del tamaño de la
placa en el automóvil chino debe calcularse de acuerdo con la proporción
relación (la relación de aspecto de la placa azul-blanca es 3.14), para
eliminar parte de la placa falsa y finalmente obtener el área real de la placa,
como se muestra en la figura 5, que está marcada por el rojo zona.
Fig.3: Tabla de comparación de resultados Por lo tanto, la
banalización en el espacio RGB, su interferencia es grande, especialmente la
interferencia máxima de los faros y el logotipo del automóvil, y en la banalización del
espacio HSV puede ser bueno para excluir estas interferencias.

2.3 Tratamiento morfológico

Para la licencia es una imagen de placa procesada binariamente, el método

de procesamiento morfológico puede detectar rápida y efectivamente el área
conectada, es decir, el área candidata de la placa. Las operaciones morfológicas
básicas incluyen corrosión, expansión, operaciones abiertas y operaciones
cerradas. Las operaciones abiertas y cerradas están hechas de compuesto de
corrosión y expansión, la operación abierta es la primera expansión después de la
Fig.5: Posicionamiento de la matrícula
corrosión, y la operación cerrada es la primera expansión después de la corrosión.

2,4 Máximo de caracteres adyacentes Centro horizontal

Método de segmentación de distancia
La operación de corrosión (erosión) se puede definir como:
1) Los personajes no están atascados
B {x=, B x A + ⊂
UNA ㊀ } (2)
Usando el método de intervalo de ubicación para obtener el valor de
Donde, A es la imagen de entrada; B es la plantilla. UNA ㊀ B representa que B en proyección de la imagen binaria, calculando las coordenadas centrales
el proceso de traducción, todo lo cual puede llenar el interior del origen de AB. horizontales re1 y 2 re de dos adyacentes

caracteres, si el valor de 2 dd - es 1mayor que la altura / 6,

La operación de expansión (expansión) es la operación dual de la
operación de erosión (operación inversa), que puede definirse por la la distancia es la distancia central entre el segundo carácter y el tercer

corrosión del complemento. carácter [8].

2) Carácter pegado
ABA
⊕ = ㊀ (([ - - si ) )
C
C (3)
Si hay un caso especial de adhesión de caracteres, como se muestra en la fig. 6, en

UNA denota el complemento de A, y -B denota la rotación de

C
Dónde, este caso, el método de procesamiento ya no utiliza la distancia horizontal central de los
C caracteres adyacentes como criterio, sino que encuentra directamente el espacio máximo
B 180 °. El uso de -B en la corrosión de UNA , la
de acuerdo con las características de la proyección vertical, como se muestra en la fig. 7
El complemento de los resultados de corrosión es el uso de los resultados de corrosión B a
como se muestra.
A.
La operación abierta se define como:
Pequeña Grande Grande
ABA
⋅ = ㊀) ( ⊕y desayuno
cama (4)

La operación cerrada se define como:

ABA
⋅ = ⊕ -( ㊀ ( ( si ) ) - si ) (5)

La operación cerrada puede suavizar el contorno, generalmente puede cerrar un

espacio estrecho, llenando pequeños agujeros. La operación abierta puede suavizar el
contorno de la imagen, pero también hacer que las conexiones estrechas se
Fig.6: Diagrama de distancia al centro horizontal del personaje
desconecten y eliminen las rebabas

DDCLS'18
416
 correspondiente a 10 × 10 parámetros, de hecho, es equivalente a la operación

Grande Pequeño Pequeño

de convolución.
El intercambio de pesas.
En la conexión parcial anterior, cada neurona corresponde a 100 parámetros,
un total de 1,000,000 de neuronas. Si 100 de los
1,000,000 de neuronas son iguales, el número de parámetros se convierte en 100.

Fig.7: Diagrama de tamaño de espacio entre caracteres adyacentes La idea

100 parámetros se pueden ver como una forma de extraer características. El principio
básica del método es: usar el método del intervalo de posicionamiento para obtener el
implícito es que parte de la imagen tiene las mismas características estadísticas que las otras
valor de proyección de cada carácter
partes. También significa que las funciones que aprendemos en esta parte también se
Ver oj
Prii[] ( 0,1w es la
= •• w matrícula
) pueden usar en otra parte, por lo que podemos usar las mismas funciones de aprendizaje
ancho de la imagen), conforme a El valor de la para todos los lugares de la imagen.
Ver oj
formación Pri []para obtener el ancho del espacio entre dos caracteres
adyacentes [9], luego según el segundo carácter y El tercer carácter tiene la De manera más intuitiva, al elegir aleatoriamente una pequeña pieza de imagen de una

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.

de 5 caracteres, el espacio máximo de 2 caracteres [10].

Como se muestra en la siguiente figura, un núcleo de convolución de 3 × 3 se
convoluciona en una imagen de 5 × 5. Cada convolución es un método de extracción de

La idea básica de colocar los siete caracteres en una posición específica características, como un tamiz, la imagen de la parte seleccionada del filtro.

es dibujar el ancho de los caracteres desde el espacio máximo hacia la

izquierda y hacia la derecha, respectivamente. Si el ancho del carácter
obtenido es mayor que la altura, entonces hay un carácter pegado. Según el
ancho de cada carácter de placa estándar Altura / 2 en el área de adhesión
división razonable.

Fig. 10: Proceso de la máquina de volumen Cuando solo hay 100

2.5 Reconocimiento de caracteres basado en CNN
parámetros mencionados anteriormente, muestra que solo hay un núcleo de

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:

Fig.8: Esquema de la CNN

Experiencia local salvaje
Para reducir el número de parámetros, cada neurona en realidad no
Fig.11: Principio de funcionamiento del núcleo multiconvolución La
necesita percibir la imagen global, solo necesita percibir lo local, y luego
siguiente figura muestra la operación de convolución en cuatro canales.
obtener la información global integrando la información local en un nivel
Cuando hay dos núcleos de convolución, se generan dos canales y la función
superior. La idea de la conectividad de red también está inspirada en la
de activación es:
estructura del sistema visual en biología.
k
W x∗ ) ij, + )
k
h ij , = tanh (( sik (6)

Capa m-1 Capa oculta m-1

1
W
1
W W
00

W
00

Fig.9: La forma de conexión

En la imagen superior derecha, si cada neurona está conectada a solo 10 × 10
píxeles, entonces los datos de peso son 1000000 × 100 parámetros, reduciéndose Fig.12: Función de activación del principio de funcionamiento.
a 0.01%. Y valor de 10 × 10 píxeles

DDCLS'18
417
 En la figura anterior, se enredan 4 canales para obtener 2 canales. El
número de parámetros es 4 × 2 × 2 × 2, donde 4 significa 4 canales, los
primeros 2 significan 2 canales y el último 2 × 2 indica el tamaño del núcleo
de convolución [14].
Agrupación
Una idea muy natural para describir imágenes grandes es agregar las
características de diferentes ubicaciones. Estas estadísticas resumidas no solo
tienen dimensiones mucho más bajas, sino que también mejoran los resultados (no
se ajustan fácilmente). Este tipo de agregación se llama agrupación.
Fig.13: Agrupación del principio
3 Simulación del sistema de identificación
3.1 Establecimiento del modelo de reconocimiento.
El sistema de reconocimiento de matrículas involucra una serie de
tecnologías, y ahora creamos un sistema integral [15].
(1) En primer lugar, la recopilación de información del vehículo y el examen
preliminar.
(2) Imagen de color RGB en estilo HSV, reduce la contaminación acústica. (3)
La imagen se divide en H, S, V imagen de escala de grises de un solo canal,
elimina el ruido de cada canal, binario y operación "Y".
(4) Localice el área rectangular por morfología. (5) De acuerdo con la ubicación
encontrada por el posicionamiento grueso, utilizando el método de distancia de centro
horizontal de carácter adyacente máximo para lograr la segmentación de la matrícula.
(6) Para diferentes personajes, los caracteres adhesivos y los no adhesivos usan
diferentes formas de encontrar.
(7) Segmentación de cada personaje en la matrícula, interceptación de cada
contorno de personaje.
(8) Interceptar el bloque. Cortar el bloque rectangular en la figura para prepararse
para los próximos pasos. La intercepción de la imagen del personaje se normaliza a
20 × 32 mosaicos rectangulares. Por ejemplo, la figura 14.
Fig.14: Intercepción de la imagen del personaje (10) La imagen se
normaliza a 227 × 227 × 3 en RGB. (11) Capa Conv1, utilizando 96 núcleos de
convolución de tamaño 11 ×
11, utilizando la función de excitación (Rell) para garantizar que el valor del mapa de
características esté dentro de un rango razonable. Y 4 píxeles se mueven hacia la derecha
como un paso unitario, lo que resulta en un mapa de características (557) × 55 × 96
((227-11) / 4 + 1 = 55). La agrupación adicional (pool1) y la normalización (norma1), el
algoritmo de agrupación máxima ((55-3) / 2 + 1 = 27) se utilizó para el proceso de
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,
se completa la primera convolución.
(12) Capa Conv2, se utilizan 256 núcleos de convolución de 5 × 5. Para garantizar
que el tamaño del mapa de entidades después de la operación de convolución sea
constante, el borde de expansión es de 2 píxeles y 256 nuevas entidades ((27-5 + 2
× 2) / 1 + 1 = 27),
418
es decir, habrá 256 características de tamaño 27 × 27. Luego se realizan
las mismas operaciones ReLU y pool2 y norm2 que en (11). El mapa
característico cambia a 256 × 13 × 13, ((27-3) / 2 + 1 = 13).
(13) Se utilizan 384 núcleos de convolución 3 × 3 para las capas Conv3 y Conv4, lo que
da como resultado 384 nuevas características de 13 × 13 ((13-2 + 1 × 2) / 1 + 1 = 13)
No hay una capa de agrupación en ambos niveles
(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,
la deserción al azar perdió información de nodos de 4096 nodos, y luego obtuvo una
nueva 4096 neuronas.
(16) El enlazador fc8, usando 65 neuronas, conectó completamente 4096 neuronas en
fc7 y luego pasó a través de un filtro gaussiano para obtener 65 valores flotantes, que
es la probabilidad de predicción
3.2 Simulación del modelo
Hay 6.280 números de matrículas, pretratamiento para establecer un conjunto de
datos de capa de entrada razonable. Seleccione el 75% de la matrícula de la imagen
4710 como conjunto de capacitación. Hay 65 grupos de caracteres en el conjunto de
entrenamiento (31 grupos de caracteres chinos, 24 grupos de letras en inglés y 10
grupos de caracteres digitales). Hay 4,710 caracteres chinos,
10,759 caracteres ingleses y 17501 caracteres numéricos. En el conjunto de prueba,
hay 1570 caracteres chinos, 3402 caracteres ingleses y 6018 caracteres numéricos.
Resultados de entrenamiento iterativo.
Fig.15: pérdida de reconocimiento de caracteres y curvas de precisión Este
artículo está destinado a desarrollar un algoritmo altamente aplicable que tenga
en cuenta el tiempo y la precisión. Comparación de varios algoritmos.
Tabla 1: Comparación de los resultados.
Modelo Tiempo de precisión (t)
Red neutral de BP 92,3% 0,953
Método de coincidencia de patrones 80,4% 0,192
CNN 98,8% 1.16
El modelo integral de este artículo. 96,9% 0,517
DDCLS'18
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

闽 CB6957 闽 CB6957 苏 AFF870 苏 APF870

Referencias
贵 AL037K 贵 AL037K 云 BTL116 云 BTL116
[1] B. Hongliang, L. Changping, un método híbrido de extracción de matrículas basado
京 PH3X00 京 PH3X00 苏 E703Y5 苏 E703Y5
en estadísticas y morfología de bordes, en Actas de la 17ª Conferencia
粤 N02181 粤 N02181 鲁 L176LL 鲁 L176LL Internacional sobre. IEEE 2004: 831-834. [2] Y. Zhang, Y. Pan, un nuevo enfoque
para la localización de matrículas de vehículos a partir de una imagen en color, Revista
津 H821CH 津 H821CH 川 AT0H69 川 AT0H69
de Imagen y Gráficos,
苏 A2396V 苏 A2396V 苏 AE22C7 苏 AE22C7

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

川 A568NB 川 A568NB 沪 C0TH96 沪 C0TH96

鲁 BE99A5 鲁 BE99A5 粤 B8DY18 粤 B8DY18

桂 A18H6L 桂 A18H6L 鲁 U38ES3 鲁 U38ES3 Actas de la 10ª Conferencia Internacional de IEEE,

2003: 898-901. [6] Y. Zhuang, Investigación sobre tecnología de identificación precisa de

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.

Actas de conceptos avanzados para sistemas de visión inteligente, Nueva

York: Springer, 2009
[8] R. Casey, E. Lecolinet, Una encuesta de métodos y estrategias en la segmentación
de caracteres, IEEE Trans. sobre análisis de patrones e inteligencia artificial, 18
Figura 16 etapa de extracción de caracteres De acuerdo con el proceso (7): 690-706, 1996. [9] Y. Zhang, C. Zhang, un nuevo algoritmo para la
de identificación anterior, el resultado final es el que se muestra a continuación. segmentación de caracteres de la matrícula, en Actas del Simposio de Vehículos
Inteligentes, 2003: 106-109. [10] J. Guo, Y. Liu, localización de matrículas y
segmentación de caracteres con autoaprendizaje de retroalimentación y técnicas
de binarización híbrida,

IEEE Trans. en Vehicular

Tecnología, 57 (3): 1417-1424, 2008. [11] C. Anagnostopoulos, I.
Anagnostopoulos, V. Loumos, et al, Un algoritmo de reconocimiento de
matrículas para inteligente
aplicaciones del sistema de transporte, IEEE Trans. en
Sistemas inteligentes de transporte, 7 (3): 377-392, 2006. [12] V. Tavsanoglu, E. Saatci,
extracción de características para el reconocimiento de caracteres utilizando filtros tipo
gabor implementados por redes neuronales celulares,
Figura 17 Resultado final del reconocimiento Análisis de errores: en un en Procedimientos de el sexto IEEE
entorno oscuro, colocando la placa, después de los caracteres de segmentación, lo que da Taller internacional, 2000: 63-68. [13] H. Suzuki, T. Matsumoto, L. Chua, un
reconocedor de caracteres manuscritos de CNN, Revista Internacional de Teoría y
como resultado la primera F difusa, lo que da como resultado el reconocimiento como P,
Aplicaciones de Circuitos, 20 (5): 601-612, 1992. [14] G. Hinton, N. Srivastava, A.
mientras que el segundo reconocimiento P es correcto.
Krizhevsky, Mejorando las redes neuronales evitando la coadaptación de
detectores de características, Computer Science, 3 (4): 212-223, 2012. [15] A. Bell,
T. Sejnowski, Los "componentes independientes" de las escenas naturales son
5 5 Conclusiones
filtros de borde, Investigación de la visión, 37 (23): 3327-3338, 1997.

En este documento, se propone una combinación de métodos tradicionales y

aprendizaje profundo, y una serie de optimización de la ubicación de la placa,
extracción de la región de la placa,

DDCLS'18
419