机械本科毕业论文外文资料翻译-基于人工神经网络的车牌照识别.doc

中国地质大学长城学院 本科毕业论文外文资料翻译 系 别： 工程技术系 专 业： 机械设计制造及其自动化 姓 名： 学 号： 2012 年 3 月 20 日 外文资料翻译译文 基于人工神经网络的车牌照识别 厄尔丁克kocera，kursatcevikbK 摘要 近年来，随着车辆数量在交通中的增加必要的个人工作在交通控制中的数量也随之增加。为了解决这个问题，计算机自动控制系统被开发。汽车牌照自动识别系统就是其中之一。在这个系统中，汽车牌照自动识别系统是基于人工神经网络的。在这个系统中，259个车辆图片被使用。这些车辆的图片是从相机中提取，然后车牌区域尺寸220x50的像素决定了这张照片使用的图像处理算法。字符包括字母和数字，在车牌定位中使用边缘检测算子和斑点的着色方法。斑点染色方法应用于ROL来区分车牌特征。在这一阶段的工作特征提取，采用平均绝对偏差公式。数字化特征进行分类使用前馈多层感知器神经网络回传播。 关键词：车辆牌照识别，人工神经网络，模糊着色，字符识别 1.简介 在发展中国家，汽车数量日益增加。与此同时，必须认识到车辆和车牌同时也是增加的。以计算机为基础的车辆牌照自动识别系统为解决这一问题提供了必要性。在这项研究中，提出了一种高效的汽车牌照自动识别系统基于人工神经网络（神经网络）。该系统由三个主要议题：定位板地区的汽车图像，车牌字符图像的分割，字符分割和识别。该方案提出的车牌自动识别系统显示在图1。 Camera Vehicle Finding the Segmenting the Feature Recognition Image Plate Region Characters Extraction with ANN 图1 汽车牌照自动识别系统 2.以前的作品 根据土耳其民用车牌识别，及成功率（SR）为基础的车牌定位（PRL），字符分割（CS）和字符识别（CR）过程给出了表1 表1 Author Year Number of Image Used SR for PRL (%) SR for CS (%) SR for CR (%) H. Caner 2006 42 92,85 87,17 94,12 S. Ozbay 2006 340 97,65 96,18 98,82 G. Yavuz 2008 80 92 95 90 B. Yalim 2008 200 96 - 92,5 3.定位车牌区域 第一阶段的汽车牌照识别系统是找到车牌定位车辆图像。板区域通常由白底黑字组成。因此，过渡区之间的黑色和白色的颜色是非常密集的，在这一调查区域，包括大部分的过渡点，将足已定位车牌区域。 为此，边缘检测算子应用于车辆的图像得到的过渡点。坎尼边缘检测器使用了一个过滤器的基础上的一阶导数的高斯平滑。经过平滑的形象，消除噪音，下一步就是提取图像的梯度。这一进程， 3×3矩阵被作为操作使用尺寸来进行边缘强度的梯度计算。这一信息使我们得到边缘点，如此密集的地区可确定过渡点。过渡点之间的黑色和白色的颜色确定了这一边缘图。边缘检测和定位车牌区域的图像显示在图2 图2（一）原始汽车图像边缘检测；（二）局部区域 4.字符分割 灰度车牌图像分割过程之前应加强。因为对比度差异可能发生在提取图像的照相机。此外，不必要的肮脏的地区和一些噪音影响可以放在分割过程中负方向。 在这项工作中，灰度图像的增强了运用对比的延伸和中值滤波技术。因此，对比差异图像和声音等脏区域在白色背景，该板可以消除。图像增强阶段后，斑点显色法的实施，确定边界的字符。 4.1.对比度扩展 扩展的图像对比度的手段，均衡直方图。换句话说，对比度扩展使图像锐化。灰度直方图是图像灰度分布值的图像。直方图均衡化是一种流行的技术，以改善外观形象差的对比。 这个过程直方图均衡化的图像有4个步骤：（1）求直方图的值。（2）规范这些值除以总像素。（3）乘以这些正常价值的最大灰度值。（4）图的新的灰度值。对比度扩展车牌图像显示在图3。 4.2.中值滤波 中值滤波是用来消除不必要的噪音的地区。在这个滤波算法中周围的图像的3×3矩阵被截取。这个矩阵的尺寸可以根据噪声水平来进行调整。 这个过程的工作， （1）一个像素为中心像素的3×3矩阵， （2）周围像素邻域像素分配， （3）排序过程之间采用这九个像素由小做大， （4）第五个元素分配为中位数元， （5）这些程序实施的所有像素图像。过滤后的图像显示在图3。