基于字符分割树形状的多风格车牌识别系统.doc

A Multi-style License Plate Recognition System Based on Tree of Shapes for Character Segmentation Francisco G′omez Fern′andez1, Pablo Negri2, Marta Mejail1, and Julio Jacobo1 1 Universidad de Buenos Aires 2 PLADEMA, Universidad Nacional del Centro de la Provincia de Buenos Aires 基于字符分割树形状的多风格车牌识别系统 摘要这项工作的目的是要开发一个多风格的车牌识别（LPR）系统。 LPR系统大部分是由国家开发利用的。在这里，本文提出了一新的基于图像树形的特征提取算法。这种方法能很好地于不同风格的车牌，不需要倾斜或旋转校正并且它是无参的。此外它在规格变化时是不变的，相反在光照仿射改变时是变化的。我们两个不同的数据集测试了LPR系统，实现了高性能率：车牌检测和字符识别超过90％，在字符分割方面则高达98.17％。 1 引言 车牌识别（LPR）直接应用于现实生活的方方面面非常热门的研究领域。安全控制及交通安全应用，识别被盗车车速限制执法已成为非常重要的应用领域，其中车牌（LP）分析起着根本性的作用[1]。 一个车牌识别系统可分为三个步骤：LP检测，字符分割和字符识别。字符的成功识别在很大程度上取决于通过分割步骤获得的限位框的质量。因此，我们认为分割是车牌识别系统中的非常重要的一步。在[1]中，我们对LPR进行广泛检测。然而LPR系统处理来自不同国家风格迥异的车牌问题（形状、前景、背景、颜色等）是一个开放的研究领域。几个试验检测的LPR能实现高性能率，但其大部分是于国家。[610，11]中，处理多风格LPR分析。此外，[6]和[11]使用类似的程序来搜寻LP区域并增加了识别反馈，当识别失败时能完善检测步骤。特征提取步骤通常是二值化方法成分分析[1011]。二值化阈值的选择是一项艰巨的任务如果选择不正确，我们得到多余的检测或错过一些检测。[4]中提出了一个有趣的方法，即同时处理检测与分割。 在[11]使用傅立叶描述的统计方法和Reeb图的结构方法来区分模棱两可的字符。此外，为更好地识别字符，[6]三层人工神经网络将之前提取的字符固定分块，再进行计算。 在这项工作中，我们开发适应不同国家的静像LPR系统。我们的工作重点是基于图像树的形状的LPR系统的分割步骤。这被认为是一新的特征提取方法。这种方法能很好地不同的LP风格，并不需要旋转或倾斜校正并且是无参的。此外它在规格变化时是不变的，相反在光照仿射改变时是变化的。这些属性可通过派生树的形状[8]得到。两个数据集测试系统（参见例子如图1）获得了高性能。 图1两个数据集来测试我们系例子。第一行显示了美国的车图像。第二行显示了阿根廷车的图像 本文组织如下：第2部分详细介绍了LPR系统的步骤。第部分给出了实验结果。最后，第4部分了结论和今后的工作。 2 车牌识别系统 在本节中，我们介绍LPR系统的三个步骤：车牌检测，字符分割和字符识别（图2）。 可能的几个区（ROI）使用形态滤波器。为了验证ROIs，即Ri ，i=1，……，N和选择最有可能的LP区域，应更详尽分析每个区域用模板匹配和特征提取[9]。然后，找出得分最高的分割步骤，遇到三个以上边界框（|bbx| 3，在图2）验证其结果。最后，边界框字符识别在2.3节中所述验证。[11]如果字符分割或字符识别步骤分析失败，将评估第二个最有可能的区，一直进行，直到达到RN区。在这种情况下，系统没有返回检测。 图2 LPR系统图菱形块代表验证步骤 2.1车牌测 在本节中，我们讨论每个区域所做的分析，并给们一个可信值。 ROI的一代。形态学顶级过滤用于图像输入，以提高度值差别很大的区域的对比度。垂直轮廓的计算使用索贝尔过滤器，并连续形态操作，然后应用连接的可能LP区域的边缘。这些操作是简单而快速的，提供了一些潜在的车牌区域。这是车牌识别系统中的关键一步：如果形态滤波器检测到LP，LP将会丢失。 ROI的评估。每个ROIs，即Ri ，i=1，……，N是由两种方法计算：模板匹配和文本检测[5]。然后，我们定义了四个评价向量的长度为N：pcv模板匹配，mgd，nts和tbr文本检测，其中pcv（i）通过累积边界内相关值Ri mgd（i），nts（i），tbr（i） 是最大的梯度差，在Ri 内文本段的数量和文本块比率。我们需要合并他们的信息，以便决定N区域是最有可能存在一个车牌。我们创建了四个排序索引向量：pcvsi，mgdsi，ntssi和tbrsi。这些载体指数评价