《外文翻譯--基于人工神經網絡的車牌照識別》由會員分享，可在線閱讀，更多相關《外文翻譯--基于人工神經網絡的車牌照識別（11頁珍藏版）》請在裝配圖網上搜索。

中國地質大學長城學院 本科畢業(yè)論文外文資料翻譯 系 別： 工程技術系 專 業(yè)： 機械設計制造及其自動化 姓 名： 學 號： 2012 年 3 月 20 日 外文資料翻譯譯文 基于人工神經網絡的車牌照識別 厄爾丁克 要 近年來，隨著車輛數量在交通中的增加必要的個人工作在交通控制中的數量也隨之增加。 為了解決這個問題，計算機自動控制系統(tǒng)被開發(fā)。汽車牌照自動識別系統(tǒng)就是其中之一。在這個系統(tǒng)中，汽車牌照自動識別系統(tǒng)是基于人工神經網絡的。在這個系統(tǒng)中，259 個車輛圖片被使用。這些車輛的圖片是從相機中提取，然后車牌區(qū)域尺寸 220符包括字母和數字，在車牌定位中使用邊緣檢測算子和斑點的著色方法。斑點染色方法應用于 區(qū)分車牌特征。在這一階段的工作特征提取，采用平均絕對偏差公式。數字化特征進行分類使用前饋多層感知器神經網絡回傳播。 關鍵詞：車輛牌照識別，人工神經網絡 ，模糊著色，字符識別 在發(fā)展中國家，汽車數量日益增加。與此同時，必須認識到車輛和車牌同時也是增加的。以計算機為基礎的車輛牌照自動識別系統(tǒng)為解決這一問題提供了必要性。在這項研究中，提出了一種高效的汽車牌照自動識別系統(tǒng)基于人工神經網絡（神經網絡）。該系統(tǒng)由三個主要議題：定位板地區(qū)的汽車圖像，車牌字符圖像的分割，字符分割和識別。該方案提出的車牌自動識別系統(tǒng)顯示在圖 1。 1 汽車牌照自動識別系統(tǒng) 根據土耳其民用車牌識別，及成功率（ 基礎的車牌定位（ 字符分割（ 字符識別（ 程給出了表 1 表 1 R %) SR S (%) SR R (%) H. 006 42 92,85 87,17 94,12 S. 006 340 97,65 96,18 98,82 G. 008 80 92 95 90 B. 008 200 96 - 92,5 第一階段的汽車牌照識別系統(tǒng)是找到車牌定位車輛圖像。板區(qū)域通常由白底黑字組成。因此，過渡區(qū)之間的黑色和白色的顏色是非常密集的，在這一調查區(qū)域 ，包括大部分的過渡點，將足已定位車牌區(qū)域。 為此，邊緣檢測算子應用于車輛的圖像得到的過渡點。坎尼邊緣檢測器使用了一個過濾器的基礎上的一階導數的高斯平滑。經過平滑的形象，消除噪音，下一步就是提取圖像的梯度。這一進程， 3× 3 矩陣被作為操作使用尺寸來進行邊緣強度的梯度計算。這一信息使我們得到邊緣點，如此密集的地區(qū)可確定過渡點。過渡點之間的黑色和白色的顏色確定了這一邊緣圖。邊緣檢測和定位車牌區(qū)域的圖像顯示在圖 2 圖 2（一）原始汽車圖像邊緣檢測；（二）局部區(qū)域 灰度車牌圖像分割過程之前應加強。因 為對比度差異可能發(fā)生在提取圖像的照相機。此外，不必要的骯臟的地區(qū)和一些噪音影響可以放在分割過程中負方向。 在這項工作中，灰度圖像的增強了運用對比的延伸和中值濾波技術。因此，對比差異圖像和聲音等臟區(qū)域在白色背景，該板可以消除。圖像增強階段后，斑點顯色法的實施，確定邊界的字符。 擴展的圖像對比度的手段，均衡直方圖。換句話說，對比度擴展使圖像銳化?；叶戎狈綀D是圖像灰度分布值的圖像。直方圖均衡化是一種流行的技術，以改善外觀形象差的對比。 這個過程直方圖均衡化的圖像有 4 個步驟：（ 1）求直方圖的值。 （ 2）規(guī)范這些值除以總像素。（ 3）乘以這些正常價值的最大灰度值。（ 4）圖的新的灰度值。對比度擴展車牌圖像顯示在圖 3。 中值濾波是用來消除不必要的噪音的地區(qū)。在這個濾波算法中周圍的圖像的 3× 3矩陣被截取。這個矩陣的尺寸可以根據噪聲水平來進行調整。 這個過程的工作， （ 1）一個像素為中心像素的 3× 3 矩陣， （ 2）周圍像素鄰域像素分配， （ 3）排序過程之間采用這九個像素由小做大， （ 4）第五個元素分配為中位數元， （ 5）這些程序實施的所有像素圖像。過濾后的圖像顯示在圖 3。 圖 3（一）原車牌區(qū) 域的圖像；（二）對比度擴展圖像；（三）中值濾波后的圖像 斑點（二進制大對象）著色算法具有很強的結構計算法來確定臨近和相關地區(qū)二進制圖像。該算法使用一種特殊形模板掃描，圖像從左到右，從上到下。這種掃描過程確定獨立的地區(qū)獲得連接到四方向從零開始的背景圖像。在這項工作中，四個方向的點著色算法應用于二進制編碼的車牌圖像獲取字。實施后，字符分割得到了車牌區(qū)域的圖像（圖 4）。 圖 4 字符分割 在這項工作中，字符分割被列為單獨的數字和字母。為此，板圖像分為三個地區(qū)。第一區(qū)域包括雙位數字，表明城市交 通代碼。二區(qū)域由一至三的字母。第三個區(qū)域由二至四位數字組成。板圖像掃描形成確定自左向右水平和空間之間的字符。在這個過程，如果該值的空間是高于以前所鑒定的閾值。數字被定位為 28素大小。字母被定位為 30x 40 像素大小。樣本的一些數字和字母分割的車牌區(qū)域顯示在圖 5。 圖 5 一些樣品的字符分割 在這項研究中，獲得的字符被保存為一個圖像文件。 數字的尺寸 被確定為 28素，字母的尺寸 被確定為 30x 40 像素。數字和字母進行單獨的神經網絡 傳輸以 提高 識別的成功率。 在分類之前 ， 圖像的特征應該被準 確提取 。特征提取 能使 我們獲得 直觀 的圖像信息。這些信息可以作為一個特征向量。特征向量 是 包括全球和地方特點的一個字符編碼，比較字符 就可以確定特征 。在擬議的方法，特征向量的虹膜圖像編碼使用平均絕對偏差算法。該算法的定義是： N 是在圖像的像素數， m 是指圖像 的平均值， f（ × ， y） 是在點（ × ，你） 的值 。在這項工作中，數字圖像分為 4×5 像素尺寸的圖像和 字母 圖像分為 5×5 像素尺寸的圖像。每個子圖像進行特征提取采用 們得到特 征向量長度 49 字節(jié)的數字 和 48 字節(jié)的字母。整個特征向量應用到神經網絡的輸入進行分類 提取 特征。 在我們的工作中，數字和字母進行單獨的神經網絡 傳輸以 提高 識別的 成功率。他們都有相同的結構，但只有輸入數量差異。之所以使用不同的神經網絡識別是防止類似的數字和字母 被混淆 ，比如 “0” 和 ” O“ 啊 ” ， “2” – “ Z” 和 “8” – “ B” 。我們可以知道，這種復雜性將減少識別成功 率 。 在擬議的方法，多層感知器模型是用于特征分類的。該處理單元被安排在 多層感知器。這些輸入層（包括信息，您可以使用作出決定），隱層（幫助 網絡計算更復雜的 關系 ）和輸出層（包括由此產生的決定）。每一個神經元的輸入層是直接反饋到隱層神經元 ， 在隱層， 綜合 和產品的重量和隱層神經元輸出計算每個輸出層節(jié)點。如果錯誤計算輸出值與期望值大于錯誤率，那么培訓（改變重量和計算新的輸出使用新的重量）過程開始。這個訓練過程可以獲得理想的錯誤率。 訓練神經網絡，前饋反向傳播算法選擇。均方誤差（均方差）的功能是用來測量培訓網絡性能 的 。值的均方差是用來確定如何適合網絡輸出所需的輸出。標準監(jiān)督訓練通常是基于均方誤差。培訓計劃終止時，均方誤差下降到閾值。均方誤差值接近零，計算輸出值成為接近所需的輸出值。 V 1 f (x, y) m (1) N N 為了評估系統(tǒng)的效能， 259 車輛圖像 被應用 。 快速 習算法用于訓練神經網絡。最大的 5000 次分別為每個輸入設置。當系統(tǒng)達到最小錯誤率，由用戶定義，迭代將停止。定義的最小錯誤率為該應用程序 0001。只有一個輸入圖像是用于測試的系統(tǒng)，其余的是在訓練階段。 形的最佳結果為每個字符數據顯示在圖 6。培訓達到最小的誤差率在 4457 個迭代的數量和 1180個迭代的信件。 圖 6 均方誤差 – 迭代圖形的訓練過程 成功率的車牌區(qū)域定位，字符分割和字符識別階段， 該系統(tǒng)在表 2 中給出了。因此， 247個車牌圖像 被 正確識別，所以整體識別率的系統(tǒng)是 95,36%。 表 2。成功率的汽車牌照自動識別系統(tǒng) %) 59 255 98,45 55 252 98,82 47 (+ 1022 (344 (+ 1000 (98,17 外文原文 (2011) 1033–1037 2250, 1700, In of in is of in is To of is In on is In 259 CD 20is by in by to OI of In of by by in c 2010 or of 1. of is by In to to is To In we an on of of is . 1. of an of be In , on as in . In , 877c 2010 . K. (2011) 1033–1037 0 (2010) 000–000 of in . In , of of by NN . in of 2. he be to of [1 . of R %) SR S (%) SR R (%) H. 006 42 92,85 87,17 94,12 S. 006 340 97,65 96,18 98,82 G. 008 80 92 95 90 B. 008 200 96 - 92,5 I. 008 145 96,55 96,61 95,25 K. 009 225 (- 100 89,33 3. of he of is of is in be to to a on of a is to by of x3 of is us so be a, 2b c 2. (a) (b) (c) 4. of he be be by be on in In by as in . K. (2011) 1033–1037 1035 0 (2010) 000–000 be to of o of an of of In of an is of in an is a to of a of of an 7]: (1) of (2) by of (3) by (4) is b. is In x3 is of be to is 7]; (1) is as of x3 (2) as (3) to (4) is as (5) to in is c. 3. (a) (b) (c) a to in a a to to up to by In is to 8]. ). 4. In as of of of to in If of is is 80of . 5. of 036 H. K. (2011) 1033–103 0 (2010) 000–00 5. n as an of 8of 0by NN of be us to of an be as a A of an be so be In of an by 9]. is V 1 f (x, y) m (1) N N is of in m is of f(x,y) is at x,y). In x5 x5 by We 9 8 to NN as an of 6. of n by NN of of NN is of of 0” – “O”, “2” – “Z” 8” – “B”. As we In a of LP in to to [10,11]. in is to a of of of is in to a of As in of of is in in If is by be by of is of SE is to is to SE to SE to is to 7. n to of 259 is in of 000 to by be ,001. of in of . 457 180 6. of . K. (2011) 1033–1037 1037 0 (2010) 000–000 of . As a 247 59 in so of 5,36%. . of %) 59 255 98,45 55 252 98,82 47 (+ 1022 (344 (+ 1000 (98,17 1. H. “ 8 2006. 2. S. “ 9 2006. 3. G. “ 9 2008. 4. B. “ 8 2008. 5. I. “ 5 2008. 6. K. “ 0 2009. 7. S. , 1999. 8. C. M. 511982. 9. L. Y. T. “ 2002. 10. 1995. 11. Y. B. “A on 2002, 04