多类型车牌识别配置的方法（外文翻译） ㊣ 精品文档 值得下载

识别，无线传感网络等已经提出了汽车身份识别，但是车牌识别的图像数据技术仍因其方便成本低的特点，在目前的智能交通系统中成为了项不可缺少的技术。

车牌识别系统般分为三个步骤车牌定位，字符分割和字符识别。

检测步骤大致分为车牌和非车牌区域，分割步骤分割符号字符彼此在同个车牌，以便在识别时字符块从准确轮廓的左边开始，车牌识别的最后步转换灰度图像块成字符符号识别的预定义模式。

虽然车牌识别技术有着很长的研究历史，但它仍然被各种产生的需求而驱动着，最常见的个是车牌风格的变化。

例如外观变化而引起的图像采集条件的变化。

风格的变化从个地区到另个地区。

当政府发布新的车牌格式时所引起的变化。

我们将其概括为四个因素，即旋转角度，行数，字符类型和格式，在综合分析后，得到多样式的车牌实时数据。

般而言，上述四个因素的任何变化都可能会导致车牌风格和外观的变化，进而影响到检测，分割和识别方法。

如果个车牌有个大的旋转角度，分割和识别算法对于横向车牌都将无法正常工作。

如果个车牌有多于个字符线，附加行分离算法需要在个分离进程前。

当我们的方法适用于从国到另国时，随着字符类型的变化，有能力重新定义认识模型是必要的。

更重要的是，车牌风格的变化需要方法来调整车牌本身，以致候选的分割和识别字符可以最好地匹牌人工神经网络识别模型的研究中的个重要要素是为有良好的功能建立个合理的网络结构。

同时在车牌识别系统中基于支持向量机的算法被采用也是为了通过少量的研究样本来获得良好的识别性能。

最近，级联分类器的方法也可用于车牌识别。

模板匹配也是另种广泛使用的方法。

般来说，研究人员需要通过手动建立车牌字符和符号的图像模板。

他们可以为了重要的部分划分较大的权重，例如，角点在模板中是为了强调字符与众不同的特征。

特征点的不变性也被看重是提高系统的鲁棒性在模板匹配方法中。

缺点就是那些在图案识别方面没有专业知识的用户很难自己去定义新的模板，这将会限制该算法的应用。

基于上述算法，大量的车牌识别方法已被研究出来。

然而这些方法主要是为些明确的国家或特殊的车牌格式而开发的。

在文献中，作者专注于通过提出些新的分割和识别算法来识别希腊的车牌。

车牌字符是些固定了格式的字母数字。

在参考文献中，张等人开发了种基于学习的车牌检测和字符识别方法。

他们的方法主要是针对的是韩国风格的车牌。

在文献里，为了开发普遍的车牌识别技术，光学字符识别技术也被纳入到车牌识别中，然而的性能可能会在面对图像质量很差的车牌时降低，因为它很难从没有格式监控的候选中区分出真正的字符。

该方法只能选择有最好的识别结果的候选作为没有矫正过程的车牌字符。

王等人开发了种方法以不同的视角来认识车牌识别。

在他们的方法中考虑了倾斜因素。

文献作者提出了种可以处理在光照车辆速度路线和背景变化的情况下的自动车牌识别方法，它是通过开发新的检测和分割算法及研究照明和图像模糊的鲁棒性来实现的。

在作者不能在多国家或多风格的状况下公布识别结果的时候，该方法的性能是令人鼓舞的。

在文献中，作者提出了种在多国家的环境下的车牌识别方法，包括字符分割和独立的格式识别。

由于在字符分割时没有进行识别信息，可能会产生的分割字符从背景噪声中。

此外，该方法不是种基于学习的方法，这将限制它的可扩展性。

文献中，麦克西等人提出了种生成识别方法。

为了研究许多的在实际样品中统计的变异性是平等的每部分综合性的字符而提出了生成模型。

因此，大套字符的适用的统计描述可以通过使用有限的组图像来获得。

于是，字符识别的扩展能力得到了提高。

不过这种方法主要是针对字符识别的扩展性而不是整个车牌识别方法。

回顾这篇文章我们可以看出，多风格和多国家的车牌识别方法仍然没有被充分的考虑。

现有的车牌识别方法很多都能够在个特定的应用的条件下可以工作得很好，但是当他们从个条件换到另个条件或者其他几个格式时，性能往往会急剧下降。

个车牌格式。

在过去的几年中，由于多国车牌或者多格式的车牌而提出了几种方法，但是他们中只有些能全面解决在风格适应方面的问题。

他们中的些只要求有通过重新定义检测和分割标准或者识别模式来处理多国车牌的能力。

在本文中，我们提出了种可配置的车牌识别方法是适用从个风格到另个风格，特别是从个国家到另个国家的时候，通过所确定的四个因素来作为参数。

用户可以限制参数的范围，并且同时方法还将进行自我调整，从而使识别可以更快更准确。

和现有的车牌识别技术类似，我们还提供详细的检测分割和识别算法。

与其不同的是，我们强调的是车牌识别系统可配置的框架和为多样式车牌而提出的可扩展性的方法，而不是每种算法的性能。

在过去的几十年中，我们已经提出了许多方法用于车牌识别包括检测，分割和识别算法。

在下面的段落中，这些算法和车牌识别的方法以他们为基础，进行了简要回顾。

车牌检测算法可以根据使用的特征主要分为三类，即基于边缘的算法，基于颜色特征的算法和基于纹理的算法。

对车牌检测最常用的方法当然是边缘检测和数学形态学的组合。

在这些方法中，梯度边缘是第个从图像中提取的，随后的形态空间分析被用来与车牌区域和边缘建立关系。

另种方法是为找出密集的边缘区域或者形成车牌区域密集边缘的图形通过霍夫变换在图像坐标计算边缘。

边缘分析是具有较低的计算复杂度和良好的扩展性的最简单的方法。

与基于边缘算法相比，基于颜色特征的算法更依赖于应用条件。

由于个国家车牌往往有几种事先确定的颜色，研究人员以定义的颜色模型来分割区域从而确定车牌区域。

这种方法照明条件将会对其影响很大。

为了赢得较高的查全率和较低的误报率，纹理识别已被用于车牌检测。

在文献中，吉姆等人用来整理纹理分类以检测包含车牌像素的图像区域。

作者采用高波滤波器来提取多尺度的纹理特性，和多方位的描述车牌区域的纹理特性。

在文献中，张利用和的导数特性，灰度值的变化和算法分类来分割张图像中的车牌区域和非车牌区域。

还用小波特征分析方法来识别车牌区域。

尽管这些方法性能良好，但是计算的复杂性却限制了他们的可用性。

此外，基于纹理特征的算法也会受到多语言因素的影响。

多线的车牌分割算法也可分为三类，即以投影法为基础的算法，二值化和整体优化算法。

在投影算法上，在垂直方向的梯度或者色彩投影将先计算。

流域在投影结果中被作为特征和用于分割字符之间的间隔。

分割区域将通过垂直投影作进步的处理以获得精确地车牌字符的边界框。

因为简单的分割方法容易被车牌的旋转所影响，因此对倾斜的车牌进行分割已成为了个亟待解决的关键问题。

在二值算法中，整体或局部的方法常常被用来从背景区域中获得前景，且区域关联操作也常被用来获得字符区域。

在最近的研究中，局部阈值的测定和平滑窗口技术都被开发出来用于提高分割的性能。

全局优化算法的目的不在于为单独的字符获得好的分割结果，而是为了获得种折衷的字符空间布局和简单的字符识别结果。

隐马尔科夫链也已被用来表示车牌字符的动态分割。

该算法的优点是全局优化将提高噪声的鲁棒性。

而劣势就是在个分割过程之前精确的格式定义是必不可少的。

车牌识别系统中的字符和符号识别算法可以被分为基于学习的算法和基于模板匹配的算法。

对于前者而言，人工神经网络是最常用的方法，因为它被证明是为了能够活得很好地识别结果而进行了大量的研究的。

对车，，，，，，