A new and robust method for character segmentation and recognition in license plate images

Abstract

This paper provides a new and fast method for segmentation and recognition of characters in license plate images. For this purpose, various methods have been proposed in literature. However, most of them suffer from: sensitivity to non-uniform illumination distribution, existence of shade in license plate, license plate color and the need for receiving an exact image of the license plate. In the proposed algorithm, non-uniform illumination and noise are reduced by a Gaussian lowpass filter and also by an innovational Laplacian-like transform and characters are segmented by a set of indigenous and relative features. To be prepared for recognition, the segmented characters are normalized by a local algorithm. Two feed-forward neural networks with back-propagation learning method are employed for character recognition. The principal component analysis (PCA) is used to decrease input data and, consequently, computational complexity. The proposed algorithm does not necessarily need an exact plate image and can receive a band from the vehicle original image as an input, which includes the plate. Our proposed method is completely robust to the disturbances such as non-uniform brightness distribution on the various positions of a license plate image and the plate color. In order to evaluate our algorithm, we applied it on a database including 120 vehicle images with different backgrounds, plate colors, brightness distributions, distances and viewing angles. The results confirm the robustness of the proposed method against severe imaging conditions.

دانلود رایگان مقاله انگلیسی            1.07 MB

چکیده
این مقاله یک روش جدید و سریع برای قطعه بندی و تشخیص کاراکترها در تصاویر پلاک ارائه می کند. برای این منظور، روش های متعددی در مقالات پیشنهاد شده اند. با این حال، اکثر آنها در موارد زیر مشکلاتی دارند: حساسیت به توزیع روشنایی غیریکنواخت، وجود سایه در پلاک، رنگ پلاک و نیاز برای دریافت تصویر دقیق پلاک. در الگوریتم پیشنهادی، روشنایی غیریکنواخت و نویز توسط فیلتر پایین گذر گاوسی و همچنین توسط تبدیل لاپلاسی جدیدی کاهش می یابند و کاراکترها توسط مجموعه ای از ویژگی های بومی و نسبی قطعه بندی می شوند. برای آماده شدن برای تشخیص، کاراکترهای قطعه بندی شده توسط الگوریتم محلی نرمال سازی می شوند. دو شبکه عصبی فیدفوروارد با روش یادگیری انتشار بازگشتی برای تشخیص کاراکتر استفاده می شوند. آنالیز مولفه اصلی برای کاهش داده های ورودی و در نتیجه پیچیدگی محاسباتی استفاده می شود. الگوریتم پیشنهادی ضرورتا نیاز به تصویر پلاک دقیق ندارد و می تواند نواری را از تصویر اصلی وسیله نقلیه بعنوان ورودی دریافت کند که شامل پلاک می باشد. روش پیشنهادی ما در مقابل اختلالاتی مانند توزیع روشنایی غیریکنواخت روی مکان های متعدد تصویر پلاک و رنگ پلاک کاملا قوی می باشد. به منظور ارزیابی الگوریتم مان، آن را روی پایگاه داده حاوی 120 تصویر وسیله نقلیه با پس زمینه ها، رنگ ها، توزیع های روشنایی، فواصل و زوایای دید مختلف اعمال کردیم. نتایج، قدرت روش پیشنهادی مان را در مقابل شرایط تصویربرداری شدید تایید می کنند.

تعداد صفحات مقاله انگلیسی: 8صفحه
تعداد صفحات مقاله فارسی: 24 صفحه